AI赋能还是隐忧？大学生AI使用动机的异质性及与心理健康的相互作用

/AI赋能还是隐忧？大学生AI使用动机的异质性及与心理健康的相互作用【摘要】探讨大学生人工智能(AI)使用动机的异质性、影响因素及其与心理健康的关系。研究1于2024年9月对5760名大学生进行问卷调查。潜在剖面分析结果发现，大学生AI使用动机可划分为工具动机主导型(28.09%)、高工具-娱乐动机型(30.57%)、中等多元动机型(36.02%)、全面高动机型(5.31%)四种亚类型。不同亚类型在心理健康指标上的表现也显著不同。研究2于2024年9月与2025年3月对221名大学生进行为期半年的追踪研究，探究AI使用动机与心理健康之间的双向关系。结果仅发现心理健康对AI使用动机的短期效应，表现为焦虑情绪增加AI使用中的逃避动机和社交动机，抑郁情绪增加逃避动机，而拥有意义感可预测工具动机。研究结果揭示了大学生AI使用动机的群体异质性及其与心理健康的关系模式，为个性化干预和心理健康促进提供实证依据。【关键词】人工智能使用动机；心理健康；大学生；潜在剖面分析；交叉滞后效应分析 1引言 随着人工智能技术飞速发展，AI技术已经广泛应用于大学生的学习、工作、社交和娱乐等多个场景(李艳等，2024；Abbasetal.，2024)。相较于其他人群，大学生对新技术持开放态度，对新技术有较高的接受度和适应性，其AI使用动机也更多样。研究表明，AI使用动机与行为可能与心理健康密切相关(Huangetal.，2024；Rodríguez-Ruizetal.，2025；Xie&Pentina，2022)。一方面，不同AI使用动机服务于大学生不同需求，可能对他们的心理健康产生积极或消极的影响，另一方面，大学生心理健康状态也会影响其AI使用动机。然而，大学生AI使用动机呈现哪些群体特征和个体差异？AI使用动机与心理健康之间存在怎样的关系？由于针对AI使用动机异质性及其与心理健康相互作用的实证研究相对缺乏，对大学生AI使用中的“赋能”潜力和“风险”隐忧理解不足，唯有系统揭示AI使用动机在大学生群体内部的差异性及其与心理健康演变的相互作用机制，方能实现由“AI使用与心理健康如何相互关联”向“如何通过动机引导，使AI促进而非损害心理健康”的研究范式转变，助力大学生更高效、理性地运用AI技术。基于此，本研究采用潜在剖面分析识别AI使用动机不同类型，并运用交叉滞后分析检验AI使用动机与心理健康的双向关系，以期丰富AI使用动机与心理健康关系的理论认识，并为针对性的心理健康干预提供实践启示。 1.1AI使用动机 目前对AI使用动机的界定与维度划分来自“媒介使用动机”。根据使用与满足理论(usesandgratificationstheory，U&G)，人们会主动选择能满足自身需求的媒介，这些需求包括信息获取、娱乐消遣、个人身份认同、社会互动(Blumler&Katz，1974)以及社交逃避(Korgaonkar&Wolin，1999)。基于此，AI使用动机指个体主动使用AI技术或工具以满足自身特定需求。Huang等人(2024)基于AI语音助手使用动机、生成式对话型AI使用动机方面的研究(Choi&Drumwright，2021；Skjuveetal.，2024)，将AI使用动机划分为逃避动机、社交动机、娱乐动机和工具动机四种类型。其中，工具动机指使用AI进行信息搜索、知识获取、完成任务，以满足个体对信息寻求、便利性和效率的需求；社交动机指个体通过与AI互动寻找社会联系和归属感；逃避动机指使用AI逃避现实问题或缓解负面情绪；娱乐动机指为获得乐趣和消遣而使用AI。 近年来，针对AI使用动机的研究逐渐增多，主要聚焦动机分类方式(Choi&Drumwriht，2021；Ng&Lin，2022；Skjuveetal.，2024)、测量工具的开发(Yurt&Kasarci，2024)、动机与行为的关系(Huangetal.，2024)。研究表明，AI可以满足青年群体多样化需求，其中，工具动机被视为驱动学生持续使用AI最重要的积极因素(Chan&Hu，2023)，逃避与社交动机则体现出AI使用对心理与社会关系的复杂影响。然而，现有研究尚未深入探讨大学生AI使用动机的异质性。事实上，个体在使用AI工具过程中可能存在多样化心理驱动力，即AI使用者群体内部可能并非同质。传统以变量为中心的方法难以揭示结构中的个体差异，一定程度掩盖了群体内部的复杂性，因此，有必要引入潜在剖面分析(latentprofileanalysis，LPA)探索大学生AI使用动机的潜在类型，揭示其内在异质性结构。这不仅有助于建立更科学、客观的群体划分标准，也有利于深化对AI使用行为心理机制的理解，避免“平均主义”带来的理论简化与实践偏误。 同时，AI使用动机类型与人口学变量之间的关系尚不明确。不过，以往研究为人口学变量与AI使用动机类别的关联提供了初步证据，如女生比男生更倾向于利用智能产品进行学习，城镇儿童更倾向于利用智能产品进行学习和与人工智能互动，农村儿童更倾向于将其用于娱乐目的(原晋霞等，2022)；大学生使用生成式AI的用途在年级、专业大类上也存在差异(李艳等，2024)。 1.2AI使用动机与心理健康的关系 AI使用动机与心理健康之间存在复杂的双向关系。根据自我决定理论(self-determinationtheory，SDT)，如果使用AI工具能够满足自主、胜任和关系三种基本需求，则有助于提升大学生的内在动机和心理健康水平(Deci&Ryan，2000)。不同的AI使用动机可能通过满足个体的不同需求影响其行为方式，并对心理健康产生积极或消极影响。 当用户以提高效率、学习成长等建设性动机使用AI时，往往能够带来积极的心理健康效应。例如，合理使用AI工具可以减轻任务压力，从而提升用户的幸福感和积极情绪(Klimova&Pikhart，2025)，这表明AI工具动机能够满足个体的胜任感和自主性，从而对心理健康产生积极影响(Ndung'uetal.，2023)。此外，当个体处于焦虑、抑郁情绪时，与AI互动能够缓解负性情绪(Fulmeretal.，2018)，这可能是因为AI互动满足个体归属与联结的需要。然而，AI使用动机不当也可能对心理健康产生消极影响，特别是当用户主要出于逃避现实或替代人际交往的动机而过度依赖AI时，可能导致社交隔离、孤独、焦虑和心理痛苦(Klimova&Pikhart，2025；Linneaetal.，2024)。以往研究表明，使用智能手机逃避现实世界可能降低采用适应性情绪调节策略(如积极重新评估和解决问题)的可能性，并增加非适应性情绪调节方式(如表达抑制和行为回避)，这与抑郁症状、问题性手机使用增加有关(蒋舒阳等，2024；Naragon-Gaineyetal.，2017；Weietal.，2023)。此外，出于娱乐动机使用AI对心理健康的影响尚不明确，但以往研究发现，娱乐功能的社交网站使用可能导致孤独感增强，而过度使用社交网站进行娱乐可能导致沉迷于虚拟空间，降低参与现实世界的意愿(Guoetal.，2014)。 心理健康也会反过来影响个体使用AI的动机及行为。例如，痛苦、孤独和缺少人类陪伴时，个体倾向于通过社交聊天机器人获得支持、陪伴，并可能形成依恋关系(Xie&Pentina，2022)。压力会使个体更倾向于转向互联网寻求娱乐、维持关系、减轻压力的信息(Leung，2007)。低控制感、低自我效能感增加大学生使用AI完成学业任务的可能性(Rodríguez-Ruizetal.，2025)。值得关注的是，心理状态欠佳(如抑郁、焦虑、低自我效能感)人群更可能将AI作为情感支持或逃避现实的工具，并增加对AI的依赖性使用(Huangetal.，2024；Rodríguez-Ruizetal.，2025)。一项针对青少年的纵向研究表明，基线时心理健康问题(焦虑和抑郁)显著正向预测其后续出现的AI依赖倾向，而反过来初始AI使用程度并未显著影响其后来的心理健康状况(Huangetal.，2024)。进一步的分析表明，逃避型和社交型AI使用动机在二者关系中起到中介作用。这意味着心理健康水平低时，个体更易发展出不良的AI使用模式；相反，心理健康水平较高、现实人际支持充分的个体则可能更有能力保持对AI使用的自我调节，不致陷入依赖。 1.3当前研究 近年来，越来越多研究关注AI使用动机及其与心理健康的关系，但仍存在以下不足：第一，尚未探究AI使用动机的个体差异，对AI使用行为的异质性探讨不足；第二，关于AI使用动机类别与人口学变量之间的关系尚不明确，缺少AI使用动机个体差异的实证证据；第三，AI使用动机与心理健康关系的研究较少且多为横断面研究，对心理健康的测量聚焦消极指标，限制人们理解AI使用动机与心理健康之间的相互关系。根据心理健康的双因素模型(王鑫强等，2016；Keyes，2002)，在评估AI使用动机与心理健康的关系时，同时关注积极与消极的心理健康指标才能更全面、客观地反映个体心理健康水平。基于此，本研究选择心盛、生命意义感作为积极心理指标，焦虑、抑郁作为消极心理指标探讨AI使用动机与大学生心理健康的关系，以期更好理解大学生AI使用中的“赋能”与“风险”作用。 具体而言，研究1采用个体中心视角探讨大学生AI使用动机的异质性、人口学影响因素及其与心理健康的关系，并提出以下三个假设：(1)大学生AI使用动机存在异质性，且存在多个潜在类别；(2)大学生AI使用动机类型在不同人口学指标上存在差异；(3)不同AI使用动机亚类别的大学生在心理健康指标上存在差异。研究2进一步探究不同AI使用动机与心理健康的相互作用关系，并提出假设(4)：AI使用动机与心理健康之间存在相互作用。 2研究1大学生AI使用动机潜剖面与心理健康的关系 2.1研究对象 本研究采用方便取样法，于2024年秋季学期在代课教师协助下，通过线上(问卷星等线上平台)和线下两种方式发放问卷，来自北京、天津、上海、郑州、沈阳、无锡、贵阳等多个地区37所高校5916名在校大学生(本科生、硕士和博士研究生)自愿参加调研并填写知情同意书。剔除异常值、作答不认真(规律作答)、作答不完整(缺失过多)等无效问卷后，最终得到5760份有效问卷，有效回收率达97.36%。学生年龄在16～38岁之间，平均年龄20.87±2.44岁。其中，男生1668名(占比28.96%)，女生4078名(占比70.80%)，缺失14名(占比0.24%)；本科一、二年级2259名(39.22%)，本科三、四年级2315名(40.19%)，硕博研究生1186名(20.59%)；专业属于人文科学领域1661名(28.84%)，社会科学领域1958名(33.99%)，自然科学领域2141名(37.17%)；生源地为城市3386名(58.78%)，乡镇606名(10.52%)，农村1762名(30.59%)，缺失6名(0.10%)。 2.2研究工具 2.2.1AI使用动机 采用Huang等人(2024)修订后的AI使用动机量表，包括逃避动机、社交动机、工具动机和娱乐动机四个维度，每个维度包含3个项目，采用4点李克特计分(1=“非常不同意”，4=“非常同意”)。本研究中，该量表的Cronbach'sα系数为.86，四个维度的Cronbach'sα系数分别为.93、.91、.84、.93。验证性因素分析显示该量表的结构效度较好，χ2/df=39.72，RMSEA=.08，SRMR=.06，CFI=.97，TLI=.96。 2.2.2心盛 采用Diener等人(2010)编制、赖巧珍(2017)修订的心盛量表(FlourishingScale)，该问卷包含8个条目，如“我过着有目标、有意义的生活”。每个条目采用7点李克特计分，范围从“完全不同意”到“完全同意”。问卷得分越高，表示被试者拥有的积极心理资源和社会功能越多。本研究心盛量表Cronbach'sα系数为.96。验证性因素分析显示，χ2/df=87.65，RMSEA=.12，SRMR=.03，CFI=.97，TLI=.95。因样本量大时RMSEA指标会高估模型误差，因此结合其他指标来看，该量表的结构效度可接受。 2.2.3生命意义感 采用王鑫强(2013)修订的生命意义感量表中文修订版(TheMeaninginLifeQuestionnaire-Chinese，MLQ-C)来评估学生的生命意义感。该量表分为拥有意义感、寻求意义感两个维度共10个项目。问卷采用李克特7点计分，从1到7分别代表“完全不符合”到“完全符合”。总分越高代表个体体验到的生命意义感水平越高。本研究中量表Cronbach'sα系数为.91，两个维度的Cronbach'sα系数分别为.93和.92。删掉载荷过低(.27)的题目(“我的生活没有明确的目标”)后，验证性因素分析显示该量表的结构效度较好，χ2/df=36.79，RMSEA=.08，SRMR=.05，CFI=.98，TLI=.97。 2.2.4负性情绪 选用龚栩等人(2010)修订的抑郁-焦虑-压力自评量表(TheDepressionAnxietyStressScale-21，DASS-21)简体中文版，并从中选取了焦虑和抑郁两个分量表，每个分量表包含7个项目，均采用从“0”(不符合)到“3”(总是符合)的4点计分。将各分量表得分乘以2，即为该分量表的分值，分值越高代表个体所体验到的焦虑或抑郁情绪越严重。焦虑和抑郁问卷Cronbach'sα系数为.92和.94。验证性因素分析显示焦虑和抑郁量表的结构效度可接受，分别为χ2/df=79.98，RMSEA=.12，SRMR=.03，CFI=.96，TLI=.94；χ2/df=37.13，RMSEA=.08，SRMR=.02，CFI=.99，TLI=.98。 2.3研究程序与数据处理 本研究由经过系统培训的心理学专业研究生担任主试，运用SPSS27.0和Mplus8.3软件进行数据分析。首先，采用LPA探究AI使用动机的潜在类别。研究从初始模型出发，逐步增加类别数目，直至找到最佳拟合模型。模型拟合度通过AIC、BIC、aBIC、LMR、BLRT和Entropy这六个指数进行评估。其中，AIC、BIC和aBIC的数值越小，模型拟合越好；LMR和BLRT的显著性水平(p＜.05)表明K个类别的模型优于K-1个类别的模型；Entropy大于0.80代表分类效果较好(Jung&Wickrama，2008)。随后，比较各类别的人数，若某一类别人数比例过小(如小于5%)，则认为该分类意义不大(尹奎等，2020)。接着，采用Logistic回归探讨AI使用动机潜在类别分组的有效预测变量。最后，采用单因素方差分析探讨AI使用动机潜剖面与心理健康的关系。 2.4结果 2.4.1共同方法偏差检验 采用Harman单因素法检验共同方法偏差(周浩，龙立荣，2004)，探索性因素分析结果发现特征值大于1的因子共有6个，且第一个因子解释的变异量为31.46%，小于40%的临界标准，故不存在严重的共同方法偏差问题。 2.4.2描述统计和相关分析 整体上，大学生AI使用的逃避动机、社交动机、娱乐动机显著低于中值(ps＜.001)，工具动机显著高于中值(p＜.001)。逃避动机、社交动机、工具动机和娱乐动机两两显著正相关。此外，心盛、生命意义感与逃避动机、社交动机显著负相关，与工具动机、娱乐动机正相关，焦虑、抑郁与逃避动机、社交动机显著正相关，结果如表1所示。 2.4.3AI使用动机亚类型 以AI使用动机各个维度作为分析指标，从初始模型开始逐步增加剖面的数量。通过比较不同模型的拟合指标，最终确定最优潜在剖面结构。模型拟合信息见表2。结果显示，模型M2至M6的AIC、BIC、aBIC越来越小，LMR与BLRT值均达到显著水平(p＜.05)，Entropy指数均在0.80以上，但模型M5、M6存在类别人数占比小于总人数5%。由此，最终确定模型M4为最佳拟合模型，即将AI使用动机类别设定为四个剖面最佳(见图1)。 图1AI使用动机的潜在剖面特征 以AI使用动机量表四维度得分为依据，对AI使用动机四种剖面类别进行命名：(1)“工具动机主导型”。该类型在工具动机上得分较高，逃避动机、社交动机和娱乐动机上得分极低，占比28.09%；(2)“高工具-娱乐动机型”。该类型在工具动机和娱乐动机上得分较高(高于中值)，逃避动机和社交动机得分极低，占比30.57%；(3)“中等多元动机型”。该类型四种动机分布较均匀，其中工具动机和娱乐动机处于中等水平，逃避动机和社交动机略低于中值，占比36.02%；(4)“全面高动机型”。该类型四种动机得分均衡，且均高于中值，占比5.31%。采用单因素方差分析法比较四种动机在四个剖面类型间是否存在显著差异，结果如表3所示，表明AI使用动机的四个剖面存在异质性。事后检验结果见表3，表明四个组在四种动机上具有显著的差异。 2.4.4人口学变量对AI使用动机类别的多元逻辑回归分析 以参与亚类型为结果变量，以学生性别、年级、生源地和专业为自变量，先分别进行单因素Logistic回归分析，发现四个变量是单因素Logistic回归中有统计学意义的因素，因此继续作为自变量纳入多因素Logistic回归模型进行分析。表4呈现了四个类别两两比较的优势比(OR)和显著性水平。 结果表明，以C4为参照组，C1、C2、C3组性别比例存在显著差异(ps＜.001)，男生人数显著低于女生；以C3为参照组，C1、C2组男生比例显著低于女生；以C2为参照组，C1组男女比例无显著差异。这表明C4组中男生比例最高，而C1和C2组男生比例最低。以C4为参照组，相比研究生，本科低年级在C1组可能性更低，本科高年级在C1、C2组可能性更低；以C3为参照组，相比研究生，本科高年级在C2组可能性更低。以C4或C3为参照组，相比农村大学生，城市大学生更可能在C1、C2组。以C4或C3为参照组，相比自然科学领域，社会科学领域的学生在C1、C2组的可能性更低。总之，大学生性别、年级、专业和生源地是AI使用动机潜在类别分组的有效预测变量。 2.4.5AI使用动机剖面与心理健康的关系 采用单因素方差分析比较不同AI使用动机剖面在心理健康指标上的差异，结果见表5。AI使用动机剖面在积极和消极心理指标上呈现不同的模式，在心盛和生命意义感指标上C2得分最高，C1次之，随后是C3，C4得分最低；在焦虑和抑郁上则相反，C4得分最高，C3次之，随后是C1，C2得分最低。 2.5小结 大学生AI使用动机呈现工具动机主导型、高工具-娱乐动机型、中等多元动机型、全面高动机型四种亚类型。考虑到工具动机主导型和高工具-娱乐动机型在逃避动机和社交动机上得分相近且极低，而这两组在积极心理指标上得分最高，消极心理健康指标得分最低；中等多元动机型、全面高动机型则在逃避动机和社交动机上高于另外两组，可以推测逃避动机、社交动机可能与心理健康之间的关系更紧密。为进一步厘清AI使用动机与心理健康之间的关系，研究2采用2个时间点的交叉滞后效应分析进一步展开探究。 3研究2大学生AI使用动机与心理健康关系：交叉滞后分析 3.1研究对象 选取郑州市某大学学生作为调查对象，进行间隔半年的两次施测。T1时被试为390人，T2为295人，最终纳入参加了两次测试的有效被试221名。其中学生年龄在17～25岁之间，平均年龄为19.03±1.19岁，男生86名(占比38.91%)，女生133名(占比60.18%)，缺失信息2名(占比.90%)。 3.2研究工具 AI使用动机。同研究1。在两次测量中，该量表的Cronbach'sα系数分别为.84和.85，逃避动机Cronbach'sα系数分别为.86、.91，社交动机Cronbach'sα系数分别为.86、.87，工具动机Cronbach'sα系数分别为.84、.76，娱乐动机Cronbach'sα系数分别为.87、.89。验证性因素分析显示，T1时AI使用动机χ2/df=2.39，RMSEA=.08，SRMR=.06，CFI=.96，TLI=.94；T2时AI使用动机χ2/df=2.50，RMSEA=.08，SRMR=.06，CFI=.96，TLI=.94。 心盛。同研究1。T1和T2心盛Cronbach'sα系数分别为.91和.94。验证性因素分析显示，T1时心盛χ2/df=4.01，RMSEA=.12，SRMR=.04，CFI=.95，TLI=.93；T2时心盛χ2/df=4.66，RMSEA=.13，SRMR=.04，CFI=.95，TLI=.93。 生命意义感。同研究1。T1和T2生命意义感问卷的Cronbach'sα系数分别为.80和.83，寻求意义感的Cronbach'sα系数分别为.86、.93，拥有意义感的Cronbach'sα系数分别为.87、.87。验证性因素分析显示，T1时生命意义感χ2/df=2.49，RMSEA=.08，SRMR=.07，CFI=.96，TLI=.94；T2时生命意义感χ2/df=2.62，RMSEA=.09，SRMR=.08，CFI=.97，TLI=.96。 负性情绪。同研究1。焦虑在两个时间点的Cronbach'sα系数分别为.78和.90，抑郁Cronbach'sα系数为.87和.93。验证性因素分析显示焦虑和抑郁的结构效度较好，T1焦虑χ2/df=1.85，RMSEA=.06，SRMR=.04，CFI=.97，TLI=.96；T2焦虑χ2/df=2.83，RMSEA=.09，SRMR=.03，CFI=.98，TLI=.96；T1抑郁χ2/df=2.19，RMSEA=.07，SRMR=.03，CFI=.98，TLI=.97；T2抑郁χ2/df=1.93，RMSEA=.07，SRMR=.02，CFI=.99，TLI=.98。 3.3研究程序与数据处理 两次施测均由经过系统培训的心理学专业研究生担任主试，通过问卷星和纸质问卷两种方式收集数据。运用了SPSS27.0和Mplus8.3软件分析数据，采用交叉滞后分析解决问题。具体步骤为：首先，使用SPSS27.0进行数据整理和描述性统计分析，对各变量进行初步描述。接着，使用Mplus8.3建立交叉滞后模型，并对模型的显著性和拟合程度进行分析，探讨AI使用的不同动机与心理健康的相互关系。 3.4研究结果 3.4.1共同方法偏差检验 研究2中将T1和T2的AI使用动机和4个心理健康指标共88道题全部纳入，进行Harman单因素法检验，结果显示特征值大于1的因子共有18个，且第一个因子解释的变异量为20.89%，小于40%的临界值，因此认为不存在严重的共同方法偏差。 3.4.2描述统计与相关分析 相关分析结果表明：T1、T2的逃避动机与焦虑之间两两显著正相关；T1社交动机与T1、T2心盛显著负相关，与T2拥有意义感显著负相关；T1工具动机与T1寻求意义感显著正相关，T2工具动机与T1、T2寻求意义感和T2拥有意义感显著正相关。 3.4.3AI使用动机与心理健康的交叉滞后分析 交叉滞后效应分析要求跨时间点的测量不变性应至少满足弱等值性。因此，对AI使用动机与心理健康指标进行跨时间点测量不变性检验，通过比较2个时间点4个嵌套模型(形态等值、弱等值性、强等值性、严格等值)拟合优度指标的差异来判断更优模型，当｜ΔCFI｜＜.010，｜ΔRMSEA｜＜.010时，支持后一模型(Chen，2007)。如表6所示，焦虑满足弱等值性，生命意义感满足强等值性，抑郁、AI使用动机和心盛则满足严格等值。 随后，采用潜变量结构方程模型分别考察AI使用动机与心盛、生命意义感、焦虑、抑郁间的交叉滞后关系，形成的4个模型拟合均较好，模型拟合指标分别为AI使用动机与焦虑：χ2/df=1.72，RMSEA=.06，SRMR=.06，CFI=.90，TLI=.89；AI使用动机与抑郁：χ2/df=1.66，RMSEA=.05，SRMR=.06，CFI=.91，TLI=.90；AI使用动机与生命意义感：χ2/df=1.64，RMSEA=.04，SRMR=.07，CFI=.90，TLI=.89；AI使用动机与心盛：χ2/df=1.84，RMSEA=.06，SRMR=.07，CFI=.89，TLI=.88。交叉滞后分析结果如下图2a、2b、2c所示。从AI使用动机对心理健康的影响来看，AI使用动机对心理健康指标无显著预测作用；从心理健康对AI使用动机的预测来看，焦虑能预测逃避动机(β=.24，p＜.01)和社交动机(β=.20，p＜.05)，抑郁能预测逃避动机(β=.18，p＜.05)，拥有意义感能预测工具动机(β=.17，p＜.05)。 图2aAI使用动机与焦虑的交叉滞后分析 图2bAI使用动机与抑郁的交叉滞后分析 图2cAI使用动机与生命意义感的交叉滞后分析 注：所有路径系数均为标准化回归路径；虚线表示不显著的路径；为使图简约，指标之间相关系数未呈现。 4讨论 4.1大学生AI使用动机的潜在类别与特征 研究发现，大学生AI使用动机包含工具动机主导型(28.09%)、高工具-娱乐动机型(30.57%)、中等多元动机型(36.02%)、全面高动机型(5.31%)四种类别。四种类别中，工具动机得分都是最高的，其次是娱乐动机水平，表明当前大学生以工具性和娱乐性AI使用动机为主。这与现有研究结果一致，认为大学生主要将生成式人工智能作为学术辅助工具的实用性以及它通过简化复杂任务来增强乐趣、提高效率(Rrupllietal.，2024；Skjuveetal.，2024)。 此外，不同类别AI使用动机在性别、年级、生源地和专业等人口学变量之间存在差异。其一，与女生相比，男生更可能属于中等多元动机型和全面高动机型，这表明男生AI使用动机更多元化、更高。这一结果与以往研究一致，即男生对人工智能产品往往具有更高兴趣(Petrescuetal.，2023)，对AI的态度更积极(Armutatetal.，2024)。这可能是因为，传统观念认为男性更适合工程学科，并倾向鼓励男性接触技术或机械领域，这使得男生会对AI的信心、相关性和准备程度更高。其二，从年级分布上看，随年级升高学生更可能属于工具动机主导型。以往研究表明，本科低年级学生学习模式尚未定型，对AI技术有更强的好奇心和新鲜感，课业压力和难度相对较小，因此更倾向尝试AI各种功能。本科高年级学生学业压力增大，AI使用聚焦于工具性需求(Rosaetal.，2024)。硕博学生研究任务高度专业化，主要在学术辅助方面使用AI(蔡芬等，2025)。同时，随年级增长，大学生对AI工具的认识更全面，更清楚AI技术的局限性，可以更审慎地使用AI工具。 其三，在生源地方面，城市学生与农村学生之间存在显著差异。城市学生更可能属于工具动机主导型和高工具-娱乐动机型，而农村学生更可能属于中等多元动机型和全面高动机型。城市大学生往往较早和频繁接触人工智能设备(原晋霞等，2022)，对AI工具的使用更熟练(Soomroetal.，2024)。此外，城市学生可能受父母媒介素养的影响，往往在家长陪伴、监督之下进行AI互动与学习，对AI产品认识更审慎，更倾向于将AI视为效率工具，避免过度依赖。而农村儿童由于家长对人工智能认识不足和隔代教育，得不到合理引导，往往更少和更晚接触智能设备，更易将人工智能作为娱乐手段(原晋霞等，2022；Portelaetal.，2024)，或通过与AI聊天寻求归属感，应对社交挑战(谢爱磊，2016)。 其四，在专业方面，自然科学领域学生更可能属于工具动机主导型和高工具-娱乐动机型，而社会科学领域学生更可能属于中等多元动机型和全面高动机型。可能原因在于，自然科学领域学生使用AI解决问题的导向明确，主要用于工具、技术性任务(Quetal.，2024)，并且自然科学领域习惯强调逻辑推理、实用主义，认为使用AI逃避日常问题无意义，并对AI赋予情感和建立社会联系保持谨慎(李艳等，2025；罗力群，2021)，而社会科学领域学生的研究任务更需要个人批判性思考完成，因而，通常用AI作为补充工具(Quetal.，2024)。 4.2AI使用动机与心理健康的关系 研究1比较四个潜在类别在心盛、生命意义感、焦虑和抑郁得分上的差异，发现心理健康指标上得分从高到低依次为高工具-娱乐动机型、工具动机主导型、中等多元动机型和全面高动机型。然而，横断研究无法判断心理健康状态与AI使用动机之间的相互作用模式，因此，研究2采用交叉滞后模型分析AI使用动机与心理健康在6个月间的相互作用。结果部分支持假设4，未发现AI使用动机的短期心理效应，但发现心理健康会影响AI使用动机，表现为焦虑情绪增加AI使用中的逃避动机和社交动机，抑郁情绪增加逃避动机，而拥有意义感可预测工具动机。 首先，AI使用动机对心理健康的短期预测效应不显著。这一结果与Huang等人(2024)的研究结果一致，他们发现四种AI使用动机对青少年焦虑、抑郁的短期预测均不显著。根据自我决定理论，当AI使用是出于内部动机，且能够满足自主、胜任和联结的需求时，有助于提升个体幸福感和心理健康水平(Deci&Ryan，2000)。从这一理论来看，大学生出于工具动机利用AI完成任务或许可以短期减轻压力，但可能无法直接满足胜任感等基本心理需求；逃避动机是为了回避现实心理需求未被满足的痛苦而产生的外在驱动，它可以暂时缓解负性情绪，但因其不能真正满足基本心理需求，对持续的积极心理状态(如心盛和生命意义感)提升不大，反而提示使用者本身存在未解决的心理困扰；社交动机指通过AI满足社交和联结需求，但目前大学生使用AI只是一种模拟社交，AI创造的归属感假象只是短暂缓解个体消极情绪，无法替代真正人际关系带来的深层满足；娱乐动机往往基于兴趣、好奇心等使用AI，但因其主要满足当下愉悦感，并不一定触及长期的意义感、自主成长等，对缓解焦虑、抑郁的效果也是有限的。此外，在2024-2025年这一时间段，不少大学生对AI的使用仍处于尝试和探索阶段，这也会导致AI使用动机对短期心理健康的作用不明显。以往研究表明，逃避动机、社交动机会增加AI依赖的风险(Huangetal.，2024)，而AI依赖可能降低创