《Behaviour & Information Technology》:Distinct predictors of positive attitudes toward artificial intelligence and general technology: big five traits, gender, and age
编辑推荐:
人工智能(Artificial Intelligence, AI)的快速进步使得广泛理解公众态度成为必要。尽管先前研究已识别出多种人口统计学与心理学预测因素,但人格的作用仍相对未被充分探讨。以往研究尚未在同一受试者中全面考察对AI的态度与对通用技术的态度如何存
人工智能(Artificial Intelligence, AI)的快速进步使得广泛理解公众态度成为必要。尽管先前研究已识别出多种人口统计学与心理学预测因素,但人格的作用仍相对未被充分探讨。以往研究尚未在同一受试者中全面考察对AI的态度与对通用技术的态度如何存在差异。本研究考察年龄、性别与大五人格特质如何在同一样本中预测这些差异化态度。研究发现人格特质影响技术接受度:经验开放性(Openness to Experience)与对AI的积极态度相关,但与对通用技术的态度无显著关系。相反,宜人性(Agreeableness)与对通用技术的积极态度相关,但并非特指对AI的态度。年轻与男性参与者对AI与通用技术均持更积极态度;值得注意的是,年龄对AI态度的预测力显著弱于对通用技术态度的预测力。这些结果表明,对AI的感知受不同于影响通用技术接受的心理学驱动因素影响,这可能源于AI的新颖性与感知影响。研究结果更新了学术论述并为确保AI益处惠及所有人提供指导。
研究背景与问题提出
人工智能(Artificial Intelligence, AI)近期在医疗、教育等领域快速发展并产生广泛社会影响,但同时也引发伦理、社会经济风险、就业替代、安全挑战、种族偏见、数据隐私及环境可持续性等担忧,导致个体对AI持矛盾或消极态度。既往研究表明人格特质、动机、自我效能、感知易用性、相对优势、用户体验、成本、个人价值观、风险感知、科学乐观度、政府信任、主观规范、文化、技术效率、工作流失威胁、信心与享乐因素等均可影响AI技术接受,大学生学科背景差异亦会导致AI态度不同。然而,现有文献对人格在技术态度中作用探讨不足,且尚未在同一样本中系统比较个体对AI与对通用技术(general technology)态度的差异及其预测因子异同。鉴于AI自2022年末生成式聊天机器人公开后的社会认知重要性,识别个体差异预测因子对于发现可能被边缘化群体并制定缓解策略至关重要。因此,研究人员开展本研究,旨在同一样本中检验年龄、性别及大五人格特质(Big Five traits:Openness to Experience, Conscientiousness, Extraversion, Agreeableness, Neuroticism/Emotional Stability)对AI积极态度与通用技术积极态度的差异化预测作用,以揭示二者心理驱动机制的差异,成果发表于《Behaviour & Information Technology》。
主要关键技术方法
研究人员采用便利样本,数据源自2023年英美两国530名母语为英语、年龄18岁以上、使用带物理键盘计算机的受试者(最终分析514人,排除未披露性别者10人及标准化得分超出±3的离群值6人,男女比例均衡,年龄18–81岁,平均40.9岁)。使用工具包括:人口统计学信息(年龄、性别、教育程度);人工智能态度量表(AI Attitude Scale, AIAS?4),单因子4条目十点Likert量表测量AI总体积极态度;媒体与技术使用与态度量表正向态度子量表(Media and Technology Usage and Attitudes Scale?positive subscale, MTUAS?p),五点Likert量表测量通用技术积极态度;十项人格量表(Ten?Item Personality Inventory, TIPI)测量大五人格各维度七点Likert评分。数据分析先进行正态性、多重共线性、异方差性等回归假设检验,计算Cronbach’s α内部一致性,构建Pearson相关矩阵,随后分别以AIAS?4总分与MTUAS?p总分为因变量,进行两层次分层多元线性回归(第一层纳入年龄、性别,第二层加入大五人格得分)以检验假设。
研究结果
3.1 数据筛选与假设检验
经计算偏度介于?2至+2、峰度介于?7至+7,Kolmogorov–Smirnov检验残差正态(p=.540与.267),Durbin?Watson值介于1–3,预测变量间相关未超0.900,方差膨胀因子(Variance Inflation Factor, VIF)<5、容忍度>0.200,Cook’s D<1,Goldfeld?Quandt检验无异位方差(p=.130与.932),满足回归前提。
3.2 量表内部一致性
AIAS?4的Cronbach’s α=0.907,MTUAS?p α=0.744,TIPI各维度α分别为Extraversion 0.793、Agreeableness 0.486、Conscientiousness 0.706、Neuroticism 0.795、Openness 0.497,与文献报道一致。
3.3 相关性
AI态度与通用技术积极态度显著正相关(r=0.526, p<0.001);AI态度与情绪稳定性(Emotional Stability, 神经质反向)正相关(r=0.112, p=0.011),与经验开放性正相关(r=0.102, p=0.021);通用技术态度与宜人性正相关(r=0.110, p=0.012);年龄与外向性(r=0.125, p=0.005)、宜人性(r=0.192, p<0.001)、尽责性(r=0.181, p<0.001)、情绪稳定性(r=0.251, p<0.001)正相关,与通用技术态度负相关(r=?0.156, p<0.001);性别(1=男,2=女)与宜人性(r=0.219, p<0.001)、情绪稳定性(r=?0.160, p<0.001)、开放性(r=0.110, p=0.013)及AI态度(r=?0.203, p<0.001)相关。
3.4 分层多元回归
以AIAS?4为因变量的模型1(年龄、性别)解释5%方差,F(2,511)=12.11, p<0.001,性别显著(β=?0.40, p=0.002);模型2加入人格后解释增至7%,F(7,506) p<0.001,仅经验开放性显著预测AI积极态度(β=0.10, p=0.022),年龄在第二模型显著(β=?0.09, p=0.046)。以MTUAS?p为因变量的模型1解释3%方差,F(2,511)=8.69, p<0.001,年龄(β=?0.150, p<0.001)与性别(β=?0.184, p=0.035)显著;模型2加入人格后解释7%方差,F(7,286)=5.46, p<0.001,仅宜人性显著预测通用技术积极态度(β=0.156, p=0.001)。
讨论与结论总结
讨论部分指出,经验开放性预测AI积极态度但不预测通用技术态度,印证假设H1,可能与AI新颖性及开放性强于接纳创新有关,与部分研究一致但亦有分歧,或受使用经验、个人创新性等近端预测因子影响。神经质(以情绪稳定性测量)未如假设H2显著预测AI或通用技术态度,可能因样本对技术熟悉度高降低威胁感知,或存调节变量削弱关系。人口统计学假设H3部分成立:男性与年轻者对两者均更积极,年龄对通用技术态度预测力(β=?0.193)强于AI(β=?0.090),且在加入人格后AI年龄效应方显著。探索性分析显示宜人性预测通用技术积极态度而非AI,或反映通用技术被视为有用而AI益处尚未被同等认同,文化差异可能影响宜人性与AI态度关联。其他大五特质无显著预测,提示人格以外因素(如文化价值观、基本心理需求满足)亦塑造AI态度。研究局限包括仅西方样本、便利抽样、未纳入AI使用经验与熟悉度、采用简短TIPI致心理测量精度受限。
结论部分译为:本研究揭示个体经验开放性水平是其对AI态度的重要预测因子,但不预测通用技术积极态度,这可能源于西方社会对技术的广泛接受使开放性等特质影响减弱;鉴于AI作为新颖且潜在颠覆性技术的地位,经验开放性仍是影响人们AI态度的关键特质。通用技术快速采纳或形成社会接受预期,使某些人格特质影响降低。此外,宜人性似乎预测通用技术积极态度而非AI态度。男性与年轻参与者通常对AI与通用技术均显示更积极态度。未来需进一步理解影响AI态度的多种因素及个体与情境决定因子。政策制定者与利益相关者在教育、医疗等关键社会领域引入AI服务时,应考量个体特质与人口统计学在AI采纳中的作用,理解群体态度差异可指导公众参与策略制定。