问题提出

生成式 AI 嵌入大学后，担忧的核心从「用不用」变成了「离不开」——一种心理依赖状态：强迫性使用、被限制访问时焦虑不安、学业自主感下降。空白有三：① 已有研究多把注意力放在「技术属性」或「个人特质」上，很少追问压力源——特别是东亚语境下被家庭期望、师长期望、自我标准三重放大的学业期待压力（它不只是一般压力，还绑着孝道责任与家庭声誉的道德负担）；

② 压力到依赖之间的「中间机制」是黑箱——压力是直接把人推向依赖，还是先改变使用行为、依赖意向、对 AI 的认知，再传导到依赖？三条通路谁在推、谁在拉，没人同时检验过；

③ 对「了解 AI 局限」的作用存在分歧——有研究说了解局限会促成更审慎的使用从而降低依赖，也有研究发现知道 AI 不靠谱的学生照样离不开它，两种对立假说没有被放进同一个模型里竞争。

难点剖析

难点有四：① 概念剥离——使用频率是行为维度，依赖意向是前瞻性的「首选 AI」倾向，依赖是难以调节的固着状态，三者必须严格区分，否则「用得多=依赖」的循环论证就藏进模型里；

② 三条中介方向相反（两条推高、一条缓冲），必须用同一结构方程模型同时估计，让风险与保护机制互相抵消后的净效应可见；

③ 调节变量「学习投入」的预期方向本身有争议——主流文献当它是压力缓冲器，但作者依据投入学生的「支持寻求」行为逻辑提出放大假说，需要简单斜率检验把交互作用落到实处；

④ 测量工具要本地化——使用频率量表须改指中国可用的工具（DeepSeek、豆包），且六类人口学协变量（性别、年龄、年级、户口、学科、院校层次）要在中介与调节检验中同步控制。

理论脉络

理论地基两块：① 压力应对理论（Lazarus & Folkman, 1984）——当外部要求超出应对资源，人会采取问题聚焦（解决压力源）或情绪聚焦（管理情绪反应）策略；生成式 AI 的独特之处在于它一肩挑两角：既能减压（情绪聚焦），又能高效完成任务（问题聚焦），这是它比游戏、网页等被动消遣更容易滑向依赖的结构性原因；

② 认知评价机制——持续压力下学生反复与 AI 互动，在撞见错误、偏见、浅薄回答的过程中形成对技术局限的认知，这种认知可以成为「认知自我保护」。背景文献链条：学业期待压力与问题性网络使用（Chong 等 2014）、网络游戏障碍（Yang 等 2025）的既有证据，为「压力 → 数字依赖」提供传统媒体的先例，本文把它推进到生成式 AI 这个「主动协作者」的新对象上。

理论模型

研究模型（见模型图）：自变量为学业期待压力（Ang & Huan 的 AESI 量表，含父母/师长期望与自我期望两个子维度），因变量为生成式 AI 依赖（Morales-García 等量表改编）。中间并行三条中介通路：使用频率（行为通路，预期推高依赖）、依赖意向（动机通路，预期推高依赖）、对 AI 局限的了解（认知通路，方向待竞争假说裁决）。调节变量为学习投入（UWES-S 学生版，活力/奉献/专注三维度），调节压力 → 依赖的直接路径。协变量：性别、年龄、年级、户口（农村/城市）、学科（STEM/非 STEM）、院校层次（重点/非重点）。

研究假设

H1：学业期待压力与生成式 AI 依赖正相关。 H2：学业期待压力通过提高生成式 AI 使用频率，与依赖正相关（间接）。 H3：学业期待压力通过增强对生成式 AI 的依赖意向，与依赖正相关（间接）。 H4a（竞争假说一）：学业期待压力通过增加对 AI 局限的了解，与依赖负相关（保护通路）。 H4b（竞争假说二）：学业期待压力会增加对 AI 局限的了解，但这种了解不会降低依赖。 H5：学习投入调节压力 → 依赖的关系——学习投入越高的学生，该关系越强。

分析策略

结构方程模型 + 偏差校正 bootstrap 中介分析 + 调节分析三段式。

① 先做信效度：Cronbach‘s α、CR、AVE、Fornell-Larcker 区分效度；

② 结构模型：先不带协变量估计主效应与中介路径（保持统计功效与模型识别），拟合指标 χ²/df、RMSEA、GFI、NFI、CFI；

③ 中介检验：2000 次 bootstrap 重抽样，报告每条间接效应的偏差校正 95% 置信区间与占总效应的比例，并加全部协变量控制混淆；

④ 调节检验：加入压力 × 学习投入交互项，显著后用简单斜率法在投入的 −1SD、均值、+1SD 三个水平上估计压力对依赖的斜率，绘交互图。

数据收集

2025 年 2 月在线问卷调查。抽样框：中国大陆 10 所大学，覆盖 4 个省市（北京 3 所、广东 3 所、湖南 2 所、江西 2 所），其中 6 所重点大学、4 所非重点大学——刻意做了院校层次的分层。招募方式：校园 BBS 与学生微信群定向投放广告，自愿参与，问卷填答约 10–15 分钟，匿名保密，无报酬设计说明。

研究样本

N=1531 名中国大学生：男性 61.59%、女性 38.41%（作者在脚注解释偏斜的两大来源——STEM 占 45.85% 且其中女性仅 23.93%，加上自愿作答的自选择偏差）；年龄约 17–24 岁（均值 21.32 岁）；年级分布：大一 17.67%、大二 33.13%、大三 31.83%、大四 17.36%；户口：农村 56.62%、城市 43.37%；学科：STEM 45.85%、非 STEM 54.14%；院校：重点大学 58.30%、非重点 42.70%。

测量工具

七个构念全部使用成熟量表或其改编（英文量表经翻译-回译保证等价）：① 学业期待压力——Ang & Huan (2006) 学业期望压力量表 AESI，9 题 5 点（父母/师长期望 5 题 + 自我期望 4 题）；

② 生成式 AI 依赖——Morales-García 等 (2023) AI 依赖量表改编为指涉生成式 AI，如「没有生成式 AI 可用时我感到没有保障」（题数 6，5 点）；

③ 使用频率——Abbas 等 (2024) ChatGPT 使用量表改编，改为中国常用工具（DeepSeek、豆包），6 点；

④ 依赖意向——Kanont 等 (2024) 改编，聚焦「依赖导向意向」如「遇到问题时我会先问生成式 AI 再问别人」，7 点；

⑤ 对 AI 局限的了解——Chan & Hu (2023) 改编 6 题 5 点；

⑥ 学习投入——Schaufeli 等 UWES-S 学生版 14 题短表（活力/奉献/专注），7 点（0=从不，6=总是）。

信效度检验

测量质量：七个构念 α 全部超过 0.70（0.832–0.981）；CR 0.840–0.981；AVE 0.519–0.867，聚合效度达标；Fornell–Larcker 准则全通过（AVE 平方根均大于构念间相关），区分效度达标。结构模型拟合良好：χ²/df=4.772（<5）、RMSEA=0.058（<0.08）、GFI=0.929、NFI=0.919、CFI=0.938（均 >0.90）。压力 → 依赖的总效应 β=0.726（Z=23.063，p<0.001）；bootstrap 总间接效应 β=0.060（p<0.001，占总效应 10.03%），直接效应 β=0.538（占 89.97%）——中介通路的量级与同类教育 AI 依赖研究（如 Zhang 等 2024 的 −0.028/−0.024）相当，属该领域典型的小而理论显著的增量贡献。

假设检验

五条主假设全部落定（含一对竞争假说的裁决）：

H1 支持：学业期待压力 → 依赖，β=0.726（Z=23.063，p<0.001）——总效应极强。

H2 支持（弱通路）：压力 → 使用频率 β=0.500（p<0.001），使用频率 → 依赖 β=0.025（p=0.003）；间接效应 β=0.048（95% CI 0.031–0.069），占总效应 8.03%——用得频繁确实推高依赖，但效应量偏小，「用得多≠依赖」再次得到量化确认。

H3 支持（最强正向通路）：压力 → 依赖意向 β=0.420（p<0.001），依赖意向 → 依赖 β=0.272（p<0.001）；间接效应 β=0.062（95% CI 0.042–0.088），占总效应 10.36%——「遇事先问 AI」的动机取向比使用频率更能把人推向依赖。

H4a 支持、H4b 拒（竞争假说裁决）：压力 → 了解局限 β=0.237（p<0.001）成立，且了解局限 → 依赖 β=−0.316（p<0.001）显著为负——全模型唯一负路径；间接效应 β=−0.050（95% CI −0.073–−0.032），占总效应 −8.36%——对 AI 局限的认知不是「知道也没用」，而是实实在在的认知自我保护。

H5 支持（反直觉）：压力 × 学习投入交互 β=0.103（p<0.01）；简单斜率——低投入（−1SD）时压力对依赖的斜率为 0.428，均值水平 0.517，高投入（+1SD）时 0.626——学习投入越高，压力把学生推向依赖的坡度越陡。公认的保护性品质在高压语境下变成了放大器：越是珍视学业成就、越主动寻求支持的学生，越倾向把 AI 战略性地纳入应对工具箱，并在重复使用中从「帮我」滑向「靠它」。

研究结论

核心图景是「一推两拉一缓冲一放大」：学业期待压力极强地推高生成式 AI 依赖（β=0.726），经由依赖意向（最强风险通路，占 10.36%）与使用频率（较弱风险通路，占 8.03%）两条机制传导；对 AI 局限的了解是唯一缓冲（−8.36%），证明 AI 素养教育有真实的刹车作用；而学习投入意外地放大压力-依赖关系——越投入的学生在高压下越依赖。两个深层启示：① 生成式 AI 不同于游戏等被动消遣，它是「智能协作者」，情绪聚焦与问题聚焦应对一肩挑，这使它在高压学业环境里的依赖风险有结构性根源；

② 东亚语境的特殊性——学业成绩绑着孝道、家庭声誉与集体荣誉，压力不只是个人焦虑更是道德负担，这正是「高压力环境可能无意中加固 AI 过度依赖」的文化土壤。对教育者的直接含义：降依赖不能只靠禁用或倡导，得从减压源头与认知缓冲（讲清 AI 局限）两端同时下手；对「好学生」的依赖风险要专门警惕——他们恰恰是被忽视的高危群体。

研究局限

① 横断面自评设计——只能谈关联不能谈因果，依赖也可能反向加剧压力感知；

② 2025 年 2 月单时点快照，生成式 AI 工具迭代极快，结论的时效窗口有限；

③ 自愿参与 + 校园社媒招募，男性 61.59% 的偏斜与 STEM 过采、自选择偏差有关，外推需谨慎；

④ 样本仅限中国大陆 10 所高校，压力-依赖关系深嵌东亚文化语境（孝道、家庭声誉），向低竞争压力的教育系统外推要打折；

⑤ 间接效应量级整体偏小（各通路占总效应约 ±10%），主效应占近九成——三条机制的增量贡献真实但有限；

⑥ 依赖为自评量表测量，缺乏行为数据（实际使用日志、成绩记录）的三角验证。

未来展望

纵向追踪检验「压力 → 中介 → 依赖」的因果时序，或用实验设计操纵压力水平观察 AI 使用的即时变化；引入行为数据（使用日志、任务表现）替代自评；按学习投入水平做干预研究——检验「高投入 + 高压力」学生群体能否通过 AI 素养训练阻断依赖放大；跨文化比较东亚与非东亚教育系统中压力通路的强度差异；检验其他潜在缓冲变量（自我调节、元认知、导师支持）能否对冲学习投入的放大效应。

金句

把学生推向 AI 依赖的不是懒惰，是压力——而最让人意外的是，越用功的学生，被压力推得越狠；唯一踩得住刹车的，是真正搞懂 AI 局限的那部分认知。

— 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！