人工智能焦虑与学业倦怠:感知压力与反刍思维的序列中介作用——基于中国硕士与博士研究生的实证研究

《Frontiers in Psychology》:Artificial intelligence anxiety and academic burnout among Chinese postgraduate students: perceived stress and rumination as serial mediators

【字体: 大 中 小 】 时间:2026年09月22日 来源:Frontiers in Psychology 3.8

编辑推荐:

  摘要 引言:本研究检验了感知压力与反刍思维能否解释人工智能焦虑(artificial intelligence anxiety, AI anxiety)水平较高的中国硕士研究生与博士研究生为何报告更高水平的学业倦怠(academic burnout)。方法:

  
摘要

引言:本研究检验了感知压力与反刍思维能否解释人工智能焦虑(artificial intelligence anxiety, AI anxiety)水平较高的中国硕士研究生与博士研究生为何报告更高水平的学业倦怠(academic burnout)。方法:研究人员分析了在中国广西壮族自治区硕士研究生与博士研究生中开展的一项横断面在线问卷调查数据。最终样本包括1,501名硕士研究生与博士研究生。参与者完成了人工智能焦虑、学业倦怠、感知压力(perceived stress)和反刍思维(rumination)的测量。研究人员采用加权最小二乘均值和方差调整估计法(weighted least squares mean and variance adjusted estimation, WLSMV)在Mplus中检验四个测量模型,并使用PROCESS宏程序中的模型6(Model 6)以5,000次自助抽样(bootstrap samples)检验序列间接效应。结果:较高的人工智能焦虑与较高的学业倦怠、较高的感知压力以及更强的反刍思维相关。感知压力和反刍思维各自在人工智能焦虑与学业倦怠之间均表现出显著的间接关联,且通过感知压力继而反刍思维的序列路径亦显著。在调整性别、年龄、学业阶段、学科、先前人工智能工具使用情况以及每周人工智能工具使用时长后,上述模式仍然保持。讨论:这些发现表明存在部分序列中介效应,应将其解释为横断面间接关联,而非时间因果关系的证据。
论文解读:人工智能焦虑与研究生学业倦怠——感知压力与反刍思维的序列中介机制

一、研究背景与问题提出

学业倦怠(academic burnout)是高等教育领域持续关注的重大问题,尤其当学业要求长期存在而恢复资源有限时更为突出。在学生研究中,学业倦怠通常被描述为情绪耗竭(emotional exhaustion)、对学业工作的犬儒主义态度(cynicism)以及学业效能感(academic efficacy)降低三个维度。研究生作为兼具学生、初级研究者和准学术工作者多重身份的群体,其学业进展不仅依赖课程学习,更取决于科研成果产出、导师反馈、发表压力及长期职业规划。已有研究表明,学业倦怠与心理韧性、生活满意度、学习自我效能感、教师情感支持、不确定性容忍度及自我调节疲劳等因素密切相关。

近年来,人工智能(artificial intelligence, AI)技术在高教领域的快速融入为研究生带来了新的不确定性来源。AI工具被广泛应用于文献检索、翻译、编程、写作支持、语言润色乃至研究设计等环节。这些工具虽然节省时间,但也引发关于能力、作者身份、学术诚信、研究规范及未来就业能力的担忧。人工智能焦虑(AI anxiety)被界定为因学习、使用或预期AI技术后果而产生的忧虑,涵盖AI学习焦虑、职业替代焦虑、社会技术失明焦虑及AI配置焦虑四个维度。人工智能焦虑不应简单等同于对技术的排斥——学生可能频繁使用AI工具,同时担忧这些工具正在改变学术标准或削弱人类专业知识的价值。现有研究多聚焦于AI焦虑与技术接受、AI素养、学习动机及AI相关自我效能的关系,但较少关注其与学业倦怠的关联。因此,本研究基于资源保存理论(Conservation of Resources theory, COR)、工作要求-资源模型(Job Demands-Resources model, JD-R)及应激与应对的交互模型(Transactional Model of Stress and Coping, TMSC),提出一个序列间接效应模型,检验AI焦虑是否通过感知压力(perceived stress)与反刍思维(rumination)的序列中介作用与学业倦怠相关联,并相应地提出四个假设:AI焦虑正向关联学业倦怠;感知压力中介二者关联;反刍思维中介二者关联;感知压力与反刍思维序列中介二者关联。

二、研究设计与核心发现

研究人员于2026年6月在中国广西壮族自治区开展横断面在线问卷调研,采用便利抽样法通过高校研究生沟通渠道、在线学生群组及学术网络发放问卷,最终纳入1,501份有效问卷。样本中女性774人(51.6%),男性727人(48.4%);硕士一年级383人(25.5%)、硕士二年级473人(31.5%)、硕士三年级331人(22.1%)、博士一年级106人(7.1%)、博士二年级131人(8.7%)、博士三年级及以上77人(5.1%);理工科637人(42.4%),人文社科864人(57.6%);1,429人(95.2%)报告曾使用AI工具。

研究采用四个测量工具:人工智能焦虑量表(Artificial Intelligence Anxiety Scale, AIAS)评估AI学习、职业替代、社会技术失明及AI配置相关焦虑;学习倦怠量表(Maslach Burnout Inventory-Student Survey, MBI-SS)评估情绪耗竭、犬儒主义及学业效能感;感知压力量表(Perceived Stress Scale, PSS)评估个体将生活情境体验为不可预测、不可控和超负荷的程度;反刍思维量表(Ruminative Responses Scale, RRS)评估对负性情绪及其原因和后果的重复性关注倾向。数据分析采用Mplus进行验证性因子分析(confirmatory factor analysis, CFA),使用加权最小二乘均值和方差调整法(WLSMV)估计;采用SPSS PROCESS宏程序模型6(Model 6)检验序列间接效应,使用5,000次自助抽样(bootstrap samples);同时开展协变量调整分析、多重共线性诊断及备择模型检验。

研究得出以下主要发现:人工智能焦虑与学业倦怠在零阶水平显著正相关(r=0.387),且在纳入感知压力和反刍思维后直接效应仍显著(B=0.355);感知压力与反刍思维各自在AI焦虑与学业倦怠间的间接效应均显著,效应值分别为0.141和0.120;通过感知压力继而反刍思维的序列间接效应同样显著(效应值=0.041);总间接效应为0.302,占总效应的45.9%。在控制性别、年龄、学业阶段、学科、先前AI工具使用及每周AI工具使用时长后,上述模式保持不变。备择模型检验发现,反刍思维前置感知压力的反向序列效应(效应值=0.044)与原序列效应(效应值=0.040)幅度相近,说明横断面数据无法确定两中介变量的时间先后顺序。上述发现支持假设H2、H3和H4,且属于部分序列中介(partial serial mediation)。

三、研究结果详解

3.1 测量模型与效度检验

研究人员构建包含全部72个题目的四因子测量模型,整体拟合良好,χ2/df=1.365,RMSEA=0.016,CFI=0.993,TLI=0.993,SRMR=0.022。标准化因子载荷范围为0.718至0.889,组合信度(composite reliability, CR)范围为0.949至0.984,平均方差提取量(average variance extracted, AVE)范围为0.569至0.761,异质-单质比率(heterotrait-monotrait ratio, HTMT)范围为0.397至0.438,均低于0.85/0.90阈值,表明四个核心构念具有良好的收敛效度和区分效度。共同方法潜因子(common latent factor, CLF)敏感性模型虽收敛但出现非正定潜协方差矩阵警告,故未将其作为共同方法偏差的确定性统计校正依据。此研究步骤确认了量表测量质量可靠,为后续中介模型检验奠定基础。

3.2 描述性统计与相关分析

核心变量均值如下:人工智能焦虑均值3.720(标准差0.894),学业倦怠均值5.407(标准差1.517),感知压力均值3.726(标准差0.884),反刍思维均值3.054(标准差0.842)。皮尔逊相关分析显示,人工智能焦虑与学业倦怠(r=0.387, p<0.001)、感知压力(r=0.393, p<0.001)和反刍思维(r=0.427, p<0.001)均显著正相关;学业倦怠与感知压力(r=0.383, p<0.001)和反刍思维(r=0.396, p<0.001)显著正相关;感知压力与反刍思维显著正相关(r=0.404, p<0.001)。这些相关模式为检验拟议的间接效应模型提供了基本实证条件。此研究步骤表明,各变量间存在系统性的正向关联,AI焦虑越高,其他心理压力指标越突出,符合理论预期。

3.3 回归分析

在序列中介模型的回归分析中,人工智能焦虑显著预测感知压力(B=0.388, β=0.393, p<0.001),该模型解释感知压力15.4%的方差。在反刍思维为结果变量的模型中,人工智能焦虑(B=0.300, β=0.318, p<0.001)和感知压力(B=0.266, β=0.279, p<0.001)均显著预测反刍思维,该模型解释反刍思维24.8%的方差。在最终结果模型中,人工智能焦虑(B=0.355, β=0.209, p<0.001)、感知压力(B=0.362, β=0.211, p<0.001)和反刍思维(B=0.399, β=0.222, p<0.001)均显著预测学业倦怠,该模型解释学业倦怠25.0%的方差。此研究步骤验证了各路径系数的显著性,为间接效应检验提供了基础。

3.4 序列中介分析

PROCESS模型6的检验结果显示,总间接效应为0.302(95% Bootstrap CI [0.244, 0.362]),占总效应的45.9%。三条特定间接路径均显著:经由感知压力的间接效应为0.141(95% CI [0.101, 0.187]),占总效应21.4%;经由反刍思维的间接效应为0.120(95% CI [0.084, 0.162]),占总效应18.2%;经由感知压力继而反刍思维的序列间接效应为0.041(95% CI [0.027, 0.058]),占总效应6.3%。由于纳入中介变量后人工智能焦虑对学业倦怠的直接效应仍显著,研究结论为部分序列中介。此研究步骤证明感知压力与反刍思维共同构成了AI焦虑影响学业倦怠的心理学机制路径。

3.5 稳健性与敏感性分析

方差膨胀因子(variance inflation factor, VIF)诊断显示三组方程中最大VIF值为4.464,低于常用阈值5,表明不存在严重的多重共线性问题。备择序列模型检验显示,AI焦虑→反刍思维→感知压力→学业倦怠的反向序列间接效应为0.044(95% Bootstrap CI [0.030, 0.063]),与原模型序列效应0.040幅度接近,两者的相似幅度不能确立感知压力与反刍思维之间的时间优先性。此研究步骤显示主要结论在模型替代设定下保持稳健,但也明确提示横断面设计在时间顺序推断上的固有局限。

四、讨论与结论

研究结果显示感知压力与反刍思维在人工智能焦虑与学业倦怠之间发挥部分序列中介作用。从理论角度看,感知压力路径的效应值(0.141)大于反刍思维单独路径(0.120),这一模式符合TMSC理论——对AI相关学业要求的压力评估是后续认知过程的触发条件。反刍思维路径亦得到充分支持,因为许多AI相关忧虑缺乏即时结论,学生反复思考AI对就业前景、技能价值及学术评价标准的影响会消耗认知资源。序列路径虽效应值较小(0.041),但统计学可靠,表明压力评估与重复性负性认知构成一条完整心理链条,连接AI焦虑与学业倦怠。资源保存理论视角下,AI可能被视为对时间、能力、学术身份和未来职业资源等有价值资源的威胁,资源损失的累积效应最终导向情绪耗竭和犬儒主义。

在实践层面,研究结果显示仅加强AI培训不足以缓解学业倦怠,应结合AI素养教育、压力评估干预和反刍思维管理开展综合支持。明确AI在课程学习、文献综述、编程、翻译和论文撰写中的使用边界,有助于降低学生的不确定感。导师指导作为研究生压力的相关资源,在帮助学生区分合理的AI辅助与过度依赖、鼓励批判性评估AI输出方面具有独特作用。正念干预、数字心理健康干预等已被证实能降低感知压力和反刍思维的方法,可纳入研究生心理健康支持体系。

研究结论方面指出,人工智能焦虑与学业倦怠显著正相关,感知压力与反刍思维各自及序列中介了二者关联。该模式在控制人口学变量和AI使用变量后依然稳健,但研究结论同时强调,此发现属于横断面间接关联,而非时间因果关系的证据。研究的局限性包括横断面设计无法确立因果或时间顺序、自我报告数据存在共同方法偏差风险、广西地区便利抽样限制结果推广范围、AI使用测量仅涵盖使用与否及时长未区分具体活动类型、以及通用反刍思维量表未特定于AI或学业情境。未来研究应采用纵向追踪、日记法或实验设计检验时间优先性,使用更具体情境化的测量工具,并考察AI素养、学业自我效能感、导师支持和制度性指导在其中的调节作用。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号