随着生成式人工智能日益融入大学学习，其更大的学习感知有用性是否与更强的生成式人工智能依赖相关仍不明确，元认知自我调节（Metacognitive Self-Regulation）和学业拖延（Academic Procrastination）在其中的潜在统计间接作用亦有待阐明。研究人员采用横断面问卷调查法，对湖南省常德市三所高等教育机构的1869名大学生进行了调查。合格参与者年龄在18岁或以上，且在过去一个月内曾使用生成式人工智能辅助学习。研究采用皮尔逊相关分析检验双变量关联，并在控制性别、年龄和年级后，进行回归和PROCESS模型6分析，以估计特定和序列统计间接效应。统计间接效应通过5000次Bootstrap重抽样和95%置信区间（CIs）进行检验。结果表明，生成式人工智能学习感知有用性与生成式人工智能依赖呈正相关（总效应：β = 0.303，p < 0.001）。其与元认知自我调节呈负相关（β = −0.260，p < 0.001），与学业拖延呈正相关（β = 0.254，p < 0.001）。元认知自我调节与学业拖延（β = −0.218，p < 0.001）和生成式人工智能依赖（β = −0.154，p < 0.001）均呈负相关，而学业拖延与生成式人工智能依赖呈正相关（β = 0.224，p < 0.001）。在纳入元认知自我调节和学业拖延后，直接关联仍然显著（β = 0.194，p < 0.001）。经由元认知自我调节、学业拖延以及涉及这两个变量的序列路径的非标准化统计间接效应分别为0.035（95% CI [0.0236, 0.0479]）、0.050（95% CI [0.0374, 0.0635]）和0.011（95% CI [0.0078, 0.0150]）；总统计间接效应为0.096（95% CI [0.0787, 0.1150]）。结论指出，更高的生成式人工智能学习感知有用性与更高的生成式人工智能依赖在统计上相关，且统计间接效应涉及更低的元认知自我调节和更高的学业拖延。鉴于横断面设计，本研究使用PROCESS模型6来估计特定和序列统计间接效应，这些结果不应被解释为时间顺序已确立或因果机制已确认的证据。
随着生成式人工智能迅速进入高等教育领域，其在信息检索、文本组织、任务支持及进度推进方面的便利性已引发广泛关注。2025年，中国教育部等九部门联合印发了《关于加快推进教育数字化转型的意见》，强调人工智能赋能教育变革，为生成式人工智能在大学学习中的日益普及提供了重要的政策背景。然而，学习中持续使用生成式人工智能也引发了对潜在风险的担忧。有评论指出，生成式人工智能依赖已成为一个值得关注的新问题，初步的实证证据也表明，大学生可能表现出对生成式人工智能的持续依赖、依赖倾向以及与此类使用相关的潜在学业代价。因此，考察生成式人工智能学习感知有用性与依赖导向使用之间的关联，对于理解人工智能支持下高等教育中学生的学习调节和依赖相关行为至关重要。从技术接受研究的角度来看，感知有用性（Perceived Usefulness）或绩效期望（Performance Expectancy）是与持续使用技术相关的关键认知基础。在问题性互联网使用的文献中，积极的结果期望同样被视为与依赖风险相关的近端认知因素。先前研究也提出，工具性信念和习惯性使用可能共同与成瘾倾向相关。在本研究中，生成式人工智能依赖区别于技术过度使用和持续使用意愿，因为它强调在学习中对生成式人工智能的持续依赖、减少这种依赖的困难以及可能的认知或学业代价。然而，现有研究仍缺乏在一个单一的教育心理学框架内系统考察生成式人工智能学习感知有用性、元认知自我调节、学业拖延和生成式人工智能依赖。因此，本研究通过将与技术相关的学习信念与自我调节学习、学业拖延和依赖导向的生成式人工智能使用联系起来，提供了一个具有整合性和情境特定性的贡献。相应地，本研究旨在：（1）考察生成式人工智能学习感知有用性与生成式人工智能依赖之间的关联；（2）探讨涉及元认知自我调节和学业拖延的独立与序列统计间接效应；（3）检验一个基于理论的、这些变量间统计关联的框架。鉴于横断面问卷设计，所提出的路径旨在表征与假设的理论顺序一致的统计关联，而非旨在建立时间顺序或因果机制。文献综述与假设部分进一步阐述，生成式人工智能学习感知有用性指学生对生成式人工智能在信息检索、内容组织、任务完成和学习支持方面价值的整体评估。而元认知自我调节指学习者在学习过程中设定目标、监控过程、调节策略和反思结果的能力，是自我调节学习的重要组成部分。学业拖延通常指在作业、考试准备、课程项目等学业任务上的不必要延迟，常被视为一种自我调节失败。基于现有文献，研究假设感知有用性与依赖正相关（假设1），元认知自我调节（假设2）和学业拖延（假设3）分别在其中起统计间接作用，且二者共同形成一个序列统计间接路径（假设4）。研究对象与方法部分报告，这项横断面问卷调查于2026年3月10日至20日，在湖南省常德市三所高校的本科生和研究生中进行。通过问卷星平台发放匿名在线问卷，最终保留1869份有效问卷（有效率98.37%）。样本包括860名男性（46.0%）和1009名女性（54.0%）。参与者年龄在18岁或以上，且过去一个月内使用过生成式人工智能辅助学习。研究方案获得了常德学院伦理审查委员会的批准（批准号：CDXY 26–0311-01）。研究使用了以下测量工具：采用中文版的TAME-ChatGPT使用量表感知有用性分量表评估生成式人工智能学习感知有用性（PUGAIL）；采用《学习动机策略问卷》中的元认知自我调节分量表中文版评估元认知自我调节（MSR）；采用《学业拖延量表-简短形式》中文版评估学业拖延（AP）；采用《生成式人工智能依赖量表》中文版评估生成式人工智能依赖（GAID）。统计分析使用SPSS 26.0和AMOS进行。研究结果部分首先报告了描述性统计和组间差异。结果显示，PUGAIL、MSR、AP和GAID的总体均值（M ± SD）分别为3.54 ± 0.69、3.36 ± 0.66、3.63 ± 0.69和3.46 ± 0.61。所有四个变量在性别、年龄组和年级上均存在显著差异。其次，共同方法偏差检验表明，Harman单因子检验中第一个未旋转因子仅解释了26.70%的总方差，低于40%的常用阈值；验证性因子分析（CFA）显示四因子模型拟合良好，而单因子模型拟合很差，表明测量结构未被单一共同因子主导，但因所有变量均为同一时间点的自我报告数据，仍不能完全排除共同方法偏差。第三，相关分析显示，PUGAIL与MSR呈负相关（r = −0.267, p < 0.001），与AP（r = 0.324, p < 0.001）和GAID（r = 0.314, p < 0.001）呈正相关；MSR与AP（r = −0.291, p < 0.001）和GAID（r = −0.273, p < 0.001）均呈负相关；AP与GAID呈正相关（r = 0.338, p < 0.001）。最后，使用PROCESS模型6（Bootstrap = 5000）在控制性别、年龄和年级后检验统计间接效应。结果显示，PUGAIL对MSR有显著的负向预测作用（β = −0.260, p < 0.001），对AP有显著的正向预测作用（β = 0.254, p < 0.001）。MSR对AP有显著的负向预测作用（β = −0.218, p < 0.001）。在以GAID为因变量的方程中，MSR的负向预测作用显著（β = −0.154, p < 0.001），AP的正向预测作用显著（β = 0.224, p < 0.001）。在纳入MSR和AP后，PUGAIL对GAID的直接关联仍然显著（β = 0.194, p < 0.001），总效应也显著（β = 0.303, p < 0.001）。三条统计间接路径（PUGAIL → MSR → GAID， PUGAIL → AP → GAID， PUGAIL → MSR → AP → GAID）的95%置信区间均不包含零，表明效应显著。总统计间接效应占总效应的36.07%。讨论部分总结指出，本研究发现更高的生成式人工智能学习感知有用性与更高的生成式人工智能依赖相关，且这一关联部分地通过更低的元认知自我调节和更高的学业拖延产生统计间接作用。这表明，在评价生成式人工智能的学习效用时，可能不仅伴随着工具使用的便利，也伴随着学习自我监控的减弱、任务拖延的增加和依赖风险的提升。研究结论部分总结道：基于来自中国湖南省常德市三所高等教育机构大学生样本的研究表明，生成式人工智能学习感知有用性与生成式人工智能依赖相关，且元认知自我调节和学业拖延在其中发挥了统计间接作用。对生成式人工智能学习有用性的更积极评价不仅与更高的生成式人工智能依赖相关，也与更低的元认知自我调节和更高的学业拖延相关。元认知自我调节和学业拖延进一步参与了该关联中的特定和序列统计间接效应。这些发现表明，在学习情境中对生成式人工智能的感知有用性可能不仅伴随着工具使用的便利，还伴随着更弱的学习监控、延迟的任务推进和更大的依赖风险。通过在一个分析框架内整合认知评估、学习调节和与学习相关的行为倾向，本研究为理解生成式人工智能在高等教育中使用的便利性与依赖性的共存提供了一个视角，并为过程导向的教学设计、反思性使用培训和对学生自主学习的支持提供了基于数据的启示。然而，由于本研究采用了横断面问卷设计，且主要依赖来自一个城市三所高校的自我报告数据，因此这些发现应被理解为与理论框架一致的统计关联和统计间接效应，而非时间顺序已确立或因果机制已确认的证据。未来研究可采用纵向、交叉滞后或实验设计，以及多源行为数据，进一步考察生成式人工智能学习感知有用性、元认知自我调节、学业拖延和生成式人工智能依赖之间关系的稳定性、边界条件及动态过程。在不同地区、不同类型的高等教育机构以及更广泛的学生群体中进行复制研究，将进一步增强该理论知情框架的外部效度和实践相关性。
