文献：Xiaohui, C., & Khan, T. J. (2026). AI dependency and academic motivation in higher education: The mediating role of learned helplessness and the moderating role of AI literacy. Frontiers in Psychology, 17, 1896371. DOI 10.3389/fpsyg.2026.1896371。

研究问题：生成式 AI 已成为大学生日常学习的“默认工具”，但学界对其心理代价的关注远滞后于其普及速度。论文要回答一个尖锐的问题：当学生把 AI 当作完成学业任务的常规依赖对象时，他们的学业动机发生了什么？ 更具体地说：AI 依赖是否通过习得性无助（learned helplessness）这一心理机制侵蚀学生的内在动机（intrinsic motivation）？如果存在这条“依赖 → 无助 → 动机衰减”的路径，那么学生的 **AI 素养（AI literacy）**能否充当缓冲，让高素养学生免受其害？

论证思路：论文以习得性无助理论（Learned Helplessness Theory, LHT）为理论内核，但做了一次关键的概念扩展：传统 LHT 认为无助源于反复失败（个体在无法控制的失败中习得“努力无用”的信念），本文则提出，AI 时代的学业环境催生了一种**“非失败型”前因**——AI 中介的学业成功（AI-mediated academic success）。学生依赖 AI 获得即时答案、快速完成作业，这种“毫不费力却持续成功”的体验反而使他们对自身能力产生怀疑：“成绩好是 AI 的功劳，不是我的能力。“由此形成与失败型无助殊途同归的无助感，进而压低学习的内在动机。论文据此构建有调节的中介模型（moderated mediation）：AI 依赖 → 习得性无助 → 内在动机的中介链，以及 AI 素养对”AI 依赖 → 习得性无助“这一路径的调节，并以 457 名大学生的问卷数据用结构方程模型（SEM）检验全部假设。

一、理论框架：习得性无助的“非失败型”扩展

经典 LHT 的核心机制

习得性无助最早源于动物实验：当个体反复经历不可控的负性结果，会形成“结果与自身努力无关”的认知定势，表现为动机缺失、认知受损与情绪低落。在教育心理学中，LHT 通常被用来解释差生——经历持续学业失败的学生放弃努力。其隐含前提是：无助的前提是失败。

AI 时代的悖论：成功也可能让人无助

论文的核心理论贡献在于指出：AI 中介的学业成功构成一类非失败型前因。学生越是依赖 AI，越会经历以下认知链条：

1. 归因扭曲：任务由 AI 代劳完成，学生无法将成功归因于自身能力与努力，成功经验无法内化为能力信念；
2. 能力怀疑：长期依赖使“没有 AI 就不会做”成为常态，学生逐渐认定自己缺乏独立完成任务的能力；
3. 控制感丧失：表面上看学生“掌控”了 AI 工具，实则学习过程本身脱离了自己的认知参与，对学习结果的控制感持续流失。

这三者共同触发与传统失败型无助相同的心理状态——习得性无助。由此，AI 依赖（X）通过习得性无助（M）负向预测内在动机（Y）的中介链条得以成立；AI 素养（W）则被假设调节链条的第一段：高素养学生更清楚 AI 的能力边界与自己的认知参与价值，因而较少把 AI 的成功内化为自己的“无能”，依赖不太容易转化为无助。

二、研究设计与样本

样本：457 名高校大学生（49.7% 为女性）。AI 使用频率整体较高——26.7% 每天多次使用 AI，24.9% 每天一次，另有 19.7% 每周数次——说明样本处于高频 AI 使用的真实情境中，为检验 AI 依赖的心理后果提供了合适的变异范围。样本人口学信息见下表（原文 Table 1）：

（原文 Table 1 样本人口学特征，N=457）

测量与质量检验：AI 依赖、习得性无助、内在动机与 AI 素养均采用成熟量表测量。分析前完成三项关键诊断：其一，Harman 单因子检验——首因子仅解释 35.76% 的方差，低于 50% 的常用阈值，表明无严重共同方法偏差；其二，多重共线性检验——所有预测变量的 VIF 均低于 3.3（最高 1.512），不存在多重共线性问题；其三，测量模型的信度与效度（内部一致性、收敛效度、区分效度）均达标。

分析策略：先检验测量模型，再估计结构模型；调节效应的检验采用有调节的中介框架——即检验 AI 素养是否显著调节“AI 依赖 → 习得性无助”路径，并进一步考察条件间接效应（不同 AI 素养水平下中介效应的强弱差异）。

三、核心发现：有调节的中介模型

1. 模型拟合良好

整体模型拟合指标达到良好水平：χ²/df = 1.963（低于 3 的可接受线），CFI = 0.961、TLI = 0.957（均高于 0.95），RMSEA = 0.046、SRMR = 0.051（均低于 0.06 的优等标准）。数据与假设模型高度一致，为路径解释提供了可靠基础。

2. 中介链成立：AI 依赖通过习得性无助侵蚀内在动机

• AI 依赖 → 习得性无助：显著正向——AI 依赖程度越高，学生的无助感越强，直接验证了“非失败型前因”假说：即便没有遭遇学业失败，过度依赖 AI 本身也能催生无助；
• 习得性无助 → 内在动机：显著负向——无助感每上升一档，内在动机就显著下滑，与 LHT 的经典预测一致；
• 中介效应显著：习得性无助在“AI 依赖 → 内在动机”之间的间接效应显著，即 AI 依赖对动机的损害确实经由习得性无助传导。依赖本身未必直接“杀死”动机，它先让学生觉得“离开 AI 我不行”，再让动机悄然流失。

3. 调节效应：AI 素养是心理缓冲

AI 素养显著调节“AI 依赖 → 习得性无助”这一路径，且方向符合缓冲假说：AI 素养高的学生，AI 依赖与习得性无助之间的正向关联更弱；AI 素养低的学生，两者关联更强。由此产生的关键结果是条件间接效应——高 AI 素养学生的中介间接效应显著更弱，意味着高素养学生的学业动机对 AI 依赖“免疫”程度更高。

简单斜率图（Figure 2b）直观呈现了这一交互：低 AI 素养组的回归线更陡——AI 依赖上升时无助感急剧攀升；高 AI 素养组的回归线明显平缓——即便依赖程度较高，无助感的上升也受到抑制。AI 素养在这里不是“减少使用”，而是改变了 AI 依赖被心理加工的方式：素养高的学生能把 AI 定位为“工具”而非“替代自己思考的主体”，从而阻断了从依赖到无助的归因链条。

四、讨论与实践启示

理论层面：本研究为 LHT 提供了 AI 时代的增量证据——习得性无助的前因不必是失败，“被代劳的成功”同样可以习得无助。这一扩展把 LHT 从“差生问题”升级为“所有人的 AI 时代风险”，也提示后续研究关注**成功型无助（success-induced helplessness）**这一新构念的操作化与边界条件。

实践层面，论文对课程设计与机构政策有直接启示：

• 课程设计：作业与评估设计应避免“AI 可一键完成”的任务形态，保留需要学生独立认知参与的环节，防止 AI 中介的成功持续侵蚀能力信念；同时将元认知训练嵌入课程——教学生区分“AI 帮我完成”与“我借助 AI 学会”。
• 素养教育：AI 素养不应只教“怎么用工具”，更要教批判性使用——理解 AI 的能力边界、评估自己认知参与的价值、警惕对结果的归因扭曲。本研究证明这类素养是动机的保护性资源，应被纳入通识课程与入学教育。
• 政策层面：机构在推广 AI 教学工具时，宜配套监测学生的无助感与动机水平，而非只评估使用率与成绩；对低 AI 素养群体（可能正是依赖最深的群体）提供针对性支持。

精读笔记

核心论点：AI 依赖通过习得性无助侵蚀大学生的学业内在动机，构成一条完整的“依赖 → 无助 → 动机衰减”中介链；AI 素养显著调节链条第一段——高素养学生的间接效应更弱，起到心理缓冲作用。理论上有调节的中介模型拟合良好（χ²/df=1.963, CFI=0.961, TLI=0.957, RMSEA=0.046, SRMR=0.051），并扩展了习得性无助理论：AI 中介的学业成功是一种“非失败型”无助前因。

方法要点：

• 有调节的中介模型（moderated mediation）把“中介机制”与“缓冲条件”整合进单一模型，同时回答“如何发生”与“对谁更强/更弱”两个问题
• 以 SEM 同时估计测量模型与结构模型，报告完整的拟合指标组合（χ²/df、CFI、TLI、RMSEA、SRMR），证据链完整
• 预先排除两类常见方法学风险：Harman 单因子检验（首因子 35.76%）排除严重共同方法偏差，VIF（最高 1.512）排除多重共线性
• 条件间接效应的检验把调节作用落到“间接效应强弱”上，而非仅报告交互项显著，解释更贴合实质问题

局限与边界：

• 横断面问卷设计，中介链的因果方向依赖理论先验，无法排除反向路径（如低动机者更易依赖 AI）或第三变量
• 样本为单一国家、单一高校类型的大学生，结论向研究生、职业院校及其他文化情境外推需谨慎
• 自我报告测量存在社会赞许性偏差的可能；Harman 检验是共同方法偏差的弱检验，更强做法是采用多来源数据或时间分离测量
• AI 依赖与 AI 素养的测量边界随技术快速迭代，量表的时效性可能限制结论的长期适用性
• 中介与调节效应均显著，但论文未报告效应量大小与显著性水平的对应细节，实际损害/缓冲幅度需结合原始统计量评估

可延伸方向：

• 用纵向/日记法设计检验“AI 依赖 → 无助 → 动机”的时间次序，区分短期使用与长期依赖的不同后果
• 将“成功型无助”与经典“失败型无助”在同一模型中比较，检验两类前因的路径强度是否不同
• 考察 AI 素养的子维度（批判性使用、提示工程、伦理意识等）对缓冲作用的差异化贡献
• 干预研究：评估“元认知训练 + AI 素养课程”能否在实证上降低依赖-无助转化率
• 将因变量从内在动机扩展到学业投入、坚持性、创造力等更广的学习结果

原文地址

• DOI：10.3389/fpsyg.2026.1896371
• 期刊：Frontiers in Psychology, 2026, Vol. 17, 1896371
• 图表来源：原文 Figure 1（研究假设模型）、Figure 2（调节效应图与简单斜率图）、Table 1（样本人口学特征），开放获取（CC BY 许可）