问题提出

生成式 AI 嵌入大学后，一个 troubling 的模式正在浮现：部分学生开始把思考、判断、任务完成整体外包给 AI——这种「依赖」不是用得多，而是认知责任的转移，它会悄悄侵蚀大学最想培养的东西：独立推理、学习者自主性和批判性投入。三处空白：① 「依赖」常被混同于高频使用或效率追求，但 neither 都解释不了为什么有的学生开始「外包思维」——本文先做概念清理：AI 使用（频率）、AI 接受（态度意向）、恰当依赖（该信才信）、过度依赖（该怀疑时还信）、依赖（带强迫性质）是五个不同构念，AI reliance 的定义是「把学术认知与任务执行委托给 AI 的行为倾向」，判据是认知责任的位置而非互动量；

② 动机在文献里常当背景描述，或被过于直接地连到依赖上，中间的「信念层」（效能感、信任）没有被打开；

③ 感知能力与信任常被当成同一种「亲 AI 倾向」，它们到底是并列通道还是「效能经信任起作用」的序列过程，没有定论。

难点剖析

难点有四：① 概念剥离——依赖与使用、接受、依赖（dependence）只有一线之隔，作者用预研究给出经验证据：AI 使用与 AI 素养两个子量表相关 0.67/0.65，而 AI 依赖只相关 0.41/0.35——重度使用者对 AI 的批判与伦理判断更敏锐，把认知外包出去的人反而不是，证明依赖与生产性使用可以分开；

② 依赖量表 12 题（功能/认知/情感三面）HTMT 高达 0.94，经验上不可分，必须做单维建模决策并用留出样本验证；

③ 双方法互补——PLS-SEM 管平均净效应，fsQCA 管条件组态，两种分析假设不同，结论要能互相咬合而不是各说各话；

④ 校准问题——样本构念均值普遍偏高（5 分上下），按百分位校准会把「大体认同」的人错分到集合外，必须改用实质锚点（3/5/6）并做 20 种规格的稳健性检验。

理论脉络

理论地基四块：① 媒介系统依赖理论（Ball-Rokeach & DeFleur）——认知、情感、行为不是孤立运作而是共同演化，依赖是个人与媒介系统的关系属性，为「动机 → 信念 → 依赖」的分层结构提供总框架；

② 自我效能理论（Bandura）——效能感来自掌握性经验，社交导向的使用不以任务表现为目标，理论上映射不出强效能；

③ 人机信任传统（Lee & See）——信任是态度，依赖是与之相关的行为：人可以对 AI 评价正面，但只有愿意在不确定条件下按它的输出行动，依赖才发生——这决定了信任应当比效能更贴近依赖；

④ 自我逃避理论（Baumeister）——厌恶性自我觉察触发认知解构，外部提供的解脱变得格外有吸引力，为逃避动机经由「减负体验」滋养效能感提供机制。

理论模型

研究模型（见模型图）：三层结构。底层是三种动机——逃避动机 EM（用 AI 躲避负面情绪、压力与无聊）、社交动机 SM（用 AI 满足连接与陪伴需求）、工具动机 IM（为检索、解题、完成任务的目标导向使用）；中层是两个 AI 诱发信念——AI 诱发自我效能 AISE（我有信心把 AI 用好做学术任务）与 AI 信任 AIT（AI 的表现质量、可靠性、负责任的信息处理值得跟随）；顶层是结果变量 AI 依赖 AR（把学术认知与任务执行委托给 AI 的行为倾向，12 题、功能/认知/情感三面合成单维）。九条路径：H1–H3 三种动机 → AISE；H4–H6 三种动机 → AIT；H7 AISE → AIT；H8 AISE → AR；H9 AIT → AR。

研究假设

H1：逃避动机与 AI 诱发自我效能正相关。 H2：社交动机与 AI 诱发自我效能正相关。 H3：工具动机与 AI 诱发自我效能正相关。 H4：逃避动机与 AI 信任正相关。 H5：社交动机与 AI 信任正相关。 H6：工具动机与 AI 信任正相关。 H7：AI 诱发自我效能与 AI 信任正相关。 H8：AI 诱发自我效能与 AI 依赖正相关。 H9：AI 信任与 AI 依赖正相关。 配置问题（RQ2）：通往高 AI 依赖是否存在多条条件组态？是否存在不含信任的组态？

分析策略

双引擎设计。

① PLS-SEM（R 4.5.3，seminr 包）：四步流程——共同方法偏差诊断（程序控制 + Harman 单因子 + 全共线性 VIF）；测量模型（载荷、α、CR、AVE、Fornell-Larcker 与 HTMT 双诊断，HTMT 配 5000 次 bootstrap 百分位置信区间）；结构模型与中介（5000 次 bootstrap，间接效应以置信区间不含 0 为显著）；解释力与预测力（R²、f²、PLSpredict 样本外 Q²_predict 及与线性基准的 RMSE 对比）。稳健性三件套：协方差型 SEM（lavaan）复估、四种替代结构排序比较、加人口学控制变量。

② fsQCA（QCA 包）：实质锚点校准（3=完全非隶属、5=交叉点、6=完全隶属）；必要性分析（一致性 ≥0.90，辅以 RoN 区分平凡必要）；真值表充分性分析（频数阈值 8、原始一致性 0.80、PRI 0.70）；20 种规格的稳健性检验（5 种校准 × 2 频数阈值 × 2 一致性阈值）+ 反向结果（不高依赖）的因果不对称分析。

数据收集

横断面问卷调查（非实验设计）。2026 年 1 月 7 日至 3 月 31 日，通过高校合作网络招募，问卷星（wjx.cn）施测，覆盖中国 31 个省级行政区。发放 1316 份，回收 892 份（回收率 67.78%），经三轮质量筛查后保留 518 份有效样本：注意力检验题未按要求作答剔除 252 份；完成时间短于 120 秒剔除 75 份（阈值来自预研究完成时间的第 10 百分位 122.6 秒）；36 个实质题项全为同一答案剔除 47 份。累计排除率高达 41.9%，作者把保留组与排除组做了全变量对比（性别、学历、使用频率差异显著但 Cramér‘s V 仅 0.13–0.16），并如实把「不注意作答在子群体间分布不均」列为可推广性限制。

研究样本

N=518 名中国大学生（全部有生成式 AI 使用经验）：男性 217 人（41.9%）、女性 301 人（58.1%）；年龄 18–20 岁 45.0%、21–23 岁 44.2%；本科生 90.9%、研究生 6.2%；使用频率「经常」47.5%、「非常频繁」38.2%。抽样为非概率抽样（目的性 + 便利），作者明确说明样本是「地理多样」而非「全国代表」。正式研究前另做预研究（93 人、72 人通过双重注意力检验），用于中文量表信度（α 0.87–0.94）、完成时间阈值与「依赖 vs. 使用」的经验区分。

测量工具

全部 7 点李克特量表，双语译者独立翻译 + 第三人回译 + 预研究试测：三种动机取自 Huang 等 (2024) 的 AI 使用动机量表（EM 4 题、SM 4 题、IM 5 题）；AISE 取自 Wang & Chuang (2024) 的 AI 自我效能量表（5 题）；AIT 取自 Choung 等 (2023) 的 AI 信任量表（6 题，覆盖表现质量、功能能力、可靠性、负责任的信息处理）；AR 为自编整合量表（12 题，取自依赖与依赖相关研究的公共题池，覆盖功能依赖 AR1–4、认知依赖 AR5–8、情感依赖 AR9–12 三面）。特别说明：三面 HTMT 达 0.94，经验上不可分，故 AR 按单维反映型构念建模（留出样本验证支持），面分数不单独解释。

信效度检验

测量质量：36 个题项标准化载荷 0.593–0.865（全部 p<0.001）；α 0.725–0.926；CR 0.736–0.927。唯一的弱点是 EM 的 AVE=0.412 低于 0.50，且 Fornell–Larcker 准则在 EM–IM（r=0.763）与 EM–AISE 两处不满足——作者保留 EM 但把这一失败作为重要限定写入正文；HTMT 诊断更宽松（最高 0.769，置信区间上限 0.849 < 0.85），按惯例以 HTMT 为主要判据。六因子 CFA 拟合可接受：χ²(579)=1301.37，CFI=0.908，TLI=0.900，RMSEA=0.049，SRMR=0.056。共同方法偏差：Harman 单因子 36.76%（<50%），全共线性 VIF 1.67–2.28（<3.3），但作者不宣称排除了方法偏差，只指出路径方向异质（含显著负路径）不符合单一方法因子的均匀膨胀模式。解释力：AISE 的 R²=0.561、AIT 的 R²=0.615、AR 的 R²=0.440；Q²_predict 全部为正（0.264/0.283/0.179），有预测相关性，但 PLS 对 AR 大部分指标的 RMSE 逊于线性基准——作者如实承认没有一致的样本外预测优势。

假设检验

九条路径六条显著、五条假设成立（PLS-SEM，5000 bootstrap）：

H1 弱支持：EM → AISE，β=0.229（t=2.03，p=0.042，f²=0.042）。

H2 不支持：SM → AISE，β=0.065（t=0.94，p=0.348）——社交导向不以任务表现为目标，与 Bandura 掌握性经验逻辑一致。

H3 支持（最强动机路径）：IM → AISE，β=0.511（t=5.52，p<0.001，f²=0.227 中等）。

H4 不支持：EM → AIT，β=0.067（t=0.75，p=0.451）。

H5 支持：SM → AIT，β=0.308（t=4.44，p<0.001，f²=0.116）。

H6 不支持（方向相反）：IM → AIT，β=−0.199（t=2.24，p=0.025）——工具动机在控制效能感后反而压低信任。

H7 支持（全模型最强路径）：AISE → AIT，β=0.672（t=8.86，p<0.001，f²=0.516 大效应）。

H8 不支持（本文最关键的零结果）：AISE → AR，β=−0.023（t=0.21，p=0.831，f²=0.001）——协方差 SEM 复估 β=−0.011（p=0.923）、加人口学控制后 β=−0.006（p=0.956），结论三处一致。

H9 支持：AIT → AR，β=0.680（t=7.04，p<0.001，f²=0.343 中大效应）——信任是唯一对依赖有显著直接关联的变量。

中介补充：三条仅经 AISE 的间接路径全部不显著；SM 经 AIT 到 AR β=0.209（p<0.001）为唯一不含 AISE 的显著间接路径；IM 的双通道形成统计压制——经 AISE→AIT 序列为正 β=0.234（p<0.001），经 AIT 直接为负 β=−0.135（p=0.020），两股力量部分抵消；AISE → AIT → AR 的序列间接效应 β=0.457（p<0.001）为全模型最大间接估计——效能感只有经由信任才与依赖相连。

组态分析（fsQCA）：与预期相反，没有找到多条通往高依赖的路径——中间解与简约解完全一致，唯一组态为 SM × AIT（社交动机与信任同时在场），原始覆盖率 0.801、一致性 0.839、PRI 0.769。必要性分析中 IM、EM、AISE 虽过 0.90 一致性但 RoN 极低属平凡必要；AIT 是唯一兼具一致性与相关性的（边界）必要条件（0.900，RoN=0.711）。20 种稳健性规格中 16 种出解，AIT 出现在每一个解里——「无信任组态」不存在是全研究最稳的发现。反向结果（不高依赖）为 ~SM × ~AIT，一致性 0.909，且与正向解不对称。

研究结论

标题里的「Sure of themselves, not yet beholden」说的是：学生对用 AI 很有把握，但这把握本身并不通向依赖。三个结论值得记住：① 效能感的直接路径是零——先前文献里「自我效能影响 AI 依赖」「AI 既增强信心又加深依赖」的共现现象，在这套数据里被重新解释为效能与依赖共享信任这个上游，而非效能独立起作用；

② 信任才是离委托最近的一环（β=0.680），而且组态分析从另一套假设出发收敛到同一结论——不存在不含信任的高依赖路径；

③ 工具动机的负向信任路径（β=−0.199）打破了「追求效率必然滑向盲信」的担忧：把 AI 当工具的人恰恰在任务里撞见过它的错误，发展出更校准的姿态——统计压制结构（正的序列间接 0.234 + 负的直接 −0.135）意味着把效能与信任当一种「亲 AI 倾向」的模型会彻底看不见这股抵消。对大学的启示写得直白：与其推广「高效用 AI」，不如校准学生的信任、保护学习者能动性——让学生觉得「我很会用 AI」，看起来改变不了他们把多少思考外包出去。

研究局限

① 横断面自评数据——只能谈关联不能谈因果；作者特别交代替代排序检验里「AISE → AIT」与「AIT → AISE」两方向拟合等价，序列方向是理论驱动而非数据确立；

② 非概率抽样 + 41.9% 的累计剔除率，且不注意作答在子群体间分布不均，全国代表性受限；

③ EM 的 AVE 与 Fornell–Larcker 不达标，涉及 EM 的结论需谨慎；

④ 组态解的具体构成随校准与阈值变化（虽然 AIT 恒在场），组态结果只能视为与结构发现一致而非独立的路径证据；

⑤ 共同方法偏差未做标记变量检验，无法完全排除；

⑥ PLSpredict 显示模型对 AR 的样本外预测不优于线性基准，预测相关性不等于预测优势。

未来展望

纵向或实验设计确证「动机 → 信念 → 依赖」的因果序列；直接检验工具动机负向信任的两种解释（任务中撞见错误 vs. 把 AI 当被检验的工具而非权威）；引入恰当依赖/过度依赖的区分，把「校准信任」变成可测结果；以 AI 素养、元认知、自我调节等调节变量检验信任校准的边界条件；用行为数据（实际委托任务的比例）替代自评依赖；跨文化比较社交动机在依赖形成中的权重。

金句

自信和信任不是一回事：让学生觉得自己很会用 AI，改变不了他们把多少思考交给 AI——决定外包大脑的钥匙，从头到尾都握在信任手里。

— 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！