《Frontiers in Psychology》:Perceived AI empowerment and threat in relation to university students' dependence on GenAI: the indirect role of trust in AI
编辑推荐:
摘要
引言:生成式人工智能(generative artificial intelligence, GenAI)在高等教育中的广泛普及正在改变学生的学习实践,然而,潜藏于学生GenAI依赖背后的心理因素及其关联过程仍未被充分理解。本研究基于认知评价理论(cog
摘要
引言:生成式人工智能(generative artificial intelligence, GenAI)在高等教育中的广泛普及正在改变学生的学习实践,然而,潜藏于学生GenAI依赖背后的心理因素及其关联过程仍未被充分理解。本研究基于认知评价理论(cognitive appraisal theory)与信任理论(trust theory),提出一个双重评价模型,旨在检验感知AI赋能(perceived AI empowerment)与感知AI威胁(perceived AI threat)如何直接地并通过AI信任(trust in AI)间接地与大学生对GenAI的依赖相关联。
方法:研究人员对中国360名有GenAI使用经验的大学生进行了横截面问卷调查。使用SPSS 24.0与Mplus 8.3检验测量模型与假设的结构关系。基于5000次自助重抽样(bootstrap resamples)的置信区间评估间接关联。
结果:感知AI赋能与AI信任及GenAI依赖呈正相关,而感知AI威胁与这两个变量均呈负相关。AI信任与GenAI依赖呈正相关,并在两种认知评价与依赖之间的关联中起到了统计上的部分中介作用。两条评价路径中均观察到显著的直接与间接关联。
结论:研究结果支持关于大学生GenAI依赖的双重评价视角,表明感知到的能力增强效益与感知风险通过与信任相关的不同评价路径与对GenAI的依赖相关联。那些认为GenAI更具赋能性的学生倾向于报告更高的信任与依赖,而那些感知到更大AI威胁的学生则报告更低的信任与依赖。信任在两种形式的评价与GenAI依赖之间均起到了显著的间接关联作用。这些发现通过强调信任作为一种潜在心理路径,将学生对GenAI的评价与其报告的依赖联系起来,从而扩展了技术接受研究。
论文解读文章
1. 研究背景与问题提出
随着生成式人工智能(generative artificial intelligence, GenAI)在高等教育中的广泛应用,大学生越来越多地将其用于信息检索、内容生成、作业修订与学术问题解决。与传统数字工具不同,GenAI能够通过持续交互生成个性化回应,成为嵌入学生学习常规的互动性认知媒介。然而,这种便利也引发了一个关键问题:为何一些学生仅将AI作为补充资源,而另一些学生却日益依赖其完成认知与学术活动?现有研究多聚焦于技术采纳与持续使用行为,较少关注反复交互如何发展为认知性依赖。GenAI依赖被定义为一种持续倾向,即学生将信息处理、想法生成、问题解决及任务完成委托给AI系统,这区别于简单的使用频率。过度或不恰当的依赖可能削弱自主学习、批判性思维与持续的认知投入。因此,理解GenAI依赖的心理机制至关重要。
2. 研究目的与意义
为填补上述空白,本研究整合认知评价理论与信任理论,构建了一个双重评价模型,旨在考察感知AI赋能与感知AI威胁如何直接地并通过AI信任间接地与大学生GenAI依赖相关联。研究还探索了这些关系在不同AI使用频率群体中的差异模式。该研究有助于揭示依赖形成的心理路径,为教育实践中合理引导AI使用提供理论依据。
3. 主要关键技术方法
研究人员采用横截面问卷设计,于2026年4月24日至5月25日期间,通过在线平台面向中国河南、湖北等多省市高校有GenAI使用经验的大学生发放问卷。最终纳入360份有效问卷,其中男性174人(48.3%),女性186人(51.7%)。使用SPSS 24.0进行数据筛选、描述性统计与皮尔逊相关分析。采用Mplus 8.3进行验证性因子分析(confirmatory factor analysis, CFA)以检验四因子测量结构,并使用结构方程模型(structural equation modeling, SEM)检验假设路径。间接效应通过基于5000次自助重抽样(bootstrap resamples)的95%置信区间进行评估。此外,采用多组结构方程模型探索低、中、高三个AI使用频率组间结构关系的稳定性。
4. 研究结果
4.1 共同方法偏差检验
哈曼单因子检验识别出特征值大于1的四个因子,第一个因子解释总方差的47.190%。四因子模型拟合良好(χ2=381.950, df=269, CFI=0.986, TLI=0.984, RMSEA=0.034, SRMR=0.029),而单因子模型拟合较差(χ2=3735.159, df=275, CFI=0.492, TLI=0.446, RMSEA=0.187, SRMR=0.177),表明共同方法偏差不严重。
4.2 描述性统计与相关分析
感知AI赋能(PE)与AI信任(TR)(r=0.532, p<0.01)及AI依赖(DE)(r=0.446, p<0.01)呈显著正相关。感知AI威胁(PT)与TR(r=-0.288, p<0.01)及DE(r=-0.316, p<0.01)呈显著负相关。TR与DE呈显著正相关(r=0.602, p<0.01)。PE与PT之间相关微弱且不显著(r=0.030)。
4.3 测量模型评估
标准化因子载荷介于0.804至0.883之间。克隆巴赫α系数介于0.933至0.954,组合信度(composite reliability, CR)介于0.933至0.954,平均方差提取量(average variance extracted, AVE)介于0.699至0.749,表明内部一致性与收敛效度良好。弗奈尔-拉克准则(Fornell-Larcker criterion)与异质-单质比率(heterotrait-monotrait ratio, HTMT)均支持判别效度。
4.4 结构模型与解释方差
PE与PT共同解释TR 42.7%的方差(R2=0.427)。PE、PT与TR共同解释DE 45.9%的方差(R2=0.459)。
4.5 假设检验与中介分析
PE正向关联TR(β=0.576, 95% CI [0.493, 0.653]),PT负向关联TR(β=-0.328, 95% CI [-0.420, -0.235]),TR正向关联DE(β=0.455, 95% CI [0.326, 0.581])。PE对DE的直接正向关联显著(β=0.216, 95% CI [0.095, 0.328]),PT对DE的直接负向关联显著(β=-0.201, 95% CI [-0.305, -0.099]),H1-H5得到支持。PE通过TR对DE的间接效应为正且显著(β=0.262, 95% CI [0.182, 0.356]),占总效应的54.8%;PT通过TR对DE的间接效应为负且显著(β=-0.149, 95% CI [-0.223, -0.094]),占总效应的42.6%,H6a与H6b得到支持,表明TR起到部分中介作用。
4.6 按GenAI使用频率的探索性分组比较
在所有三组中,PE→TR与PT→TR的方向一致。TR→DE的系数从低频组的0.287增至高频组的0.593;PE→DE的直接系数从0.350降至0.119;PT→DE的系数在中频组最负(-0.337)。由于未进行正式跨组差异检验与测量不变性分析,这些数值变化应视为描述性观察。
5. 讨论与结论
研究结果表明,感知AI赋能与感知AI威胁对大学生的GenAI依赖存在相反的关联方向,且二者相关微弱,说明学生可能同时认可AI的能力增强价值又担忧其潜在后果。信任在两条评价路径中均起到重要的间接作用,表明信任是连接认知评价与依赖的关键心理路径。然而,信任仅解释了部分关联,直接路径依然显著,提示依赖的形成涉及信任与非信任双重机制。探索性分组分析显示,在高频使用者中,信任对依赖的关联更强,而赋能的直接关联减弱,暗示频繁使用可能使依赖更多基于信任而非初始的能力感知。研究局限性包括横截面设计无法确立因果关系、便利样本限制推广性、未系统考察学科背景等情境因素。未来研究应采用纵向、实验设计,结合行为指标与多源数据,并进一步区分功能性依赖与过度依赖。总体而言,大学生对GenAI的依赖不仅与对其功能和实用价值的积极评价有关,还与对自主性、学习能力和潜在风险的担忧密切相关,理解这一现象需综合考虑感知赋能、感知威胁与AI可靠性判断。