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....

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....

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