AI沉浸依賴與批判思考

2. 研究問題

作者要回答三個問題：第一，學生覺得 AI 越聰明時，其批判思考究竟較強還是較弱？第二，聚焦沉浸與 AI 依賴是否分別或依序傳遞這個關係？第三，性別在知覺 AI 智慧、聚焦沉浸、AI 依賴與批判思考上是否存在差異？

重要性在於，既有研究一方面主張 AI 可作為認知鷹架，促進比較、反駁與後設認知；另一方面又警告 AI 會誘發認知外包與自動化偏誤。若只估一條總效果，正負路徑可能互相抵銷。本文的缺口是把兩條路徑放進同一模型，說明「同樣高度投入 AI，為何有時是深度思考，有時是把判斷外包」。

3. 理論基礎

主要理論是 I-PACE（Person–Affect–Cognition–Execution）架構的部分應用。本文把「知覺 AI 智慧」視為情境觸發，把「聚焦沉浸」視為情感—認知反應，把「AI 依賴」視為執行／依賴傾向，再連到批判思考結果。作者明確承認未納入 Person 層次，因此不是完整 I-PACE 檢驗。

第二個理論基礎是認知吸收。聚焦沉浸不是單純使用時間，也不是恍神，而是與系統互動時高度專注、排除干擾的狀態。它可使使用者比較選項、修訂輸出，因而提高批判思考；但若注意力逐漸集中在「跟著 AI 流程走」，沉浸也可能成為依賴的心理橋梁。

第三個基礎是認知外包與自動化偏誤。AI 依賴被界定為把判斷與解題責任常態性委託給 AI、降低自行查證的傾向，不等同使用頻率或一般信任。這個區分很關鍵：風險不在「用得多」，而在「是否仍保留判斷權與驗證行為」。

4. 研究架構

研究架構包含一條正向注意力路徑與一條負向依賴路徑：

知覺 AI 智慧 → 聚焦沉浸 → 批判思考（正向）

知覺 AI 智慧 → 聚焦沉浸 → AI 依賴 → 批判思考（負向）

此外，模型估計知覺 AI 智慧對批判思考的直接效果，以及 知覺 AI 智慧 → AI 依賴 → 批判思考 的單獨中介。依變數是批判思考；中介是聚焦沉浸與 AI 依賴；性別差異屬探索性比較，未被放入主要序列中介做正式調節。

5. 假設邏輯

H1a 與 H1b 是競爭假設：若高知覺智慧使學生服從 AI，則批判思考下降；若高知覺智慧讓 AI 成為可互動的認知鷹架，則批判思考上升。結果支持 H1b，不支持 H1a。

H2a 預測知覺 AI 智慧正向連到聚焦沉浸；H2b 預測聚焦沉浸正向連到批判思考；H2c 預測正向中介。邏輯是：覺得 AI 能理解需求、回應準確，使用者更願意持續投入；若沉浸包含比較與驗證，會促進高層次思考。三者均獲支持。

H3a 預測聚焦沉浸提高 AI 依賴；H3b 預測 AI 依賴降低批判思考；H3c 預測 AI 依賴單獨中介；H3d 預測 知覺 AI 智慧 → 聚焦沉浸 → AI 依賴 → 批判思考 的負向序列中介。結果支持 H3a、H3b 與 H3d，但不支持 H3c：知覺 AI 智慧並不直接推升依賴，必須先經過沉浸才出現負向鏈條。

6. 方法

所有構念以多題項量尺測量，題項經中英翻譯與回譯。知覺 AI 智慧使用 10 題 Perceived Intelligence Scale，7 點量尺，α = .92；AI 依賴以改寫的 6 題 Bergen Facebook Addiction Scale 測量，5 點量尺，α = .84；聚焦沉浸使用 Cognitive Absorption Scale 中 5 題子量尺，7 點量尺，α = .93；批判思考使用針對中國大學生發展的 17 題量尺，含批判分析、開放接受批評與實際應用，α = .97。

分析使用 SPSS 27 與 R lavaan。作者先做描述統計、相關與性別 t 檢定，再做 CFA、SEM 與 5,000 次 bootstrap 中介檢定。共同方法偏誤方面，Harman 單因子僅解釋 30.35%；加入潛在方法因子的模型改善有限，作者判斷共同方法變異存在但不足以推翻主要關係。

結構模型配適為 χ²(1159) = 5302.33、χ²/df = 4.57、CFI = .87、TLI = .86、RMSEA = .07、SRMR = .12。RMSEA 尚可，但 CFI／TLI 低於常見 .90，SRMR 高於常見 .08；因此「整體可接受」是作者的說法，我的判讀是配適偏弱，結果需保守解讀。

7. 結果

主要直接路徑如下：知覺 AI 智慧正向預測聚焦沉浸（β = .53, p < .001）；聚焦沉浸正向預測 AI 依賴（β = .58, p < .001）；知覺 AI 智慧正向預測批判思考（β = .50, p < .001）；聚焦沉浸正向預測批判思考（β = .25, p < .001）；AI 依賴則負向預測批判思考（β = −.25, p < .001）。知覺 AI 智慧對 AI 依賴的直接路徑不顯著（β = −.04, p = .428）。模型解釋聚焦沉浸 28%、AI 依賴 31%、批判思考 37% 的變異。

中介結果呈現雙面性。正向路徑 知覺 AI 智慧 → 聚焦沉浸 → 批判思考 顯著（非標準化效果 .183，95% CI [.10, .26]）。單獨經 AI 依賴的路徑不顯著（效果 .013，p = .433）。但序列路徑 知覺 AI 智慧 → 聚焦沉浸 → AI 依賴 → 批判思考 為顯著負向（效果 −.104，95% CI [−.15, −.06]）。換言之，沉浸本身可幫助思考，沉浸若轉為依賴則反噬思考。

性別差異雖顯著但效果小：男性的知覺 AI 智慧較高（d = .28）與批判思考較高（d = .23）；女性自陳 AI 依賴較高（d = −.21）；聚焦沉浸無顯著差異。這些是描述性結果，不能解讀為性別本質差異。

8. 理論貢獻

第一，本文把 AI 的雙面效果從「兩篇研究互相矛盾」改寫為「同一心理歷程分叉」。聚焦沉浸既可能維持評估姿態，也可能滑向預設依賴；正負效果不是互斥，而是可同時存在。

第二，本文將 I-PACE 的 affect–cognition–execution 片段移植到教育 AI：知覺智慧觸發沉浸，沉浸形成依賴傾向，再連到認知結果。這提供比 TAM 式採用研究更厚的過程理論。

第三，研究概念性地分離「高使用」「高信任」與「高依賴」。真正危險的是降低自行驗證，而不是單純使用時間。這可用來重構 AI adoption 研究，把依變數從使用意圖改為人類主導性、驗證行為與批判判斷。

9. 實務意涵

高等教育不宜以禁止或鼓勵使用量作為唯一政策。作業可要求學生保存提示與版本、列出反證、交叉查核來源、說明拒絕哪些 AI 建議，並把評分重點放在論證與驗證，而非流暢度。平台可加入「先作答再提示」「要求理由」「比較兩個替代答案」與查核提醒，維持沉浸的評估性。

管理情境同樣適用。主管可監測的是無條件採納、判斷委託與查核缺失，而不是登入次數。最該看這篇的是高教教師、AI 學習系統設計者、知識工作管理者、人機協作與數位依賴研究者。

10. 研究限制

作者承認橫斷面、自陳資料無法建立時間順序與因果。反向因果完全可能：本來批判思考較強的學生，也許更能看見 AI 的能力並有效沉浸。AI 依賴由社群媒體成癮量尺改寫，仍需與使用頻率、信任及真正的判斷委託做更清楚的區辨。批判思考也是自陳而非表現測驗；樣本僅限中國大學生，外部效度有限；Person 層次的自我效能、人格與 AI 素養未納入。

我的額外限制判讀是：結構模型配適偏弱，特別是 CFI = .87、TLI = .86、SRMR = .12；共同方法因子雖改善不大，所有核心變數仍同時、同源測量。性別差異未做測量恆等性與正式多群組中介，因此只能當探索線索。期刊文章將「正向直接關聯」詮釋為可能的認知鷹架，但缺少實際互動紀錄，不能確定學生真的有比較、反駁或查核。

11. 對我研究的啟發

最值得直接借用的鏈條是：

知覺 AI 智慧 → 聚焦沉浸 → 批判思考（助力）
知覺 AI 智慧 → 聚焦沉浸 → AI 依賴 → 批判思考（反噬）

您的研究可以把缺失的 Person 層次補上：以創意自我效能、Need for Cognition、發散／收斂認知風格或領域專業作為調節。可推論高創意自我效能者即使高度沉浸，仍保留判斷主導權；低自我效能者可能更容易由沉浸轉為依賴。再把結果從批判思考延伸到創新品質與想法多樣性，就能連結現有核心議題。

建議的實驗設計是 2（人先思考／AI 先回答）× 2（強制驗證／無驗證）× 個人差異量測。過程變數可蒐集提示紀錄、查核次數、拒絕 AI 建議比例與眼動停留；結果同時測第三方創意評分與獨立完成能力。本文適合作為 framing paper 與 supporting paper；量尺與 SEM 可作初步方法參考，但真正延伸應改用縱貫或實驗設計。

12. 整體評價

明確判斷：值得讀，也值得納入核心機制文獻；但不應把關聯結果當因果證據。 最強之處是用單一模型拆出「沉浸助力」與「沉浸—依賴反噬」兩條路徑，理論上比單純 AI 採用或滿意度研究更可重用。最弱之處是全自陳、橫斷面與配適偏弱。

它適合做 AI × 認知歷程的 framing paper、理論機制與量尺參考；不適合作為驗證「AI 導致批判思考下降」的最終 empirical support。未來反覆回看時，最有價值的是 I-PACE 分段、沉浸與依賴的概念區分，以及序列中介模型。

今日結論

今天讀的是 Tian 與 Zhang（2026）的 Nature Portfolio 正式期刊論文。期刊的正式同儕審查與 SSCI／Scopus 收錄可確認，最新精確分區未明確確認。最可重用角度是「創意自我效能／認知風格 → 沉浸轉化方向 → 人類主導性與批判／創新績效」。