问题提出

GenAI 短期提升效率，但同时制造竞争压力，持续维持「怕被取代」的恐惧，从而提高问题性使用的风险。既有研究几乎都从个体心理脆弱性出发解释问题性 GenAI 使用，却忽略了 GenAI 自身生成的社会比较情境——这一点在社交媒体研究里早已被反复验证，在 AI 场景里却基本空白。

难点剖析

难点在于比较的「标的」变了。社交媒体时代比的是谁的生活更精彩、谁的赞更多；AI 时代，人们会把自己对 AI 的掌握程度和产出能力当成自身能力的一部分，形成「延伸的自我」，比较的对象从「人 vs 人」变成「人机协作表现 vs 人机协作表现」。这意味着既有社交媒体结论不能直接搬过来，需要重新验证。另一个难点是：既有研究对问题性媒体使用强调沉浸（心流）的主导作用，但在 AI 这种强工具属性的场景里，依赖可能同样重要甚至更重要。

理论脉络

框架是 I-PACE 模型（人—情感—认知—执行的交互模型），作者把五个变量严格分层：社会比较倾向是「人」层面的稳定易感特质，错失焦虑（FoMO）是「情感」层面变量，AI 心流与感知不可替代性是「认知」层面的两个并行中介，问题性 GenAI 使用是「执行」层面的结果。文章反复强调一个定位：FoMO 不是独立于社会比较过程的情绪状态，而是在社会比较压力下被激活的情绪反应，因此放在社会比较与问题性使用之间做中介。

理论模型

链式中介（并行双中介）模型。自变量为社会比较倾向（SCO），因变量为问题性 GenAI 使用（PGAIU），FoMO 为情感层中介，AI 心流（AIF）与感知不可替代性（PI）为认知层的两条并行中介。完整链条是 SCO → FoMO →（AIF / PI）→ PGAIU，同时保留 SCO 到 PGAIU 的直接路径。控制变量为性别、年龄、学历。

研究假设

共六条：H1，社会比较倾向正向影响问题性 GenAI 使用；H2，社会比较倾向正向影响 FoMO；H3，FoMO 正向影响 AI 心流；H4，AI 心流正向影响问题性 GenAI 使用；H5，FoMO 正向影响感知不可替代性；H6，感知不可替代性正向影响问题性 GenAI 使用。六条全部成立，且全部在 p<0.001 水平显著。

分析策略

用结构方程模型（SEM）加 bootstrap 技术检验，间接效应基于 5000 次抽样的偏差校正置信区间。一个方法细节值得注意：Mardia 多元峰度系数超过 5，数据显著偏离多元正态，因此作者没有直接用最大似然估计的原始卡方，而是采用 Bollen–Stine bootstrap 程序来获得更稳健的模型拟合估计——这是非正态数据的标准补救做法。另外还比较了两条并行中介路径的效应差（是否显著不同）。

数据收集

匿名在线问卷，面向中国 GenAI 用户，共回收 526 份，剔除 130 份（无 GenAI 使用经验或低质量作答）后保留 396 份有效样本。问卷中设置筛选题与注意力检测题，并向完成者支付 3 元报酬。问卷分三部分：研究背景与知情同意、人口统计信息、五个核心构念共 21 个题项。正式发放前先找 50 名有 GenAI 使用经验的用户做了预测试，确认题项表述无歧义。研究经韩国釜山大学伦理审查委员会（PNU IRB）审查并获豁免，批准号 PNU IRB 2025-09-100。

研究样本

最终样本 396 人。性别上男性 48.5%、女性 51.5%，基本均衡；年龄高度集中在 19–35 岁（97%），其中 19–23 岁占 42.4%、24–27 岁占 34.4%；学历方面 86.1% 为本科及以上（本科 63.9%、硕士 18.2%、博士 4.0%），专科及以下占 13.9%。作者认为这一分布与 GenAI 核心用户以年轻、高学历为主的特征一致。

测量工具

全部采用七点李克特量表，题项均改编自成熟量表并做 GenAI 情境化改写：社会比较倾向 4 题（Gibbons & Buunk, 1999）；FoMO 5 题（Przybylski 等，2013；Chen, 2025）；AI 心流 4 题（Hsu & Lu, 2004；Yao 等，2025）；感知不可替代性 3 题（Subramani, 2004；Cao 等，2025）；问题性 GenAI 使用 5 题（Hu 等，2023）。

信效度检验

测量模型全部达标。所有题项因子载荷均大于 0.500（载荷区间约 0.635 到 0.911），Cronbach‘s α 均在 0.800 以上（0.836 到 0.899），组合信度 CR 介于 0.841 到 0.901，平均方差提取量 AVE 介于 0.535 到 0.752，均超过 0.50 的门槛；区分效度按 Fornell-Larcker 准则检验，每个构念 AVE 的平方根（社会比较倾向 0.799、FoMO 0.731、AI 心流 0.755、感知不可替代性 0.867、问题性使用 0.778）均大于它与其他构念的相关系数。由于数据非正态，模型拟合采用 Bollen–Stine 校正后的指标：测量模型 χ²/df=1.27、AGFI=0.94、TLI=0.99、CFI=0.99、RMSEA=0.03；研究模型 χ²/df=1.21、AGFI=0.93、TLI=0.99、CFI=0.99、RMSEA=0.02，全部优于推荐标准。

假设检验

H1 成立：社会比较倾向正向影响问题性 GenAI 使用，β=0.241（B=0.244，SE=0.046，t=5.307，p<0.001）。

H2 成立：社会比较倾向正向影响 FoMO，β=0.545（B=0.511，SE=0.059，t=8.669，p<0.001）——这是模型中最强的一条路径。

H3 成立：FoMO 正向影响 AI 心流，β=0.423（B=0.375，SE=0.054，t=6.884，p<0.001）。

H4 成立：AI 心流正向影响问题性 GenAI 使用，β=0.486（B=0.593，SE=0.063，t=9.365，p<0.001）。

H5 成立：FoMO 正向影响感知不可替代性，β=0.591（B=0.682，SE=0.069，t=9.837，p<0.001）。

H6 成立：感知不可替代性正向影响问题性 GenAI 使用，β=0.367（B=0.344，SE=0.043，t=7.976，p<0.001）。

两条并行中介路径：经 AI 心流的间接效应为 0.113（95% CI [0.073, 0.170]），经感知不可替代性的间接效应为 0.120（95% CI [0.075, 0.189]），两条路径的效应差为 -0.006（95% CI [-0.083, 0.066]），不显著——也就是说沉浸路径和依赖路径一样粗，不存在谁主导。

整体效应：直接效应 0.244（95% CI [0.136, 0.360]），总间接效应 0.233（95% CI [0.170, 0.316]），总效应 0.478（95% CI [0.361, 0.594]），属于部分中介——直接路径和间接路径差不多各占一半。

研究结论

三层结论。第一，问题性 AI 使用不只是「这个人心理有问题」，也是「这个环境太可比」——社会比较倾向作为 I-PACE 模型里人层面的易感特质，即使在引入情绪和认知变量之后，直接效应依然显著（0.244），说明它有独立而稳定的解释力。第二，FoMO 是关键的情绪转换器：它把外部的技术竞争压力转成内部情绪张力，而且它在这篇文章里的含义跟社交媒体时代不一样——不是怕错过别人的精彩生活，而是怕错过生产力、效率和竞争优势，怕被边缘化甚至淘汰。第三，也是最反直觉的一层：FoMO 之后分出两条通路，一条是沉浸（越焦虑越沉浸，短期缓解压力、长期削弱自控），一条是依赖（把 AI 看成完成任务唯一不可替代的手段，决策时干脆放弃独立思考），两条通路的效应量没有显著差异。这跟社交媒体研究强调「沉浸主导」不一样——在 GenAI 这种强工具属性场景里，功能依赖和沉浸一样重要。实践上作者给了三层建议：产品设计要在高强度沉浸时加打断与反思机制（比如检测到长时间连续交互，不继续推送而是给阶段式任务总结）；教育与管理要重新定义 AI 的工具角色，别只用 AI 能力评价人，加入原创性、问题定义能力、综合判断等多元标准；社会层面要缓解技术竞争焦虑本身。

研究局限

作者列了三条，都挺关键。其一，横断面问卷能高效检验理论路径，但解释因果的能力有限——这五种心理状态如何随时间相互强化、社会比较压力在哪一个时点开始转变为问题性使用，都还不清楚，需要纵向追踪设计。其二，数据靠自我报告，虽然用了稳健统计方法，主观偏差与回忆偏差仍可能干扰，尤其是「依赖」这类话题特别容易受社会赞许性偏差影响，未来应结合真实系统使用记录和心理实验指标做交叉验证。其三，本研究只关注「人与人比」，但用户用 GenAI 时也会拿自己跟 AI 比——看到自己苦练多年的技能被 AI 轻松超越时的挫败感，可能是一种全新的人机比较形态，它跟 FoMO 是什么关系、如何影响行为，目前完全未知。

未来展望

作者建议：用纵向追踪设计还原这些心理状态相互强化的动态过程，并定位社会比较压力开始转化为问题性使用的临界点；把真实系统使用日志与心理实验指标结合起来做交叉验证，降低自评偏差；把「人机比较」纳入模型——即个体拿自己与 AI 能力直接对比时产生的挫败感，考察它如何与 FoMO 互动并影响使用行为，这可能是技术改变个体心理机制的一个新切口。

金句

产品设计的目标不该是无限延长使用时长——在充满比较和竞争的场景里尤其如此。

— 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！