1. 引言
目前ChatGPT是AIGC中较有代表性的平台之一。ChatGPT是由OpenAI开发的预训练语言模型，该模型是在大量互联网文本数据上训练的，能够生成类似人类的文本。除了生成文本的能力之外，ChatGPT还具有理解和解释文本含义的能力，这使得它可以用于各种自然语言处理任务。它可以用于各种应用程序，如客户服务聊天机器人，虚拟助手或语音设备。它还用于在创意写作、语言翻译和摘要中生成文本[1]。当前，AIGC已成为驱动新数字时代创新发展的新动力源，在包括媒体、电子商务、娱乐业、影视产业等多个行业得到广泛应用，并且已取得显著的实践效果。在教育领域，其应用价值和潜力也受到了广泛瞩目。尽管AIGC在教育领域能够帮助师生进行疑难解答、创意写作以及语言翻译等等，为师生学习交流带来了许多便利，研究表明，如ChatGPT等生成式人工智能更容易使教育系统受到外部威胁的影响[2]，例如容易产生考试作弊等学术不端的行为这会使学生最终将失去产生原创想法的能力[3]。
在教育学领域，作为人工智能，由于ChatGPT能够在高级认知任务中生成与人类生成的文本几乎无法区分的文本，因此ChatGPT的这种能力引发了人们对其在教育和研究中的潜在用途的担忧[4]。可见，在大数据时代，生成式人工智能虽然可以各个领域带来实用的帮助，但是也会产生不可无视的消极影响。目前，对AIGC在心理压力和学习倦怠等方面的相关影响研究文献较少，并且目前在教育和职业领域得到广泛应用，本研究聚焦于教育学领域，以职前教师为研究对象，对AIGC给职前教师所带来的心理压力和学习倦怠的影响进行研究。
我们回顾了相关文献，并在下一节提出了检验假设。然后讨论了研究方法、数据集和回归模型的规范。然后介绍和讨论结果。结果总结在结论部分，其中还讨论了研究的局限性和未解决的问题，以及理论和实践的后果。
2. 文献综述和假设开发
2.1. 使用AIGC所带来的心理压力对职前教师自我效能感的影响
在AIGC给教育领域带来巨大便利的同时，AIGC的使用给其他方面带来的影响也引起的人们的重视。人工智能伦理意识与自我效能、行为意图以及对人工智能的积极态度呈正相关并提出学生的人工智能伦理意识不可忽视[5]，人工智能影响学生的创造力、自我效能感和学习成绩，且人工智能水平越高，对这些因素的影响越显著[6]。可见，使用人工智能是影响学生自我效能的重要因素，并且人工智能所存在的道德伦理问题是难以避免的。因此，本研究从将AIGC长期用于学习所引起的心理压力的视角，探究对学生自我效能感的影响，自我效能感是基于个人对自己技能和能力的自我感知，这一概念反映了一个人的内部信念，即他们是否拥有对任务表现重要的能力，以及他们是否有能力将这些技能有效地转化为选定的结果[7]。这导致了以下假设：
H1：使用AIGC所带来的心理压力对职前老师的自我效能有显著的负向影响。
2.2. 使用AIGC所带来的心理压力对职前教师人工智能焦虑的影响
职前教师的人工智能焦虑感也是影响他们在学习和教学中使用AIGC的关键因素之一，人工智能焦虑指的是个人在开发和使用人工智能系统时可能经历的恐惧、担忧或不确定性。这种焦虑可能是由多种因素驱动的，包括对工作调动、隐私和安全风险的担忧，或者人工智能系统可能存在偏见或歧视[8]。人工智能伦理意识得分越高，学生的人工智能焦虑感就越低，因此提出在教学中应加强对学生的人工智能伦理意识的培养。人工智能焦虑包括人工智能学习焦虑和人工智能工作替代焦虑，人工智能学习焦虑和人工智能工作替代焦虑均会影响学生的学习动机[9]。除此之外，人工智能焦虑和对机器学习的态度彼此密切相关，因为它们都反映了个人对人工智能技术潜在利益和风险的看法和信念[10]。这导致了以下假设：
H2：使用AIGC所带来的心理压力对职前教师的人工智能焦虑感有显著的正向影响。
2.3. 职前教师人工智能焦虑对自我效能感的影响
随着人工智能的快速发展，人工智能焦虑已经出现并且收到了广泛关注。在人工智能焦虑之前出现的是类似的计算机焦虑，计算机焦虑出现与大约在30多年前[11]。但是，尽管计算机也能执行人类的工作任务，但其操作本质上仍然是机械的、受指令驱动的[12]；而AI则具备自主决策能力，能够在无需人为干预的情况下独立运行[13]。但是，人工智能焦虑可能带来无法预见的风险[14]。根据社会认知理论，在学生焦虑情绪的触发过程中，自我效能感扮演着至关重要的角色。具备较高自我效能感的人更有可能勇敢面对“潜在负面事件”，并能以积极的心态应对压力，往往更能成功地将不利局面转化为积极成果。因此，个体只有在认为自己无力应对可能出现的危害时，才会产生焦虑感[15]。这导致了以下假设：
H3：职前老师的焦虑感对其自我效能有显著的负向影响。
2.4. 使用AIGC所带来的心理压力、人工智能焦虑和自我效能对学习倦怠的影响
随着社会的发展，人们遇到的压力和焦虑越来越频繁和多样化。有研究结果显示，人工智能意识与工作倦怠呈正相关[16]。倦怠是一种由工作中的慢性压力引起的综合征，对人的幸福和健康有多种影响[17]。强大的心理压力往往会引起对职业的厌倦。同时，在职前教师的自我效能方面是指教师对完成教学任务和教好学生的能力的主观看法和信念。这一概念还涉及教师对教学关系、他们在学生发展中的作用以及其他问题的总体看法和判断。作为职前教师，完成教学任务和教好学生的能力是必不可少的，因此当职前教师在学习和工作中面临更大的压力时，他们往往会产生较低的自我效能感而感到厌倦[18]。Brissie等人提出[19]，自我效能感可以预测教师的工作倦怠水平。这导致了以下假设：
H4：职前教师使用AIGC所带来的心理压力、人工智能焦虑对学习倦怠呈显著正相关，自我效能对学习倦怠呈显著负相关。
2.5. 人工智能焦虑对使用AIGC所带来的心理压力与学习倦怠的中介影响
长期使用AIGC或者以不正当目的使用AIGC辅助学习都会存在潜在的心理压力，人工智能焦虑可能在AIGC所带来的心理压力对学习倦怠的影响过程中发挥着重要作用。倦怠的特征是情绪衰竭、愤世嫉俗和个人成就感下降。Cole等人发现[20]，情绪衰竭和愤世嫉俗与焦虑症状呈正相关，也就是说，一个人的情绪越疲惫、愤世嫉俗，对工作的效率越低，他/她就会越焦虑，并且长期焦虑可能引起心理压力。这导致了以下假设：
H5：人工智能焦虑在职前教师使用AIGC所带来的心理压力对学习倦怠感的影响中起中介作用。
2.6. 职前教师自我效能感对使用AIGC所带来的心理压力和学习倦怠感的中介作用
自我效能感与倦怠之间的关联具有复杂的历史脉络。最初的研究观点认为，倦怠可被视为一种“自我效能的危机”[21]。然而，有研究提出发现自我效能感与倦怠各成分之间只存在中低程度的相关性[22]。工作需求–资源模型[23]等框架指出，自我效能信念是一种重要的个体内部资源，其与倦怠的发生呈负相关关系。对于学生的自我效能感而言，Bulfone等人[24]的研究进一步证实了这一点，他们发现在学生群体中，自我效能信念确实对未来可能出现的学习倦怠有实质性的影响作用。这导致了以下假设：
H6：职前教师自我效能感介导使用AIGC所带来的心理压力对学习倦怠感的显著影响。
3. 研究方法
3.1. 研究假设
我们创建了六个可测试的假设，即使用AIGC所带来的心理压力、职前教师自我效能感、人工智能焦虑和职前教师学习倦怠感之间的联系。具体如图1所示。
Figure 1. Intermediary framework diagram
图1. 中介框架图
3.2. 人口与样本
本研究所针对的对象是浙江省某师范大学内具有代表性的大三阶段师范生群体。具体比例分布如表1所示：科学类师范生占比35.8%，数学类师范生占比27.1%，技术类师范生占比37.1%。这样的样本选择旨在全面反映不同方向职前教师在面对AIGC等新兴技术时可能产生的心理压力，从而为今后教育政策制定者和教育工作者提供有针对性的策略参考。在返回的415份问卷中，有效问卷394份(94.9%) (表1)；在参与者中，200人(50.8%)是男性，194人(49.2%)是女性，141人(35.8%)学习科学师范专业，146人(37.1%)学习技术师范专业，107人(27.1%)学习数学师范专业。
Table 1. Population characteristics
表1. 人口特征
人口统计学特征 |
|
数量 |
占比(%) |
性别 |
男性 |
200 |
50.8 |
女性 |
194 |
49.2 |
专业 |
科学类 |
141 |
35.8 |
技术类 |
146 |
37.1 |
数学类 |
107 |
27.1 |
3.3. 测量方法
本研究采用了国际上广泛认可的Likert五点量表作为主要工具，对职前教师使用AIGC时所带来的心理压力、人工智能焦虑、自我效能和学习倦怠等方面进行了深入的量化评估。问卷设计基于已发表的国内外学术文献中经过验证的有效量表，确保了数据收集的可靠性和有效性。
3.3.1. 使用AIGC带来的心理压力
我们使用Kessler [25]开发的K10量表(The Kessler Psychological Distress Scale, K10)来测量职前教师使用AIGC时所存在的心里困扰程度。它包含10个问题或项目，涉及焦虑、抑郁和其他常见心理健康问题的症状。受访者根据自己的感受选择相应的答案等级，以此来反映他们在过去一个月中受到心理压力的程度。我们使用五分Likert量表对每个项目进行评分。分数越高，心理压力水平就越高。本次调查基于Cronbach系数α的可靠性值为0.907。
3.3.2. 人工智能焦虑
我们使用Venkatesh等人[26]开发的技术接受模型中的问题来测量人工智能焦虑。此外，我们将术语“技术”和/或“系统”更改为“AIGC”。该工具包括四个关于使用人工智能技术的焦虑项目。我们使用五分Likert量表对每个项目进行评分。分数越高，焦虑水平就越高。本次调查基于Cronbach系数α的可靠性值为0.863。
3.3.3. 自我效能
我们使用Venkatesh等人的TAM中的问题来测量自我效能，包括四个项目。参与者对每个项目进行了5分制的李克特量表，分数越高，表明使用基于人工智能的技术的自我效能越高。本次调查基于Cronbach系数α的可靠性值为0.816。
3.3.4. 学习倦怠
我们使用由美国心理学家Christina Maslach和Suzanne Jackson [27]在1981年开发的MBI (Maslach Burnout Inventory)倦怠量表。此外，我们根据“学习倦怠”对该工具术语进行了略微修改。该工具包含三个维度：情绪衰竭、人格解体以及个人成就感降低。参与者对每个项目进行了5分制的李克特量表，分数越高，表明学习倦怠感越高。本次调查基于Cronbach系数α的可靠性值为0.947。
4. 数据分析和假设检验
在对原始数据进行标准化后，本研究采用SPSS 29.0对样本进行了数据分析。
4.1. 各变量的描述性统计和相关性分析
每个变量的平均值、标准偏差和相关系数如表2所示。从表中可以看出，使用AIGC所带来的心理压力、人工智能焦虑、职前教师的自我效能感与学习倦怠之间存在显著的正相关。使用AIGC所带来的心理压力与职前教师的学习倦怠呈显著正相关(r = 0.915, p < 0.01)；职前教师使用AIGC所带来的心理压力与与自我效能呈正相关(r = 0.652, p < 0.01)；使用AIGC所带来的心理压力与人工智能焦虑呈正相关(r = 0.846, p < 0.01)；STEM职前教师自我效能感与学习倦怠呈显著正相关(r = 0.659, p < 0.01)；STEM职前教师的人工智能焦虑与学习倦怠呈正相关(r = 0.845, p < 0.01)。
Table 2. Descriptive statistics and correlation coefficients for each variable (n = 394)
表2.每个变量的描述性统计和相关系数(n = 394)
类别 |
M ± SD |
1 |
2 |
3 |
1 使用AIGC所带来的心理压力 |
3.58 ± 0.95 |
|
|
|
2 人工智能焦虑 |
3.74 ± 0.86 |
0.846** |
|
|
3 自我效能 |
3.49 ± 1.00 |
0.652** |
0.634** |
|
4 学习倦怠 |
3.54 ± 0.94 |
0.915** |
0.845** |
0.659** |
*Represents p < 0.05, ** represents p < 0.01, *** represents p < 0.001, same below.
4.2. 差异性分析
使用独立样本T检验对不同性别之间是否有使用AIGC所带来的心理压力、人工智能焦虑、自我效能以及学习倦怠差异进行分析。结果如表3所示，对使用AIGC所带来的心理压力分析结果为t = 0.606，p > 0.05；对人工智能焦虑的分析结果为t = 1.323，p > 0.05；对自我效能的分析结果为t = 1.056，p > 0.05；在学习倦怠的分析结果为t = 0.897，p > 0.05。所以不同性别在各个维度上的差异均不显著。
Table 3. Gender differences in various dimensions
表3. 各维度在性别上的差异
维度 |
性别 |
样本量 |
平均值 |
标准差 |
T值 |
使用AIGC所带来的心理压力 |
男性 |
200 |
3.605 |
0.994 |
0.606 |
女性 |
194 |
3.547 |
0.897 |
人工智能焦虑 |
男性 |
200 |
3.546 |
0.997 |
1.323 |
女性 |
194 |
3.439 |
1.010 |
自我效能 |
男性 |
200 |
3.798 |
0.839 |
1.056 |
女性 |
194 |
3.684 |
0.878 |
学习倦怠 |
男性 |
200 |
3.580 |
0.931 |
0.897 |
女性 |
194 |
3.495 |
0.951 |
4.3. 变量间的多元逐步回归分析
本研究以职前教师的学习倦怠为因变量，以使用AIGC所带来的心理压力、人工智能焦虑以及职前教师的自我效能感为预测变量，进行多元逐步回归分析。结果如表3所示，相应的回归方程为：
学习倦怠感 = 0.671 × 使用AIGC所带来的心理压力 + 0.084 × 人工智能焦虑 + 0.211 × 职前教师的自我效能 + 0.090
同时，根据表4结果显示，模型具有较高的拟合优度，具体表现为决定系数(R2)达到0.858，这意味着模型中的自变量共同解释了因变量变异性的85.8%。这一结果表明模型具有较强的解释力和预测能力，即我们选择的使用AIGC所带来的心理压力、人工智能焦虑以及职前教师的自我效能感对职前教师的学习倦怠感的影响显著且综合效果较好。
Table 4. Multivariate stepwise regression analysis between variables
表4. 变量间的多元逐步回归分析
维度 |
非标准化系数 |
标准化系数 |
t |
P |
R2 |
∆R2 |
β |
标准误差 |
使用AIGC所带来的心理压力 |
0.671 |
0.037 |
0.675 |
18.112 |
0.000 |
0.858 |
0.857 |
人工智能焦虑 |
0.084 |
0.028 |
0.076 |
2.698 |
自我效能 |
0.211 |
0.034 |
0.225 |
6.165 |
常数项 |
0.090 |
0.083 |
|
1.082 |
0.280 |
4.4. 多组分析
如图2所示，模型分析验证了假设2的正确性，数据显示从使用AIGC导致的心理压力到人工智能焦虑这一路径上的系数显著，数值高达0.897 (p < 0.001)。此外，使用AIGC所带来的心理压力与职前教师自我效能感之间的路径系数为0.369 (p < 0.001)，这意味着随着心理压力增加，职前教师的自我效能感反而呈现出一定程度的增强趋势。同时，直接关联于使用AIGC所引发的心理压力与职前教师学习倦怠之间关系的路径系数极高，达到了0.909 (p < 0.001)，显示出两者之间有强烈的正向联系。
Figure 2. Path coefficient diagram
图2. 路径系数图
表5显示了对中介效应进行更彻底分析的结果。三种中介途径的置信区间均不包含0，且均达到显著水平。研究发现，人工智能焦虑和职前教师自我效能这两个中介变量对26.28%的职前教师使用AIGC所带来的心理压力对学习倦怠感的影响起到了连锁中介作用。
Table 5. Mediation effect value and effect size
表5. 中介效应值和效应大小
中介路径 |
中介效应值 |
置信区间下限 |
置信区间上限 |
相对效应(%) |
心理压力 → 人工智能焦虑 → 倦怠 |
0.189 |
0.109 |
0.278 |
20.82 |
心理压力 → 自我效能 → 学习倦怠 |
0.031 |
0.008 |
0.065 |
3.40 |
心理压力 → 人工智能焦虑 → 自我效能 → 学习倦怠 |
0.019 |
0.005 |
0.037 |
2.06 |
总间接影响 |
0.239 |
0.154 |
0.338 |
26.28 |
5. 讨论和结论
5.1. 讨论
针对假设1的研究结果显示，职前教师在应用AIGC后感受到的心理压力与其自我效能呈正相关，即压力越大，自我效能越高，这与相关研究提出的教师压力与自我效能负相关的观点相悖。这一现象可能是由于适度的压力能激发个体的挑战意识和积极性，促使他们更加努力地追求目标；当通过使用AIGC取得成功时，会增强他们的自我效能感，许多学生认为利用AIGC可以提高学术表现。对于假设2，结果与假设一致，数据显示在使用AIGC时，心理压力越大的同时也会增强职前教师对人工智能技术的恐惧；对于假设3，与研究结果相反，数据显示职前教师的人工智能焦虑感越强，反而会提升其自我效能，正如一种挑战性压力的转化机制[28]，当教师面对人工智能技术时，初始的焦虑情绪可能是由于对新技术的不熟悉、担心无法有效运用或担忧被技术取代等心理状态所引发的。然而，在教育和适应过程中，适度的压力可以激发个体克服困难的决心，促使他们投入更多时间和精力去学习和掌握这些技术。
进一步的研究显示，对于假设4，长期或不恰当使用AIGC，例如将其用于抄袭等非正当目的，将会加剧职前教师的学习倦怠状况，这一点与Baran等人[29]的研究成果相吻合。同时，研究还证实了人工智能焦虑与学习倦怠感之间存在着明显的正相关性，即人工智能焦虑水平越高，学习倦怠的程度就越严重，这与我们的预设假设一致。这意味着，那些对人工智能持有较高焦虑情绪的学生可能会担忧自己无法妥善应对AI所带来的复杂结果，这种担忧会转化为持续的焦虑状态，进一步加深他们的学习倦怠感。因此，普及AIGC的相关知识显得至关重要，让学生全面了解该技术带来的正面价值及其潜在风险，通过接触和实践积累经验，有助于培养他们积极接纳和有效运用人工智能技术的态度，从而增加合理使用AIGC的意愿和能力。
最后，对于假设5和假设6，研究着重探讨了人工智能焦虑和职前教师自我效能感在使用AIGC引发的心理压力与学习倦怠之间的间接中介效应。研究结果显示，当职前教师运用AIGC时，不仅能够有效地提升自我效能感，这一结论与Kwak等学者的研究结论相符，而且在职前教师群体中观察到了一个新颖的现象，即使用AIGC所带来的心理压力、人工智能焦虑与其自我效能感之间呈现出显著的正相关性，这是以往研究未曾关注到的重要发现。
5.2. 结论
本文以浙江省某师范大学394名STEM职前教师为研究对象，深入探讨了在教学和学习环境中引入人工智能生成内容技术，尤其是以ChatGPT为代表的应用情境下，对教师心理压力、人工智能焦虑、自我效能感以及学业倦怠之间相互关系的影响。通过对学生进行AIGC道德伦理知识的科普，使他们理解如何在遵守学术规范的前提下合理利用AIGC辅助教学与学习，将有助于降低因新技术引入而产生的不确定性和恐惧感，从而减少心理压力和焦虑情绪。其次，研究发现自我效能感在影响职前教师学习倦怠感方面扮演着核心角色。提高教师的自我效能感能够有效抵御由AIGC使用引发的心理压力，进而降低学业倦怠的发生概率。因此，在职前教师培训课程中，应注重培养他们适应和驾驭AIGC等新兴技术的能力，引导教师视AIGC为教学与学习过程中的有力辅助工具而非威胁或负担，鼓励他们在实践中发掘和发挥AIGC的优势，同时避免潜在的伦理问题。