文献：Zhang, Z., Zhang, Y., Lu, X., & Zhang, M. (2026). Problematic generative AI use and mental health risks among Chinese university students: Latent profiles, network structure, and health literacy as a modifiable resource. Frontiers in Public Health, 14, 1910408. DOI 10.3389/fpubh.2026.1910408（CC BY 开放获取）。

研究问题：生成式 AI（GenAI）已成为大学生的日常学术工具——检索信息、起草大纲、翻译润色、总结文献、检查答案。公众与学界普遍担心的是“作弊与学术不端”，但论文提出一个更根本的公共健康问题：当 GenAI 使用变得难以自我调节、维持压力、并伴随睡眠受损与心理困扰时，它就不再只是教育技术议题，而是一个数字公共健康议题。 具体要回答三个问题：① 大学生的“GenAI 使用失调 × 心理健康风险”能分成哪些异质群体？② 哪些具体行为/症状（网络节点）最值得关注？③ 健康素养、自我调节学习等可改变资源能否把学生推向低风险画像？

论证思路：论文把问题性 GenAI 使用界定为失调的数字行为——失控（无法停止/设限）、强迫性查看、过度依赖、学业回避、独立思考减弱、对 AI 回复的情绪依赖、时间过度投入等。与传统技术不同，GenAI 有三个独特机制：①对话性——在不确定时提供即时安抚；②流畅且貌似权威的回复——增加对未核实内容的错信；③可代完成认知工作——没有边界时鼓励回避困难思考。因此问题不是“用得多不多”，而是“是否难以调节、是否维持压力、是否与睡眠/心理健康关联”。研究采用**以人为中心（person-centered）**的潜在剖面分析（LPA）而非传统变量中心回归——因为“同样使用水平的两个学生可能完全不同”：一个自律适应、一个焦虑依赖、一个夜间过度使用、一个多重风险叠加。

一、方法

1. 样本与质量筛查

2026 年 4 月 20 日—5 月 30 日在中国东部、中部、西部六所高校收集问卷：共提交 2140 份，经四步质量筛查（剔除 96 份未完成、54 份未通过注意力检查、68 份作答时长 < 180 秒、50 份模式化作答）后保留 1872 份有效问卷（有效率 87.5%）。样本平均年龄 20.31 岁（SD = 1.43），女性占 59.4%，覆盖人文社科、理工与医药卫生等学科。

2. 测量工具

构念	条目/方式	内部一致性 α
问题性 GenAI 使用（8 项：失控、戒断失败、强迫查看、过度依赖、学业回避、独立思考减弱、情绪依赖、时间过度）	5 点 Likert	0.91
学业焦虑（5 项）	5 点 Likert	0.90
睡眠问题（PSQI 式：主观质量、入睡时长、睡眠时长、效率、紊乱、日间功能、与数字使用相关的晚睡）	复合计分	0.81
心理困扰（6 项：情绪耗竭、心理过载、难放松、易怒、动机下降、应对无能）	5 点 Likert	0.88
健康素养（8 项短式：获取、理解、评估、应用健康信息）	4 点计分	0.89
自我调节学习（目标设定、时间管理、进度监控、策略调整、求助前独立解题）	5 点 Likert	0.92
学业投入（行为/认知/情绪/交互四维）	5 点 Likert	0.90

3. 分析策略

确认性因子分析验证测量结构（CFI = 0.958，TLI = 0.951，RMSEA = 0.036，SRMR = 0.041）；Harman 单因子检验首因子仅解释 28.6% 方差（< 40% 阈值），无明显共同方法偏差。随后：① LPA 依据 6 个剖面定义指标（失控、强迫性 GenAI 使用、学业回避、学业焦虑、睡眠问题、心理困扰）识别风险画像；② 多项 Logistic 回归（以最高风险组为参照）检验健康素养/自我调节学习/学业投入与画像归属的关系；③ EBICglasso 正则化网络分析识别中心节点与桥梁节点。

二、核心发现

1. 四类“GenAI 使用—心理健康”风险画像

模型比较显示 4 剖面模型最优（熵 = 0.891，AIC/BIC/aBIC 均优于 3 剖面且各类规模充分；5 剖面虽信息准则略低但最小类仅 4.2% 且 LMR 不显著，判为过度提取）。

画像	占比	典型模式
P1 低风险适应型用户	39.9%	各项风险指标最低，健康素养、自我调节学习、学业投入最高——“用得多但用得健康”
P2 焦虑依赖型用户	25.7%	学业焦虑与学业回避突出
P3 睡眠紊乱型过度使用者	19.8%	GenAI 使用失调与睡眠问题突出
P4 高风险失调型用户	14.6%	所有风险指标最高、所有保护性资源最低——失控+强迫+回避+焦虑+失眠+困扰叠加

关键区分度（全部 p < 0.001）：问题性使用得分 P4 > P3 > P2 > P1；健康素养与自我调节学习 P1 > P2 > P3 > P4；学业焦虑 P2 高于 P3，而睡眠问题 P3 高于 P2——中间两类是可分离的“焦虑驱动型”与“睡眠相关型”风险路径。

2. 谁更可能落入低风险画像？（多项回归，参照组 = P4）

预测因素	P1 低风险 OR	P2 焦虑依赖 OR	P3 睡眠紊乱 OR
健康素养	2.41（1.82–3.20）	1.54（1.15–2.07）	1.38（1.03–1.84）
自我调节学习	2.86（2.11–3.87）	1.58（1.16–2.16）	1.44（1.05–1.97）
学业投入	1.65（1.25–2.18）	1.31（0.98–1.75，n.s.）	1.22（0.91–1.63，n.s.）
每天/几乎每天使用 GenAI	0.38（0.31–0.46）	0.53（0.43–0.65）	0.71（0.58–0.87）

解读：健康素养每提升一个单位，落入低风险画像而非高风险画像的几率约为 2.4 倍；自我调节学习约为 2.9 倍。每天使用本身会推高进入高风险组的几率（OR 0.38 表示低风险几率被压缩到约四成），但画像归属取决于更广的风险结构——低风险适应型中有 8.7% 也每天使用，说明“高频 ≠ 必然高风险”，关键在自我调节。

3. 网络结构：该盯住哪些节点？

• 最强组内边：晚睡 ↔ 日间功能障碍；失控 ↔ 强迫性 GenAI 使用；学业担忧 ↔ 心理困扰；
• 中心节点：**失控（loss of control）**是问题性使用簇的中心——能否“停下、设限、守住学习自主性”比使用频率本身更有信息量；
• 桥梁节点：学业担忧（可能通过寻求安抚连接 AI 依赖与心理健康）、晚睡（连接数字行为与睡眠节律/日间功能）、学业回避——是跨域传播的关键点；
• 负向桥梁（保护性）：信息可信度评估与时间管理显示负向桥接预期影响——会核实信息、有计划地使用 AI，与困难画像特征负相关，是与健康素养/自我调节一致的可训练技能；
• 稳定性检验（案例剔除 bootstrap 等）支持网络结论。

三、讨论与公共健康启示

1. 把 GenAI 教育并入校园健康促进，而非只当学术诚信问题：内容应涵盖心理健康素养、睡眠卫生提醒、信息评估技能与求助指引。

2. 按“困难模式”而非一刀切干预：通用材料覆盖负责任使用、基础睡眠健康、可信度核查；对有学业担忧、深夜用 AI 或难以减少使用的学生提供针对性支持；高失调+高困扰学生可能需要心理咨询、学业辅导与数字行为规划的联合方案——这类分层模型应在干预研究里前瞻性检验后再做强推荐。

3. 简短人本筛查可以起步：失控、学业担忧、晚睡、学业回避、难以减少 AI 使用这几个条目，可作为未来纵向研究的候选筛选项——不同困难模式可能对应不同支持形式。

4. 为什么是“健康素养”而非“AI 素养”？ 研究框定的是心理健康、睡眠健康与数字环境中的健康相关决策，因此选用更贴近“评估健康信息、识别误导性说法、决定何时求助”的健康素养；流畅的 AI 回复看似权威，低健康素养的学生更容易错信或过度依赖——这提示数字健康素养教育需要专门覆盖“GenAI 呈现信息的方式”。

精读笔记

核心论点：中国大学生的 GenAI 相关数字行为存在可识别的异质风险画像——约六成学生属低风险/单一风险（低风险适应 39.9%、焦虑依赖 25.7%、睡眠紊乱 19.8%），14.6% 处于高风险失调；失控感是核心节点，学业担忧与晚睡是桥梁节点；健康素养、自我调节学习与时间管理是“可改变资源”，能显著提高落入低风险画像的几率。

方法要点：

• 变量中心 → 人中心的范式示范：LPA 揭示“平均效应”掩盖的异质性——同为高频使用者，有人是适应型、有人是高危型
• LPA + 网络分析接力：剖面回答“有哪几类人”，网络回答“干预该瞄准哪个症状/行为”，互补性强
• 严格数据质量四步筛查（未完成/注意力检查/时长/模式化）+ 完整心理测量学报告（CFA/CR/AVE/区分效度）
• “可改变资源”定位（健康素养、SRL）为干预导向提供靶点，区别于把 GenAI 使用妖魔化的一刀切叙事

局限与边界：

• 横断面设计，不能确立因果或时序——既有的焦虑/失眠也可能先于失调的 GenAI 使用
• 全部自报指标，存在回忆偏差、社会赞许偏差与共同方法效应（Harman 检验只能部分排除）
• 便利抽样限于中国六所高校，向其他群体与文化推广需谨慎
• 问题性 GenAI 使用量表为改编构念，跨人群/跨平台效度尚需进一步验证

可延伸方向：

• 纵向追踪“失控感 → 学业回避/晚睡 → 心理困扰”的级联路径，检验桥梁节点的因果角色
• 干预实验：健康素养 + 时间管理训练能否系统降低高风险组占比（“可改变资源”的因果检验）
• 扩展样本至研究生、高职与不同数字素养水平群体，比较画像结构稳定性
• 引入行为日志（真实使用时长、深夜使用时段）校准自报数据

原文地址

• DOI：10.3389/fpubh.2026.1910408
• 期刊：Frontiers in Public Health（SSCI，IF 6.0 口径，Q1），2026 年，第 14 卷
• 图表来源：原文 Figure 1（研究设计与分析流程）、Figure 2A/B（风险画像模式）、Figure 3（网络结构）、Table 1–5（开放获取，CC BY）