本研究探讨了人工智能整合对英语学习者心理和认知方面的影响。研究发现，使用人工智能会增加焦虑感（错失恐惧），从而损害阅读理解能力，而数字倦怠则削弱了阅读理解与词汇量之间的关联。该研究旨在强调需要平衡使用人工智能，以支持学习效果。
研究文章
本研究探讨了人工智能整合对英语学习者心理和认知方面的影响。研究发现，使用人工智能会增加焦虑感（错失恐惧），从而损害阅读理解能力，而数字倦怠则削弱了阅读理解与词汇量之间的关联。该研究旨在强调需要平衡使用人工智能，以支持学习效果。
本研究探讨了人工智能（AI）在语言学习中的整合如何影响外语学习者（EFL）的心理与认知结果。具体而言，研究考察了感知到的AI依赖性、伦理关切以及生成式AI使用对错失恐惧（FoMO）、通过阅读策略量表测量的阅读理解能力以及词汇习得的影响，并考虑了数字倦怠的调节作用。研究采用横断面调查设计，样本包括450名EFL学习者，数据通过偏最小二乘结构方程模型（PLS-SEM）进行分析，以评估直接与中介关系。研究结果表明，与AI相关的因素显著预测更高的FoMO，而FoMO继而对阅读理解产生负面影响。尽管阅读理解显著促进词汇习得，但数字倦怠削弱了这一关系。本研究揭示了AI在教育中的双重性质：一方面促进学习成果，另一方面同时导致心理压力。这些发现强调了在外语学习中平衡整合AI的重要性，突出了制定策略以减轻数字焦虑和倦怠的必要性。理论意义在于拓展了技术中介学习的研究，识别出FoMO是AI驱动教育情境中一个关键的情感路径。实践建议包括将数字健康实践与AI工具结合，以优化学习效益并最小化不良心理影响。
生成式人工智能（AI）在教育领域的快速融合已改变了传统的语言学习范式，尤其是在外语英语（EFL）教学环境中1。诸如由人工智能驱动的词汇辅助工具、自动化写作反馈系统以及自适应学习平台等技术手段，有望提升学习效率并实现个性化教学2。然而，这一技术变革也带来了心理和教学法层面的挑战，包括对人工智能依赖的感知、数字疲劳以及伦理问题，这些因素可能影响学习成效3。在此领域中，一个尚未得到充分研究却至关重要的现象是“错失恐惧”（Fear of Missing Out, FoMO）。在这种心理状态下，学习者因社会比较压力而感到必须使用人工智能工具，这可能以牺牲深度认知参与为代价4。尽管现有研究已探讨了人工智能在语言习得中的作用5，但极少有研究考察生成式人工智能如何与感知依赖及错失恐惧相互作用，进而影响词汇习得，从而在理解人工智能对教育的促进与阻碍双重影响方面留下了显著的研究空白6,7。
文献综述揭示了三个关键的研究空白。首先，关于人工智能在英语作为外语（EFL）学习中的研究主要集中在学习成效（如考试成绩、流利度提升）上，而较少关注推动人工智能采纳的心理机制8。例如，尽管人工智能在词汇记忆方面的效率已有充分记录，但学习者对人工智能的感知依赖性——即认为没有人工智能就无法有效学习的信念——如何影响其学习动机和长期记忆，目前仍知之甚少9。其次，尽管错失恐惧（FoMO）在社交媒体环境中的作用已被广泛研究，但其在人工智能辅助学习环境中的影响尚未被探索。鉴于人工智能工具常提供实时且具有社会可见性的反馈（如同伴比较功能），学习者可能因担心落后而产生更强的焦虑感，从而加剧对人工智能的依赖10。第三，尽管人工智能的伦理问题（如数据隐私、算法偏见）已广受关注11，但这些问题对依赖程度和学习效果的调节作用尚未在EFL教学环境中得到实证检验。这些研究空白共同凸显了开展一项综合性研究的必要性，以连接技术接受理论、动机心理学与认知学习理论。
本研究通过提出一个新颖的概念模型，弥补了上述不足。该模型考察了生成式人工智能使用、感知的人工智能依赖以及感知的人工智能伦理关切如何影响英语作为外语（EFL）学习者的错失恐惧（FoMO）；探讨了FoMO在上述三个自变量与EFL学生阅读理解之间的中介作用；以及数字倦怠在阅读理解与词汇习得之间关系中的调节效应。本研究提出的理论框架具有综合性，可用于通过自我决定理论（Self-Determination Theory, SDT）12探讨人工智能依赖对内在动机和学习者自主性的影响，基于社会比较理论（Social Comparison Theory）13分析人工智能中介学习环境中FoMO背后的心理机制，以及通过认知负荷理论（Cognitive Load Theory, CLT）14揭示人工智能依赖工具对认知负荷的影响。
本研究的理论贡献主要体现在三个方面。首先，通过将人工智能依赖概念化为对学习者自主性的一种潜在威胁，拓展了自我决定理论（SDT），挑战了人工智能普遍增强学习动机的假设。其次，将社会比较理论应用于人工智能中介的学习情境，揭示了错失恐惧（FoMO）如何从一种社交媒体现象转变为推动教育工具采纳的驱动因素15。第三，通过证明人工智能的认知益处（降低外在认知负荷）可能被依赖所引发的相关认知负荷所抵消，进一步完善了认知负荷理论（CLT），从而为人工智能对记忆编码的影响提供了更为细致的理解16。这些理论进展为未来关于人工智能辅助学习心理机制的研究奠定了基础。
为确保方法学的严谨性与实际应用价值，研究设计遵循若干关键考量。选择中国高校英语作为外语学习者为目标人群，因其对人工智能工具具有较高的接触频率和制度性整合程度，从而为考察人工智能依赖问题提供了相关背景。各潜变量均采用经过验证的多题项量表，明确界定构念边界，避免概念重叠。所选量表具有良好的信度基础，并能直接操作化所研究的复杂心理与行为构念（多维伦理关切、学习特异性数字倦怠），故其选择具有充分依据。针对计划开展的中介与调节分析，我们承认，尽管横截面数据足以支持预测模型构建 通过 PLS-SEM 限制了对中介和调节路径的确定性因果推断。465 的样本量远超过回归分析和 PLS-SEM 在统计效能上的最低要求，符合结构路径最大数量的“十倍法则”，从而确保了所提出模型参数估计的稳定性与可推广性。
本研究的核心构念定义如下：感知的人工智能依赖（Perceived AI Dependency）指学习者相信自己依赖人工智能工具来提高效率和完成任务的程度。感知的人工智能伦理关切（Perceived AI Ethical Concerns）涵盖对算法透明度、公平性、安全性及问责性等方面的担忧。生成式人工智能使用（Generative AI Usage）指使用人工智能模型生成文本或图像的频率和程度。错失恐惧（Fear of Missing Out, FoMO）指个体焦虑于他人正在经历自己未能参与的有益体验，在本研究中特指与人工智能驱动学习相关的此类情绪。数字倦怠（Digital Burnout）指因长期进行数字活动而导致的情绪与心理耗竭状态。最后，学习成果通过阅读理解（Reading Comprehension）和词汇习得（Vocabulary Acquisition）来衡量：前者指理解书面材料并运用相应策略的能力，后者指个体对学习和使用新词汇效果的自我感知。
本文的结构如下：第1节介绍研究背景、意义、现有研究空白及本研究的贡献；第2节回顾人工智能在英语作为外语学习中的应用、依赖性及错失恐惧（FoMO）的相关前期研究，综合关键学术争论；第3节详述研究方法，包括研究设计，结合问卷调查以测量感知依赖性/FoMO，以及实验任务以评估词汇保持；第4节呈现研究结果，包括中介与调节效应分析；第5节探讨本研究对理论、教学法及人工智能设计的启示；第6节总结研究局限性并提出未来研究方向。
访问受限。请登录或开始试用以查看此内容。
本研究遵循扬州大学关于人体受试者研究的伦理准则。所有参与者在参与前均被告知研究目的、基于问卷的流程、自愿参与性质以及可随时无后果退出的权利，并在此基础上签署知情同意书。所有研究方法均遵守人体研究的伦理标准，确保参与者的保密性、数据匿名化以及研究全过程中的隐私保护。本研究采用非侵入性的问卷调查方式进行数据收集，对参与者造成的风险极低。研究遵循教育研究的伦理规范，确保参与者匿名及自愿参与。知情同意通过电子方式获取，并明确告知数据的使用与存储方式。未收集任何可识别个人身份的信息，所有答复均安全存储在设有密码保护的服务器上。参与者保留在任何阶段退出研究的权利。通过简洁的问卷设计减轻了潜在风险（如问卷疲劳），研究结果以汇总形式报告，以防止识别任何个体。
文献综述
感知的人工智能依赖、感知的人工智能伦理问题与错失恐惧（FoMo）
人工智能（AI）在教育中的动态融入极大地改变了语言学习方式，尤其是在英语作为外语（EFL）的学生群体中17。智能辅导系统、自动写作评估以及自适应学习平台均基于人工智能，能够提供高效且个性化的学习体验18。然而，伴随着这一技术发展，也出现了一些心理问题，例如加剧的错失恐惧（FoMO），这是一种社会焦虑，源于人们担心自己未能参与他人正在经历的积极或愉悦活动19。研究结果表明，EFL学习者对人工智能依赖的感知以及对人工智能伦理问题的感知，可能会加剧其错失恐惧水平，并影响他们未来与基于人工智能的教育系统的互动方式。
此外，随着人工智能在语言教学过程中的应用，学生可能变得依赖这些工具来纠正语法和词汇，并改善发音20。这种依赖性可能引发心理压力，学生会感到必须持续使用人工智能工具，以避免学业落后。关于数字依赖的研究表明，对技术的过度依赖会因担心无法使用此类设备而产生焦虑21。在英语作为外语（EFL）学习领域，认为人工智能必不可少的学生可能会产生错失恐惧（FoMO），因为他们觉得其他同学正在更多地利用这类技术22。这一现象与社会比较理论23相一致，该理论认为人们倾向于将自己的进步与他人进行比较。当人工智能辅助学习被视为一种竞争优势时，学生可能会担心，除非最大限度地使用这些工具，否则将错失学业成功的机会24。此外，人工智能工具所促成的持续连接可能模糊教育与娱乐之间的界限，进一步强化成瘾性的日常使用行为，从而加剧错失恐惧25。
H1：感知到的对人工智能的依赖对英语作为外语学习者的错失恐惧（FoMO）有积极影响。
假设2：感知到的人工智能伦理问题对英语作为外语学习者的错失恐惧（FoMO）具有正向影响。
生成式人工智能（ChatGPT 的使用）与错失恐惧（FoMo）
当前，生成式人工智能（ChatGPT）在教育领域的普及程度不断提高，导致语言学习过程中的心理体验出现了新的状况26,27。最近的研究发现，使用此类高科技人工智能工具可能会显著改变学习者的情绪状态，尤其是引发错失恐惧（Fear of Missing Out, FoMO）28。生成式人工智能被编程得越能提供即时反馈、生成学习材料以及模拟会话练习，学生就越可能产生焦虑，担心如果未能最大限度地使用这些工具，自己将被落在后面29。这一现象表明了一种更广泛的数字化学习趋势：技术进步不仅使学习中可实现的任务越来越多，同时也使学习体验面临更高程度的焦虑风险30。
生成式人工智能工具对语言学习者心理的影响可通过自我决定理论来解释，该理论认为能力感、自主性和归属感是基本的心理需求14。当学生认为其同伴在人工智能的帮助下取得了更优异的成绩，而自身因未解决的错失恐惧（FoMO）而处于劣势时，这种现象会进一步加剧其能力感受到的威胁31。在具有挑战性的学术环境中，学生频繁比较自身的进步与能力，这种影响可能尤为严重32。此外，对生成式人工智能工具的无限制访问还可能导致持续使用的问题，因为学习者担心自己会落后并丧失重要进展。
错失恐惧感（FoMO）还以人工智能在学习群体中实施所引发的社会动态形式出现33。一旦生成式人工智能在教育环境中被普遍接受，就可能在学习者中产生一种社会压力，促使他们顺应教育环境所鼓励的新兴数字实践方式34。这种压力在学习外语时可能尤为显著，因为人工智能可轻松辅助写作、语法和交流，而学习者无需付出明显努力即可获得帮助35。担心在这一转变过程中被边缘化，可能促使学习者采取强迫性使用策略，即使那些原本更倾向于采用传统方式学习的人也不例外36。最新研究强调，有必要更深入地理解不同学习者特征在生成式人工智能使用与错失恐惧感之间关系中所起的中介作用。对这些问题的回答取决于多种因素，例如数字素养水平、自我调节能力以及学习动机，这些因素决定了人工智能工具是成为增强学习能力的资源，还是引发焦虑的根源37。基于上述文献，提出以下假设：
H3：生成式人工智能使用频率的增加对英语作为外语学习者的错失恐惧感（FoMO）产生积极影响。
错失恐惧（FoMo）、阅读理解与词汇习得
错失恐惧（Fear of Missing Out, FoMO）这一心理概念对在线学习行为的影响日益显著，凸显了其与第二语言学习及学业成果之间的复杂关系38。近期研究表明，FoMO 根据语言学习的不同维度39，可能对语言学习的多个方面产生差异化影响，尤其体现在阅读理解与词汇习得上40。这种差异性影响似乎源于认知负荷41和注意力控制系统42，因为 FoMO 水平较高的个体在处理文本材料时表现出独特的互动模式。
实证研究表明，当学习者认为阅读材料具有社会和学术价值时，适度的错失恐惧感（FoMO）能够提高其对阅读材料的参与度43。然而，过度沉迷于FoMO则与不完整的阅读过程和较低的信息深度加工水平相关44，这可能会降低理解能力。这种现象在数字阅读环境中尤为普遍，因为通知提醒和社会媒体的沉浸效应会增加注意力的中断45。在词汇习得方面，FoMO的影响关系更为复杂：尽管由于参与度提高可能增强对新词汇项目的接触46,47，但强迫性的学习行为却会损害记忆保持效果。
越来越多的证据表明，这些关系存在文化和个体差异。相比之下，集体主义倾向的学习者似乎更容易受到错失恐惧（FoMO）对阅读理解产生的负面影响48，这可能与其更强的社会比较倾向有关49。另一方面，对于采用高水平自我调节策略的学习者而言，FoMO体验对其理解能力和词汇学习并无影响50。基于上述文献，提出以下假设：
H4：错失恐惧感（FoMO）对阅读理解具有负面影响。
H5：阅读理解对词汇习得有积极影响。
数字倦怠在学习中的调节作用
数字倦怠是一种新兴问题，具有心理和社会层面的影响，会干扰语言习得过程51,52。在长期依赖技术手段进行学术学习后，我在情绪和认知上均感到耗竭，同时缺乏学习动机。数字倦怠对处理语言所需的认知能力产生了负面影响53。现有的神经认知研究表明，职业倦怠会引起疲劳，进而干扰工作记忆容量54，而工作记忆是词汇记忆和阅读的关键组成部分55。这种心理疲劳可能是导致数字倦怠学习者在执行词汇学习任务时出现语义编码薄弱这一新证据的潜在原因56。
在英语作为外语（EFL）的学习环境中，数字倦怠呈现出独特的表现形式，这源于语言习得过程中特有的认知与情感需求。与一般的学业倦怠不同，EFL领域的数字倦怠因持续通过数字界面处理陌生的语音、句法和语义而加重，这种持续的认知负荷对工作记忆的负担远超基于内容的学习方式57。此外，人工智能平台上的语言练习具有高度的“表现性”，学习者常因系统即时的、由算法驱动的纠错反馈，以及对达到母语般熟练度的压力而产生焦虑，从而加剧了情感过滤效应58。在数字化媒介的语言环境中，这种加剧的认知负荷与特有的社会情感压力相结合，形成了一种特定的倦怠特征，直接阻碍了词汇编码和阅读理解等精细认知过程59。
数字倦怠与阅读理解在词汇发展方面表现出极为微妙的关系。尽管当学生具备较强阅读能力时，可能通过语境推断获得附带性词汇知识60，但在高倦怠水平的学生中，词汇量与阅读表现之间的正相关性会减弱61。眼动追踪测量表明，语言老化学习者在阅读过程中对新词汇项目的注视时间也有所减少62，暗示其在词汇密集型文本背景下的注意力集中程度下降。这一现象与注意力控制理论一致，该理论认为认知疲劳会影响执行功能在同步理解与词汇加工过程中所涉及的能力。值得注意的是，数字倦怠的调节作用仅在自我调节的个体差异以及学习环境设计的背景下才表现明显63。具有高效元认知策略的学习者能够抵御倦怠的不利影响，即使面临理解障碍，仍能在词汇学习上保持优势。基于上述文献，提出以下假设：
假设6：学习中的数字倦怠对词汇习得产生负面影响。
假设7：学习中的数字倦怠对阅读理解与词汇习得之间的关系起负向调节作用，即较高的倦怠水平会削弱理解能力对词汇量增长的积极影响。
错失恐惧（FoMo）的中介作用
人工智能在教育中的引入增加了决定阅读理解效果的复杂心理机制64。最新数据显示，错失恐惧（FoMO）是学习者对人工智能技术的参与程度与其阅读成就之间关系的重要中介因素65。这种中介效应在那些将人工智能工具宣传为促进更高效学习手段的环境中尤为显著，由此引发的心理压力最终可能阻碍高阶思维的发展66。为防止学习者因意识到对人工智能辅助产生非理性依赖而发展出自主学习焦虑67，近期研究聚焦于探讨感知到的人工智能依赖水平如何影响自主学习能力相关焦虑的发展68。当学生将自身能力与人工智能增强后的表现进行比较，意识到自己无法完成某些任务时，这种焦虑便转化为错失恐惧（FoMO）69，并表现出将认知资源从深度理解步骤中转移出去的倾向。
人工智能应用相关的伦理问题与FoMO路径相对应，同时，因使用人工智能而面临道德冲突的学习者会对其同伴的行为表现出更高的警觉性，这有助于在伦理与阅读理解之间形成注意力上的分离70。这一现象在眼动追踪研究中有所体现，读者在阅读过程中会出现更多的回视眼动65。当伦理问题尚未明确时，这种中介效应尤为显著，持续的认知负担会损害阅读表现71。生成式人工智能工具能够几乎即时生成输出内容，从而创造出新型的中介形式。基于上述文献，提出以下假设：
H8：错失恐惧感（FoMO）在感知的人工智能依赖性与阅读理解能力之间的关系中起中介作用
H9：错失恐惧感（FoMO）在感知的人工智能伦理关切与阅读理解能力之间起中介作用
假设10：错失恐惧（FoMO）在生成式人工智能使用与阅读理解之间的关系中起中介作用
理论框架
本研究主要以自我决定理论（Self-Determination Theory, SDT）12为指导，该理论为理解人工智能工具如何影响学习者动机和认知参与背后的基本心理需求提供了一个系统的分析框架。根据该模型，感知到的人工智能依赖会直接损害SDT所界定的自主性和能力感这两项基本心理需求，并可能因过度依赖外部调节来实现阅读理解、词汇习得等学习目标，从而削弱语言学习的内在动机。在此背景下，错失恐惧（Fear of Missing Out, FoMO）被纳入“关系性”（relatedness）的需求框架中加以理解，其理论基础源于次要的社交比较理论（Social Comparison Theory）72。同龄人之间因广泛使用人工智能而形成的社会规范，会引发个体的错失恐惧心理状态，导致对“落后”或“遗漏”的焦虑，这种焦虑继而进一步加剧对人工智能的依赖，从而更加削弱独立学习的动机。
这种动机动态可通过认知负荷理论（Cognitive Load Theory, CLT）所描述的认知结果加以解释73。尽管生成式人工智能可通过减少外部认知负荷（例如通过即时提供定义）来增强学习效果，但过度依赖此类工具会降低用于深度编码词汇并将其存储于长时记忆中的内在认知负荷，从而对词汇习得产生反作用。这种情况因“数字倦怠”（Digital Burnout）而进一步加剧，后者导致认知资源耗竭，削弱理解与学习之间的联系。相应地，自我决定理论（SDT）提供了动机路径的总体解释，认知负荷理论进一步阐明了随之产生的认知过程，而社会比较理论则描述了随之产生的社会情感刺激（错失恐惧，FoMO），三者共同构成了对人工智能在语言学习中双重影响的综合解释。
研究设计
本研究采用定量实证研究设计，考察人工智能相关因素（感知依赖性、伦理关切、生成式人工智能使用）、错失恐惧（FoMO）、数字倦怠与语言学习成果（阅读理解与词汇习得）之间的关系。研究采用横断面调查方法，通过单一时间点的数据收集，评估变量间的相关性以及中介或调节效应。该设计特别适用于检验所提出的理论模型，因为它能够利用结构方程模型（SEM）分析潜变量之间复杂的相互关系。
总体与抽样
目标总体为中国高校中的英语作为外语（EFL）学习者，该背景下的课程正日益整合人工智能辅助语言学习工具。本研究采用便利抽样法招募了465名参与者，样本量通过使用G*Power 3.1进行先验功效分析确定74。针对计划进行的多重回归分析（α = 0.05，功效 = 0.95，中等效应量f² = 0.15），分析结果显示所需最小样本量为166名参与者，证实本研究的465人样本具有足够的统计功效。该样本量也足以进行结构方程模型（SEM）分析，并符合偏最小二乘法结构方程模型（PLS-SEM）的要求，即样本量应至少为模型中指向任一构念的最大结构路径数的10倍75。样本将从中国不同地理区域的多所高校中抽取，以提高研究结果的可推广性。此外，人口统计学变量（如参与者年龄、性别、英语水平以及使用AI工具的频率）将被记录，并在后续研究中作为控制变量使用。
为确保研究结果的分析完整性，在数据收集和准备过程中实施了多项质量控制措施。初始问卷发放的应答率达到87%。数据收集完成后，采用严格的筛选程序：含有超过10%缺失数据的不完整问卷被整体剔除，其余在条目层面零星出现的缺失值则使用SPSS中的期望最大化（Expectation-Maximization）插补算法进行处理，以在最小化偏差的同时保持统计效能。此外，嵌入式注意力检测题项有助于识别并剔除回答不认真的受访者。这些全面的处理步骤，结合对多变量离群值的筛查，确保了最终分析数据集（N=450）达到较高的可靠性标准，可用于后续的结构方程模型分析。
数据收集程序
数据通过混合模式收集，结合线上与现场方法，以最大限度提高参与度和可及性。研究团队与目标高校的课程教师合作，由教师通过官方微信群向学生直接分发唯一的调查链接。该方法利用可信渠道以提高应答率。对于现场数据收集，主要研究人员与经过培训的助手在指定课时前往相应教室。在简要介绍研究内容后，向学生分发纸质调查问卷包。知情同意程序根据收集方式分别设计。在线版本中，参与者在问卷首页会看到电子版知情同意书，必须选择"我已阅读并理解上述信息，自愿同意参与本研究"后，问卷题目才会被激活。对于现场参与者，调查包中附有详细的信息说明页，并要求参与者在领取问卷前签署纸质知情同意书以获取书面同意。完整问卷设计为可在15至20分钟内完成，以尽量减少受访者的疲劳感。为确保数据质量，问卷中嵌入了两个注意力检测题项（"请对该陈述选择“强烈不同意”"）。系统会自动标记缺失数据超过10%或未通过注意力检测的无效作答，并予以剔除。数据收集持续四周，在此期间通过初始分发渠道发送了两次提醒消息。数据收集完成后，数据集经过严格清理，包括检查缺失值、单变量与多变量异常值以及正态性假设的违反情况，然后进行统计分析。
测量与量表调整
感知到的AI依赖性
感知到的AI依赖性采用改编自Morales-García等人的5项量表进行测量76。该量表用于评估个体在日常活动和决策过程中对人工智能的依赖程度。量表条目反映了依赖性的多个方面，包括为实现高效而感知到的使用AI工具的必要性，以及在缺乏AI支持时无法开展工作的感受。
感知到的AI伦理问题
伦理问题的评估采用Kim和Ko开发的多维量表77。为增强该量表在英语作为外语（EFL）人群中的有效性和相关性，将其四个维度置于AI驱动的语言学习特定情境中进行界定。该量表包含四个关键维度：透明性（8个条目）、公平性（5个条目）、安全性（5个条目）和责任性（8个条目）。每个维度评估不同的伦理挑战，例如AI决策过程的清晰度、AI算法中的偏见、使用AI相关的风险以及AI部署中的问责问题。这种聚焦的操作化定义确保了量表条目能够直接对应EFL学习者可能遇到的伦理困境。
生成式人工智能的使用
生成式人工智能的使用情况采用Abbas等人提出的8项量表进行操作化测量78。该量表用于评估生成式人工智能模型的使用程度和规律性，涵盖文本生成和图像生成工具。该量表考察了生成式人工智能在学术、职业和个人生活等多个领域的应用情况，有助于理解个体如何将其融入日常生活并加以利用。这种全面的评估方法使我们能够捕捉生成式人工智能在学习者生态系统中的整体整合情况，这是理解其更广泛的心理和认知影响的前提条件。
错失恐惧（Fear of Missing Out, FoMO）
采用 Mazlum 和 Atalay79 开发的17项量表测量错失恐惧。该量表因其能够细致评估个体对同龄人正在经历自身所缺席的有益体验所产生的焦虑而被选用。该量表尤其适用于本研究，因其涵盖了与数字媒介学习环境高度相关的内容，包括持续在线连接的强迫性需求，以及对错过由人工智能所促进的更优学习策略、资源或同龄人进步的担忧，从而将人工智能的使用直接与心理社会性焦虑关联起来。
阅读理解
阅读理解通过改编自Mokhtari等人80的阅读策略进行测量，该测量包含三个维度：全局阅读策略（5个条目）、问题解决策略（5个条目）和辅助阅读策略（5个条目）。该量表用于评估个体处理和理解书面材料的方式，重点关注其综合信息的能力、解决理解困难的能力，以及利用外部辅助手段提升理解效果的能力。
学习中的数字倦怠
学习中的数字倦怠采用改编自 Erten 和 Özdemir81 的量表进行测量，该量表包含三个维度：数字老化（12 个条目）、数字剥夺（6 个条目）和情绪耗竭（6 个条目）。该量表用于评估长期数字活动带来的负面心理影响，包括因长时间使用屏幕导致的疲劳、疏离感，以及因在线学习负担引起的心理耗竭。
词汇习得
词汇习得采用 Li 等人提出的4项量表进行评估82。该量表用于衡量词汇学习策略的有效性，反映个体在不同语境中接受、记忆和使用新词汇的程度。该材料用于评估个体在词汇使用方面的自我报告能力与自信心。
数据分析计划
本研究采用全面的两阶段分析策略，以严格检验假设关系。初步的数据筛查和描述性分析使用 SPSS 28 进行，重点包括描述性统计以评估数据分布、量表信度分析（Cronbach's α）以及双变量相关分析，以考察关键构念之间的初步关联。所有李克特量表题项均采用五点等距量表编码（1=非常不同意，5=非常同意）。该基础性分析可确保数据质量，并在进入更复杂的建模前，为数据集的基本特征提供必要的洞察。在主要分析阶段，采用 SmartPLS 4 实施偏最小二乘结构方程模型（PLS-SEM），该方法因其在处理涉及潜变量的复杂预测模型时具有稳健性而被选用83。分析首先对测量模型进行系统评估，通过验证性因子分析确立各量表的心理测量学属性。关键评估指标包括内部一致性检验（组合信度）、收敛效度（平均方差提取量）以及区分效度（Fornell-Larcker 准则和异质-单调比率）。这些步骤确保了构念在理论上合理且在实证上彼此独立。
随后，通过检验结构模型来验证构念之间假设的关系。分析路径系数的大小、方向和统计显著性，同时计算效应量（f²）以评估其实际影响。使用Stone-Geisser Q²统计量评估模型的预测相关性，并采用盲法程序验证模型对内生变量的预测能力。对于中介效应分析，本研究采用Preacher和Hayes84提出的自抽样（bootstrapping）方法，该方法在控制潜在混杂变量的同时，为间接效应提供稳健的置信区间。调节效应通过使用PLS乘积指标法构建的交互项进行检验，并通过简单斜率分析解释显著的交互效应。所有分析均采用5,000次自抽样以生成稳定的估计值，确保研究结果的稳健性。
在主要分析中，采用 SmartPLS 4 实现偏最小二乘结构方程模型（Partial Least Squares Structural Equation Modeling, PLS-SEM），该方法因其在处理涉及潜变量的复杂预测模型时具有较强的稳健性而被选用83。相较于基于协方差的结构方程模型（covariance-based SEM, CB-SEM），本研究选择 PLS-SEM 的原因在于其主要研究目标是预测内生变量（词汇习得），且模型结构复杂，包含中介与调节机制85。此外，与多元回归相比，PLS-SEM 能够同时估计整个模型中所有潜构念之间的关系，并考虑测量误差的影响。尽管实验设计可提供较强的因果推断能力，但本研究采用横断面设计，旨在真实学习情境中建立预测性关系，而 PLS-SEM 正适用于此类研究目标86。最后，本研究的数据分析过程及结果详见下文“结果”部分。
访问受限。请登录或开始试用以查看此内容。
描述性统计
描述性统计提供了本研究中重要变量的概览，即感知的人工智能依赖性、伦理关切和生成式人工智能使用情况、错失恐惧（FoMO）、阅读理解能力、数字倦怠以及词汇习得。分析将展示数据的集中趋势、离散程度及分布特征，有助于理解参与者对人工智能技术的兴趣及其心理和认知层面的影响。通过均值、标准差、偏度和峰度等指标，测量各构念的正态性和变异性。研究结果揭示了人工智能整合程度、伦理关切以及学习相关问题的不同水平，为后续的推论性分析提供了依据。
表1详细描述了本文分析的最重要变量，例如集中趋势、变异性、分布性以及信度测量。研究结果显示，受访者对感知到的人工智能依赖程度（M = 3.72，SD = 0.91）和人工智能伦理关切（M = 4.05，SD = 0.76）的评分处于中等到较高水平，其中公平性子维度得分最高（M = 4.12）。生成式人工智能的使用程度为中等水平（M = 3.45，SD = 1.02），而错失恐惧（FoMO）则处于相对较高水平（M = 3.88，SD = 0.95）。阅读理解与词汇习得的平均得分...
访问受限。请登录或开始试用以查看此内容。
本研究探讨了英语作为外语的学习者中，与人工智能相关的因素、心理状态和学习成果之间的复杂相互作用，并得出了若干关键发现。我们的方法论途径，特别是使用偏最小二乘结构方程模型（PLS-SEM），对于建模这些复杂关系至关重要。与更适合理论验证的协方差结构方程模型（CB-SEM）不同，PLS-SEM具有较强的预测导向性，并能有效处理包含中介和调节变量的复杂模型，因此成为本项探索性研究的最佳选择85。一个关键的方法论步骤显著增强了研究的可重复性，即在SmartPLS 4中采用严格的两阶段分析流程，首先从测量模型的验证开始。这确保了诸如"生成式人工智能使用"和"阅读策略"等构念在检验结构路径之前具有实证上的区分性和可靠性，从而加强了所识别关系的有效性。
分析结果显示，感知到的AI依赖性、伦理担忧以及生成式AI的使用均是错失恐惧（Fear of Missing Out, FoMO）的显著预测因素，其中生成式AI的使用影响最为显著（β = 0.34）。这一发现与先前将技术使用与焦虑相关联的研究一致
访问受限。请登录或开始试用以查看此内容。
所有作者均声明无利益冲突。
本研究由江苏省社会科学基金资助，项目编号：(23YYB011)。本工作得到苏丹王子大学语言与传播研究实验室的支持，资助编号：RL-CH-2019/9/1。
访问受限。请登录或开始试用以查看此内容。
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| 笔记本电脑 | Dell Technologies | N/A | 用于数据处理和文档记录 |
| 统计分析软件（SPSS） | IBM Corp. | 版本 26.0 | 用于统计分析 |
| Microsoft Excel | Microsoft | Office 365 | 数据录入和基本数据处理 |
访问受限。请登录或开始试用以查看此内容。
申请许可以重复使用本 JoVE 文章的文本或图表
申请许可