引言

Generative Artificial Intelligence（GenAI）正在持续重塑大学生在高等教育中的学习方式、信息处理方式与任务完成方式。与传统数字工具不同，GenAI能够直接生成结构完整、语言流畅的文本与建议，因此迅速进入各类学习活动。与此同时，教育场景中GenAI的伦理治理、人本监督与制度规范问题已成为研究重点（Alfiras et al.,2025）。然而，现有研究多从教育技术与政策视角展开，大学生为何会在学习任务中对GenAI形成过度依赖的心理机制仍缺乏深入探讨。

在这一背景下，本文关注的核心结果变量并非一般性的GenAI使用，而是GenAI过度依赖（GenAI Overreliance）。Hou et al.(2025) 将学生对GenAI的依赖行为划分为反思性使用、谨慎使用、无思考使用与协作使用四个维度。基于此，本研究将GenAI过度依赖界定为：学习者在与GenAI交互过程中表现出的无思考使用倾向，具体包括不加批判地采纳GenAI输出、缺乏对输出的批判性阅读与修改以及未能识别或质疑AI中的错误。由此可见，过度依赖并不等同于高频使用，也不只是对新技术的积极接受，而是一种可能削弱自主学习投入、真实性意识与责任归属的高风险依赖方式。

若要进一步探讨大学生为何会与GenAI过度依赖存在关联，仅从技术便利性、使用经验或工具熟练度出发是不够的。更关键的问题在于：当学生在学习任务中将本应由自己承担的认知活动转移给AI时，他们为何仍会认为这种做法是合理、必要甚至可以接受的？已有研究表明，学生在真实学术任务中使用GenAI时，往往同时面临效率收益、学术诚信、文本可靠性与伦理规范之间的张力（Hadinejad et al.,2025），而他们对不同伦理原则与责任边界的理解，也会影响其对“何种使用是可接受的”的判断（Yang et al.,2025）。这意味着，大学生与GenAI过度依赖之间的关联并非单纯的技术选择，而涉及对行为正当性与可接受性的持续判断。在这一点上，道德推脱（Moral Disengagement）可被视为一种认知性的自我免责机制，它使个体能够通过行为辩护、责任扩散与后果淡化来弱化对有害行为的道德自我制裁（Bandura et al.,1996）。与此同时，AI愧疚（AI guilt）则体现了学生在使用Gen AI完成学术任务时的内部道德情感约束，包括不真实性体验、被评价担忧以及身份与自我效能顾虑（Chan,2025）。基于上述理论，本研究构建了“道德推脱—AI愧疚—GenAI过度依赖”的中介模型。

一、研究假设

（一）道德推脱与GenAI过度依赖

道德推脱是指个体通过道德辩护、责任扩散、后果扭曲和归责转移等方式，对原本具有伦理风险的行为进行认知重构，从而削弱自我谴责与内在道德约束的过程（Bandura et al.,1996）。

在生成式AI情境中，道德推脱主要表现为几种典型的认知正当化方式。第一，学生可能将AI理解为中性的“工具”，从而把直接采用AI输出视为技术辅助，而非学习责任的转移。第二，学生可能以效率优先为理由，将快速获得答案解释为合理的学习策略。第三，学生可能借助规则模糊来转移责任，例如把“教师没有明确禁止”理解为“这样做是可以接受的”。第四，学生还可能诉诸“大家都在用”的群体常态化逻辑，以降低对行为风险的伦理敏感性。围绕GenAI高风险使用的研究已经表明，学生对AI不当使用方式的接受程度，并不只是由工具可用性和便利性所驱动，而同时受到道德义务、规范判断和行为合理化的影响（Huang et al.,2025）。

对于大学生而言，这种合理化的重要后果在于，它与高风险依赖的警惕性降低相关联。Hou et al.（2025）已指出，过度依赖的关键并不在于使用频率本身，而在于学习者是否在需要独立思考的情境中对AI输出表现出过度信任与无思考使用。因此，高风险AI依赖更接近一种具有心理驱动机制的问题性使用，而非单纯的技术便利选择。基于上述理论分析，本文提出如下假设：

H1：道德推脱正向预测大学生Gen AI过度依赖。

（二）AI愧疚与Gen AI过度依赖

AI愧疚（AI guilt）是指个体在使用GenAI完成原本应由自己承担的任务时产生的道德不适。Chan（2025）指出，AI愧疚并不是对AI的一般性负面态度，而是一种与任务真实性、成果归属和能力评价密切相关的具体道德情感，其主要表现包括不真实性体验与懒惰感、被评价担忧、身份与自我效能顾虑。Qu and Wang（2025）的研究进一步表明，AI愧疚在学术任务情境中具有明确的行为意义，它与学生使用GenAI的倾向呈显著关联，尤其在更强调原创性与创造性的任务中作用更为突出。相反，已有研究也表明，大学生对GenAI的非批判性依赖可能削弱批判性思维与认知投入，使AI从学习支持工具滑向认知替代工具（Salido et al.,2025）。因此，理论上可以预期，AI愧疚水平较高的学生，其生成式AI过度依赖水平较低。基于此，本文提出如下假设：

H2：AI愧疚负向预测大学生GenAI过度依赖。

（三）道德推脱与AI愧疚

从理论上看，道德推脱与AI愧疚并非彼此独立。前者是对高风险行为的认知正当化，后者则是对高风险行为的情感性自我谴责。道德推脱之所以重要，不仅在于它会改变个体对行为正当性的判断，更在于它会通过这种认知重构压低原本可能出现的道德不适。换言之，当个体能够说服自己“这只是工具使用”“规则本来就不清楚”“大家都这样做”或“这样做只是为了提高效率”时，原本会出现的内疚、不真实性和责任压力就更难以形成（Bandura et al.,1996）。因此，理论上可以推断，道德推脱水平较高的学生，其AI愧疚水平较低。基于此，本文提出如下假设：

H3：道德推脱负向预测AI愧疚。

（四）AI愧疚的中介作用

关于GenAI使用中的伦理考量与情绪体验的研究表明，伦理判断与情感反应并不是彼此分离的过程，而往往共同影响个体如何理解和使用AI（Farangi et al.,2024）。这为本文将AI愧疚置于道德推脱与GenAI过度依赖之间提供了进一步的理论支持。由此，本文提出如下假设：

H4：AI愧疚在道德推脱与大学生GenAI过度依赖之间发挥中介作用。

二、研究方法

（一）参与者与程序

本研究采用问卷调查法，已获得作者所在大学伦理委员会的批准。调查以近6个月使用过GenAI的中国在校本科生与硕士研究生为研究对象，通过线上问卷平台实施。问卷首页设置了知情同意书，向参与者说明研究目的、匿名与保密原则、数据仅用于学术研究用途、自愿参与及随时退出权利。参与者在勾选知情同意后进入正式填写。为尽可能降低共同方法偏差和社会赞许效应，问卷采用匿名填写方式，且所有题项均无对错之分，鼓励参与者根据真实感受作答。

在样本获取方式上，本研究采用便利抽样与滚雪球抽样相结合的方法，依托不同高校的课程群、院系通知群及学习平台发放电子问卷，并鼓励受访者在同学之间转发，以扩大样本覆盖范围。问卷共回收514份。剔除作答时间过短、答题异常以及未通过筛选题的问卷后，获得有效样本329份。样本中，在AI使用经验方面，每天多次或每天1次使用生成式AI者157人（47.7%），每周3-5次者116人（35.3%），两者合计占83.0%；“比较熟练”或“非常熟练”的受访者占69.0%。总体来看，该样本具有较高的GenAI使用频率和熟练度，符合本研究分析大学生GenAI使用行为的目标。

（二）测量工具

道德推脱量表对Bandura et al.（1996）道德推脱量表情境化改编。AI愧疚量表采用Chan（2025）开发的AI Guilt Scale进行情境化改编。GenAI过度依赖量表以Hou et al.（2025）提出的Generative AI Reliance Scale为基础进行修订。三个核心变量的测量量表Cronbach’s α分别为0.932、0.939、0.920。

（三）分析方法

本研究采用SPSS27.0和AMOS29.0进行数据分析。首先，对样本人口统计特征及各变量进行数据清理与描述性统计分析，包括检查缺失值、异常值、规律作答样本，并计算变量的均值、标准差和相关系数。

在测量模型检验阶段，本研究采用验证性因素分析评估各潜变量的聚合效度与区分效度。聚合效度主要依据标准化因子载荷、组合信度和平均方差提取量进行判断。

在假设检验阶段，本研究构建结构方程模型，同时纳入控制变量，以检验道德推脱、AI愧疚与GenAI过度依赖之间的结构关系。结构模型采用最大似然估计法。为检验AI愧疚的中介作用，进一步采用Bootstrap方法对间接效应进行估计，设置5,000次重抽样，并依据偏差校正的百分位置信区间是否包含0来判断中介效应是否显著。

三、结果

（一）初步分析

核心变量之间的均值、标准差和相关性见表1。道德推脱的均值为3.98（SD=1.56），AI愧疚的均值为4.82（SD=1.52），GenAI过度依赖的均值为3.41（SD=1.49）。总体来看，样本中的大学生在AI愧疚上的平均水平相对较高，而在道德推脱与生成式AI过度依赖上的平均水平处于中等偏下区间。

相关分析显示，道德推脱与AI愧疚呈显著负相关（r=-0.675, p<0.01），道德推脱与GenAI过度依赖呈显著正相关（r=0.704, p<0.01），AI愧疚与GenAI过度依赖呈显著负相关（r=-0.698, p<0.01）。所有相关系数的方向与理论预期一致，为后续结构模型检验提供了初步支持（表1）。

变量	均值	标准差		1	2	3
1. 道德推脱	3.98		1.56	—
2. AI愧疚	4.82		1.52	-0.675**	—
3. GenAI过度依赖	3.41		1.49	0.704**	-0.698**	—

注：N =329。所有相关系数均为Pearson’s r。p <0.01（双尾检验）

（二）验证模型

在组合信度方面，道德推脱、AI愧疚、GenAI过度依赖分别为0.933、0.940、0.919，均高于0.70。标准化因子载荷介于0.757至0.881之间。平均方差提取量方面，道德推脱、AI愧疚和GenAI过度依赖介于0.655至0.723之间。区分效度检验进一步显示，三个核心变量AVE的平方根均大于变量间相关系数的绝对值，说明变量之间具有较好的区分效度。

验证性因素分析结果表明，三因子测量模型拟合良好：χ²/df =2.545，CFI=0.917，TLI=0.909，RMSEA=0.069，所有测量题项的标准化因子载荷均显著且高于0.75，表明各潜变量具有较好的结构区分性。

（三）假设检验

本研究构建结构方程模型以检验理论假设时，为排除背景因素与外部情境因素对核心变量关系的潜在干扰，将性别、年级、专业类别、AI使用频率、AI使用熟练度、学业压力、学校AI使用规范清晰度作为控制变量。已有研究表明，性别会影响技术使用行为和个体的道德敏感度（Venkatesh & Morris,2000）。年级水平与学业压力会左右学生的学习策略和学术行为（Murdock & Anderman ，2006）。不同学科在人工智能使用模式上存在差异（Hou 等，2025）。并且，个体的经验（experience）是调节技术使用行为的关键变量（Venkatesh & Bala,2008）。此外，学校人工智能使用政策的清晰度会影响学生AI使用的规范行为（Chan,2025）。因此，将在所有分析中均对这些变量进行了统计控制，以确保研究结论不受这些因素的影响。

模型估计结果显示，核心结构路径均达到显著水平。具体而言，道德推脱对生成式AI过度依赖的正向影响同样显著（β=0.492,p<0.001）（见表2）。这说明在控制其他变量之后，道德推脱依然能够直接提升大学生对GenAI的过度依赖倾向。该结果支持H1（表2）。

假设s	路径	β	SE	C.R.	p
H1	道德推脱 → GenAI过度依赖	0.492	0.060	7.581	<0.001
H2	AI 愧疚 → GenAI过度依赖	-0.378	0.089	-6.139	<0.001
H3	道德推脱 → AI 愧疚	-0.714	0.038	-12.873	<0.001

注：β为标准化回归权重；SE为标准误差；C.R.为临界比。

同时，AI愧疚对GenAI过度依赖的负向影响显著（β=-0.378,p<0.001），说明AI愧疚越强，大学生越不容易形成对生成式AI的过度依赖。该结果支持H2。

此外，道德推脱对AI愧疚的负向影响显著（β=-0.714,p<0.001），说明大学生越倾向于采用道德推脱，其AI愧疚水平越低。该结果支持假设H3。

从模型解释力来看，结构模型对AI愧疚的决定系数（R²）为0.510，对GenAI过度依赖的R²为0.680，表明道德推脱与AI愧疚共同解释了大学生GenAI过度依赖中68.0%的方差，模型具有较强的解释力。

（四）中介效应分析

基于5000次Bootstrap重抽样，偏差校正百分位法的结果（参见表3）显示，道德推脱通过AI愧疚影响GenAI过度依赖的间接效应显著，标准化间接效应=0.270,95% CI [0.148,0.397]。间接效应占总效应（0.762）的35.4%，表明AI愧疚发挥中等程度的部分中介作用。该结果支持H4（表3）。

效益	数值	标准误差	95%置信区间		效应占比
			下限	上限
总效应	0.762	—	—	—	100%
直接效应	0.492	0.080	0.333	0.642	64.6%
通过AI愧疚的中介效应	0.270	0.064	0.148	0.397	35.4%

四、讨论

本研究围绕“大学生GenAI过度依赖行为是否受到道德认知与道德情感共同作用”的核心问题，检验了“道德推脱—AI愧疚—GenAI过度依赖”的中介模型。结果显示，道德推脱显著正向预测GenAI过度依赖，AI愧疚显著负向预测生成式AI过度依赖，道德推脱显著负向预测AI愧疚，且AI愧疚在道德推脱与GenAI过度依赖之间发挥部分中介作用，四项研究假设均得到支持。这说明，大学生GenAI过度依赖并不是一个单纯由技术便利性或使用频率驱动的行为现象，而更可能是一个由行为正当化与内部道德约束变化共同塑造的高风险使用结果。

首先，研究结果支持了H1，即道德推脱显著正向预测大学生GenAI过度依赖。这表明，当学生更容易通过“AI只是工具”“提高效率并无不妥”“教师没有明确禁止”或“大家都在用”等方式为高风险AI使用提供合理化解释时，他们更可能在学习任务中降低对AI输出的审慎使用程度，并进一步形成过度依赖。这一发现与道德推脱理论的基本预期一致，即个体会通过认知重构削弱对高风险行为的道德审视，从而放宽对自身行为的约束（Bandura et al.,1996）。这一结果也与GenAI学术不端研究的结论相呼应。本文的不同之处在于，既有研究多将结果变量界定为academic cheating或misconduct，而本文将其推进到过度依赖（overreliance）这一更具连续性的行为维度，说明道德推脱不仅适用于解释明确违规行为，也适用于解释那些尚未完全越过清晰违规边界、但已经显著削弱独立学习投入的高风险依赖方式。从这一意义上看，本文拓展了道德推脱理论在高等教育GenAI研究中的适用范围。

其次，研究结果支持了H2，即AI愧疚显著负向预测GenAI过度依赖。这说明，当学生在使用GenAI时体验到更强的不真实性、责任不安、被评价担忧或能力怀疑时，他们更不容易在学习任务中无批判地接受AI输出。换言之，AI愧疚在大学生高风险AI使用中确实发挥着内部约束作用。这一发现与Chan（2025）关于AI guilt构念的界定高度一致，也与Qu and Wang（2025）的发现相呼应，即AI guilt会显著影响学生在学术任务中使用GenAI的倾向，尤其在原创性要求更高的任务中更为明显。与这些研究相比，本文更清楚地表明，AI guilt所抑制的并非一切AI使用，而是那种削弱真实性、核查与独立判断的过度依赖方式。

再次，研究结果支持了H3，即道德推脱显著负向预测AI愧疚。这一结果说明，道德推脱不仅会直接提升学生对高风险AI使用的接受度，还会通过认知正当化压低原本可能出现的内疚、不真实性体验和责任压力。这一结果与本文的理论预期一致，也与已有关于道德推脱的一般理论逻辑相吻合，即认知上的行为重释会削弱情感上的自我谴责（Bandura et al.,1996）。

研究结果支持了H4，即AI愧疚在道德推脱与GenAI过度依赖之间发挥部分中介作用。这一结果是本文最核心的发现之一。从机制上看，这意味着大学生并不是在一开始就缺乏道德情感，而更可能是在“先合理化、后去情感化”的过程中逐步削弱了对自身行为的内部约束。本研究首次检验了“道德推脱→AI愧疚→过度依赖”的路径，发现AI愧疚发挥部分中介作用。对此可以作两点解释：其一，道德推脱本身就是一种直接降低行为道德门槛的认知机制，不必完全通过情感变量发挥作用；其二，GenAI过度依赖还可能同时受到其他未纳入模型的机制影响，例如任务类型、教师规范、同伴氛围或AI素养等。

五、局限性

本研究仍存在若干局限。首先，研究采用横断面问卷设计，主要是鉴于人工智能罪恶感这一概念尚属新颖，且教育领域的GenAI工具发展迅速，横断面调查使我们能够在该现象尚处于萌芽阶段的特定时间点，准确捕捉学生的当前体验与认知。然而，我们充分认识到即使结构方程模型结果支持本研究提出的理论路径到横断面数据，也尚不能据此作出严格因果推断。其次，数据主要来自自陈问卷，尽管研究已通过程序控制和统计检验尽量降低共同方法偏差，但社会赞许偏差和自我呈现效应仍有可能存在。

尽管如此，本研究仍具有较为明确的实践影响。研究结果表明，道德推脱既能直接提升大学生对GenAI过度依赖，又会通过削弱AI愧疚间接发挥作用。这意味着，高校在规范学生GenAI使用时，关键不只是“是否允许使用AI”，而是如何减少学生对GenAI过度依赖的合理化空间。具体而言，教师和院校需要在课程说明、作业要求和学术任务中更清楚地区分“借助AI辅助学习”与“直接采用AI输出完成任务”的边界，明确哪些环节可以使用AI，哪些环节必须由学生独立完成分析、核查、论证与表达，从而减少学生以“AI只是工具”“老师没有明确禁止”或“大家都在用”等理由淡化责任的可能性。与此同时，由于AI愧疚对过度依赖具有显著抑制作用，教学实践不应简单把学生对GenAI过度依赖的不安、真实性顾虑和责任感视为需要消除的负面体验。相反，教师应通过过程性评价、AI使用说明、反思性写作和口头追问等方式，将这种内部道德约束转化为维持学习真实性的重要机制。近期高教研究也指出，针对GenAI风险的更有效做法并不是全面禁止，而是通过课程设计和支架式教学，引导学生把AI用于思路生成、观点比较、修订支持和批判性反思，而非直接外包思考过程（Chase & Galvin,2026）。从这一意义上说，高校治理GenAI过度依赖的重点，不应放在全面禁止或完全放任上，而应放在帮助学生形成对AI输出的核查、反思与边界意识，使AI回到“学习支持工具”而非“答案替代者”的位置。

六、结语

本研究发现，AI愧疚在道德推脱与GenAI过度依赖之间发挥部分中介作用。这一发现拓展了关于大学生高风险GenAI使用领域的研究，揭示了道德认知机制与道德情感机制如何共同塑造GenAI过度依赖，并为高校规范学生GenAI使用提供了基于实证的证据。

参考文献：

1. [1] Alfiras M I I, Emran A Q, Mohamed A M. Ethics and governance of generative AI in education: a systematic review on responsible adoption[J]. Discover Education,2025,5:37.
2. [2] Bandura A, Barbaranelli C, Caprara G V, et al. Mechanisms of moral disengagement in the exercise of moral agency[J]. Journal of Personality and Social Psychology,1996,71(02):364-374.
3. [3] Chan C K Y. Understanding AI guilt: the development, pilot-testing, and validation of an instrument for students[J]. Education and Information Technologies,2025,30:21727-21746.
4. [4] Chase A M, Galvin K. Thinking to learn: managing the risks of outsourcing to GenAI[J]. Assessment & Evaluation in Higher Education,2026:1-20.
5. [5] Farangi M R, Nejadghanbar H, HU G. Use of generative AI in research: ethical considerations and emotional experiences[J]. Ethics & Behavior,2024,35:527-543.
6. [6] Hou C, Zhu G, Sudarshan V, et al. Measuring undergraduate students’ reliance on generative AI during problem-solving: scale development and validation[J]. Computers & Education,2025,234:105329.
7. [7] Hadinejad N, Sperling K, Mcgrath C. Generative AI chatbots in higher education: student experiences and perceived ethical challenges[J]. Computers and Education Open,2025,9:100311.
8. [8] Huang D, Hash N, Cummings J J, et al. Academic cheating with generative AI: exploring a moral extension of the theory of planned behavior[J]. Computers and Education: Artificial Intelligence,2025,8:100424.
9. [9] Murdock T B, Anderman E M. Motivational perspectives on student cheating: toward an integrated model of academic dishonesty[J]. Educational Psychologist,2006,41(03):129-145.
10. [10] Qu Y, Wang J. The impact of AI guilt on students’ use of ChatGPT for academic tasks: examining disciplinary differences[J]. Journal of Academic Ethics,2025,23:2087-2110.
11. [11] Salido A, Syarif I, Sitepu M S, et al. Integrating critical thinking and artificial intelligence in higher education: a bibliometric and systematic review of skills and strategies[J]. Social Sciences & Humanities Open,2025,12:101924.
12. [12] Venkatesh V, Morris M G. Why don’t men ever stop to ask for directions? Gender, social influence, and their role in technology acceptance and usage behavior[J]. MIS Quarterly,2000,24(01):115-139.
13. [13] Venkatesh V, Bala H. Technology acceptance model3 and a research agenda on interventions[J]. Decision Sciences,2008,39(02):273-315.
14. [14] Yang T, Cheon J, Cho M H, et al. Undergraduate students’ perspectives of generative AI ethics[J]. International Journal of Educational Technology in Higher Education,2025,22.