人工智能时代的教育焦虑与学生心理健康:智慧教育中多源数据融合分析

《Frontiers in Public Health》:Educational anxiety and student mental health in the era of artificial intelligence: a multi-source data fusion analysis in smart education

【字体: 大 中 小 】 时间:2026年05月26日 来源:Frontiers in Public Health 3.4

编辑推荐:

  摘要:在教育数字化快速推进以及学生心理健康问题日益突出的背景下,本研究构建“技术感知—教育焦虑—学生心理健康”整合模型,用以考察感知有用性(PU)、感知公平性(PF)与感知可控性(PC)如何与学生心理健康相关联及其作用机制。 方法:本研究采用横断面问卷设计,

  
摘要:在教育数字化快速推进以及学生心理健康问题日益突出的背景下,本研究构建“技术感知—教育焦虑—学生心理健康”整合模型,用以考察感知有用性(PU)、感知公平性(PF)与感知可控性(PC)如何与学生心理健康相关联及其作用机制。

方法:本研究采用横断面问卷设计,于2025年7月至9月通过线上与线下相结合的方式对大学生开展调查,获得380份有效问卷。基于上述定量数据,研究人员采用结构方程模型(SEM)与人工神经网络(ANN)技术对所提出的假设进行检验。

结果:结果表明,感知有用性、感知公平性与感知可控性均与学生心理健康呈显著正相关,而教育焦虑与学生心理健康呈显著负相关。技术感知的三个维度均可显著降低教育焦虑,并通过该中介路径间接促进学生心理健康,其中感知公平性与感知可控性表现出相对更强的关联。进一步基于人工神经网络开展的敏感性分析显示,感知公平性是预测教育焦虑的最重要因素,其后依次为感知可控性与感知有用性。

讨论:本研究丰富了人工智能(AI)赋能教育情境下学生心理健康的理论认知,并为教育技术优化、算法治理以及学生心理健康干预提供了实证启示。
这篇发表于《Frontiers in Public Health》的论文聚焦于人工智能(AI)深度嵌入教育场景后出现的新型教育焦虑及其对学生心理健康的影响机制。研究背景在于,智能作业批改、自适应学习系统、学习分析和学业预警平台等技术正在重塑教学、学习与评价结构。AI一方面提升教学效率、优化学习路径并支持个性化教育,另一方面也通过算法评估、数据监测和人机比较,改变学生对竞争、公平、控制感与未来发展的主观理解。既有研究较多讨论AI教育应用的有效性、接受度与学习绩效,却较少系统分析其作为环境压力源对学生心理健康的潜在外溢效应。尤其是在算法不透明、智能判断和人机竞争的条件下,学生可能出现被数据监视、被算法定义以及主体能动性被替代的感受,这种由AI诱发的教育焦虑既不同于传统学业焦虑或考试焦虑,也不能简单等同于技术压力。

基于此,研究人员提出“技术感知—教育焦虑—学生心理健康”的整合分析框架,并在技术接受模型(TAM)基础上进行扩展。论文不再仅以“是否接受技术”解释教育AI的影响,而是将感知有用性、感知公平性和感知可控性纳入统一模型,同时将教育焦虑界定为连接技术主观感知与心理健康的重要情绪中介变量。研究要回答的核心问题包括:学生对教育AI的主观感知如何影响教育焦虑;AI诱发的教育焦虑是否在主观感知与心理健康之间发挥中介作用;结构方程模型(SEM)与人工神经网络(ANN)的结合能否更好揭示该关系中的线性与非线性机制。

研究人员采用横断面问卷调查设计,于2025年7月至9月面向大学生发放问卷,共回收450份,筛选后得到380份有效样本,有效率为84.4%。样本来源为线上线下结合的非概率抽样,包括便利抽样与滚雪球抽样,调查对象来自不同地区多所高校。研究首先通过专家评审修订量表,随后使用协方差型结构方程模型(CB-SEM)检验测量模型与结构路径,并在此基础上引入多层感知机(MLP)人工神经网络进行10折交叉验证、均方根误差(RMSE)比较与敏感性分析,以识别潜在非线性关系及关键预测变量的重要性。

在量表与测量层面,研究构建了五个一阶维度,分别为感知有用性、感知公平性、感知可控性、教育焦虑和学生心理健康。其中,感知有用性涵盖学业表现提升、学习效率提升、能力发展促进和学习自主性增强;感知公平性包括信息透明、程序公平、结果公平和无偏差感知;感知可控性包括选择自主权、决策主导性、过程可解释性以及数据与隐私控制;教育焦虑包括技术替代恐惧、认知/知识焦虑、监控与评价焦虑、规范与诚信焦虑及算法全景敞视焦虑;学生心理健康则由自我效能感、主观幸福感和心理韧性构成。

方法上,研究首先验证测量工具的信度与效度。各潜变量Cronbach's α均大于0.8,复合信度(CR)均大于0.7,平均方差提取量(AVE)均大于0.5,表明量表具有较好的内部一致性与聚合效度。KMO值为0.888,Bartlett球形检验显著,说明数据适于因子分析。Harman单因子检验显示首因子解释变异为39.98%,未超过50%,提示不存在严重共同方法偏差。随后,研究以Fornell-Larcker准则和异质特质—同质方法比率(HTMT)进一步确认区分效度,结果均达到推荐标准。验证性因子分析(CFA)显示模型拟合良好,CMIN/DF=2.731,RMSEA=0.068,IFI=0.922,TLI=0.907,CFI=0.922。

在结构模型分析中,研究结果明确支持全部假设。感知有用性、感知公平性和感知可控性均对学生心理健康产生显著正向影响,路径系数分别为0.306、0.326和0.193;教育焦虑则对学生心理健康产生显著负向影响,路径系数为?0.306。与此同时,感知有用性、感知公平性和感知可控性均显著负向预测教育焦虑,路径系数分别为?0.304、?0.290和?0.209。这意味着,学生越倾向于认为教育AI有助于学习、运行公平且可理解可管理,其教育焦虑越低,心理健康水平越高。

论文“中介分析”部分进一步表明,教育焦虑在三类技术感知与学生心理健康之间均发挥部分中介作用。感知有用性经由教育焦虑对心理健康的间接效应为0.093,感知公平性对应的间接效应为0.089,感知可控性对应的间接效应为0.064,且置信区间均不包含0。由于三者的直接效应与总效应也均显著,因此可以确认教育焦虑不是唯一通路,而是与直接影响并存的重要心理机制。这一结果强化了论文的核心判断:教育AI相关主观感知不仅直接关联学生心理状态,还通过缓解焦虑进一步促进心理健康。

论文“基于ANN的神经网络模型分析”部分在SEM之后引入非线性预测框架。Model A以感知有用性、感知公平性和感知可控性为输入,以教育焦虑为输出;Model B在上述基础上加入教育焦虑,以学生心理健康为输出。两类模型均采用前馈反向传播神经网络和10折交叉验证。RMSE结果显示,Model A训练集和测试集平均RMSE分别为0.357和0.306,Model B分别为0.260和0.231,说明模型稳定性和泛化能力较好,且Model B对学生心理健康的预测精度更高。

在“变量敏感性分析”部分,ANN进一步揭示了不同预测因子的相对重要性。对于教育焦虑的预测,感知公平性的平均相对重要性最高,标准化后为100%;其后依次为感知可控性94.01%和感知有用性78.47%。对于学生心理健康的预测,教育焦虑的重要性最高,标准化后为100%;其后为感知公平性87.93%、感知有用性86.21%和感知可控性70.69%。这些结果与SEM所得路径关系方向一致,但进一步补充了变量权重差异,说明在智能教育环境中,公平性感知是教育焦虑治理中的关键切入点,而教育焦虑则是影响心理健康的核心近端因素。

论文讨论部分指出,研究结果总体支持一种稳定关系模式:当学生认为AI技术有助于学习、相对公平并且可理解、可控制时,其教育焦虑水平更低,心理健康表现更积极。这一发现与控制—价值理论以及压力—认知评估理论相一致,说明个体对于情境价值、控制可能性和环境公正性的认知评估,与其情绪体验和心理状态密切相关。尤其值得注意的是,感知公平性的重要性高于感知有用性,表明在AI支持的教育环境中,学生关注的不仅是技术是否“有用”,更在意其是否“公平地影响自己”。

该研究的重要意义主要体现在理论与实践两个层面。理论上,论文整合技术接受、控制—价值和压力—认知评估框架,提出“技术感知—教育焦虑—心理健康”综合模型,拓展了教育数字化背景下学生心理健康研究的解释路径,也将教育焦虑从单纯负性情绪推进为AI重新嵌入教育体系过程中的关键中介变量。实践上,研究表明,教育技术设计与教育治理不能仅遵循“效率优先”逻辑,还应重视算法透明性、评价规则可解释性、申诉反馈机制以及学生对系统控制边界的感知。对于高校心理健康促进工作而言,干预也不应局限于个体层面的情绪疏导,而应关注教育技术环境本身是否能够提供足够的公平感、可理解性与可控性。

论文同时指出若干局限。首先,研究使用横断面自陈数据,难以充分识别因果方向和长期效应。其次,样本可能集中于特定区域和教育情境,限制了结论的外部推广性。再次,理论模型目前主要纳入技术感知、教育焦虑与心理健康变量,尚未整合教师支持、课堂氛围、学校气候、家庭期待以及个体特质等更广泛情境因素。因此,后续研究可考虑纵向追踪、多组SEM、跨文化比较及生态系统视角下的多层模型。

研究结论部分可译为:本研究基于结构方程模型(SEM)与人工神经网络(ANN)的双重分析,系统考察了感知有用性、感知公平性、感知可控性、教育焦虑与学生心理健康之间的关系。结果显示,技术感知的三个维度均与学生心理健康显著相关,并且均与较低水平的教育焦虑相关。其中,感知公平性与感知可控性在解释教育焦虑和心理健康差异方面表现出相对更强的关联。ANN敏感性分析进一步支持了这一发现,表明感知公平性在预测教育焦虑时的重要性最高,其后依次为感知可控性和感知有用性,从而在方法层面增强了结果的一致性与稳健性。理论上,本研究整合了技术接受、控制—价值理论与压力—认知评估框架,发展出“技术感知—教育焦虑—心理健康”的综合分析模型,拓展了教育数字化背景下学生心理健康研究的视角。实践上,研究结果强调了教育技术与教育治理中有用性、公平性和可控性协同优化的重要性。这意味着,在推进教育数字化转型并关注学生心理福祉时,应更加重视程序与结果公平性的提升、学生对学习与评价过程控制感的强化,以及确保教育技术能够对学生真实学习需求提供有意义支持,从而与更低水平的教育焦虑及更积极的心理健康结果更紧密相关。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号