《Psychology Research and Behavior Management》:Is Higher Academic Workload Associated with AI Dependency? Investigating the Roles of Academic Anxiety, Procrastination, and Satisfaction with AI
编辑推荐:
背景:随着人工智能(artificial intelligence, AI)技术日益融入高等教育,研究者开始关注学生对AI工具日益增长的依赖问题。AI依赖(AI dependency, AID)是指一种适应不良的AI依赖模式,以成瘾相关症状为特征。本研究以交互
背景:随着人工智能(artificial intelligence, AI)技术日益融入高等教育,研究者开始关注学生对AI工具日益增长的依赖问题。AI依赖(AI dependency, AID)是指一种适应不良的AI依赖模式,以成瘾相关症状为特征。本研究以交互-情感-认知-执行(Interaction of Person-Affect-Cognition-Execution, I-PACE)模型为理论框架,通过将学业焦虑(情感因素)、学业拖延(执行因素)和AI满意度(认知因素)纳入一个有调节的中介模型,考察本科生学业负荷与AI依赖之间的关联。方法:研究采用具有良好心理测量学特性的验证性自评问卷,收集了690名中国本科生的数据,并采用基于自举法(bootstrapping)的结构方程模型(structural equation modeling, SEM)构建潜变量并检验假设模型。结果:研究表明,学业负荷与AI依赖呈正相关(总β = 0.35),其中仍存在直接关联(β = 0.14),并通过学业焦虑(β = 0.10)、学业拖延(β = 0.06)及其序列路径(β = 0.05)产生间接关联。AI满意度调节了学业拖延与AI依赖之间的关系(β = 0.13),在较高满意度水平下这一效应更强。讨论:上述发现通过识别与较高AI依赖相关的情感和执行路径,拓展了I-PACE模型的应用。路径特异性调节效应进一步表明,对AI的积极评价可能放大学业拖延与AI依赖之间的联系。研究结果凸显了教育干预策略的必要性,即应关注过度的学业要求、支持学生管理焦虑和拖延,并促进高等教育中批判性、平衡且自我调节的AI使用。关键词:AI依赖;I-PACE模型;学业负荷;焦虑;拖延;满意度
一、研究背景与问题提出
随着生成式人工智能(artificial intelligence, AI)技术,尤其是ChatGPT和DeepSeek等大型语言模型的迅猛发展,高等教育领域正经历深刻变革。中国互联网络信息中心(CNNIC)报告显示,截至2025年6月,中国生成式AI用户规模已达5.15亿,其中37.5%拥有大专及以上学历。大规模调查证据亦表明,大学生群体的AI使用率过去两年间快速攀升,AI已深度嵌入学生的学业常规与学习流程。已有研究证实,学生可借助AI工具提升信息检索、文本与代码生成、二语学习、作业完成及学术研究等多方面的学习体验与学业进展。
然而,AI工具的普及也引发了对学业情境中过度依赖的担忧。有别于频繁或适应性使用,AI依赖(AI dependency, AID)是一种以成瘾相关症状(如显著性、耐受性、情绪调节、戒断、冲突及减用失败)为特征的适应不良性依赖模式。新近研究警示,这种依赖可能削弱基础学习过程,导致学生减少独立信息验证、不加批判地接受AI生成内容,进而增加学术不端风险。长期来看,持续依赖AI进行观点生成与问题解决会干扰自主学习、降低独立思维动机,并损害批判性思维与问题解决能力。
既有研究多聚焦于AI技术的接受与采纳,而对AI依赖的关注相对不足。在少数相关研究中,AI依赖常被置于一般心理与社会因素(如社交焦虑、孤独感、人际经验)的框架下考察,较少研究关注学业情境因素与学生AI依赖的关联。鉴于学生使用AI的首要目的是学业支持,学业负荷(academic workload)构成了AI依赖的近端情境因素,考察其作用有助于将研究从一般心理社会相关因素拓展至学生AI使用所处的学业压力环境。
二、研究内容与意义
基于上述缺口,该研究以交互-情感-认知-执行(Interaction of Person-Affect-Cognition-Execution, I-PACE)模型为整合框架,探讨学业负荷与本科生AI依赖之间的关联机制。在该框架中,学业负荷被概念化为突出的情境性压力源;学业焦虑被视为对应学业压力的情感反应,学业拖延反映执行层面的自我调节困难,AI满意度(satisfaction with AI, SA)则代表与行为相关的认知评价,可能调节学业拖延与AI依赖之间的关系。研究通过有调节的中介模型,考察学业负荷经由学业焦虑与学业拖延的独立及序列间接效应,并检验AI满意度的路径特异性调节作用,为理解高等教育中适应不良性AI依赖提供理论依据。
三、研究方法概述
该研究采用定量研究设计,于2025年1月至2月通过问卷星(Wenjuanxing)平台以方便抽样方式收集数据,样本为中国苏州地区本科生,最终纳入690份有效问卷(有效率为91.5%)。主要测量工具包括:学业负荷量表(4条目,α=0.93)、学业焦虑量表(11条目,α=0.88)、学业拖延量表(3条目,α=0.89)、AI满意度量表(5条目,α=0.94)及AI依赖量表(9条目,α=0.94)。研究首先采用Harman单因素检验与非测量潜在标记变量法(unmeasured latent marker construct, ULMC)评估共同方法偏差,随后采用结构方程模型(structural equation modeling, SEM)配合5000次自举法(bootstrapping)检验假设模型,并控制人口学变量与先前AI经验。
四、研究结果
(一)共同方法偏差与多重共线性分析
Harman单因素检验提取出6个特征值大于1的因子,首个因子解释33.64%的总方差(低于50%阈值);ULMC分析显示加入潜在方法因子后模型拟合变化较小(ΔCFI=0.04,ΔTLI=0.04,ΔRMSEA=0.02),均未超过推荐阈值。各预测变量的方差膨胀因子(variance inflation factor, VIF)介于1.015至1.536之间,容忍度介于0.651至0.985之间,表明不存在严重的共同方法偏差与多重共线性问题。
(二)描述统计与相关分析
学业负荷、学业焦虑、学业拖延、AI依赖与AI满意度五个主要变量之间均呈显著正相关。在人口学变量方面,性别与学业负荷呈负相关,年龄与学业负荷、学业拖延、AI依赖及AI满意度呈正相关,专业与所有主要变量呈正相关,先前AI经验与AI依赖和AI满意度呈正相关。
(三)测量模型检验
验证性因子分析(confirmatory factor analysis, CFA)结果显示,包含学业负荷、学业焦虑、学业拖延、AI依赖、AI满意度及其交互项的六因子测量模型拟合良好(χ2/df = 2.48,CFI = 0.960,TLI = 0.953,RMSEA = 0.046),所有指标因子载荷介于0.51至0.93之间。
(四)中介效应分析
直接效应模型显示,学业负荷对AI依赖具有显著正向预测作用(β = 0.34, p < 0.001),支持假设H1。中介模型检验结果表明,学业负荷通过学业焦虑(β = 0.10)、学业拖延(β = 0.06)以及学业焦虑-学业拖延序列路径(β = 0.05)的间接效应均达显著水平,假设H2、H3和H4均获支持。学业负荷对AI依赖的总关联为0.35,其中间接关联合计占总关联的60.0%,直接关联占40.0%。在三条间接路径中,经由学业焦虑的路径相对贡献最大(占总关联的28.6%)。
(五)有调节的中介分析
结构模型拟合良好(χ2/df = 1.88,CFI = 0.934,TLI = 0.929,RMSEA = 0.036)。AI满意度对AI依赖具有显著正向关联(β = 0.38, p < 0.001),AI满意度与学业拖延的交互项显著(β = 0.13, p < 0.05),表明AI满意度正向调节学业拖延与AI依赖之间的关系,假设H5获得支持。简单斜率分析显示,在低AI满意度水平下学业拖延与AI依赖的关联不显著,而在平均及高满意度水平下该关联显著。不同AI满意度水平下的条件间接效应分析进一步表明,学业负荷经由学业拖延及其经由学业焦虑-学业拖延序列路径对AI依赖的间接效应均随AI满意度升高而增强。
五、讨论与结论
研究结果表明学业负荷与AI依赖之间存在直接正向关联,支持压力应对理论的预期,即高学业负荷下学生更可能借助AI作为降低认知负荷、加速任务完成的外部资源。在间接路径方面,学业焦虑的单独中介效应贡献最大,支持控制价值理论的解释:高学业需求降低学生对任务的感知控制并强化任务价值评价,由此诱发焦虑情绪,促使学生转向AI寻求即时反馈以降低不确定性和缓解表现压力。学业拖延的单独中介效应则与资源保存理论一致:高负荷消耗认知与情绪资源,学生以拖延作为保存剩余资源的被动策略,在任务截止压力下转而借助AI作为低努力的任务完成手段。学业焦虑与学业拖延的序列中介效应进一步表明,情绪困扰与自我调节困难在学业压力情境下的共存对AI依赖具有联合关联。
关于AI满意度的调节作用,研究发现高满意度增强了学业拖延与AI依赖之间的正向关联。从I-PACE模型的角度,反复的满足或补偿体验可能强化对特定行为的奖赏预期与应对信念;高度满意的学生更可能相信AI能有效减少任务启动所需的努力、管理延迟任务并弥补自我调节不足。这一结果提示,积极的认知评价在特定条件下可能放大自我调节困难向依赖转化的风险。
研究的理论贡献在于:将AI依赖研究置于学业负荷与表现要求的学业情境中,识别了情感性(学业焦虑)与执行性(学业拖延)两条独立及序列间接路径,并揭示了认知评价(AI满意度)对执行路径的特异性调节作用,从而细化了I-PACE模型在该领域中的应用。实践层面,研究建议教育机构与教师应重视高学业负荷、学业焦虑和拖延倾向作为适应不良性AI依赖的潜在风险因素,在干预中纳入焦虑管理与自我调节训练;同时,AI素养教育应超越效率导向的使用推广,强调批判性反思与对AI功能及局限的均衡理解。具体做法包括要求学生记录AI输出的修改过程、验证AI生成信息、识别潜在偏见、独立论证最终决策或在使用AI后完成元认知核查清单等。
研究结论部分指出,本研究厘清了本科生学业负荷与AI依赖之间的直接及间接关联,其中学业焦虑和学业拖延发挥独立且序列的间接作用;学业拖延与AI依赖之间的关联在更高AI满意度水平下更强。上述发现拓展了I-PACE模型的应用,说明情感、执行与认知因素如何共同关联学生适应不良性的AI依赖。从实践角度看,教育工作者和高等教育机构应关注过度的学业要求,支持学生管理学业焦虑与拖延,并促进批判性和自我调节的AI使用。未来需开展纵向或实验研究以检验这些关联的时间先后顺序。