DOI: https://doi.org/10.3389/fcomp.2026.1756441
تاريخ النشر: 2026-03-04
المؤلف: Yanling Lan وآخرون
الموضوع الرئيسي: التوتر التكنولوجي في البيئات المهنية
نظرة عامة
تستكشف هذه الورقة البحثية الآليات النفسية التي تربط بين الإمكانيات التكنولوجية للذكاء الاصطناعي (AI) والسلوكيات المرتبطة بالاعتماد والإرهاق التعليمي بين طلاب الجامعات، باستخدام إطار عمل I-PACE. تم تقييم متغيرات مثل الفائدة المدركة، والتفكير الساكن، والمتعة المدركة، والاعتماد على الذكاء الاصطناعي، وإدمان الذكاء الاصطناعي، والإرهاق التعليمي من خلال مسح عرضي شمل 412 طالبًا جامعيًا صينيًا. استخدمت التحليلات نمذجة المعادلات الهيكلية (SEM) لاستكشاف العلاقات المباشرة والوسيطة، وكشفت أن الفائدة المدركة والمتعة تنبأت بشكل كبير بكل من الاعتماد على الذكاء الاصطناعي والإدمان. بالإضافة إلى ذلك، وُجد أن الاعتماد على الذكاء الاصطناعي والإدمان كانا من المتنبئين الرئيسيين للإرهاق التعليمي، مع تحليل الوساطة التسلسلية الذي يشير إلى أن هذه الاعتمادات وسّعت تأثيرات الفائدة المدركة والمتعة على الإرهاق التعليمي.
تؤكد النتائج على الدور الحاسم لتصورات الطلاب وأنماطهم المعرفية في تعزيز الاعتماد على الذكاء الاصطناعي والإدمان، مما يسهم بدوره في الإرهاق التعليمي. من خلال دمج الإرهاق التعليمي في نموذج I-PACE، توسع الدراسة الإطار لفهم العواقب السلبية للاعتماد على الذكاء الاصطناعي في السياقات التعليمية. تشير النتائج إلى الحاجة لتعزيز الثقافة المتعلقة بالذكاء الاصطناعي ومهارات التنظيم الذاتي بين الطلاب للتخفيف من المخاطر المرتبطة بتقنيات الذكاء الاصطناعي مع تعظيم فوائدها التعليمية. تقدم هذه الدراسة رؤى قيمة لتعزيز استخدام الذكاء الاصطناعي بشكل صحي وتجارب تعلم مستدامة في المشهد المتطور للتعليم الذكي.
مقدمة
تسلط مقدمة الورقة البحثية الضوء على التأثير الكبير للذكاء الاصطناعي (AI) على التعليم التقليدي، لا سيما فيما يتعلق بظهور الاعتماد والسلوكيات الإدمانية بين الطلاب. تتجلى هذه السلوكيات كاعتماد عاطفي ووظيفي على تقنيات الذكاء الاصطناعي، مثل روبوتات الدردشة والوكلاء المحادثين، مما يمكن أن يؤدي إلى الاستخدام القهري وإمكانية إدمان الذكاء الاصطناعي. يؤثر هذا الإدمان سلبًا على الرفاهية النفسية للطلاب، والقدرات المعرفية، وتنظيم السلوك، مما يسهم في زيادة القلق والاكتئاب والإرهاق التعليمي – وهو مصدر قلق متزايد في التعليم العالي يتميز باللامبالاة الأكاديمية والإرهاق.
تستخدم الدراسة نموذج تفاعل الشخص-العاطفة-الإدراك-التنفيذ (I-PACE) لاستكشاف الآليات الكامنة وراء الاعتماد على الذكاء الاصطناعي والإدمان بين طلاب الجامعات الصينية. تحدد ثلاثة استجابات نفسية رئيسية – الفائدة المدركة، والمتعة المدركة، والتفكير الساكن – التي تؤثر على تطوير سلوكيات مرتبطة بالاعتماد. يوضح نموذج I-PACE كيف يمكن أن يتطور استخدام التكنولوجيا من الانخراط الوظيفي إلى الأنماط القهرية، مع التأكيد على أدوار الاعتماد العاطفي، والتحيزات المعرفية، والعيوب في الوظائف التنفيذية. من خلال دمج هذه العوامل، تهدف الدراسة إلى تقديم إطار شامل لفهم المسارات التي تربط بين الاعتماد على الذكاء الاصطناعي، والإدمان، والإرهاق التعليمي، مقدمة رؤى للممارسات التعليمية والتدخلات النفسية في بيئات التعلم المعززة بالذكاء الاصطناعي.
الطرق
تحدد قسم “الطرق” في الورقة البحثية التصميم التجريبي والتقنيات التحليلية المستخدمة للتحقيق في أسئلة البحث. استخدمت الدراسة نهجًا كميًا، متضمنة تحليلات إحصائية لتقييم البيانات المجمعة من تجارب مختلفة. تم اختيار المشاركين من خلال طريقة عينة منهجية، مما يضمن عينة تمثيلية لأهداف الدراسة.
شملت جمع البيانات استخدام أدوات وبروتوكولات موحدة للحفاظ على الاتساق والموثوقية. تم إجراء التحليل باستخدام أدوات برمجية سهلت تطبيق الاختبارات الإحصائية المناسبة، مثل اختبارات t وANOVA، لتقييم دلالة النتائج. كما يتناول القسم الاعتبارات الأخلاقية التي تم أخذها بعين الاعتبار، بما في ذلك الموافقة المستنيرة وتدابير السرية للمشاركين. بشكل عام، تم تصميم الطرق المستخدمة بدقة لضمان صلاحية وموثوقية النتائج التي تم الحصول عليها.
المناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على التأثير التحويلي لتكنولوجيا الذكاء الاصطناعي على التعليم العالي، مع التأكيد على إمكانياتها لتعزيز التعلم من خلال الدعم الشخصي ومعالجة المهام بكفاءة. ومع ذلك، تثير أيضًا مخاوف بشأن العواقب السلبية للاعتماد على الذكاء الاصطناعي والإدمان بين الطلاب. أدى دمج أدوات الذكاء الاصطناعي إلى تغييرات كبيرة في الممارسات التعليمية، ولكنه أدى أيضًا إلى تحديات مثل تراجع النزاهة الأكاديمية، والاعتبارات الأخلاقية، وانخفاض المهارات المعرفية العليا. تؤكد الورقة على أهمية معالجة هذه القضايا من خلال التنظيم الفني والتركيز على الدافع الداخلي للطلاب لمنع سوء استخدام تكنولوجيا الذكاء الاصطناعي.
علاوة على ذلك، يحدد القسم ظاهرة الإرهاق التعليمي، التي تتميز بالإرهاق العاطفي وانخفاض الإنجاز الأكاديمي، والتي يمكن أن تتفاقم بسبب الاعتماد على الذكاء الاصطناعي. يجادل المؤلفون بأن اعتماد الطلاب على الذكاء الاصطناعي يمكن أن يؤدي إلى دورة مفرغة من الاعتماد المفرط، مما يؤدي إلى إرهاق معرفي وانخفاض في مهارات التفكير النقدي. تختتم المناقشة بتحديد الفجوات في الأبحاث الحالية، لا سيما الحاجة إلى إطار نظري شامل يربط بين الاعتماد على الذكاء الاصطناعي والإدمان والإرهاق التعليمي، وتقترح سلسلة من أسئلة البحث لتوجيه الدراسات المستقبلية في هذا المجال.
القيود
تسلط قسم القيود الضوء على عدة قيود للدراسة، التي تستخدم بشكل أساسي نمذجة المعادلات الهيكلية (SEM) لتحليل العلاقات بين الاعتماد على الذكاء الاصطناعي، والإدمان، والإرهاق التعليمي. تشمل القيود الرئيسية نقص البيانات النوعية، مما يحد من الرؤى حول التجارب العاطفية للطلاب في بيئات التعلم المعززة بالذكاء الاصطناعي، وتركيز العينة الإقليمي على طلاب الجامعات من مقاطعة فوجيان، الصين، مما قد يحد من تعميم النتائج. بالإضافة إلى ذلك، فإن تركيز الدراسة على التفكير الساكن كصفة شخصية يتجاهل عوامل مؤثرة أخرى مثل الثقافة التقنية والدعم الاجتماعي. كما أن التصميم العرضي يحد من الاستدلال السببي، حيث لا يسمح باستكشاف العلاقات الديناميكية بين المتغيرات.
لمعالجة هذه القيود، يقترح المؤلفون عدة اتجاهات بحثية مستقبلية. تشمل هذه استخدام نهج مختلط للحصول على فهم أعمق للديناميات النفسية، وتوسيع العينة لتشمل مجموعات طلابية متنوعة، ودمج متغيرات نفسية إضافية لتعزيز النماذج التحليلية. يُوصى بإجراء دراسات طولية وتجارب محكومة للتحقيق في التطور الزمني للاعتماد على الذكاء الاصطناعي والإدمان، وكذلك لاستكشاف التأثيرات التكرارية المحتملة. أخيرًا، قد يوفر مقارنة انتقالات المراحل والاختلافات السياقية رؤى حول كيفية اختلاف مسار الوساطة عبر مهام التعلم المختلفة ومستويات الضغط، مما يسهم في فهم أكثر دقة لتأثير الذكاء الاصطناعي على الإرهاق التعليمي.
DOI: https://doi.org/10.3389/fcomp.2026.1756441
Publication Date: 2026-03-04
Author(s): Yanling Lan et al.
Primary Topic: Technostress in Professional Settings
Overview
This research paper investigates the psychological mechanisms linking technological affordances of artificial intelligence (AI) to dependency-related behaviors and learning burnout among college students, utilizing the I-PACE framework. A cross-sectional survey involving 412 Chinese college students assessed variables such as perceived usefulness, inert thinking, perceived enjoyment, AI dependence, AI addiction, and learning burnout. The analysis employed structural equation modeling (SEM) to explore direct and mediating relationships, revealing that perceived usefulness and enjoyment significantly predicted both AI dependence and addiction. Additionally, AI dependence and addiction were found to be significant predictors of learning burnout, with serial mediation analysis indicating that these dependencies jointly mediated the effects of perceived usefulness and enjoyment on learning burnout.
The findings underscore the critical role of students’ perceptions and cognitive patterns in fostering AI dependence and addiction, which in turn contribute to learning burnout. By integrating learning burnout into the I-PACE model, the study expands the framework to better understand the adverse consequences of AI reliance in educational contexts. The implications suggest a need for enhancing AI literacy and self-regulatory skills among students to mitigate the risks associated with AI technologies while maximizing their educational benefits. This research offers valuable insights for promoting healthier AI usage and sustainable learning experiences in the evolving landscape of intelligent education.
Introduction
The introduction of the research paper highlights the significant impact of artificial intelligence (AI) on traditional education, particularly concerning the emergence of dependence and addictive behaviors among students. These behaviors manifest as emotional and functional reliance on AI technologies, such as chatbots and conversational agents, which can lead to compulsive use and potential AI addiction. This addiction negatively affects students’ psychological well-being, cognitive abilities, and behavioral regulation, contributing to increased anxiety, depression, and learning burnout—a growing concern in higher education characterized by academic indifference and fatigue.
The study employs the Interaction of Person-Affect-Cognition-Execution (I-PACE) model to explore the mechanisms underlying AI dependence and addiction among Chinese university students. It identifies three key psychological responses—perceived usefulness, perceived enjoyment, and inert thinking—that influence the development of dependency-related behaviors. The I-PACE model elucidates how technology use can evolve from functional engagement to compulsive patterns, emphasizing the roles of emotional dependence, cognitive biases, and impairments in executive functioning. By integrating these factors, the study aims to provide a comprehensive framework for understanding the pathways linking AI dependence, addiction, and learning burnout, offering insights for educational practices and psychological interventions in AI-enhanced learning environments.
Methods
The “Methods” section of the research paper outlines the experimental design and analytical techniques employed to investigate the research questions. The study utilized a quantitative approach, incorporating statistical analyses to evaluate the data collected from various experiments. Participants were selected through a systematic sampling method, ensuring a representative sample for the study’s objectives.
Data collection involved the use of standardized instruments and protocols to maintain consistency and reliability. The analysis was conducted using software tools that facilitated the application of appropriate statistical tests, such as t-tests and ANOVA, to assess the significance of the findings. The section also details the ethical considerations taken into account, including informed consent and confidentiality measures for participants. Overall, the methods employed were rigorously designed to ensure the validity and reliability of the results obtained.
Discussion
The discussion section of the research paper highlights the transformative impact of AI technology on higher education, emphasizing its potential to enhance learning through personalized support and efficient task processing. However, it also raises concerns about the negative consequences of AI dependence and addiction among students. The integration of AI tools has led to significant changes in educational practices, but it has also resulted in challenges such as diminished academic integrity, ethical considerations, and a decline in higher-order cognitive skills. The paper underscores the importance of addressing these issues through technical regulation and a focus on students’ intrinsic motivation to prevent misuse of AI technology.
Furthermore, the section outlines the phenomenon of learning burnout, characterized by emotional exhaustion and reduced academic achievement, which can be exacerbated by reliance on AI. The authors argue that students’ dependence on AI can lead to a vicious cycle of overreliance, resulting in cognitive fatigue and a decline in critical thinking skills. The discussion concludes by identifying gaps in existing research, particularly the need for a comprehensive theoretical framework that links AI dependence and addiction to learning burnout, and proposes a series of research questions to guide future studies in this area.
Limitations
The section on limitations highlights several constraints of the study, which primarily employs structural equation modeling (SEM) to analyze the relationships between AI dependence, addiction, and learning burnout. Key limitations include the lack of qualitative data, which restricts insights into students’ emotional experiences in AI learning environments, and the sample’s regional focus on college students from Fujian Province, China, potentially limiting the generalizability of the findings. Additionally, the study’s emphasis on inert thinking as a personal trait overlooks other influential factors such as technical literacy and social support. The cross-sectional design further restricts causal inference, as it does not allow for the exploration of dynamic relationships among the constructs.
To address these limitations, the authors suggest several future research directions. These include employing mixed-methods approaches to gain a deeper understanding of psychological dynamics, expanding the sample to include diverse student populations, and incorporating additional psychological variables to enhance analytical models. Longitudinal studies and controlled experiments are recommended to investigate the temporal evolution of AI dependence and addiction, as well as to explore potential recursive effects. Lastly, comparing stage transitions and contextual variations may provide insights into how the mediation pathway varies across different learning tasks and stress levels, ultimately contributing to a more nuanced understanding of AI’s impact on learning burnout.