问题提出

生成式 AI 越用越顺，但长期、高频的人机交互正在带来一种被公共讨论反复提及却没人精确定义的负担——AI 疲劳。它不像传统技术压力只讲「过载」，而是用户在反复验证、纠错、对抗不确定输出时，认知、情绪、身体和行为同时被掏空。问题不在 AI 能不能干活，而在于持续交互的隐性心理生理代价一直缺乏一个靠谱的测量工具：研究者既没法系统抓它，也没法谈它的前因后果。

难点剖析

难点有三：一是「疲劳」在 AI 语境下没有现成操作化——既要区别于 general/clinical/digital fatigue，又要区别于 AI 依赖、AI 依恋、AI 批判思维这些相邻构念，否则就是换了皮的旧量表；二是维度难定，AI 疲劳可能横跨认知（信息过载、注意力紧张）、情绪（挫败、不信任）、身体（眼酸、颈肩紧）、行为（想躲、想少做）四个面，需经验证能否收敛到一个总因子；三是行为关联难证——「疲劳→少用 AI」到底是因果，还是「用得少所以不累」的反向，横断面数据说不清。

理论脉络

理论有三条主线撑起框架：①有限容量模型（Limited Capacity Model of Motivated Mediated Message Processing）——频繁重定位、监控超出可用资源，压制巩固、放大感知 effort；

②压力的交易模型（Transactional Model of Stress）——当需求超过可控资源，评价滑向威胁，更多用情绪聚焦应对（回避、最小化）而非问题聚焦；

③技术接受模型 / UTAUT——当感知 effort 超过感知收益，使用意愿下降。三者共同把 AI 疲劳框成一种「容量错配 + 评价—应对失衡」的自强化循环。

理论模型

研究者把 AI 疲劳界定为 sustained human–AI interaction 带来的、AI 专属的耗竭，含认知、情绪、身体、行为四个核心维度，且四维度应收敛到一个更高阶的「总体 AI 疲劳」因子。量表按经典心理测量流程搭建：先依五个源量表（technology usage 类）改编出 60 题初始池，再经专家面板与内容效度筛选；条目 5 点 Likert（1 不同意—5 同意），总分为四个子量表均值的平均。验证按高阶 CFA 结构展开：一个二阶 AI 疲劳因子载荷于认知 / 情绪 / 行为 / 身体四个一阶因子。

研究假设

本研究四项研究的目标与验证预期如下：Study 1 经专家评审与内容效度程序，从 60 题初始池生成并精炼出条目池（最终 30 题）；Study 2 用探索性因子分析（EFA, n=300）确认清晰的四因子结构并把池子修剪为 15 题；Study 3（n=290）用验证性因子分析（CFA）确认四因子与高阶结构，并预期：AI 疲劳应与 general/clinical/digital fatigue 及 AI 技术压力聚合（聚合效度），但与 AI 依赖、AI 依恋、AI 批判思维区分（区分效度）；同时预期 AI 疲劳能负向预测当前 AI 使用、正向预测未来 3 个月减少使用的意图（效标效度），且在控制 general/clinical/digital fatigue 与技术压力后仍有增量解释力（增量效度）；Study 4（n=122）检验两周重测信度。

分析策略

Study 2 用主轴因子分析 + oblimin 旋转做 EFA，并行分析（parallel analysis）、BIC、碎石图与理论可解释性定因子数，按 communality<.50 / 主载荷<.50 / 交叉载荷≥.50 逐条剔题，最小每因子 3 题。Study 3 用 lavaan 做 CFA 与多组测量不变性（configural→metric→scalar→strict，以 ΔCFI≤.01 判不变），估计用 MLR；聚合 / 区分效度用 nomological CFA 与 Fornell–Larcker 准则；效标 / 增量效度用 OLS 回归（HC3 稳健标准误）与序 logit 稳健性检验；人格 / 情绪网络用潜变量相关。Study 4 用 ICC(2,1) 与 Pearson r 评两周重测。全程 R 4.5.2，研究 2–4 预注册。

数据收集

四项研究累计 N=717。Study 1 为条目生成与内容效度（2 位资深学者 + 1 研究生专家面板评审 60 题；5 名本科生评委按 Anderson & Gerbing 法做内容效度评判），无主样本。Study 2 经 Prolific 招募 300 名美国成人（有 AI 使用经验），填 30 题版，年龄 20–79（M=43.6）。Study 3 经 Prolific 招募 295 名美国居民、剔除 5 名无 AI 经验者后 n=290（年龄 20–78，M=42.3；92.4% 每周至少用几次 AI）。Study 4 经新加坡心理学实验 Telegram 频道招 122 人（Mage=24.15），做两期、间隔两周（±2 天）的重测。

研究样本

合并样本 N=717（Study 2: 300 / Study 3: 290 / Study 4: 122 + Study 1 评委）。Study 2、3 均为美国居民、以白人为主（约 72–93% Caucasian White）、约半数女性；Study 4 为新加坡年轻样本（Mage 24.15）。纳入均要求有 prior AI 使用经验；注意力检查（Study 2 单题、Study 3 四题至少过三题）剔除不合格者。IRB 审批（IRB-25-197-A159），数据公开于 ResearchBox。

测量工具

核心：15 题 AI Fatigue Scale（5 点 Likert；总 α=.92，认知 .85 / 情绪 .90 / 行为 .88 / 身体 .88）。聚合效度对照：Fatigue Assessment Scale（general, α=.91）、Chalder Fatigue Scale（clinical, α=.90）、Multidimensional Fatigue Inventory（α 各面 .67–.85）、Screen Fatigue Scale（digital, α=.96）、Social Media Fatigue Scale（α=.93）；AI 技术压力用改编 Everyday Life Technostress Scale（techno-overload/invasion α=.86、techno-complexity/uncertainty α=.84）。区分效度对照：Critical Thinking in AI Use Scale（13 题）、AI Dependency、AI Attachment。相关网络：Big Five、正负情绪、AI 态度；行为结局用单题自评「当前使用频率」与「未来 3 个月减少使用意图」。

信效度检验

信度优异：15 题总 α=.92，四子量表 α=.85–.90（Study 3）；EFA 版四因子各 α=.81–.89、总 .90（Study 2）。CFA 组合信度 ρc=.85–.90，二阶总因子 .85。重测：总分的 ICC(2,1)=.65（95% CI .53–.74）、r=.65，子量表 ICC .54–.71，属中等稳定。结构效度：四因子 CFA 拟合良好（χ²

(84)=120.72, CFI=.98, TLI=.98, RMSEA=.04, SRMR=.04），高阶模型等价（CFI=.98, RMSEA=.05, Δχ² 不显著）；四因子 AVE≥.50（.58–.76），二阶因子 AVE=.59。测量不变性跨性别通过 configural/metric/scalar/strict 四级（|ΔCFI|≤.01）。

假设检验

四因子结构确认：EFA 从 30 题收敛为 15 题清晰四因子（认知 / 情绪 / 行为各 4 题、情绪 3 题），四因子共解释 64% 方差，载荷 |λ|=.59–.91；CFA 进一步确认且高阶单因子成立。

效标效度：AI 疲劳越高，当前 AI 使用越低（β=−.27, p<.001, R²=.07），未来 3 个月减少使用意图越强（β=.33, p<.001, R²=.11）；用非行为维度重算结论不变（当前使用 β=−.17, p=.004）。

增量效度：在已含 general/clinical/digital fatigue + AI 技术压力的模型上，加 AI 疲劳显著提升对当前使用（ΔR²=8.38%, p<.001）与减少意图（p=.004）的解释力，总分数仍显著负向预测（β=−.39, p<.001）。

聚合效度：与 Fatigue Assessment Scale (r=.63)、Chalder (.52)、MFI (.59)、Screen Fatigue (.60)、Social Media Fatigue (.63)、AI 技术压力-techno-complexity (.46) 均显著正相关。

区分效度：与 AI 批判思维 (r=.05, ns)、AI 依赖 (r=.11, ns)、AI 依恋 (r=−.17) 仅极小相关，且 √AVE 均大于 |r|，满足 Fornell–Larcker。

相关网络：AI 疲劳与负向 AI 态度 (r=.54)、负向情绪 (r=.47)、神经质 (r=.49) 强正相关；与正向 AI 态度 (−.54)、正向情绪 (−.47)、尽责性 (−.47)、外向性 (−.35)、宜人性 (−.27) 负相关；开放性不显著。

重测：总分 ICC(2,1)=.65，两周稳定中等；子量表 .54–.71。

研究结论

AI 疲劳是一个可测量、与既有疲劳 / 技术压力相关但又有别于「会不会评 AI、依不依赖 AI、黏不黏 AI」的独立构念，由认知、情绪、身体、行为四个维度汇成一个总因子。它不只是状态波动——短期稳定性说明存在个体差异化的「易疲劳体质」。最关键的行为含义：疲劳越高，当下用得越少、越想往后少用的意图越强，且这层关联在控制 general/clinical/digital fatigue 与技术压力后依然成立，提示 AI 疲劳是 AI 交互独有的、行为相关的负担。它像一盏「成本信号灯」：当 AI 带来的认知与情绪负荷盖过收益，增益就被消耗掉。

研究局限

①数据主要为横断面、相关设计，只能说「疲劳与少用 AI 相关」，证不了因果；也可能是「用得少→没机会累」的反向，需纵向或实验（操纵任务难度 / 不确定性）厘清方向。

②样本与范围有外部效度限制：聚焦英语圈普通成人的通用生成式 AI 使用，未覆盖特定人群 / 文化；高权力距离文化里员工可能被迫带疲劳用强制 AI 工具，跨文化需重测（已证跨性别不变，但跨语言 / 文化未验）。

③两个关键行为结局（当前使用频率、减少使用意图）均为单题自评，无内部一致性估计，且自评使用可能受回忆 / 报告偏差影响，宜用多题量表与客观使用日志 / 数字痕迹补强。

④维度权重的职业差异未探：验证 / 准确性密集型工作（如教师审 AI 作业）认知负荷更高，某些领域疲劳更突出，需领域定制或跨行业比较。

未来展望

后续优先级：纵向追踪新 AI 用户看「用量↑→疲劳↑→用量↓」的时序；实验操纵 AI 任务难度 / 不确定性看对疲劳与回避的因果；干预研究（培训、界面改良）能否因果降低疲劳、维持健康使用；跨文化与多语言验证量表（尤其高权力距离职场）；领域定制（编码 / 写作 / 客服 / 教育等）比较各维度显著性；用多题行为量表 + 客观使用日志替代单题自评。

金句

AI fatigue functions as a psychological ‘cost signal’ that marks the point at which AI-mediated gains are offset by accumulating cognitive and emotional load.

— 研究模型图

欢迎关注我的视频号

（❤️会不定期更新AI工具哦❤️）

三连一下，不失联！