心理韧性对公共管理学生AI焦虑的预测作用：基于自我决定理论的潜在剖面分析

本文基于自我决定理论(SDT)框架，通过对1247名中国公共管理专业学生进行潜在剖面分析(LPA)，识别出四种AI焦虑亚型（最小影响型、社会风险导向型、社会技术敏感型、高度警觉型）。研究发现心理韧性可作为关键保护因子显著降低高焦虑群体归属风险（OR值<1），为构建需要支持型学习环境提供了实证依据。研究结果对设计包容性AI教育课程具有重要指导意义。

　　

Highlight

本研究的亮点在于采用人本中心的潜在剖面分析(LPA)方法，首次在中国公共管理专业学生群体中揭示了AI焦虑的异质性模式。研究结果不仅验证了自我决定理论(SDT)在数字教育场景的解释力，更发现心理韧性作为关键保护因子可使高焦虑群体归属风险降低40%-60%，为精准化心理健康干预提供了新靶点。

Latent profile solution

为识别具有不同AI焦虑模式的学生亚群，我们拟合了包含1-6个剖面的LPA模型序列。模型拟合优度评估采用经典指标：Akaike信息准则(AIC)、贝叶斯信息准则(BIC)、样本量调整BIC(aBIC)和熵值。较低AIC/BIC值代表更优模型拟合（Schwarz, 1978），而较高熵值（0-1范围）暗示更精确的分类效能（详见表2）。通过系统比较，四剖面模型被证实为最优解：其AIC=12,347.52，BIC=12,528.16，aBIC=12,418.73，熵值=0.89，且Lo-Mendell-Rubin似然比检验(LMR-LRT)和Bootstrap似然比检验(BLRT)均达到显著性水平(p<0.001)。各剖面特征如下：

• •
  剖面1（最小影响型，38.2%）：在所有AI焦虑维度均呈现低分值，表现为适应性最佳群体；
• •
  剖面2（社会风险导向型，24.7%）：主要关注AI伦理与社会影响，技术操作焦虑较低；
• •
  剖面3（社会技术敏感型，21.5%）：同时存在中高水平的技术掌控焦虑与社会伦理担忧；
• •
  剖面4（高度警觉型，15.6%）：在所有焦虑维度均呈现临床临界水平的高分值。

Discussion

本研究基于自我决定理论(SDT)框架，首次在中国公共管理专业学生中揭示了AI焦虑的异质性模式。四类焦虑剖面的发现印证了SDT的核心观点：基本心理需要（自主性、胜任力、归属感）的受挫模式存在质性的个体差异（Ryan & Deci, 2017）。高度警觉型群体(15.6%)在全部焦虑维度的高分值表现，可能映射出三重需要同时受损的"累积性挫败"状态，这与Vansteenkiste等人(2020)关于需要挫败协同效应的研究相呼应。

心理韧性作为显著保护因子的发现具有重要实践价值。多元逻辑回归显示，韧性每提升一个标准差，归属高度警觉组的概率下降62%（OR=0.38, p<0.001），这一结果支持将韧性训练纳入AI教育过渡期的心理免疫体系。从机制角度看，高韧性学生可能更善于在技术变革中重构自主性（如将AI工具视为拓展能力的"外脑"），通过成长型思维维持胜任感，并主动创建人机协作的新型归属模式（Neufeld et al., 2020a）。

值得注意的是，社会风险导向型群体(24.7%)的存在凸显了公共管理专业的特殊性。该群体对AI伦理的高度敏感反而可能成为专业优势，关键是通过课程设计将其转化为负责任创新的内驱力（如开设"AI治理沙盘模拟"课程）。这与SDT强调的"内化调节"过程高度契合——当外部要求与个人价值观相融时，焦虑可转化为深度参与的催化剂（Ryan & Deci, 2017）。

Conclusion

本研究通过潜在剖面分析在中国公共管理学生中识别出四种AI焦虑亚型，证实心理韧性是缓冲焦虑风险的关键因子。结果强调在AI教育整合过程中，需同步关注技术培训与心理需要支持，特别应针对不同焦虑剖面设计差异化干预策略。