大学生数字技术使用、心理健康与学业表现：年龄和性别的调节作用 玛利亚·纳蒂维达德·埃尔维拉-佐佐（Maria Natividad Elvira-Zorzo）、 米格尔·安赫尔·甘达里利亚斯（Miguel ángel Gandarillas） 加布里埃拉·阿莉西亚·皮卡-米兰达（Gabriela Alicia Pica-Miranda）

《Youth》：Digital Technology Use, Mental Health, and Academic Performance Among University Students: The Moderating Role of Age and Sex Maria Natividad Elvira-Zorzo, Miguel ángel Gandarillas and Gabriela Alicia Pica-Miranda

　　**摘要**
随着数字技术（DT）在大学生中使用的日益增多，人们对其对心理健康（MH）和学术表现的影响表示担忧。本研究基于“学习多样性”（DinL）框架，探讨了年龄和性别如何调节数字技术使用、心理健康指标、学习相关心理难题与学术成果之间的关系。数据通过在线问卷收集，共调查了智利4519名大学生。问卷内容包括自我报告的心理健康指标和学习相关心理难题（如情绪不佳/易怒、焦虑、缺乏动力、注意力问题以及较低的成就期望），以及学术表现和数字工具（社交媒体、智能手机、游戏化应用和协作工具、异步课程）的使用频率。研究采用了描述性分析、方差分析（ANOVA）和多元回归模型。结果显示，年轻学生更频繁地使用游戏化应用、社交媒体和智能手机，并在所有心理健康问题和学习相关心理难题方面表现出更高水平。其中，社交媒体使用，尤其是智能手机使用，被证实是预测心理健康问题和学习困难的最强因素，年龄显著调节了这些关系。这些关联在男女学生中均具有统计学意义，但在女性学生中更为明显。女性学生报告的心理健康问题（尤其是焦虑）更为严重，同时她们也更频繁地使用社交媒体和智能手机。然而，社交媒体使用和智能手机使用与学术表现之间并未显示出一致的负面关联。总体而言，这些发现强调了在探讨数字技术使用与学生福祉之间的联系时考虑年龄和性别差异的重要性，同时也凸显了需要针对高风险群体实施有针对性的干预措施，以培养更健康的数字使用习惯和情绪调节策略。

**1. 引言**
青少年的福祉不仅仅是身体健康的体现，它是一个包含生物学、心理学和社会因素的多维度状态，表现为自我意识、功能能力、生产力和积极参与社区活动的能力（世界卫生组织，2014, 2024）。在高等教育领域，大学生的心理健康问题（包括焦虑、抑郁和注意力问题）日益受到关注。评估教育环境中的心理健康状况至关重要，因为这直接影响学生的学习、学术表现和整体生活质量（Poorolajal等人，2017；Tran等人，2017）。过去二十年间，与心理健康相关的问题在大学生中持续增加（例如Lipson等人，2019；Tan等人，2023；Haidt，2024）。认知和情绪挑战与心理社会压力相结合，若没有及早且全面的干预，这些问题往往会加剧（January等人，2018；Tian-Ci Quek等人，2019；Mirza等人，2021）。不同国家的研究表明，尤其是年轻群体中，心理困扰的发生率异常高，这凸显了需要研究相关因素，包括数字技术（DT）的使用情况（例如Del Valle等人，2020；Heritage等人，2023；Khalil等人，2020；Lew等人，2019）。在这一背景下，分析与学习模式相关的心理社会风险因素对于理解教育多样性、挑战和困难变得至关重要。“学习多样性”（DinL）框架整合了学习模式和心理健康问题，以及认知、情绪、环境和心理社会因素，为理解学生体验和成果的多样性提供了全面视角（Gandarillas等人，2025）。最近的研究表明，性别等因素与学生的心理健康和学术表现显著相关（Elvira-Zorzo等人，2025）。本研究将数字技术使用纳入DinL框架，探讨年龄和性别如何调节数字技术、心理健康和学习相关心理难题之间的关系。

**1.1. 大学生中的数字技术与心理健康**
数字技术的使用已成为影响大学生福祉和学术表现的核心因素。这些技术的快速发展引发了关于学生能否将其健康融入日常生活的担忧。具有讽刺意味的是，旨在促进学习和福祉的技术也可能导致心理困扰（Duke & Montag，2017；Forman & Van Zeebroeck，2019）。本研究中，数字技术使用指的是学生与与其学术和日常生活相关的数字设备及平台的互动频率，包括智能手机、社交媒体、协作应用、游戏化学习工具和异步学习环境。习惯性的数字技术使用本身并不一定是负面的，其与心理健康的关系取决于类型、强度和情境。虽然数字教育平台可以促进学习和包容性，但多项研究表明，过度使用智能手机和社交媒体与焦虑、缺乏动力、与学业工作相关的情绪不佳/易怒以及较低的成就期望相关（例如Akram & Kumar，2017；Carter等人，2024；Elsayed，2021；Erceg等人，2018；Hamdi，2018；Li等人，2024；Perlis等人，2025；Wolfers等人，2020）。这些关联并非普遍存在，而是因年龄和性别等人口统计因素而异（例如Fassi等人，2024；Gao & Gao，2024；Nagata等人，2025；Priftis & Panagiotakos，2023；Twenge & Martin，2020）。相反，针对心理健康的数字干预措施可以有效减轻抑郁和焦虑症状，同时提升心理幸福感（Ferrari等人，2022；Harith等人，2022；Lattie等人，2019；Matos Fialho等人，2025）。此外，数字技能的发展被视为促进韧性、社会支持和学术自我效能的保护因素，尤其是在COVID-19大流行之后（Cassaretto等人，2024；X. Wang等人，2021）。总体而言，文献显示数字技术使用与大学生心理健康之间存在正面和负面的关联（Emily等人，2019；Gandarillas等人，2024）。COVID-19大流行进一步加速了向完全在线学习环境的转变（Suárez等人，2022）。这种复杂性表明，数字技术使用与学生福祉之间的关系受到心理社会、认知和环境因素的影响。本研究采用的DinL框架能够全面考虑这些因素。

**1.2. 数字技术使用与心理健康之间的年龄差异**
多项调查显示，年轻群体比年长群体更频繁地使用智能手机和社交媒体（Horwood等人，2021；J. C. Wang等人，2023；Wenz & Keusch，2023）。这种较高使用率可能归因于代际和发展因素。从发展角度来看，年轻学生——尤其是大学低年级学生——正处于从青春期向成年初期过渡的阶段，这一阶段的特点是身份认同的形成、自主性的寻求和社会适应（Arnett，2000）。这一阶段本身伴随着较大的压力、焦虑和抑郁症状风险（Elhai等人，2017；Kessler等人，2005）。问题性的数字技术使用可能会通过扰乱睡眠、增加沉思和注意力干扰来放大这些脆弱性（世界卫生组织欧洲区域办事处，2025；Rudolf & Kim，2024）。研究表明，年轻群体在焦虑、抑郁、冲动性和注意力问题方面表现更严重（Dhir等人，2018；Elhai等人，2017；Fassi等人，2024；Gao & Gao，2024；Priftis & Panagiotakos，2023；Sales等人，2021）。这种敏感性也可能源于对社会比较和同伴评价的过度敏感（Nagata等人，2025；Twenge & Martin，2020）。相比之下，年长学生可能拥有更成熟的应对策略和时间管理能力，从而减轻数字技术过载的影响（Fassi等人，2024）。然而，其他研究对密集使用社交媒体的直接影响尚无定论，指出效果很大程度上取决于使用类型和频率及个体差异（Ferguson等人，2024）。这些差异表明需要进一步研究年龄作为调节因素，以设计适合不同年龄段的干预措施。

**1.3. 数字技术与心理健康中的性别差异**
性别在心理健康方面的差异已有充分记录。尽管女性大学生的学术表现通常优于男性（Nolen-Hoeksema，2012；Steel等人，2014；Voyer & Voyer，2014），但她们更容易出现抑郁和焦虑。女性还报告更高的压力感，并更频繁地使用社交和情绪调节策略，而男性则更多采用工具性或分散注意力的策略（Graves等人，2021；Inzunza Melo等人，2020）。这些情绪调节上的差异可能解释了心理病理学上的更大差异（Zimmermann & Iwanski，2014）。过度使用智能手机和社交媒体与较差的心理健康结果相关，尤其在年轻女性中这种关联更为明显（Agyapong-Opoku等人，2025；Shannon等人，2022）。纵向研究表明，密集的数字使用和早期接触可能更强烈地预测女性未来的抑郁症状，这可能是由于她们对人际动态和在线社交比较更为敏感（Nagata等人，2025；Song等人，2025；Twenge & Martin，2020；J. C. Wang等人，2023）。可能的解释包括：
- **使用模式和内容暴露**：女性在社交或审美平台上花费更多时间，进行被动浏览和以外观为中心的比较，增加了内化症状的风险（Odgers & Jensen，2020）；
- **情绪处理**：在线冲突或社交排斥后更容易陷入沉思（Rudolf & Kim，2024）；
- **睡眠和认知障碍**：夜间频繁使用智能手机会影响睡眠质量，从而加剧焦虑和抑郁（世界卫生组织欧洲区域办事处，2025）。

关于学术表现，研究结果尚无定论。虽然过度使用智能手机（尤其是多任务处理）通常与较低的成绩相关（J. C. Wang等人，2023），但这种影响的程度因研究而异。一些研究表明，由于社会情感依赖性，智能手机成瘾与学业困难之间的关联在女性中更为显著（Song等人，2025），而大规模研究在控制了情境因素后这种关联有所减弱（Odgers & Jensen，2020）。学业负担和经济压力等共同因素对男女双方的心理健康都有影响，可能缩小了数字技术使用的差异性影响（Hu & Yeo，2020）。

**1.4. 年龄、性别与数字技术使用对心理健康的影响：本研究**
本研究探讨了性别和年龄如何调节数字技术使用对大学生心理健康、学习相关心理难题和学术表现的影响。通过将DinL框架扩展到数字技术，我们旨在识别心理健康和学术成果的预测因素，为促进大学生福祉和融入提供基于证据的指导。尽管相关文献日益增多，但仍存在显著空白。许多研究仅关注孤立的行为（如社交媒体使用），而没有考虑学术环境中的技术生态系统，包括协作平台和游戏化应用。此外，很少有研究使用大规模、多样化的样本来详细分析不同年龄组之间的差异。此外，很少同时研究性别和年龄作为心理健康和学习困难的调节因素，限制了我们对亚组差异的理解。为解决这些局限，本研究分析了各种数字技术使用形式与心理健康结果、学习相关心理难题和学术表现之间的关联，明确考察了性别和年龄的调节作用。这种方法有助于识别不同的风险和保护模式，为有针对性的干预和教育策略提供依据。

**1.5. 假设**
H1：年轻学生将报告更高的数字技术使用频率（社交媒体、智能手机、游戏化学习工具和协作应用、异步学习环境），以及更严重的心理健康问题和学习相关心理难题（焦虑、易怒/情绪不佳、缺乏动力、注意力问题和较低的成就期望）。
H2：年龄将调节数字技术使用与心理健康问题、学习相关心理难题和学术表现之间的关系，在年轻学生中这种负相关更为显著。
H3：年轻女性学生将报告更高的社交媒体和智能手机使用频率、更严重的心理健康问题、学习相关心理难题以及更好的学术表现。
H4：数字技术使用的频率将更强烈地预测年轻女性的心理健康问题、学习相关心理难题和学术表现。

**2. 材料与方法**
**2.1. 样本**
初始样本包括来自智利美洲大学的4519名大学生，涵盖了社会科学、人文科学、艺术、健康与自然科学、技术、工程和数学等所有学术领域。对于关注年轻参与者的分析，选取了2823名25岁以下的学生作为子样本。该子样本基于“成年初期”概念（Arnett，2000）和联合国的青年定义（联合国，无日期），其中女性占69%，男性占31%。

**2.2. 工具**
数据通过在线问卷收集（见附录A），其中包括从DinL量表中选取的条目。《DinL》是一种自我 administration 的工具，旨在评估课堂上的多种心理社会和心理教育学习模式，并已展现出稳健的测量学特性（Gandarillas等人，2025年）。与心理健康（MH）和学习相关心理困难相关的条目是根据它们在先前研究中对问题性数字技术（DT）使用的敏感性来选择的。这些条目评估了以下因素在多大程度上阻碍了学生的学习：情绪低落/易怒、焦虑/紧张、缺乏动力/冷漠、注意力和集中注意力困难以及对学术成就期望较低。这些条目采用4点李克特量表进行评分（1 = 完全没有/非常少到4 = 非常多）。这些条目捕捉了学习环境中自我报告的心理状态。为了减少受访者的负担并提高大规模研究的可行性，使用了单个条目指标。尽管通常更倾向于使用多条目量表来捕捉复杂的潜在结构，但先前的方法学研究表明，当该结构是单维度且定义明确，并且旨在捕捉整体感知而非细微的子成分时，可以使用单个条目测量（Diamantopoulos等人，2012年；Fisher等人，2016年；Wanous等人，1997年）。在本研究中，这些条目的目的是为了捕捉学生在学习情境中的主观感知（例如，焦虑、易怒、缺乏动力和注意力困难）。此外，还有五个条目评估了学习中常见数字工具的使用频率（1 = 从不/几乎从不到4 = 非常频繁）：游戏化应用程序（例如，Kahoot!）、在线协作应用程序、异步在线课程、社交媒体（例如，WhatsApp、TikTok、X）和智能手机的使用。智能手机的使用通过提问“你每天用智能手机做哪些事情？”来评估，回答选项从“少于一小时”到“超过8小时”不等。这一变量被处理为顺序变量，并在回归分析中作为连续变量进行分析。最后，问卷收集了学术表现（自报的上一年的平均成绩）、年龄和生物性别数据。使用“生物性别”而不是“性别”，是为了考察生物性别可能在性别刻板印象中的体现程度，从而解释结果。

2.3. 设计与程序
本研究采用横断面设计，问卷在线发放。参与完全是自愿的，所有参与者都得到了充分的保密和匿名保证。所有参与者都签署了书面知情同意书。本研究遵循《赫尔辛基宣言》（世界医学协会，2013年）的伦理原则，并得到了马德里康普顿斯大学伦理委员会的批准（参考编号CE_20211118-15_SOC）。
研究变量定义如下：
自变量（IVs）：
- 数字技术的使用：五种类型数字工具在学习中的使用频率。
- 年龄：在所有分析中作为调节变量，分为四个年龄段（18–19岁、20–24岁、25–30岁、>30岁），以测试年龄差异，并在多元回归分析中作为连续变量处理。
- 生物性别：在年轻学生（<25岁）的子样本中作为调节变量，比较男女之间的差异。
因变量（DVs）：
- 心理健康指标和学习相关心理困难：焦虑；情绪低落/易怒；缺乏动力（冷漠/沮丧/抵触）；注意力困难；对学术成就的期望较低。
- 学术表现：上一年的平均成绩（自报）。

2.4. 数据分析
数据集中排除了缺失数据超过5%或回答错误（例如，随机回答或明显错误）的案例，最终数据集包含4519个案例。此外，根据联合国（n.d.）定义的年轻年龄范围以及Arnett（2000年）提出的新兴成人框架，选取了25岁以下的学生子样本（n = 2823）。进行了描述性分析，以评估所有条目的均值、标准差、偏度和峰度。随后计算了所有研究变量之间的皮尔逊相关性。
为了检验关于年龄的假设（H1和H2），使用了整个样本。进行了单因素方差分析（ANOVAs），以心理健康指标、学习相关心理困难、数字技术使用频率和学术表现作为因变量（DVs），年龄组作为自变量（IVs）。定义了四个年龄组以保持组间规模的可比性：（1）18–19岁，（2）20–24岁，（3）25–30岁，（4）超过30岁。使用ω2（固定效应）来估计效应大小，因为这种度量方法在固定效应设计中提供了对组间差异大小的较少偏差的估计。
使用数字技术使用频率作为预测变量，进行了线性逐步多元回归分析，以探讨其对学生心理健康指标、学习相关心理困难和学术表现的影响。还检验了年龄对数字技术与学习结果之间关联的潜在调节作用。主要预测变量与调节变量之间的交互项经过回归模型检验。变量按顺序加入，纳入标准为p < 0.05。这种程序有助于识别最相关的预测变量，从而得到一个简洁的模型。使用Cohen的f2值计算效应大小。年龄与数字技术使用对心理健康指标之间的显著交互作用以图形形式显示。

为了检验关于年轻学生性别差异的假设（H3和H4），分析了25岁以下的学生子样本。进行了单因素方差分析，以心理健康指标、学习相关心理困难、数字技术使用频率和学术表现作为因变量（DVs），性别作为自变量（IV）。同样使用ω2（固定效应）估计效应大小。分别对女学生和男学生进行了线性多元回归（正向选择），采用相同的纳入标准（p < 0.05），以数字技术使用为预测变量，心理健康指标、学习相关心理困难和学术表现作为因变量。使用Cohen的f2值计算效应大小。

统计分析使用了IBM SPSS Statistics 31版（IBM公司，美国阿蒙克）和R 4.4.1版（奥地利维也纳R统计计算基金会）。

3. 结果
3.1. 描述性分析和相关性
表1显示了研究中包含变量的描述性统计信息。偏度和峰度指数在±1.10范围内，表明数据没有严重偏离正态分布，适合进行参数统计分析（Mardia，1970年）。表1. 研究变量的描述性统计（n = 4519）。表2展示了研究变量之间的皮尔逊相关性。所有心理健康指标与学习相关心理困难之间存在显著的正相关。智能手机的使用与心理困扰变量呈正相关，而年龄与这些变量呈负相关。同样，每天使用智能手机的频率与所有困扰指标（例如焦虑，r = 0.12，p < 0.001）呈正相关。年龄与所有心理健康问题和学习相关心理困难指标呈显著负相关。表2. 研究变量之间的皮尔逊相关性（n = 2823）。

3.2. 按年龄组的差异
方差分析（表3）显示，所有心理健康指标、学习相关心理困难和数字技术使用在不同年龄组之间存在统计学上的显著差异。ω2值从较小到中等不等，表明组间差异虽然不大但有意义，尽管有些效应非常小。表3. 不同年龄组在心理健康指标、学习相关心理困难、数字技术使用和学术表现方面的差异（n = 4519）。最年轻的学生（18–19岁）表现出最高的焦虑水平（M = 3.02）、情绪低落/易怒（M = 2.34）、缺乏动力（M = 2.33）和注意力困难（M = 2.64），以及最低的学术成就期望（M = 2.00）。相比之下，30岁以上的参与者在所有心理健康和心理困难指标上的表现显著较低（p < 0.001）。这种心理困扰和学习困难的下降趋势在中间年龄组中也是一致的。图1展示了最显著指标的趋势。图1. 不同年龄组间心理健康指标最显著差异的图形表示。在技术使用方面，最年轻的学生报告的社交媒体使用频率最高（M = 3.32）和智能手机使用频率最高（M = 4.15小时/天），而30岁以上的参与者使用频率较为适中（M = 2.93小时/天和M = 3.69小时/天；p < 0.001）。与心理健康困扰指标类似，社交媒体和智能手机的使用频率随着年龄的增长而逐渐减少。相反，学术表现显示出相反的趋势：尽管报告的困扰水平较高，但年轻学生的平均成绩比年长学生更高（F = 103.33，p < 0.001）。

3.3. 以年龄为调节变量的多元回归分析
表4展示了多元回归模型的结果，研究了不同类型数字技术的使用频率作为预测变量与心理健康问题、学习相关心理困难和学术表现作为因变量之间的关系。R2值介于0.05到0.10之间。使用Cohen的f2计算的效应大小介于0.05到0.11之间，根据传统标准表明效应大小较小到中等。表4. 基于数字技术使用和年龄预测心理健康、学习相关心理困难和学术表现的多元回归模型（n = 4519）。回归模型显示，智能手机使用频率是所有心理困扰和学习相关困难指标的最一致预测变量。此外，社交媒体使用频率与所有心理健康和学习相关心理指标之间存在显著正相关，除了缺乏动力外，尤其是对焦虑的影响最为显著。年龄与智能手机使用频率之间的交互作用在预测大多数心理健康和学习相关困难方面具有统计学意义，表明智能手机使用对心理困扰的负面影响随年龄增长而减弱。图2展示了年龄与社交媒体和智能手机使用频率之间的交互作用对焦虑的影响。在学术表现方面，出现了不同的模式。游戏化应用程序是成绩的最强显著预测变量（p < 0.001），其正向效应被年龄的调节作用所逆转。图2. 不同年龄组之间社交媒体使用频率（Z分数）和智能手机使用频率与报告的焦虑水平之间的交互作用的图形表示。

3.4. 年轻女性和男性学生之间的差异
在25岁以下的学生子样本中，方差分析（表5）显示组间存在显著差异，ω2值介于0.000到0.022之间。表5. 年轻大学生（年龄<25岁；n = 2823）在心理健康指标、学习相关心理困难、数字技术使用和学术表现方面的性别差异。女性学生报告的情绪低落/易怒、焦虑和注意力困难水平显著高于男性学生。在动机或成绩期望方面未观察到显著的性别差异。女性学生还报告了更频繁的异步在线课程、社交媒体和智能手机使用。相比之下，男性学生报告的使用协作工具的频率显著高于女性学生。在学术表现方面，女性学生的成绩高于男性学生。

3.5. 按性别的不同预测变量
表6展示了多元回归模型的结果，分析了不同类型数字技术使用频率作为预测变量与心理健康问题、学习相关心理困难和学术表现作为因变量之间的关系，分别针对女性和男性进行了分析。R2值介于0.01到0.03之间，Cohen的f2值介于0.01到0.03之间，表明效应大小较小。表6. 男性和女性大学生中数字技术使用作为心理健康指标和学术表现预测变量的显著多元回归（n = 2823）。（注意：仅包含显著的预测变量[p < 0.05]）。回归分析揭示了年轻女性和男性组中的不同预测模式。在女性学生中，智能手机使用是焦虑、情绪低落/易怒和缺乏动力的最强预测变量（p < 0.001）。此外，社交媒体使用显著促进了焦虑水平的提高。在男性学生中，智能手机和社交媒体使用都显著预测了焦虑和情绪低落/易怒，尽管系数和F值低于女性子样本中的观察值。在学术表现方面，不同模式出现了。对于女性和男性学生，游戏化应用程序是成绩的主要显著正向预测变量。然而，社交媒体使用对女性学生的学术表现的预测作用显著，但对男性学生则不然。智能手机使用在两组中均未达到统计学显著性作为学术表现的预测变量。**讨论**
本研究的结果为第一个假设提供了强有力的支持。在所有年龄组中都观察到了一个清晰且一致的趋势：年轻学生报告了更高水平的负面情绪/易怒、焦虑、缺乏动力、注意力困难以及较低的成就期望，而年长的学生在这些指标上的得分逐渐降低。这种模式突显了年龄是影响大学生心理健康（MH）结果的关键因素。这些发现与先前的研究结果一致，即年轻学生面临更大的心理健康挑战（Elhai等人，2017年；Kessler等人，2005年；Steel等人，2014年；Tan等人，2023年）。此外，先前的研究还一致表明，年轻群体的社交媒体和智能手机使用频率更高（Elsayed，2021年；Gao & Gao，2024年；Fassi等人，2024年）。有趣的是，尽管报告的负面情绪水平更高，年轻学生的平均成绩却比年长学生更高，这表明心理困难并不必然转化为学业表现的下降。

第二个假设也得到了支持。社交媒体和智能手机的使用频率显著预测了心理健康问题以及与学习相关的心理困难；具体来说，更高的使用频率与更高的焦虑水平、注意力困难和更低的动力水平相关。这些发现与先前的文献一致，这些文献将密集的数字使用与较差的心理结果联系起来（Duke & Montag，2017年；Dhir等人，2018年；Tan等人，2023年）。值得注意的是，年龄作为一个重要的调节因素显现出来。结果表明，随着年龄的增长，这些数字工具与心理健康之间的负面关联会减弱。这种调节效应表明，年长的学生可能较少接触到问题性的数字使用模式，或者已经发展出更有效的应对和自我调节策略（Ferrari等人，2022年；X. Wang等人，2021年）。虽然代际间在早期接触智能手机方面的差异可能部分解释了这些发现，但特定于年龄的心理社会需求和发展过程也可能起着重要作用（Horwood等人，2021年）。未来的纵向研究需要进一步澄清这些机制。

基于性别的分析部分支持了第三个假设。年轻女性学生报告的焦虑、易怒和注意力困难水平显著高于男性，同时她们也取得了更高的学业成绩。这种模式与先前的研究结果一致，这些研究记录了性别在心理健康、情绪调节、应对策略和压力敏感性方面的差异（Nolen-Hoeksema，2012年；Steel等人，2014年；Graves等人，2021年；Méndez等人，2002年）。此外，女性学生报告更频繁地使用社交媒体和智能手机。尽管经历了更高的心理困扰，女性学生仍然表现出更好的学业成绩，这表明可能存在补偿机制，如更高的学术参与度或更有效的应对策略。这一解释与先前的研究结果一致，即女性学生尽管承受着更大的情感负担，仍能保持较高的学术表现（Elvira-Zorzo等人，2025年）。

关于第四个假设，结果表明，社交媒体和智能手机的使用在女性中比在男性中更能预测心理健康问题和学习相关困难。这一发现支持了关于性别在数字使用和情绪处理模式上的差异的先前研究，尤其是在社会比较和过度思考过程方面（Inzunza Melo等人，2020年；Herrera等人，2020年；Martínez等人，2019年；Zimmermann & Iwanski，2014年）。相比之下，其他形式的数字技术（如协作应用程序、异步学习平台和游戏化工具）与心理健康和学习结果之间的关联要么微弱，要么略呈正向。这表明数字使用的影响并非普遍存在，而是取决于使用的类型、目的和情境（Ferrari等人，2022年；Matos Fialho等人，2025年）。

关于学业绩效的发现更为复杂。尽管数字技术使用与心理困扰相关，但其对学业成就的影响有限。游戏化工具在两性中都与学业表现呈正相关，而社交媒体仅在女性学生中显示出适度的正相关。值得注意的是，智能手机的使用并未显著预测学业成绩。这些结果表明，学生可能能够弥补心理困难，从而在短期内维持学业表现。这种“在困境中的韧性”模式与先前的研究结果一致，即心理健康困难并不总是导致学业表现的立即下降（Spinath等人，2014年；Voyer & Voyer，2014年），这可能反映了动机和社会文化因素的影响。

总体而言，观察到的效应大小较小，表明模型中包含的变量只能解释心理健康和学业结果变异的一小部分。这与这些概念的多因素性质相符。其他因素（如应对策略、社会支持、睡眠质量和身体健康）可能也起着重要作用，但未包含在本研究中。因此，应谨慎解读这些结果。尽管如此，跨分析结果的一致性支持了其可靠性和相关性。

从应用的角度来看，这些发现强调了在大学环境中监测数字行为和心理社会因素的重要性。干预措施应针对年龄和性别特定的脆弱性进行定制，特别关注年轻女性学生。促进适应性数字使用和情绪调节策略可能有助于减轻心理健康风险，同时支持学业成功（Elhai等人，2017年；Eisenberg等人，2013年；Saleh等人，2017年）。

最后，通过采用“学习多样性”（DinL）框架，这项研究有助于更全面地理解心理社会因素和情境因素如何共同影响学习过程（Gandarillas等人，2024年；Elvira-Zorzo等人，2025年）。将年龄、性别和数字行为纳入机构政策可能有助于支持更具包容性的教育实践，提高学生福祉，并减少与心理社会脆弱性相关的差异（Hu & Yeo，2020年；Leupold等人，2020年）。

**局限性与未来研究**
在解读这些发现时，应考虑几个局限性。首先，横断面设计排除了关于观察到的关系方向的因果推断。需要纵向研究来确定密集的数字技术使用是否会导致心理困扰，或者是否存在已有困难的学生更可能参与某些数字行为模式。其次，依赖自我报告的测量方法（包括智能手机使用和学业成绩）可能会引入回忆偏差或社会期望效应。未来的研究将受益于结合客观指标，如数字使用痕迹数据或机构学术记录。第三，虽然在大规模调查中使用单项指标来评估与心理健康相关的感知在实践中是可行的，但与多项验证量表相比，可能会限制测量的精确度。最后，样本来自智利的单一大学，且主要为女性，这可能限制了结果的普遍性。需要在不同的文化和机构背景下进行复制研究，以评估这些发现在不同教育系统和社会文化环境中的适用程度。

未来的研究还应探讨旨在促进适应性数字习惯、情绪调节和自我调节学习策略的干预方法。将这些维度纳入“学习多样性”框架可能为开发更具包容性和响应性的教育实践提供有价值的途径，这些实践能够同时关注学生的学术和心理社会方面。此外，还应包括分析人工智能应用对心理健康指标和学习困难的影响。

**结论**
本研究提供了证据，表明年龄和性别在塑造大学生中数字技术使用、心理健康和与学习相关的心理困难之间的关系方面发挥着重要作用。一个一致的模式是：年轻学生报告了更高水平的心理困扰、更频繁的智能手机和社交媒体使用以及更多的学习相关困难。同时，年龄调节了这些关系，表明年长的学生可能对密集数字使用的负面心理影响不太敏感。性别差异也很明显，尤其是在年轻学生中。女性学生报告了更高的焦虑和注意力困难水平，以及更频繁的智能手机和社交媒体使用。此外，数字技术使用与心理健康指标之间的关联在女性中更为强烈，表明她们对数字使用的潜在负面影响更为敏感。尽管存在这些模式，但并未发现数字技术使用与学业表现之间存在一致的负面关系。相反，某些形式的数字使用，如游戏化学习工具，与学业结果呈正相关。这表明学生尽管经历心理困扰，仍能保持学业表现，可能是通过补偿性努力或适应性应对策略实现的。总体而言，这些发现强调了采用一种考虑年龄、性别和数字使用模式的差异化方法来关注学生福祉的重要性。旨在促进健康数字习惯和情绪调节策略的干预措施可能对年轻学生尤其有益，尤其是对那些在数字密集环境中似乎面临更大心理困扰风险的年轻女性学生。