人工智能如何影响体育运动中的心理幸福感与身体表现

摘要

一项针对385名中国运动员的研究发现，人工智能（AI）的使用和自我效能感对心理幸福感具有积极影响，而心理幸福感又进一步提升了感知的运动表现。心理幸福感在人工智能/自我效能感与运动表现之间的关系中起中介作用。研究结果表明，应将人工智能工具与提升自我效能感和心理幸福感的策略相结合。

摘要

本研究探讨了人工智能（AI）对中国运动员心理幸福感及感知运动表现的影响。具体而言，研究旨在考察人工智能使用对心理幸福感的直接作用、运动员自我效能对心理幸福感的影响、心理幸福感对感知运动表现的影响，以及心理幸福感在这些关系中的中介作用。研究采用定量研究方法，设计为横断面调查。通过结构化问卷从中国385名竞技运动员中收集数据，并使用社会科学统计软件包（SPSS）和偏最小二乘结构方程模型（PLS-SEM）进行分析。研究结果表明，人工智能使用和运动员自我效能均对心理幸福感产生积极影响，而心理幸福感又正向影响感知运动表现。此外，心理幸福感在人工智能使用与感知运动表现之间、以及运动员自我效能与感知运动表现之间均起到了显著的中介作用。这些发现表明，技术和心理资源对于提升运动员的表现结果均具有重要意义。研究建议体育组织、教练员和政策制定者应将人工智能支持系统与增强运动员自我效能和心理幸福感的策略相结合。总体而言，研究得出结论：人工智能不仅通过技术支撑，还通过积极影响运动员的心理功能，从而促进运动表现的提升。

引言

人工智能正成为当代体育领域的重要推动力，使教练员、分析师和运动员能够处理大量数据，用于运动表现监测、损伤预防、战术规划以及个性化训练调整¹。近期综述证实，人工智能与机器学习正越来越多地应用于生物力学监测、负荷分析、康复训练、动作追踪及训练优化，标志着训练与竞赛体系正朝着数据驱动、技术支撑的方向发生决定性转变²。然而，随着这些技术逐渐融入运动员的日常训练，学者们已提出警示：其影响远不止于技术和生物医学范畴；人工智能工具还会影响运动员对反馈信息的解读方式，以及他们在训练和比赛中对自身进步的评估、信心调节和动机管理³。在中国，这一问题尤为紧迫。国家体育主管部门报告指出，已向顶尖运动队部署了基于人工智能的实时技术反馈训练系统，因此亟需深入理解此类技术整合所带来的不仅限于运动表现提升，还包括其心理层面的影响⁴。

尽管人工智能在体育领域的应用优势正被越来越多地记录，但越来越多的研究开始探讨其心理影响，揭示出比早期文献所提示的更为复杂的图景⁵。一方面，研究已识别出一些负面后果，包括因持续的绩效监控而引发的反馈焦虑、可能削弱自主决策能力的算法依赖，以及当基于数据的社会比较普遍存在时所导致的压力加剧⁶。另一方面，研究者也指出了潜在的心理益处：当人工智能反馈被感知为具有支持性时，可降低表现的不确定性，增强运动员对其自身发展的控制感，并提升自我调节能力⁷。这一新兴的讨论表明，人工智能的心理影响并非单一不变，而是取决于运动员如何评估并将其技术输入整合到自我认知和日常训练实践中⁸。关键的是，现有研究仍处于碎片化状态。大多数研究通常孤立地考察单一心理结果，如焦虑、动机或倦怠，而未探究这些结果之间的相互关联，且极少有研究将心理幸福感作为连接人工智能使用与运动表现的核心解释机制。

本研究通过关注心理幸福感（PWB）这一关键的中介机制，弥补了这一空白。基于实现论传统，PWB包含六个维度：环境掌控、个人成长、生活目标、自我接纳、自主性以及与他人的积极关系，这些维度在体育领域尤为相关⁹，因为运动员必须在追求竞技卓越的同时应对强烈期望、处理不确定性并维持功能平衡¹⁰。最新证据表明，运动员的幸福感不仅仅是一种理想的结果，更是可持续表现、适应性应对以及长期运动发展的关键基础¹¹。尤为重要的是，PWB可能充当一种心理通道，使技术资源和个人能力均能转化为更优的绩效评价：人工智能可通过满足能力、自主性和归属感等基本需求来促进幸福感，而自我效能感则可通过增强信心和韧性来维持幸福感^12,13。

通过智能可穿戴设备、动作追踪和个性化表现分析，人工智能在体育领域的日益融合不仅有可能重塑训练效率，还可能改变运动员的心理体验¹⁴。尽管现有讨论大多将人工智能视为用于预防损伤或战术决策的技术工具，但一种更具理论基础的观点认为，由人工智能驱动的体育环境可作为一种有意义的心理资源¹⁵。基于自我决定理论，人工智能系统能够支持基本心理需求——自主性、胜任感和归属感——的满足，而这些需求已被广泛证实是实现幸福心理状态（eudaimonic well-being）的前提条件¹⁶。当运动员获得个性化的、基于数据的反馈，从而明确自身进步并减少表现上的不确定性时，其胜任感得以增强；当人工智能平台提供量身定制的训练选项和灵活的时间安排时，自主性得到提升；当共享仪表盘或协作式数据分析促进教练与运动员之间建设性沟通时，归属感需求得以满足¹⁷。通过这些途径，人工智能的使用可对心理幸福感（PWB）的核心要素产生积极影响¹⁷，包括环境掌控力（通过提高训练环境的可预测性和控制感）、个人成长（通过可视化长期的渐进式进步）、生命意义（通过将日常训练与长期运动目标相一致）、自我接纳（通过客观数据使表现波动正常化）以及积极人际关系（通过促进支持性人际交流）¹⁸。因此，本研究提出假设：H1：人工智能的使用对心理幸福感具有积极影响。

运动员自我效能指个体在体育情境中对自己成功完成任务、克服挑战并实现预期成果的能力所持有的信念¹⁹。根据自我效能理论，对自己能力更有信心的个体在面对困难情境时更有可能坚持努力，调节自身投入，并对挫折做出建设性反应²⁰。在运动环境中，自我效能尤为重要，因为运动员经常面临竞争压力、身体负荷以及表现结果的不确定性^21,22。本研究中，运动员自我效能通过运动专项效能、心理效能、职业思维效能和人格效能四个方面体现，反映了运动功能中信心的多维特性²³。具有较高自我效能的运动员通常更能有效应对压力，保持动机水平，并在压力下维持情绪平衡²⁴。这类运动员更倾向于将挑战视为可管理而非威胁性的，从而有助于改善其心理功能和整体幸福感^25,26。由于心理幸福感包含自我接纳²⁷、自主性以及生活目标等要素，自我效能可被视为支持这些积极心理状态的重要内在资源²⁸。因此，在高要求的运动环境中，更强的自我效能可能有助于运动员维持更健康、更具适应性的心理状态。假设2：运动员自我效能对心理幸福感具有正向影响。

心理幸福感（PWB）是一个多维度的构念，反映个体在生活中的积极功能、个人成长、有意义的投入以及健康的适应状态²⁹。根据Ryff的实现论（eudaimonic）理论框架，PWB包含六个维度：环境掌控（有效管理自身环境的能力）、个人成长（持续发展的自我感知）、生活目标（持有有意义的人生目标）、自我接纳（对自我的积极态度）、自主性（自我决定与独立性）以及与他人的积极关系（温暖且信任的人际联结）³⁰。在运动领域中，每个维度都对运动员如何评估自身表现具有独特的重要性³¹。环境掌控使运动员能够有效应对训练要求和竞技压力；个人成长推动持续努力与技能精进；生活目标为长期运动抱负提供坚定承诺的根基；自我接纳有助于缓解挫折后的自我批评；自主性则支持内在动机以及在压力下的自主决策能力³²。因此，心理幸福感不仅仅是心理困扰的缺失，更是一种积极的心理基础，使运动员在训练与比赛中保持专注、坚韧和动力³³。当运动员感受到目标感、自信心和情绪平衡时，他们更能有效应对逆境、维持注意力集中，并更积极地评价自身表现，这使得心理幸福感成为感知运动表现的有力预测因子³⁴。基于上述考量，本研究提出假设：H3：心理幸福感对感知运动表现具有正向影响。

人工智能的使用与运动表现之间的关系可能并非完全直接，因为人工智能的优势通常是通过运动员内在的心理反应来实现的³⁵。人工智能可以提供与表现相关的信息、训练建议以及实时反馈，但这些技术输入的实际影响取决于运动员如何解读和利用它们³⁶。如果人工智能的使用增强了运动员的控制感、能力感和发展感，那么它可能首先改善其心理幸福感，进而影响运动表现结果³⁷。这表明，心理幸福感可能解释了人工智能使用如何促进运动员对运动表现产生更积极认知的过程。换句话说，经常使用人工智能支持工具的运动员可能感觉准备更充分、对训练更有信心，并对其进步更加满意，从而增强其心理幸福感³⁸。当运动员体验到更高的幸福感时，他们更有可能变得专注、情绪稳定且富有动力，而这些特质会积极塑造他们对自身运动表现的认知³⁹。因此，心理幸福感可能作为连接技术使用与运动相关结果的中介机制。基于上述推理，本研究提出，人工智能使用对感知运动表现的影响是通过心理幸福感来传递的。H4：心理幸福感在人工智能使用与感知运动表现之间的关系中起中介作用。

运动员自我效能感被广泛认为是体育领域积极结果的重要预测因素，因为它影响着坚持性、自信心和适应性应对能力。然而，自我效能感对运动表现的影响也可能通过心理幸福感间接发生。那些对自己能力有强烈信念的运动员更可能感受到自主性、目标感以及对自我的接纳，而这些正是心理幸福感的核心要素⁴⁰。从这一角度看，自我效能感不仅直接影响行为和努力程度，还可能促进更健康的心理状态，从而支持长期的功能发挥和运动表现。当运动员具有较高的自我效能感时，他们通常更能有效应对挫折、管理压力，并持续致力于实现自身目标。这些经历可以增强其心理幸福感，进而改善他们对运动表现的感知。因此，心理幸福感可能是将对自身运动能力的信心转化为更强表现相关结果的中介机制⁴¹。本研究认为，运动员的表现提升并不仅仅源于自我效能感的直接影响，而是当个体的自我信念增强了整体心理功能时，表现才得以改善。假设5（H5）：心理幸福感在运动员自我效能感与感知运动表现之间起中介作用。

方案

伦理考量
根据机构政策，本研究符合低风险、匿名调查研究的标准，因此免于接受正式的伦理审查。所有程序均严格遵循《赫尔辛基宣言》的伦理标准进行。在数据收集之前，已获得所有成年参与者的知情同意。对于18岁以下的参与者，除由其父母或法定监护人签署书面知情同意书外，还获得了未成年人本人的书面同意。所有受访者均被明确告知研究目的、自愿参与的性质、随时无后果退出的权利，以及对其数据所采取的严格保密措施。未收集或报告任何可识别个人身份的信息，所有数据仅用于汇总的学术分析。特别注意采用非侵入性且尊重受试者的措辞，以确保调查不会干扰运动员的训练安排或心理福祉。更多细节请参见材料表。

研究设计与研究背景
本研究采用定量研究方法，通过横断面调查设计，探讨人工智能使用、运动员自我效能、心理幸福感以及中国运动员感知运动表现之间的假设关系。选择定量研究设计是因为本研究旨在检验理论推导出的假设，分析明确定义的构念之间的关系强度与方向，并通过统计方法评估直接效应和中介效应。采用横断面研究方法是因为所有研究变量的数据均在单一时间点从受访者处收集，使研究者能够捕捉运动员当前对体育中人工智能使用的感知、自我效能信念、心理幸福感以及对运动表现结果的主观评价。该设计在社会与行为科学领域被广泛使用，尤其适用于在自然情境下识别潜在构念间的关联模式，并检验具有理论基础的结构模型。本研究在中国开展，这一背景为研究提供了高度相关的实证环境，因为中国在多个领域（包括体育、健身和运动员发展）经历了快速的数字化进程。近年来，中国的体育机构、高校、职业训练中心和体育组织已越来越多地将基于人工智能的系统应用于教练指导、表现监测、技术评估和伤病预防实践中。智能体育技术的不断扩展应用，为考察运动员接触人工智能支持的体育系统是否影响其心理状态和表现感知提供了适宜的环境。此外，中国体育环境的高度竞争性使得理解技术资源与心理能力如何共同影响运动员功能表现尤为重要。因此，中国背景为检验所提出的理论模型既具有实践意义，也具有理论价值。

研究总体与样本
本研究的目标总体为中国境内的竞技运动员，包括隶属于大学、体育院校、职业俱乐部、省级训练中心及其他有组织体育机构的运动员，且均积极参与日常训练和竞技活动。本研究聚焦于运动员群体，因为他们是最适合评估人工智能在体育相关情境中作用的受访者，也能够报告自身的自我效能感、心理幸福感以及感知运动表现。为确保受访者对研究主题具有足够的熟悉度，仅纳入目前参与有组织体育活动且在一定程度上接触过技术辅助体育环境的个体。本研究共收集了385名受访者的数据。该样本量被认为足以满足涉及多个潜在变量、多维构念及中介效应分析的定量研究需求，尤其是在采用偏最小二乘结构方程模型（PLS-SEM）时，需要足够样本量以实现稳定的参数估计和预测评估。

受访者通过目的性抽样技术进行选择，使研究者能够针对符合研究目标特定纳入标准的个体。由于本研究需要从运动员而非普通人群中收集数据，因此目的性抽样尤为适用。在实际操作中，研究人员通过体育机构、大学体育部门、俱乐部、训练项目以及运动员网络接触潜在参与者。样本预期涵盖多种体育项目、不同竞技水平及多样背景的运动员，以拓宽研究发现，更全面地呈现人工智能相关体育实践在中国不同运动背景下的实际体验情况。

变量测量
本研究采用结构化问卷测量所有变量，所有条目均改编自文献中已建立的量表。问卷采用李克特式回答格式，该格式在定量研究中被广泛接受，用于测量感知、态度、信念以及自我报告的经历。自变量“人工智能（AI）使用”通过八个条目进行测量，这些条目改编自一项研究⁴²，并重新措辞以适应体育情境。具体而言，这些条目要求运动员报告他们在训练和比赛中主动使用人工智能支持的体育技术的程度。为了将构念建立在具体实践基础上，问卷明确列出中国体育体系中运动员常接触的人工智能应用示例，包括可穿戴生物传感器（例如智能手表、心率变异性监测仪、支持GPS的运动表现追踪器）、提供自动化技术反馈的人工智能驱动视频分析与动作捕捉系统、基于实时数据动态调整训练负荷的个性化训练推荐平台，以及用于损伤风险预警和恢复监测的预测性分析仪表盘。因此，这些条目捕捉的是运动员自我报告的使用频率及其对这些智能工具融入日常运动训练程度的感知，而不仅仅是对技术的总体态度。这种操作化定义使该构念能够反映人工智能暴露的广泛性，同时承认运动员无需区分不同类型的算法子类；相反，该量表测量的是运动员在人工智能赋能的体育环境中整体的参与水平。需要指出的是，由于不同体育项目和机构之间人工智能工具存在异质性，本研究将人工智能使用视为一个广泛的潜在变量，这一局限性将在后文讨论。

第二个自变量——运动员自我效能，被定义为一个多维构念，通过四个维度进行测量：运动纪律效能、心理效能、专业思维效能和个性效能，每个维度包含四个题项。这种多维处理方式涵盖了竞技体育中自我效能的理论广度，其中信心不仅限于身体执行能力，还包括个体对训练纪律和遵守训练计划的信念（运动纪律效能）、在压力下的心理准备与情绪调节能力（心理效能）、战术理解与决策能力（专业思维效能），以及坚韧的个人特质，如毅力和适应能力（个性效能）。这四个维度基于Koçak⁴³开发并验证的《运动员自我效能量表》，该量表已证实这四个维度共同反映了一种总体的运动能力感知。中介变量心理幸福感，采用一组研究者⁴⁴改编的《儿童心理幸福感量表》（PWB-c）进行测量，该量表包含六个维度：环境掌控力（7个题项）、个人成长（5个题项）、生活目标（5个题项）、自我接纳（5个题项）、自主性（5个题项）和积极人际关系（10个题项）。尽管该量表最初是为 younger 人群开发的，但其题项采用基于Ryff幸福心理学框架的简洁语言表述，因此在概念上适用于成年人。在本研究中，对题项进行了仔细审查，并在必要时进行改写，例如将与学校相关的表述替换为训练或运动情境，以确保其适用于成年竞技运动员，同时不改变原有构念。因变量——感知运动表现，改编自另一项研究⁴⁵，包含三个维度：自我导向表现（4个题项）、社会规定表现（4个题项）和他人导向表现（4个题项）。由于模型中的多个构念具有多维性，在数据分析中将其视为高阶潜变量。为确保在中国语境下的语言与概念等效性，整个测量工具由运动心理学领域的双语专家进行了严格的翻译与回译程序，随后由专家小组评审其内容效度与文化相关性。随后，对一小部分运动员样本（n = 30）进行了预测试，以评估题项的清晰度、作答过程及初步的内部一致性；根据反馈对部分措辞进行了微调，之后开展主要数据收集。通过使用经过改编且已有验证基础的量表，并结合上述程序性步骤，增强了测量模型的内容效度与理论一致性。

数据收集程序
根据受访者的可及性和实际可获取性，数据通过自行填写的在线和现场问卷进行收集。采用这种混合分发方式，旨在最大限度地提高中国不同机构和运动环境中的运动员参与度。在全面开展数据收集之前，对调查工具的措辞、清晰度、相关性及情境适用性进行了审查。由于原始量表是在不同背景下开发的，因此对条目进行了仔细调整，以反映中国运动员训练和比赛环境的实际情况。在必要时，对部分措辞进行了微调，以帮助受访者更容易将其自身运动经历与条目内容联系起来，同时不改变各构念的原有含义。

最终的问卷分为若干逻辑部分：首先简要介绍研究目的，随后是人口统计学问题，接着是关于人工智能使用、运动员自我效能、心理幸福感以及感知运动表现的测量项目。在数据收集过程中，参与者被告知其参与完全出于自愿，不存在正确或错误的答案，且本研究仅用于学术目的。研究人员向他们保证，所有回答将严格保密并匿名处理，结果报告中不会披露任何可识别个人身份的信息。这些程序对于减少应答偏差、鼓励参与者如实作答以及提高所收集数据的可信度具有重要意义。在分析前，对已完成的问卷进行了筛选，以确保仅保留有效且可用的回应用于统计检验。

研究对象通过目的性抽样和滚雪球抽样相结合的方式，在中国东部和南部的省级训练中心、大学体育院系以及职业运动俱乐部中招募。纳入标准要求参与者为现役运动员（年龄≥16岁），具有至少一年的系统训练经历，并经常使用基于人工智能的运动表现工具（例如可穿戴传感器、视频分析软件或智能教练应用程序）。排除标准包括当前因伤病无法训练、问卷填写不完整或拒绝授权使用数据。所有参与者在参与前均签署书面知情同意书；对于18岁以下的运动员， additionally 获得其父母或监护人的同意。在翻译与文化适应方面，所有原始英文量表由两名精通双语的体育科学研究者独立翻译为中文，整合为一个统一版本后，再由第三位不了解原始条目的译者进行回译。通过专家小组讨论解决翻译中的分歧，随后对30名运动员（不包含在最终样本中）进行预试验，以确认语义、概念和情境上的等效性。该流程确保了测量工具在语言上的准确性和在中国运动员文化背景下的适用性。

数据分析技术
采用 SPSS 和 PLS-SEM 对收集的数据进行分析，因为这两种工具均适用于处理定量调查数据，并可用于检验涉及中介效应和多维潜变量的复杂理论模型。在分析的第一阶段，使用 SPSS 进行数据准备和初步统计检验，包括对问卷回答进行编码、检查缺失值、识别异常值、筛查不完整的问卷，并生成人口统计学变量和研究变量的描述性统计结果，如频数、均值和标准差。SPSS 还用于初步评估量表的内部一致性，以确保数据适合进一步的多变量分析。在第二阶段，采用 PLS-SEM 对测量模型和结构模型进行评估。选择 PLS-SEM 的原因是，当研究涉及高阶构念、以预测为导向的研究目标、中介关系，以及不一定严格要求多变量正态性的模型时，该方法尤为适用。对测量模型的评估重点在于依据公认的标准（如 Fornell-Larcker 准则和 HTMT 比值）检验指标信度、外载荷、组合信度、Cronbach’s alpha 系数、平均方差提取量（AVE）以及区分效度。

在确认测量模型的充分性后，进一步评估了结构模型以检验假设关系。通过使用5,000个子样本进行自举法（bootstrapping）分析，获得路径系数、t值、p值以及偏差校正的95%置信区间，该方法被推荐用于PLS-SEM中稳定且可靠的显著性检验。通过决定系数（R²）、效应量（f²）和预测相关性（Q²）来考察模型的解释力。首先评估了人工智能使用、运动员自我效能、心理幸福感与感知运动表现之间的假设结构关系，随后检验心理幸福感的中介作用。中介分析通过评估人工智能使用经由心理幸福感对感知运动表现的特定间接效应，以及运动员自我效能经由心理幸福感对感知运动表现的间接效应的显著性来进行，并采用相同的自举法程序为间接路径生成稳健的置信区间。此外，由于所有变量均来自同一份调查工具，因此对共同方法偏差进行了检验，以增强分析的严谨性。综上所述，使用SPSS进行初步数据筛查，并结合PLS-SEM进行结构建模，为假设检验提供了系统且稳健的分析框架。

结果

描述性统计（N = 385）
采用描述性统计对研究变量的基本特征进行概括，以便在开展高级统计分析前对数据形成初步理解。在定量研究中，描述性统计至关重要，因为它们能够反映参与者回答的平均水平以及回答在样本中的变异程度。本研究中，均值反映了运动员对人工智能使用、运动员自我效能、心理幸福感以及感知运动表现的一般认同水平，而标准差则体现了回答值围绕均值的离散程度。这些统计量有助于判断数据在可接受范围内是否呈正态分布，以及受访者对研究变量的感知普遍处于低、中等还是高水平。

变量

N

最小值

最大值

平均值

讨论

在解释实质性研究结果之前，有必要阐明本研究的某些分析和方法学边界。本研究采用横断面调查设计，并通过基于方差的结构方程模型（PLS-SEM）分析数据。因此，作者将数据划分为模型稳健性与预测相关性两部分，分别通过自举法（5,000 次重抽样）和 PLSpredict 程序中的 Stone-Geisser Q² 统计量进行评估，这些方法在结构方程模型框架内起到了等效的方法学保障作用，以确保结果的稳定性与可推广性。

关于共同方法偏差（CMB），作者承认仅使用完全共线性方差膨胀因子（VIF）虽有一定帮助，但尚不足以完全排除自陈式单源数据中的CMB问题。为提供更充分的论证，本研究在程序和统计层面均采取了相应措施。在程序上，作者确保了作答的匿名性，采用清晰且具有区分度的量表锚点以减少一致性偏差，并通过将预测变量与效标变量分置于问卷的不同部分并辅以不同的指导语，实现作答的临近分离。在统计上，作者对所有测量条目进行了Harman单因子检验；未旋转的因子分析结果显示，单一因子解释的总方差低于50%（具体为34.6%），表明不存在单一因子主导方差结构的情况...

材料

本文使用的材料清单

姓名	公司	目录编号	评论
人工智能使用量表（运动领域改编版）	改编自 Abbas 等人 [42]	[42]	不适用
运动员自我效能感量表（多维）	改编自 Koçak [45]	[45]	不适用
IBM SPSS Statistics（版本 28）	IBM Corp., Armonk, NY, USA	https://www.ibm.com/products/spss-statistics	SCR_002865
感知运动表现量表	改编自 Hill 等人 [44]	[44]	不适用
预试验问卷	内部开发	内部开发（工具）	不适用
儿童心理幸福感量表（PWB-c）– 改编用于成年运动员	改编自 Opree 等人 [43]	[43]	不适用
SmartPLS（版本 4.2）	SmartPLS GmbH, Oststeinbek, Germany	https://www.smartpls.com/	SCR_022040
翻译与回译程序（双语专家）	内部开发（运动心理学研究人员）	内部开发（程序）	不适用