问题性智能手机使用与AI聊天机器人依赖:基于潜在剖面分析和维度分析的横断面研究

《Computers in Human Behavior Reports》:Problematic Smartphone Use and AI Chatbot Dependence: A Cross-Sectional Study Using Latent Profile and Dimensional Analyses

【字体: 大 中 小 】 时间:2026年09月27日 来源:Computers in Human Behavior Reports 5.5

编辑推荐:

  摘要 人工智能,特别是生成式人工智能,正日益重塑信息获取、知识生产、学习支持和日常决策。随着文本生成、问题解决和交互反馈的进步,AI聊天机器人已嵌入教育、职业和个人场景。与早期的数字工具相比,AI聊天机器人提供工具性支持、快速反馈、持续互动和社会响应式交流。这

  
摘要 人工智能,特别是生成式人工智能,正日益重塑信息获取、知识生产、学习支持和日常决策。随着文本生成、问题解决和交互反馈的进步,AI聊天机器人已嵌入教育、职业和个人场景。与早期的数字工具相比,AI聊天机器人提供工具性支持、快速反馈、持续互动和社会响应式交流。这些特征可能使AI聊天机器人不仅成为有用的工具,也成为与依赖性使用模式相关的数字环境。因此,人机交互文献已开始超越初始采用和可用性,考虑对会话式AI的持续依赖如何与认知卸载和行为控制减弱相关联。 随着AI技术被更广泛地使用,关注点已日益从其益处转向潜在的心理和社会风险,包括伦理关切、隐私和安全问题以及心理适应困难。对会话式AI聊天机器人的潜在过度依赖值得实证关注,因为其持续可用性、即时反馈、任务支持和社会响应式交流可能将其相关性从接受度或使用频率扩展到依赖性相关的结果,包括持续性依赖和行为控制减弱。问题性智能手机使用(PSU)在此背景下具有相关性,因为它反映了更广泛的失调性数字参与形式,包括控制受损、不顾负面后果继续使用以及功能损害。根据I-PACE模型,PSU可能与对较新交互技术的失调性参与有关,包括AI聊天机器人。 尽管AI聊天机器人迅速扩散,关于问题性或依赖性AI聊天机器人使用的实证研究仍然有限。现有工作已开始考察问题性会话式AI使用和AI依赖性,最近的量表开发研究进一步强调了区分生成式AI依赖性与一般技术接受度或普通使用的必要性。关于AI聊天机器人依赖是否与更广泛的失调性数字使用形式(如PSU)或与持续互动中的AI使用评估相关,目前知之甚少。由于会话式AI结合了工具性支持、交互性和社会响应式交流,依赖性相关的AI聊天机器人使用应与初始接受度、采纳意愿或使用意愿区分开来。这一区分很重要,因为接受度和依赖性捕捉了与技术相关卷入的概念上不同的形式。接受度相关构念,如感知有用性、使用意愿和采纳意向,主要表明个体是否倾向于采用或继续使用某项技术,而依赖性相关结果则涉及控制减弱、功能性依赖和潜在损害。相应地,AIDUA框架被用作组织AI使用评估变量的框架,而非直接定义、诊断或因果解释AI聊天机器人依赖性的模型。因此,考察PSU与AI聊天机器人依赖性的关系,可能有助于澄清依赖性相关的AI聊天机器人使用是一个孤立的特定技术现象,还是更广泛的数字失调模式的一部分。 本研究有三个目标。第一,考察PSU是否与AI聊天机器人依赖性呈正相关。第二,使用潜在剖面分析(LPA)作为补充的以人为中心的方法,来表征PSU的异质性,并考察观察到的反应模式反映的是性质上不同的症状结构还是主要是顺序性的严重程度差异。第三,考察AI使用评估是否与AI聊天机器人依赖性存在统计关联,以及这些关联在不同PSU严重程度组间是否存在差异。据此,提出了三个研究问题:RQ1:PSU是否与AI聊天机器人依赖性呈正相关?RQ2:PSU是否显示出性质上不同的潜在剖面或主要是基于严重程度的区分,并且所得各组在AI聊天机器人依赖性和AI使用评估上是否存在差异?RQ3:AI使用评估是否与AI聊天机器人依赖性存在统计关联,并且这些关联在不同PSU严重程度组间是否存在差异? 参与者通过付费在线调查招募,数据于2026年1月至2月收集。排除无效问卷后,保留538份有效问卷。研究使用了AI聊天机器人依赖性量表、基于AIDUA框架的量表、大学生手机成瘾倾向量表(MPATS)以及AI熟悉度量表。数据分析包括描述性统计、验证性因子分析(CFA)、潜在剖面分析(LPA)和路径模型分析。 结果显示,PSU与AI聊天机器人依赖性呈正相关。LPA识别出三个基于严重程度的PSU剖面:低PSU组(16%)、中等PSU组(46%)和高PSU组(38%)。高PSU组的AI聊天机器人依赖性显著高于其他组。在全样本中,情感体验在享乐动机与AI聊天机器人依赖性之间发挥了显著的统计间接关联作用。跨组分析显示,绩效期望与AI聊天机器人依赖性的关联在高PSU组中显著,且该路径存在显著的组间差异。 本研究结论认为,PSU与自我报告的AI聊天机器人依赖性呈正相关。PSU的潜在剖面主要反映顺序性的严重程度水平,而非不同的症状结构。AI使用评估与AI聊天机器人依赖性相关,但正式的组间证据仅限于绩效期望-AI聊天机器人依赖性关联,应视为探索性发现。总体而言,PSU可能有助于将依赖性相关的AI聊天机器人使用置于更广泛的失调性数字参与模式中,但在得出更强的机制性结论之前,需要纵向和多方法的证据。

论文解读

一、研究背景与问题提出

随着生成式人工智能(AI)技术的快速发展,以AI聊天机器人为代表的应用已深度融入人们的日常生活、学习和工作中。这类工具凭借其即时反馈、任务支持和社会响应式交互等特性,在带来便利的同时,也引发了对其潜在心理风险的担忧,尤其是可能导致用户产生过度依赖。然而,现有的研究多聚焦于AI技术的初始采纳与接受度,对于AI聊天机器人依赖这一更为深层的失调性使用行为及其与更广泛的数字失调模式(如问题性智能手机使用,PSU)之间的关系,尚缺乏充分的实证探讨。此外,个体在问题性智能手机使用上是否存在异质性,以及不同使用模式的用户在AI聊天机器人依赖的形成机制上是否有差异,也是亟待解答的问题。因此,本研究旨在探究问题性智能手机使用与AI聊天机器人依赖之间的关联,并通过潜在剖面分析揭示PSU的异质性,同时考察AI使用评估变量(如享乐动机、努力期望、绩效期望和情感体验)在这一关联中的作用。

二、研究方法概述

本研究是一项横断面调查研究,通过中国脑岛平台进行线上付费问卷招募,最终纳入538名有AI聊天机器人使用经验的参与者。研究采用了几个关键技术方法:
  1. 1.
    测量工具:使用《AI聊天机器人依赖性量表》评估依赖性;改编自AIDUA框架的量表评估享乐动机、努力期望、绩效期望和情感体验四个维度的AI使用评估;采用《大学生手机成瘾倾向量表》(MPATS)评估问题性智能手机使用(PSU);以及AI熟悉度量表。
  2. 2.
    统计分析:运用潜在剖面分析(LPA)对PSU的16个条目进行以人为中心的分类,以识别异质性亚组;通过验证性因子分析(CFA)检验各构念的区分效度;采用路径模型分析变量间的直接与统计间接关联,并在不同PSU剖面间使用BCH法进行跨组比较。

三、主要研究发现

1. 共同方法偏差与区分效度
研究人员通过哈曼单因素检验未发现单一主导因子结构。进一步的五因子验证性因子分析(CFA)显示,假设的五因子模型(享乐动机、努力期望、绩效期望、情感体验、AI聊天机器人依赖性)拟合良好,且异质-单质比率(HTMT)值均低于0.85,支持了五个核心构念之间的经验可区分性。
2. 描述性统计与相关分析
描述性统计结果显示,PSU的四个维度(戒断症状、强迫行为、社交抚慰、心境改变)之间呈中到强正相关。AI聊天机器人依赖性与PSU各维度、享乐动机、绩效期望、情感体验呈显著正相关,而与努力期望呈负相关。年龄和AI熟悉度作为协变量纳入后续分析。
3. 问题性智能手机使用的潜在剖面分析
通过LPA比较了二至五类模型,综合信息准则、似然比检验(LMRT、BLRT)、熵值、类别大小及可解释性,最终保留了三分剖面模型。这三个剖面主要呈现顺序性的严重程度梯度,被分别命名为:低PSU组(占16%,n=84)、中等PSU组(占46%,n=252)和高PSU组(占38%,n=202)。协方差分析(ANCOVA)显示,高PSU组报告了最高的AI聊天机器人依赖性、情感体验和绩效期望,以及最低的努力期望。
4. 全样本与跨PSU剖面的统计间接关联模型
在全样本路径模型中,研究人员发现,情感体验在享乐动机与AI聊天机器人依赖性之间起到了显著的统计间接关联作用。具体而言,存在三条显著的链式中介路径:享乐动机→情感体验→依赖性;享乐动机→努力期望→情感体验→依赖性;以及享乐动机→绩效期望→情感体验→依赖性。
在基于BCH法的跨剖面分析中,不同PSU组表现出差异化的模式:
  • •
    在低PSU组中,所有关注的路径均不显著,但这可能受限于较小的样本量。
  • •
    在中等PSU组中,上述两条包含情感体验的链式中介路径依然显著。
  • •
    在高PSU组中,绩效期望与AI聊天机器人依赖性之间存在显著的正向直接关联,且享乐动机通过绩效期望影响依赖性的间接路径也显著。这表明,对于高PSU用户而言,对AI工具性能的积极评价是预测依赖性的一个独特因素。
5. 关键路径的组间差异检验
BCH调整后的Wald检验结果表明,“情感体验→AI聊天机器人依赖性”这条路径的系数在三组间无显著差异,而“绩效期望→AI聊天机器人依赖性”这条路径的系数存在显著的组间差异(p = .012),证实了绩效期望的作用在高PSU组中确实更强。
6. 补充性连续PSU路径分析
当将PSU作为连续变量建模时,PSU与AI聊天机器人依赖性仍呈正相关,情感体验的作用依然显著,但绩效期望对依赖性的直接效应不再显著。这提示,在高PSU组中发现的绩效期望特异性效应是探索性的,需要在未来研究中进一步验证。

四、讨论与结论

讨论部分总结:
本研究的发现与I-PACE模型的框架相容,即问题性技术使用是个人易感性、情感反应、认知评估与控制过程相互作用的结果。PSU与AI聊天机器人依赖性的正向关联表明,依赖性的AI使用可能并非孤立现象,而是更广泛的数字失调模式的一部分。情感体验在不同PSU严重程度组中均与依赖性相关,凸显了情感因素在AI使用中的普遍重要性。而绩效期望在高PSU组中的独特作用,可能反映了这部分用户在控制能力减弱的情况下,更倾向于依赖AI的工具性价值来完成任务。研究同时指出了局限性,包括横断面设计无法推断因果关系、自我报告法可能存在共同方法偏差、样本偏年轻化且高学历、以及未评估访问设备等,限制了结果的普适性。
研究结论翻译:
这项横断面研究发现,问题性智能手机使用(PSU)与自我报告的AI聊天机器人依赖性呈正相关。PSU的潜在剖面主要反映顺序性的严重程度水平,而非不同的症状结构。AI使用评估与AI聊天机器人依赖性相关,但正式的组间证据仅限于绩效期望与AI聊天机器人依赖性的关联,且应被视为探索性发现。总体而言,PSU可能有助于将依赖性相关的AI聊天机器人使用置于更广泛的失调性数字参与模式中,但在得出更强的机制性结论之前,需要纵向和多方法的证据。
相关新闻
生物通微信公众号
微信
新浪微博

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