重新思考人工智能拟人化:一种跨人工智能系统和服务情境的全面概念化方法

《TECHNOLOGY IN SOCIETY》:Rethinking AI anthropomorphism: A holistic conceptualization and scale across AI systems and service contexts

【字体: 大 中 小 】 时间:2025年12月22日 来源:TECHNOLOGY IN SOCIETY 12.5

编辑推荐:

  徐英伟(Wayne Xu)| 奇克里斯蒂娜(Christina G. Chi)| 古尔索伊多根(Dogan Gursoy)| 蔡瑞英(Ruiying Cai) 美国华盛顿州立大学卡森商学院酒店商务管理学院 **摘要** 基于格式塔理论,本研究提出了一个整体框架,用于

  徐英伟(Wayne Xu)| 奇克里斯蒂娜(Christina G. Chi)| 古尔索伊多根(Dogan Gursoy)| 蔡瑞英(Ruiying Cai)
美国华盛顿州立大学卡森商学院酒店商务管理学院

**摘要**
基于格式塔理论,本研究提出了一个整体框架,用于定义人工智能(AI)的拟人化现象,并据此开发了一个简洁的AI拟人化量表(SAIA)。通过系统的文献回顾、七次焦点小组讨论以及严格的六步量表开发流程,本研究构建并验证了一个多维度框架,该框架能够捕捉AI所具有的外部和内部类人特征,包括其优点和缺点。基于五项研究中的2944份有效反馈,最终开发出了一个包含40个项目的六维SAIA量表,这些维度包括类人外观、认知能力、适应能力、社交智能、道德性和可错性。该量表通过全面的定性和定量验证,展现了良好的心理测量特性。SAIA作为一种强大的工具,可用于评估有形(如机器人)和无形(如聊天机器人)AI在正常服务情境和服务故障情境下的拟人化程度。

**1. 引言**
在智能服务交付的时代,人工智能(AI)技术正越来越多地应用于医疗保健、零售和酒店服务等行业的客户交互场景中(Khare等人,2023;Xu等人,2024)。这些系统从类人机器人到虚拟助手不等,通常被设计成能够模拟人类行为,从而引发用户的拟人化感知(Kautish等人,2023)。AI拟人化指的是将人类特征(如特质、情感)赋予这些系统(Salles等人,2020)。服务提供商越来越多地将拟人化的AI设备纳入其服务中,期望这种整合能够提升服务质量和客户体验(Chi等人,2024;Mehmood等人,2024)。

反映这一趋势的是,学术界对AI拟人化的测量量表研究日益增多(例如Chi等人,2024;Shen等人,2024)。这些量表使得对AI拟人化的评估更加细致,为服务提供商优化AI服务提供了有价值的见解。然而,现有的概念化和量表往往与特定技术或使用场景紧密相关,限制了它们在不同AI系统(如机器人与聊天机器人)和服务情境(如正常服务与服务故障)中的普适性。

一个主要局限是,许多研究主要关注特定系统(如社交机器人),而没有确保其适用于其他AI系统(例如Chi等人,2024)。其他研究则侧重于心理层面(如共情能力,Shen等人,2024),但忽略了物理维度。此外,许多量表开发研究过度依赖数据驱动的统计方法来定义AI拟人化维度(例如Kim & Im,2023)。这种依赖性可能由于理论基础不足而引入测量偏差,因此需要一个更注重理论驱动的综合性量表(Chi等人,2024)。

更重要的是,以往的研究尚未将道德性这一关键的人类特征充分纳入AI拟人化的概念中。道德性是一种独特的人类特质,它从根本上影响了我们对人类行为的解读(Haslam & Loughnan,2014)。鉴于其在人类社会互动中的核心作用(Haslam & Loughnan,2014;Saleh,2025),道德性应被视为AI拟人化的核心组成部分。基于Haslam(2006)的去人性化框架,道德性被认为是人类本质的重要标志,也是个体如何将其他事物视为人类的关键因素。用户认为AI具备道德推理和行为能力(如公平性、尊重隐私、道德行为)体现了更深层次和更丰富的拟人化属性(Khare等人,2023;Xu等人,2024)。尽管现有量表很少将道德性作为正式维度纳入,但理论和实证研究都支持将其包含在内(Giroux等人,2022;Shank & DeSanti,2018)。随着AI系统在具有社会敏感性的角色中日益发挥作用,实证研究表明用户确实能感知到这些系统的道德意识和责任感(例如Giroux等人,2022;Shank & DeSanti,2018)。通过将道德性作为一个独立且可测量的维度,本研究扩展了拟人化理论,以更好地反映当代对AI在道德相关情境下的期望。

除了道德性之外,另一个常被忽视但至关重要的类人特征是可错性。根据社会技术系统理论,所有技术(包括AI)都受到人类意图和价值观的影响,无论这些意图和价值观是明确表述的还是隐含在AI的设计和使用中(Davis等人,2014;Trist,1981)。这表明AI系统并非中立,而是受到创造者偏见、优先事项和目标的影响。此外,AI系统是基于人与AI的互动进行训练的,这意味着它们会学习人类行为的模式,包括理性决策和错误(Kozlov & Biever,2023)。鉴于人类天生存在认知偏差和行为缺陷(Reason,1990;Senders & Moray,2020),基于人类数据训练的AI系统几乎不可避免地会反映这些缺陷。因此,在概念化AI拟人化时必须考虑这些人类缺陷。理解AI系统可能模仿人类缺陷的潜力不仅有助于我们完善AI拟人化的理论,还有助于开发更加负责任和透明的AI系统,以承认并减少这些缺陷。

尽管AI可错性的概念尚未系统地纳入拟人化框架中,但本研究借鉴人类错误理论认为,人们感知到的类人缺陷(如延迟、错误、威胁)将促进拟人化推断(Ma等人,2025;Senders & Moray,2020)。通过将人类缺陷纳入AI拟人化的概念中,我们可以更好地预测AI在复杂现实世界情境中可能对人类行为和决策产生的影响。

总体而言,当前文献中仍存在几个关键的研究空白。首先,现有拟人化量表的普适性有限,因为它们主要关注特定的AI系统或服务情境。其次,许多量表未能充分体现道德性和可错性等关键维度,尽管越来越多的实证和理论支持将它们视为类人特征。第三,虽然有一些研究具有理论基础,但大多数仍依赖于归纳或统计因素结构,缺乏坚实的理论支撑。此外,缺乏一个统一的理论视角来解释人们如何全面感知不同形式和互动下的AI。这些空白凸显了迫切需要一个综合性的、理论驱动的框架,以开发出具有普适性的拟人化量表。

为解决这些研究空白,本研究旨在建立一个全面且具有普适性的AI拟人化概念框架,该框架基于理论驱动、多维度、灵活适应不同模态和服务情境的原则,以开发出一个简洁的量表,能够捕捉现代AI服务环境中拟人化的复杂性。首先,为了克服现有量表仅关注特定AI系统或服务情境的局限性,我们提出了一个整合了外在和内在类人特征的框架。这种广泛的覆盖范围使得该量表可以应用于不同的AI模态和多样化的服务环境。虽然我们承认现有特定情境量表在捕捉个别AI类型的拟人化表现方面的实用性,但需要一个通用框架来促进比较研究和理论整合,因为AI技术正在越来越多的混合环境中运行。其次,我们将人类美德和缺点明确纳入AI拟人化的概念中,超越了传统的维度。这确保了量表能够更全面地反映用户对AI拟人化特征的感知。第三,为了对抗以往研究中纯粹基于统计和因素驱动的方法的局限性,我们的框架建立在坚实的理论基础上,包括一个总体理论和具体维度的支持理论,这些理论指导了AI拟人化维度的概念化和操作化。

具体而言,我们采用格式塔理论(Wertheimer,1938)作为总体视角,解释用户如何在仅有部分或暗示性线索的情况下形成对AI系统的统一感知。尽管格式塔理论在拟人化研究中的应用不足,但其核心原则(如相似性、闭合性)强调人们将世界视为一个有机的整体,而不是离散的部分集合,并提供了令人信服的心理学机制,解释了用户为何以及如何基于碎片化或间接信号对AI进行拟人化。这一观点强调了采用综合性方法研究AI拟人化的必要性。为了补充这一视角,我们还结合了人类福祉理论(Gorton,1988)、拟人化理论(Epley等人,2007)和人类错误理论(Reason,1990),以增强AI的感知真实性和亲和力。

**2. 文献回顾**
**2.1 AI拟人化及其影响**
AI拟人化指的是将外在和内在的类人特征赋予各种AI系统(Kim等人,2025;Salles等人,2020)。这种现象既适用于需要物理交互的有形AI(如机器人),也适用于无需物理形态的无形AI(如聊天机器人)(Flemisch等人,2020)。为了提供以用户为中心的体验并提升服务质量,服务公司经常设计带有拟人化特征的AI系统,融入了物理和认知特征(Yang等人,2022)。这些物理属性从基本的人类特征(如外观和手势)到更复杂的特征(如面部表情和动作)不等。认知特征使AI能够思考、学习、检测环境线索并在不同情境中做出适应性反应。

越来越多的研究探讨了AI拟人化的影响,主要集中在两个方面:(1)研究其对用户的影响;(2)尝试测量或概念化拟人化本身。在第一类研究中,许多研究通过假设性场景操纵AI拟人化程度来评估其影响。一些研究表明,AI的拟人化特征可以提高客户满意度和信任度(例如Jin等人,2025;Lu等人,2019),并促进更好的工作关系和员工创造力(例如Liu等人,2024;Pei等人,2024)。相反,其他研究指出高度拟人化的AI可能加剧客户隐私担忧和情绪困扰(例如Kim等人,2019),同时引发员工对工作安全性和身份威胁的担忧(例如Tojib等人,2023)。这些混合结果表明,拟人化与用户反应之间的关系并非线性,可能取决于赋予AI的具体类人特征类型或组合。

第二类研究侧重于将AI拟人化作为一个构念进行测量,旨在提供更结构化和细致的效果评估。一些研究使用统计驱动的方法(例如Shen等人,2024)或理论驱动的框架(例如Chi等人,2024)开发了测量量表,每种方法都针对不同的AI系统。这些量表标志着从早期基于分类变量的实验性操作(如高拟人化与低拟人化)向更细致的多项目评估的转变(见表1)。这些研究加深了我们对AI拟人化的理解,超越了传统的实验性操作。然而,现有的概念化和测量方法仍然存在碎片化问题,它们通常只捕捉到AI拟人化的部分方面,如类人外观、心理特征和情绪反应,而忽略了这些因素之间的复杂相互作用。

**表1.**人工智能拟人化量表及其理论基础的比较表。研究背景、理论、维度/测量方法以及与SAIA的关系如下:

| 研究 | 理论 | 维度/测量方法 | 与SAIA的关系 |
|------|------|------------|-------------------|
| Bartneck等人(2008) | 通用机器人 | 未指定 | 单维度(以外观为中心);包含5个项目。SAIA超越了外观,整合了更深层次的认知、道德和易错性特征。 |
| Waytz等人(2010) | 通用机器人 | 未指定 | 单维度(个体认知差异);包含15个项目。SAIA区分了不同类型的认知(如意图性、适应性等)。 |
| Kamide等人(2013) | 社交机器人 | 心理理论(ToM,Gary等人,2007年)、去人性化框架(Haslam,2006年) | 经验、能动性、独特的人类特征(UH)、人性特征(HN);包含38个项目。由于SAIA与Haslam的去人性化框架在概念上完全重叠,因此未包含ToM。 |
| Carpinella等人(2017) | 社交机器人 | 未指定 | 温暖、能力、不适感;包含18个项目。SAIA将温暖等个性特征纳入社会智力维度,将能力纳入认知智力维度,并将易错性(如不适感)作为独立维度。 |
| Moussawi & Koufaris(2019) | 个人智能代理 | 去人性化框架(Haslam,2006年) | 单维度:个性与沟通;包含6个项目。SAIA将人性特征和独特人类特征完全整合到认知、社会智力和道德维度中。 |
| Spatola等人(2021) | 通用机器人 | 去人性化框架(Haslam,2006年) | 社交性、生动性、能动性、干扰;包含16个项目。SAIA更全面地采用了Haslam的理论。 |
| David等人(2022) | 社交机器人 | SEEK模型(Epley等人,2007年) | 外观、行为、认知、情感、道德;包含20个项目。SAIA未采用SEEK框架,因为其与Gorton(1988年)的人类福祉框架在概念上完全重叠,但仍保留了道德、认知智力和类人外观作为核心维度。 |
| Kim和Im(2023) | AI聊天机器人 | 未指定 | 外观/动作、认知智力、情感智力;包含15个项目。SAIA为认知和社会智力提供了理论基础和更丰富的子维度。 |
| Chi等人(2024) | 社交机器人 | 人类福祉框架(Gorton,1988年) | 外观、情感能力、社会智力、自我理解;包含20个项目。SAIA保留了这一理论作为类人外观、社会和认知智力的基础。 |
| 本研究(SAIA) | 所有人工智能类型和服务场景 | 综合理论:格式塔理论(Wertheimer,1938年);具体维度理论:人类福祉框架(Gorton,1988年);Haslam(2006年)人类错误理论(Reason,1990年)和社会技术系统理论(Trist,1981年) | 包含5个维度:类人外观、认知智力、社会智力、道德、易错性;包含40个项目。该量表基于经过验证的维度,涵盖了内部和外部类人特征,同时考虑了美德和缺点。 |

这些研究反映了当前人工智能拟人化研究的碎片化现状:基于效果的研究强调了拟人化的后果,但往往将其视为简单的二元操作;而测量研究试图定义其维度,但缺乏跨人工智能模式和理论视角的整合。尽管现有研究通过针对特定类型的服务场景定制拟人化测量方法做出了重要贡献,但这些努力也导致了对这一概念的零散理解。不同研究强调不同的特征(如外观、认知、情感),但缺乏共同的概念基础,使得结果难以比较或构建累积理论。例如,一些研究将拟人化设计与增加的信任和满意度联系起来,而另一些研究则将其与隐私担忧或情感不适联系起来。这些发现并非本质上矛盾,而是反映了在“拟人化”这一广泛概念下所测量的不同维度。此外,虽然整体拟人化水平(如高或低)被认为是关键因素,尤其是在“恐怖谷”现象中,但区分哪些具体维度驱动这些感知和行为反应同样重要。通过区分和理解不同维度(如认知智力、社会智力、道德和易错性)如何影响用户反应,研究人员和实践者可以更好地预测和管理多样的行为结果和沟通策略。例如,外观和社会线索通常会增强感知到的温暖、同理心和参与度,而过度类人或易错的特征可能会引起不适或隐私担忧。更清晰地理解这些维度与结果之间的关系,有助于服务组织在设计AI界面和沟通策略时战略性地调整拟人化线索,从而建立信任、提高服务效率并增强用户体验。

因此,本研究旨在通过提出一个基于理论的综合性框架来推进这一领域,该框架能够捕捉人工智能拟人化的多方面本质。该框架适用于各种人工智能模式和服务场景,同时允许根据具体需求灵活解释和调整。这样,它为优化AI环境中的沟通策略、服务设计和用户体验提供了理论上的坚实基础和实践上的可操作性。

2.2. 人工智能拟人化的理论基础
为了全面捕捉人工智能拟人化的多维度本质,并将其置于更广泛的理论框架中,本研究采用了Wertheimer(1938年)的格式塔理论作为基础框架。格式塔理论作为总体视角,强调了整体感知的重要性,指导了多种观点的整合。在此基础上,研究整合了一系列特定维度的理论观点,以发展出对人工智能拟人化基本维度的全面、理论驱动的概念化。这些观点包括Gorton(1988年)的人类福祉框架、Haslam(2006年)的去人性化框架、Reason(1990年)的人类错误理论以及Trist(1981年)的社会技术系统理论。每个支持理论都明确地影响了所提出的人工智能拟人化构建的一个或多个维度。

2.2.1. 格式塔理论(Wertheimer,1938年)
格式塔理论提供了关于人类如何感知和解释复杂现象的宝贵见解,强调个体倾向于将世界视为一个连贯的整体,而不是孤立的组成部分。这挑战了将对象或体验视为孤立元素简单集合的还原论方法。相反,格式塔理论认为人们自然会将有差异的信息组织成有意义的统一模式。在人工智能拟人化的背景下,这意味着用户可能会将AI系统不仅仅视为其各个组成部分(如算法、功能或界面)的集合,而是视为具有类人特质和行为的整体实体。格式塔理论的关键原则,如相似性和闭合性,强化了这一观点。相似性原则表明,具有共同特征的对象(无论是在外观、功能还是行为上)在人们的感知中会被归为一类。对于AI而言,这意味着人们可能会将某些AI系统归类为“类人的”,因为它们具有与人类相关的行为或情感特征。闭合性原则则认为,当面对不完整的信息时,人们倾向于在心理上“填补空白”,从而将不完整的对象视为一个整体。这一原则对于人工智能拟人化尤为重要,因为它表明人们可能会将人类特质投射到AI系统上,即使这些系统并不完全类人或只是部分被理解。例如,用户可能会根据有限的或模糊的互动将情感或意图归因于AI系统。

通过将这些关键原则整合到人工智能拟人化的研究中,格式塔理论为超越碎片化的方法提供了坚实的概念基础。它支持这样的观点:一个整体的、多理论框架可以帮助研究人员更好地理解人们感知和与AI互动的复杂方式。这种方法有助于识别人工智能拟人化的基本维度以及这些维度如何相互作用以塑造用户的态度和行为。作为总体理论,格式塔理论为以下具体维度理论提供了统一的视角。最终,采用受格式塔启发的综合方法来研究人工智能拟人化,可以更准确和全面地理解类人AI系统如何影响个体和社会。

2.2.2. 人类福祉框架(Gorton,1988年)
Gorton(1988年)的人类福祉框架提供了关于定义人性的四个基本要素的全面视角:身体、心灵、精神和情感。身体维度强调了人性的物理方面,包括身体特征(如面部、四肢)和灵活性(如动作、手势)。其余维度关注内在的人类属性。心灵涵盖了学习、解决问题和在不同环境中的适应能力等认知能力。精神反映了人性的心理和存在维度,强调了价值观、个性特征和意图性在塑造幸福感中的作用。最后,情感涉及情感能力,使个体能够在动态的社会环境中表达、体验和管理情感。基于这一框架,Chi等人(2024年)将社交机器人的拟人化概念化为客户对社交机器人类人性的感知,这种感知受到其类人外观、社会智力、情感能力和自我理解的影响。他们开发了包含20个项目、四个维度的社交机器人拟人化量表(SSRA)。这一框架也支撑了我们提出的三个维度:类人外观、认知智力和社会智力。

2.2.3. 去人性化框架(Haslam,2006年)
Haslam(2006年)的去人性化框架通过区分人类和自动化机器来精确定义人性。它引入了两个维度:独特的人类特征(UH)和人性特征(HN)。UH维度通过强调更高的认知能力(如智力、意图性、道德、理性、次要情感(如同理心、内疚)来区分人类和动物。相比之下,HN维度通过突出主要情感(如快乐、悲伤)、社交性、个性特征和适应性来区分人类和自动化机器。除了这些区别之外,学者们还强调了道德在定义人性中的核心作用,包括道德原则、公平性和伦理行为,特别是在技术快速进步、竞争加剧和伦理困境的时代。基于Haslam(2006年)的框架,Moussawi和Koufaris(2019年,第115-124页)将拟人化概念化为将类人特征归因于技术制品,增强了代理参与有意义社会互动的能力,并使用户认为非人类代理具有人类能力。他们开发了一个单维度、六个项目的量表,用于测量个人智能代理的拟人化,主要关注个性特征和沟通技巧。这一框架支持了我们量表的三个关键维度:认知智力、社会智力和道德。

2.2.4. 人类错误理论(Reason,1990年)和社会技术系统理论(Trist,1981年)
尽管Epley等人(2007年)、Gorton(1988年)和Haslam(2006年)的框架涵盖了人性的基本要素,并有效地区分了人类和非人类实体,但它们主要强调人性的中性和积极方面。然而,全面理解人性需要承认人类的易错性,这是人性的固有特征。人类错误理论(Reason,1990年)通过指出不完美是人类本质的一部分来弥补这一差距。该理论强调错误是认知过程的不可避免的副产品,源于资源限制和认知偏差。人类易错性可以分为两类:无意错误,由记忆失误和基于技能的错误引起;以及有意错误,涉及不道德行为,如违反规则、偏见决策和道德失误。此外,社会技术系统理论认为技术是由人类创造和训练的,以协助和与人合作(Davis等人,2014年;Trist,1981年)。尽管AI技术可能看起来客观和无情感,但它们本质上并非中立,因为它们是人类意图的产物,反映了人类的能力、偏见、价值观和错误,尤其是无意识的错误(Sony & Naik,2020年)。因此,研究人工智能拟人化需要考虑人类特征的范围,以全面理解AI如何像人类一样出现、思考、行为和犯错,以及个体如何将其视为类人。这些理论共同支持了我们框架的最后一个维度:易错性,其中包括认知和伦理成分。

表2总结了本研究的理论基础。

表2. 理论基础及相应的SAIA维度
| 理论 | 明确关联的维度 |
|------|------------|
| 格式塔理论(Wertheimer,1938年) | 所有五个维度 |
| 人类福祉框架(Gorton,1988年) | 类人外观、认知智力和社会智力 |
| 去人性化框架(Haslam,2006年) | 认知智力、社会智力、道德 |
| 人类错误理论(Reason,1990年) | 易错性 |
| 社会技术系统理论(Trist,1981年) | 易错性 |

3. 量表开发与验证
本研究开发并验证了一个简洁的人工智能拟人化量表(SAIA),用于测量有形(如机器人)和无形(如聊天机器人)AI系统的拟人化程度。量表开发过程遵循了先前研究的既定指南(如Churchill Jr,1979年;Lambert & Newman,2022年),以确保严谨性和方法论的稳健性,如图1所示。

图1. 量表开发程序。**人工智能拟人化的整体概念化**

基于多理论框架,本研究将人工智能拟人化定义为赋予人工智能系统外部和内部类似人类的特征,涵盖自然特征和独特的人类特征,同时承认人类的优点和缺点。这种多维视角影响了个体对人工智能的感知、互动和反应方式。根据这一框架和精炼的定义,人工智能拟人化被构想为一个包含14个子维度的五维结构,如图2所示。

**图2. 人工智能拟人化的整体概念化**

虽然SAIA被构想为一个六维框架,但我们强调其模块化特性。并非所有维度在所有情境下都同样显著。例如,在有形服务机器人中,类人外观可能更为重要;而在无实体的AI(如聊天机器人)中,社交智能可能更为突出。道德标准在这两种类型中都适用,尤其是在伦理敏感的情境下。因此,该框架具有灵活性,使未来的研究人员能够根据AI类型和情境专注于特定维度。这种设计还使得SAIA既可用于跨情境比较,也可用于特定情境的研究。

**3.1.1 类人外观**

类人外观源于Gorton(1988)的人类福祉框架中的身体维度,指的是人工智能的物理和行为特征与人类相似。物理特征包括人工智能的外部静态特征和整体视觉表现,如面部特征、身体结构和性别,所有这些都有助于其类人的存在感(Dong等人,2019)。相比之下,行为特征指的是人工智能自然或动态模仿人类行为和动作的能力,包括运动、手势和面部表情,使人工智能更加亲切和逼真(Chi等人,2024)。这些类人的物理和行为特征构成了用户对人工智能作为社会代理的直接感知基础,并强烈影响人与人工智能互动时的初始印象和参与程度。这一维度以可观察的术语定义了“人工智能的外观和行为”,为后续的心理反应提供了基础。

**3.1.2 认知智能**

人工智能的认知智能指的是其模拟类似人类的智力过程并与人类智能互动的能力。这些能力包括独特的人类特征,如学习、问题解决和意图性(Haslam,2006),以及适应性等人类本性特征(Haslam,2006)。这些能力使人工智能能够处理信息、动态应对各种情况并执行目标导向的任务。学习涉及人工智能获取新知识、回忆过去经验、识别模式并调整行为的能力,使其能够处理信息、存储记忆并应用知识有效解决问题(Moussawi & Koufaris,2019)。问题解决反映了人工智能识别挑战、分析问题并自主开发有效解决方案的能力,使其能够独立且胜任地处理任务,并在没有直接人类干预的情况下解决复杂问题(Awwalu等人,2015)。决策制定反映了人工智能根据预定义目标或学习模式评估各种选项并选择最适当行动方案的能力,涉及逻辑推理、信息评估和决策优化(Kim & Sundar,2012)。意图性代表了人工智能具有目的性和目标导向的行为能力,因为它被设计为执行旨在实现特定结果的动作,模仿了人类故意行动的倾向(Shen等人,2024)。适应性指的是人工智能根据变化的环境和用户需求调整其行为或反应的能力,通过从新输入中学习并相应调整行为来展示灵活性(Connor等人,2022)。这些维度定义了人工智能的认知智能,塑造了其在以人类为中心的环境中推理、学习和智能互动的能力。这一维度共同描述了人工智能的“类心智”功能,不仅强调其任务处理能力,还强调其以类人类方式学习和推理的能力。通过包含这些元素,该定义提供了对人工智能认知上与人类相似性的更完整描述。

**3.1.3 社交智能**

人工智能的社交智能指的是其通过响应社会线索并与人类进行社交互动的能力,表达情感和个性特征以促进有意义和吸引人的互动。它包括三个关键方面:情感、个性和社会性(Haslam,2006)。情感涉及人工智能模拟、识别、理解和回应人类情感的能力,检测诸如快乐、悲伤和同理心等情感状态,并作出适当反应以维持情感智能的互动(Spatola等人,2022)。个性指的是人工智能展示与人类个性相似的一致特征的能力,如友好、正式、果断或幽默,使互动更加类人、舒适和有帮助(Shen等人,2024)。社会性反映了人工智能参与类人类社交互动的能力,包括参与对话、回答问题、提供反馈以及根据情感线索和沟通风格实时调整行为(Damiano和Paul,2018)。这三个方面共同定义了人工智能的社交智能,影响了用户在各种社交情境中对人工智能的感知和互动方式。因此,社交智能捕捉了人工智能的“互动能力”,即它与人类在关系和情感层面的连接程度,成为用户信任、参与度和感知社会存在感的关键预测因素。

**3.1.4 道德**

道德在Haslam(2006)的去人性化框架中被视为独特的人类特征,指的是人工智能被感知为能够识别并按照伦理原则和道德标准行事的能力。这反映了用户期望真正类人的AI应展示道德推理、伦理敏感性和基于价值的决策能力。特别是在技术进步、竞争加剧和伦理困境的时代,道德尤为重要。道德包括两个组成部分:道德意识和道德行为。道德意识反映了人工智能模拟伦理意识和推理的能力,使其能够从伦理角度评估情况(Reynolds,2006;Shank & DeSanti,2018)。道德行为指的是人工智能根据社会接受的规范做出决策的能力(例如,区分对错),并通过尊重隐私、公平和诚信等原则避免造成伤害或不公正(Giroux等人,2022;Reynolds & Ceranic,2007)。这些组成部分使道德成为感知人类性的重要指标,并塑造了人工智能在以人类为中心的环境中进行伦理决策和负责任互动的角色。这一维度尤为重要,因为人工智能进入了涉及人类福祉、隐私和正义的领域。通过明确区分意识和行为,该定义区分了人工智能理解伦理原则的能力与其实际执行这些原则的能力,提供了概念上的清晰度和测量精度。

**3.1.5 可错性**

可错性源自人类错误理论(Reason,1990),指的是人工智能的类人缺陷和局限性,包括错误、偏见和不道德的表现。与传统拟人化维度关注理想化或积极的人类特征不同,可错性反映了对人类性的更现实和平衡的感知,包括缺陷和脆弱性。它包括两个关键方面:认知可错性和伦理可错性。认知可错性包括人工智能犯错、表现出偏见以及由于推理和数据处理限制而做出不良决策的倾向(Chanda & Banerjee,2024;Senders & Moray,2020)。伦理可错性指的是用户对人工智能可能从事不道德或不负责任行为的感知,例如侵犯隐私和鼓励不道德竞争(Cao等人,2023;Senders & Moray,2020)。正如社会技术系统理论(Trist,1981)所建议的,这一维度强调了人工智能系统不可避免地反映了其人类设计者的可错性。只要人类在认知或伦理上可能犯错,这些错误就可能体现在他们创造的人工智能中。这些方面有助于更全面和平衡地描述人工智能拟人化,承认其固有的缺陷及其类人类属性。

**3.2 SAIA测量模型的规定**

本研究将人工智能拟人化定义为一个反思性结构,考虑了因果方向、协变性、指标互换性和规范关系等因素(Jarvis等人,2003)。具体来说,每个维度都通过其测量项目来体现,维度内的变化反映在其指标中。例如,如果人工智能被认为非常类人,人们可能会认为它具有性别和手势等特征。一个维度内的指标是相互关联的。对人工智能认知能力的更强感知对应于对其学习和解决问题能力的更大认可。这些指标共同代表了人工智能的认知能力,移除其中一个不会改变其整体含义。此外,一个维度内的指标通常具有共同的前因。影响人工智能社交智能感知的外部因素可能同时影响多个指标。例如,被视为具有社交智能的人工智能预计会表现出个性和互动性。

**3.3 项目生成**

**3.3.1 数据收集**

最初生成了155个项目(附录A),其中69个项目来自广泛的文献回顾,其余86个项目是通过美国一所大型研究大学的七次焦点小组讨论开发的。所有参与者都熟悉拟人化人工智能系统。每个焦点小组由六到七名参与者组成,讨论持续100分钟以确保深入探讨(Nyumba等人,2018)。在讨论之前,主持人介绍了人工智能拟人化的定义,随后展示了真实的人机互动照片和视频。参与者随后在诸如“这些人工智能系统在您看来有哪些类人的地方?”等问题引导下进行了小组讨论。

为了指导正式的项目开发过程,研究团队首先与四位人工智能和人机交互(HCI)领域的学术学者以及两位具有AI服务应用经验的行业专业人士进行了非正式咨询。这些专家强调了认知能力、外观和互动性等维度的相关性,同时也指出了进一步探索潜在未探索领域的必要性。根据他们的反馈,我们设计了一种以用户为中心的方法来收集技术娴熟用户的感知和体验输入。因此,我们与45名本科生进行了结构化的焦点小组讨论,他们代表了多个平台上高度活跃的人工智能技术用户。他们的回答不仅涵盖了学术和行业专家提到的维度,还引入了新的、基于理论的维度,如道德和可错性。这支持了这样一个观点:在基于用户感知的量表开发背景下,对所研究现象有深入参与和了解的参与者可以作为有效和有价值的情境专家(详见附录B中的焦点小组讨论协议)。

为了进一步提高项目质量和理论一致性,保留的项目随后由四位人工智能和人机交互(HCI)领域的学术专家以及两位在服务领域具有AI应用经验的行业专业人士进行了审查。这些专家评估了每个项目的概念清晰度、维度一致性、冗余性和与人工智能拟人化理论框架的一致性。这次审查的反馈导致了措辞的改进(例如,提高了可错性项目的清晰度),消除了重复内容,并验证了新开发的维度,如道德和可错性。这种专家验证增强了探索性因子分析(EFA)之前项目池的可信度。

为了确保跨文化适用性和语言清晰度,最初的项目池使用严格的翻译和回译程序被翻译成中文,并由三位具有AI和消费者行为专业知识的双语学者进行了审查。这一过程确保了英文和中文版本之间的语义和概念一致性。有意纳入了文化不同的样本。尽管项目池是通过美国的焦点小组和文献开发的,但在早期验证阶段纳入多元化的中国样本增强了量表的跨文化稳健性。为了确保表面效度和净化初始项目池,本研究随后对Credamo(credamo.com)的267名中国参与者进行了预测试,该平台以其庞大的、多样化的受访者群体和生成研究数据的可靠性而闻名(Liu等人,2023)。参与者首先使用7点李克特量表(1=完全不可理解/不相关,7=非常可理解/相关)对每个项目的可理解性和相关性进行了评分。为了确保与情境的关联,在评分155个项目之前,他们观看了一个90秒的视频,展示了人工智能系统的正面(例如,与人类交谈和跳舞)和负面(例如,提供不准确的回答和表现出威胁性行为)方面的人机互动。

**3.3.2 数据分析和验证**

在可理解性或相关性方面得分低于4(满分7分)的项目被排除在进一步分析之外。这一过程最终得到了103个项目的精炼池。之后,同一组学术和行业评审人员对103个项目进行了最终的专业评审,进一步提高了用于因子分析的最终项目池的清晰度和理论稳健性。3.3.3. 结果预测试的结果表明,保留的项目具有很强的可理解性和相关性,符合纳入后续量表开发过程的标准。虽然预测试样本代表了不同的文化背景(中国),但它仅用于表面效度评估和项目优化。所有后续的心理测量分析,包括探索性因子分析(EFA)和验证性因子分析(CFA),都是使用来自MTurk和Prolific的参与者样本以英语进行的,确保了构念验证和语言使用的一致性。这种多阶段、严格结构化的方法结合了理论基础、以用户为中心的设计、专家评估和跨文化表面效度验证,确保了在正式因子分析之前项目池的内容有效性、语言清晰度和构念稳健性。3.4. 项目优化3.4.1. 数据收集为了开发一个简洁的量表,包含具有代表性的项目和一个稳定的因子结构(例如,Worthington & Whittaker, 2006),本研究进行了两轮探索性因子分析(EFA)来优化量表。在参与者使用七点李克特量表(1 = 强烈不同意,7 = 强烈同意)对项目进行评分之前,两轮中的参与者都观看了前一步中使用的相同90秒视频以增强参与度。在第一轮EFA中,从Amazon Mechanical Turk(MTurk)招募了562名参与者(附录B),该平台以其多样化和可靠的参与者群体而在社会科学研究中广受认可(Aguinis等人,2020;Vigliia和Dolnicar,2020)。在移除了因子载荷低和正态性不可接受的项目后,保留了53个项目进行进一步分析。第二轮EFA旨在进一步优化这53个项目。从Prolific招募了总共403名参与者(附录B),这是一个可靠且声誉良好的在线数据收集平台,确保了研究数据的有效性和代表性(Eyal等人,2021)。3.4.2. 数据分析和验证鉴于识别潜在因子以及每个维度下子维度的相关性,使用SPSS 28.0进行了带有Promax旋转的主轴因子分析(EFA)。分析遵循了既定标准:(1)Kaiser–Meyer–Olkin(KMO)值大于.50,确认了样本的充分性(Kaiser,1974)。(2)Bartlett的球形性检验在p < .05的水平上显著,表明因子分析具有适当的相关性矩阵。(3)仅保留了特征值大于1的因子(Kaiser,1960)。(4)测量模型解释了因子总方差的60%以上(Hair等人,2010)。(5)如果项目-因子载荷大于.60且交叉载荷小于.50,则保留该项目。(6)删除了共性值低于.40的项目。(7)识别出的因子的Cronbach's alpha值需要大于.80,以确保内部一致性(Nunnally,1978)。(8)在进行EFA之前,测试了测量项目的正态性,所有项目的偏度和峰度绝对值均处于可接受范围内(≤2)(Hair等人,1986;Thompson,2004)。3.4.3. 结果EFA结果显示了一个包含43个项目、六个维度的测量模型(表3)。KMO值为.96,Bartlett的球形性检验显著(p < .001),确认了数据适合进行因子分析。六因子模型解释了总方差的63.6%,Cronbach's alpha值在.85到.94之间,项目-因子载荷在.53到.87之间,共性值在.48到.78之间。表3. 最终EFA结果。因子和项目特征值方差(%)Alpha载荷类人外观(HA)1.732.99.89它具有类人的外观。61它有性别(例如,男性,女性)。75它具有类人的身体特征(例如,面部,颈部,躯干,四肢)。77它具有类人的面部特征(例如,鼻子,眼睛,嘴巴,耳朵)。71它的移动方式像人类。57它具有类人的手势。76它具有类人的面部表情(例如,微笑)。70认知能力(CC)5.569.59.94它很聪明。87它可以记住。62它可以学习。73它是独立的。63它很有能力。64它可以解决问题。82它可以做出决策。67它有助于改进决策。61它有助于优化决策。58适应能力(AC)2.854.91.85它有意图。67它是有目标导向的。61它有自己的目标。59它具有适应性。59它很灵活。59社会智能(SI)22.1838.25.91它有个性。55它很友好。56它平易近人。53它有情感。72它可以识别他人的情感。70它可以理解他人的情感。70它有同理心。69它具有互动性。65它反应迅速。63道德(MR)1.462.51.87它在道德上有原则。64它有自我意识。58它的行为符合伦理。66它尊重隐私。56可错性(FL)3.125.36.94它可能会忽略重要细节。78它可能不是无所不知。79它可能会延迟响应。84它可能会犯错。80它可能无法捕捉到重要的文化细微差别。85它可能会侵犯我的隐私。76它可能会泄露敏感的个人信息。79它可能会冒犯他人。80它可能会威胁人类(例如,身份,存在)。77注:Kaiser–Meyer–Olkin(KMO)= .96,Bartlett的球形性检验的p值<.001,解释的总方差= 63.6%,项目-因子载荷使用Promax旋转进行评估。EFA结果表明,AI拟人化由六个潜在维度组成(图3)。类人外观(7个项目)捕捉了AI的类人外观和展示拟人化行为的能力。认知能力(9个项目)反映了AI的学习、解决问题和做出决策的认知能力。适应能力(5个项目)代表了AI根据意图行动和灵活应对各种情境的能力。社会智能(9个项目)是AI展示多样化个性、表达情感以及与人类进行社交互动的能力。道德(4个项目)指的是AI根据道德和伦理原则思考和行动的能力。可错性(9个项目)解释了AI由于认知局限性和伦理缺陷而犯错的倾向。虽然类人外观、社会智能、道德和可错性与原始概念化一致(图2),但在EFA之后,五个子维度作为两个不同的因子出现,并根据它们的面部值重新命名:认知能力和适应能力。下载:下载高分辨率图像(337KB)下载:下载全尺寸图像图3. EFA后的SAIA优化维度。3.5. 潜在结构评估3.5.1. 数据收集收集了三个独立的样本,共计744名MTurk参与者,他们对不同拟人化水平的AI系统进行了评估:类人机器人(n = 244),非类人机器人(n = 235)和聊天机器人(n = 265)(附录C)。尽管聊天机器人没有物理形态,但格式塔的“闭合”原则表明人们会本能地通过填补缺失的细节来赋予它们类人的外观。因此,为了评估聊天机器人,保留了类人外观维度。为了帮助参与者在概念上理解拟人化的概念,我们展示了一段1分钟的视频,展示了表现出一系列类人特征的AI系统,随后是一个书面场景,描述了一个在服务环境中协助用户的高级AI系统,同时结合了积极和消极的人类特征(附录D)。这种多模态刺激并不旨在完全和准确地操纵拟人化维度,而是为了以标准化和简洁的方式激发参与者对类人AI特征的记忆和想象。视频的简短设计旨在最小化认知负担并防止刺激驱动的偏见,这与先前研究中的既定启动实践一致(Waytz等人,2010)。重要的是,在进行EFA和表面效度测试之后,使用已经显示出概念清晰度和结构稳定性的43个项目量表进行了CFA。3.5.2. 数据分析和验证使用SmartPLS对每个样本进行了一系列确认性四元分析(CTA-PLS),以确定二阶AI拟人化构念应该是反射性的还是形成性的。在此评估之后,使用IBM SPSS AMOS 28 Graphics独立地对每个样本进行了系列验证性因子分析(CFA),以验证量表的潜在结构。使用常用的指标评估模型拟合度:χ2、χ2/df、CFI、TLI和RMSEA。在所有三个样本中建立了可接受的模型拟合度后,我们进一步评估了复合可靠性、收敛效度和区分效度,以确认量表的心理测量稳健性。3.5.3. 结果CTA-PLS结果表明,大多数维度上的四元组与零没有显著差异(附录E)。根据Bollen和Ting(2000)以及Gudergan等人(2008)的观点,当四元组与零没有显著差异时,支持二阶反射性构念。基于这一指导原则,我们得出结论,二阶AI拟人化构念应该被建模为反射性的。为了进一步评估结构配置,我们使用IBM SPSS AMOS将构念建模为一阶反射模型和反射-反射二阶模型,比较了三个样本的模型拟合度指标。一阶模型始终优于二阶模型,表现出较低的χ2/df、较高的CFI和TLI以及较低的RMSEA(附录F)。这些结果确认了一阶反射模型提供了更简洁和经验上充分的构念表示。因此,我们保留了一阶模型结构用于后续分析。对于保留的一阶反射构念,初始项目池包括六个理论维度的43个项目。在分析过程中,由于因子载荷低(<.60),从类人外观、认知能力和适应能力三个维度中各移除了三个项目。保留的40个项目在其各自的潜在因子上显示出显著的载荷,范围从.65到.93。在心理测量属性方面,所有维度的复合可靠性得分在.81到.98之间,超过了.70的阈值(Bagozzi & Yi,1991;Kautish等人,2025,Kautish等人,2025)。每个因子的平均提取方差(AVE)在.54到.81之间,超过了.50的阈值(Fornell和Larcker,1981),从而确认了收敛效度(表4)。区分效度通过两个步骤得到确认(表5)。首先,没有配对因子相关性超过.80(Kline,2011)。其次,所有因子的互相关性始终低于AVE的平方根(Fornell和Larcker,1981),确保了区分效度。表4. CFA结果。因子和项目AVECRLoadings类人外观(HA).64/.76/.51.91/.95/.86它有性别(例如,男性,女性)。78/.90/.68它具有类人的身体特征(例如,面部,颈部,躯干,四肢)。82/.86/.74它具有类人的面部特征(例如,鼻子,眼睛,嘴巴,耳朵)。78/.90/.66它的移动方式像人类。81/.80/.70它具有类人的手势。80/.89/.73它具有类人的面部表情(例如,微笑)。80/.88/.76认知能力(CC).66/.67/.51.94/.94/.89它很聪明。72/.72/.69它可以记住。79/.86/.69它可以学习。86/.81/.70它很独立。84/.83/.75它很有能力。83/.81/.70它可以解决问题。79/.85/.65它可以做出决策。86/.82/.74它有助于改进决策。80/.84/.76适应能力(AC).63/.62/.52.87/.87/.81它是有目标导向的。82/.80/.75它有自己的目标。82/.84/.71它具有适应性。76/.72/.68它很灵活。77/.79/.75社会智能(SI).61/.57/.52.93/.92/.91它有个性。75/.68/.72它很友好。71/.84/.79它平易近人。79/.77/.73它有情感。81/.76/.68它可以识别他人的情感。79/.79/.75它可以理解他人的情感。83/.78/.73它有同理心。75/.69/.68它具有互动性。77/.69/.69它反应迅速。81/.75/.74道德(ML).60/.54/.52.86/.82/.81它在道德上有原则。66/.66/.71它有自我意识。85/.79/.73它的行为符合伦理。78/.75/.73它尊重隐私。80/.73/.71可错性(FL).81/.60/.52.98/.93/.91它可能会忽略重要细节。87/.77/.65它可能不是无所不知。89/.78/.75它可能会延迟响应。88/.83/.77它可能会犯错。91/.73/.71它可能会忽略重要的文化细微差别。90/.75/.64它可能会侵犯我的隐私。91/.80/.76它可能会泄露敏感的个人信息。93/.76/.76它可能会冒犯他人。90/.77/.76它可能会威胁人类(例如,身份,存在)。92/.77/.69注:CR = 复合可靠性,AVE = 平均解释方差;每个类别下的值对应以下样本的顺序:类人机器人样本,非类人机器人样本,聊天机器人样本。表5. 相关矩阵。空单元类人外观(HA)认知能力(CC)适应能力(AC)社会智能(SI)道德(ML)可错性(FL)HA.80/.87/.71CC.78/.72/.65.81/.82/.71AC.76/.69/.555.79/.72/.55.79/.79/.72SI.74/.77/.52.78/.76/.51.76/.61/.56.78/.75/.72ML.79/.69/.51.77/.65/.50.75/.74/.49.75/.74/.52.78/.73/.72FL.30/.75/.51.42/.65/.47.51/.76/.50.40/.62/.37.38/.68/.35.90/.77/.72注:粗体值代表每个维度的AVE的平方根。每个类别下的值对应以下样本的顺序:类人机器人样本,非类人机器人样本,聊天机器人样本。六因子模型,包括类人外观、认知能力、适应能力、社会智能、道德和可错性,在内部一致性、收敛效度和区分效度方面显示出强大的心理测量属性。这些发现验证了SAIA量表的结构性稳健性及其在不同AI类型(包括物理实体和非物质系统)中的普遍性。3.6. 本体有效性3.6.1. 数据收集从1008名MTurk参与者(附录C)那里收集了数据,他们评估了四种不同情景下的AI系统:类人机器人(n = 274)和服务失败情景(n = 244);以及正常服务中的聊天机器人(n = 238)和服务失败情景中的聊天机器人(n = 252)(附录G)。每个维度与使用意图之间的结构关系在四个样本中进行了分析。3.6.2. 数据分析和验证通过使用IBM SPSS AMOS 28 Graphics进行结构方程建模(SEM)来评估本体有效性。本研究考察了每个SAIA维度与个体使用拟人化AI的意图之间的理论关系,这是技术和服务创新研究中广泛报告的结果变量(例如,Flavián等人,2022;Xu等人,2024)。使用五个项目测量使用AI的意图,例如“我不会犹豫去接近机器人/聊天机器人”(Ayeh,2015)(附录H),在七点李克特量表上进行评分。遵循了两个步骤来测试结构关系(Anderson & Gerbing,1988)。首先,进行了一系列CFA以确认潜在构念并评估模型拟合度。其次,评估了提出的变量关系。模型在所有样本中显示出可接受的拟合度(附录F)。此外,还进行了多组分析,以考察相同因素对使用意图的影响是否在不同情境下存在差异(表6)。表6. 多组分析结果(p值)。自变量空白单元机器人聊天机器人正常服务服务故障因变量正常服务与服务故障机器人与聊天机器人类人外观使用意图0.045.201.015.004认知能力.715.001.032.114适应能力.823< .001.001< .001社交智能.312.002.027.008道德.598< .001.004.001可错性.741.231.016.003注:多组分析使用PLS-SEM和参数检验进行。3.6.3. 结果对于拟人化机器人(表6),除了类人外观(p = .045)外,所有其他因素对使用意图的影响在服务体验之间没有显著差异。如图4a所示,类人外观在正常服务条件下对采用有积极影响,但在服务故障期间有负面影响,这可能是由于期望违反效应,因为用户对高度拟人化AI的故障反应更为负面(Yao & Xi, 2024)。可错性在不同服务情境下对使用意图有负面影响,这与先前的研究结果一致,即用户在采用AI时更重视可靠性(Chi et al., 2024)。其他四个因素对使用意图有积极影响,其中适应能力和道德在正常和服务故障情境中都起着主导作用,强调了伦理能力和响应性在AI接受中的重要性(Xu et al., 2024)。虽然社交智能和认知能力的影响与其他拟人化属性相比较为微妙。下载:下载高分辨率图片(208KB)下载:下载全尺寸图片图4a. 拟人化机器人的SEM结果。注:?在p < .05时显著;??在p < .01时显著;???在p < .001时显著。系数按以下顺序代表样本结果:正常服务样本、服务故障样本。对于聊天机器人(表6),除了类人外观(p = .201)和可错性(p = .231)外,所有其他因素对使用意图的影响在不同服务体验中存在显著差异。如图4b所示,类人外观在不同服务情境下没有显著影响,这支持了研究结果,即视觉体现对于无形AI来说相关性较低(Crolic et al., 2022)。可错性在不同服务情境下对采用有负面影响,再次证实了感知到的AI错误会侵蚀信任,无论其体现形式如何(Chi et al., 2024)。认知能力在两种服务情境下都对采用有显著影响,但在正常服务场景中更为突出。虽然适应能力在两种情境下都对采用意图有显著影响,但其效果在正常服务互动中尤为明显,这强调了聊天机器人提供灵活、及时响应的必要性。社交智能在正常服务条件下没有显著影响,但在服务故障期间变得更加重要,这与研究发现一致,即用户期望在破坏性情境中得到具有社会意识的响应(Crolic et al., 2022)。道德在服务故障期间对采用有积极影响,但在正常条件下不显著,这反映了在高风险互动中伦理考虑变得更加重要(Bouhia et al., 2022)。下载:下载高分辨率图片(271KB)下载:下载全尺寸图片图4b. 聊天机器人的SEM结果。注:?在p < .05时显著;??在p < .01时显著;???在p < .001时显著。系数按以下顺序代表样本结果:正常服务情境样本和服务故障情境样本。比较拟人化机器人和聊天机器人在不同服务情境下的影响,几乎所有因素对类人化机器人的使用意图影响都更强,其中道德和可错性显示出最大的差异。这表明用户对有形的、类人的AI设备有更高的期望,将它们视为不仅仅是功能工具,而是社会实体,特别是在涉及伦理和易出错的互动中(Choi et al., 2021)。4. 结论与讨论本研究将AI拟人化定义为将外部和内部的人类特征赋予AI,结合自然和独特的人类特征,同时承认人类的优点和缺点。基于格式塔理论(Wertheimer, 1938),该理论强调整体感知而非碎片化组件,本研究采用了一种综合方法来概念化AI拟人化。开发了一个包含40个项目、六个维度的AI拟人化量表(SAIA),适用于有形(例如机器人)和无形(例如聊天机器人)AI系统,在不同的服务情境下(正常服务与服务故障)。基于多理论基础,AI拟人化最初被概念化为包含五个维度:类人外观、认知智能、社交智能、道德和可错性。这种概念化超越了之前的框架,不仅包括表面层次的线索,还包括更深层次的心理学和道德维度,有助于更全面地理解AI与人类的相似性(例如,Appel et al., 2020; Zhang et al., 2024)。为了实证测试这一理论框架,进行了一系列定性和定量研究。通过文献回顾和与熟悉拟人化AI的个体的七次焦点小组讨论生成了初始项目池,随后进行了预测试以评估表面有效性。随后的定量研究完善了项目池,旨在获得简洁的量表。进行了两轮EFA,以确保因子结构的稳定性和项目的代表性,确认了一个略有偏离初始理论框架的六维度AI拟人化构念。虽然类人外观、社交智能、道德和可错性保持不变,但认知智能分裂为两个不同的因素:认知能力和适应能力。这种细化与新兴观点一致,即问题解决和适应性反映了AI中的不同认知机制(Waytz et al., 2014),从而增强了SAIA的概念清晰度和理论精确性。这种维度细化反映了参与者对AI的整体感知,与格式塔观点一致,即人们倾向于将复杂刺激解释为有组织和有意义的整体。参与者不仅将AI智能视为一个整体结构,还区分了AI的思考和决策能力(认知能力)以及其在动态环境中适应和有目的地行动的能力(适应能力)。这种区分与AI和人机交互中的新兴理论一致,其中适应性和意图性越来越被认为是与问题解决和决策能力不同的(Epley et al., 2007; Waytz et al., 2014)。这种区分也与技术接受模型(TAM)(Davis, 1989)和技术接受与使用统一理论(UTAUT)(Venkatesh et al., 2012)一致,在这些理论中,感知到的有用性、感知到的控制感和适应性是技术采用的核心前提。通过将认知和适应维度与这些机制联系起来,我们的发现强调了AI智能的不同方面如何塑造用户在营销和服务情境中的接受意图和感知到的行为控制。因此,最终的SAIA框架在保持理论一致性的同时,结合了实证见解,重申了采用用户导向的综合方法来建模AI拟人化的实用性。此外,这一发现填补了先前AI量表的关键空白,这些量表通常将认知能力视为一个统一的构念,从而忽略了情境灵活性和目标导向行为的作用。为了确定最适合AI拟人化的结构模型,我们对所有三个数据集进行了系列确认性四元分析(CTA-PLS)和确认性因子分析(CFA)。CTA-PLS结果表明,大多数四元组不显著,根据Bollen和Ting(2000)以及Gudergan等人(2008)的观点,这支持了一个反思模型。然后我们使用AMOS比较了一阶反思模型和二阶反思模型。一阶模型在所有三个样本中都优于二阶模型,表现出更好的模型拟合指标(例如,较低的χ2/df、较高的CFI和TLI以及较低的RMSEA)。从理论角度来看,格式塔理论认为个体倾向于将不完整或部分信息视为一个统一的整体。这对于AI拟人化特别相关,因为用户可能根据有限的线索将AI赋予人类特征。即使AI缺乏某些维度(例如社交智能),当其他维度(例如类人外观或行为)存在时,用户仍可能将其视为拟人化的。这表明这六个维度可能是更广泛潜在构念的相互关联的反映,从而支持使用反思模型。然而,这也解释了为什么我们选择保留一阶模型结构,尽管从理论上讲应该使用二阶模型:虽然格式塔观点支持这些维度的反思性质(即它们反映了一个共同的构念),但这并不要求必须明确建模二阶结构。每个维度仍然可以独立评估,但它们共同唤起了与“整体大于部分之和”的格式塔原则一致的人类相似性感知。因此,基于理论推理和实证充分性,最终SAIA框架保留了一阶反思结构。通过一系列针对有形和无形AI的CFAs评估了复合可靠性、收敛效度和区分效度后,SEM分析确认了SAIA在AI系统和服务情境中的规范性有效性,揭示了AI拟人化的类型和情境依赖性。拟人化机器人和聊天机器人的感知方式不同,大多数拟人化线索对机器人的采用影响大于聊天机器人。最大的差异出现在道德和可错性上,这表明用户对有形AI的期望高于无形AI。这支持了最近的研究结果,即当AI以社会存在、物理体现的形式出现时,伦理敏感性和可靠性问题更加突出(Akbulut et al., 2024)。从消费者心理学的角度来看,这些结果可以通过认知评估理论(CAT)(Lazarus, 1991)进一步理解,该理论解释了用户将拟人化线索视为促进或威胁个人控制和能力。例如,可错性通常被视为威胁,引发不信任,而适应性和道德敏感性则引发对能动性和善意的积极评价(Liu et al., 2025; Wu et al., 2024)。虽然聊天机器人主要被视为功能工具,但机器人被视为具有更高性能期望的社会互动伙伴。可错性对两种类型的AI的使用意图都有负面影响,这强调了可靠性和可信度在AI采用中的重要性(Chi et al., 2024)。同时,适应能力成为两种类型AI采用的关键驱动因素,突显了AI需要为用户提供灵活和及时的响应。这一发现与社交存在理论(SPT)(Short et al., 1976)和关于人机协作的当代研究一致,这些研究表明适应性响应增强了AI中介交流中的关系温暖和信任(例如,Waytz et al., 2014)。这些统计结果证实了SAIA在跨平台(MTurk, Prolific, Credamo)和AI类型中的稳健性和普遍性,增强了其在跨情境应用中的价值。总之,本研究在理论和方法论上做出了几项贡献。从理论上讲,它将AI拟人化重新概念化为一个多维度构念,涵盖了心理、社会、道德和可错的人类特征,这些特征在之前的框架中经常被忽视(例如,Appel et al., 2020; Shin & Choo, 2022)。它还确认,虽然AI拟人化反映了一个统一的构念,但其测量可以通过相互关联的一阶维度而不是明确建模的二阶结构来最有效地实现。从方法论上讲,它引入了一个严格的多阶段量表开发过程,包括文献综合、定性探索和跨不同AI系统的心理测量验证。所得到的量表为学者提供了一个可复制和经过验证的工具,用于探索拟人化在用户感知、技术采用和AI伦理中的微妙作用。5. 含义5.1. 理论意义本研究重新概念化了AI拟人化,并开发了一个多维度量表,以全面理解这一概念。基于格式塔理论,该理论强调整体感知,本研究挑战了将AI拟人化视为独立特征总和的简化观点。相反,它与格式塔观点一致,即个体将AI视为一个整体,由相似性(基于共享行为将AI与人类特征联系起来)和闭合(在心理上填补空白以构建类人形象)等原则塑造。通过采用这种整体视角,AI拟人化量表(SAIA)捕捉了有形和无形AI系统在正常和服务故障情境下的外部和内部人类特征。本研究通过一个更全面和适用的框架推进了拟人化理论。本研究通过纳入人类美德和缺点,扩展了现有的拟人化理论和量表,强调了道德和可错性在塑造AI拟人化感知中的重要性。在技术快速发展的时代,道德变得越来越重要,因为个体对隐私侵犯和AI对工作及生活的潜在威胁表示担忧(Xu et al., 2024)。虽然之前的研究忽略了道德或仅隐含地包括了道德,但本研究明确将其定义为一个独立的维度,确保了其在现代AI情境中的适用性。此外,基于人类错误理论(Reason, 1990)和社会技术系统理论(Trist, 1981),本研究承认人类本质上是不完美的,而人工智能(AI)作为一种由人类创造并从人类学习的技术,不可避免地会反映出人类的偏见、价值观和局限性。因此,将可错性纳入AI拟人化研究中可以增强其真实性,尤其是在交互失败的情况下。据我们所知,这项研究是首批将可错性纳入AI拟人化框架的研究之一,提供了对AI拟人化的更现实和全面的理解。通过研究不同类型的AI拟人化现象,包括有形AI(例如机器人)和无形AI(例如聊天机器人),本研究扩展了先前的研究,表明拟人化维度的的重要性因AI类型而异。虽然类人外观强烈影响了对拟人化机器人的感知,但聊天机器人尽管没有物理形态,仍然被通过拟人化的视角来解读,因为格式塔的闭合原则表明人们会本能地填补缺失的细节以构建一个连贯的类人形象。这意味着即使在没有物理类人特征的情况下,人们也可能根据行为或认知线索将这类特性归因于无形AI设备。这些发现强调了AI拟人化理论需要采用一种全面的视角,既要考虑感知倾向,也要考虑功能属性,而不能将有形和无形AI视为根本不同的类别。

此外,本研究还进一步发展了先前的研究,证明了AI拟人化的情境依赖性。虽然大多数研究在正常服务条件下验证了拟人化效应,但本研究提供了实证证据,表明AI拟人化的效果在不同的服务场景中会有所不同。例如,在正常服务场景中,类人外观对与拟人化机器人的互动有积极影响,但在服务失败时则会产生负面影响,这表明高度拟人化的AI会被要求达到更高的标准,使其失败更加明显和令人沮丧。重要的是,这项研究还强调了在构建理论模型时需要保持一致性。尽管AI拟人化的多维性质表明可能存在二阶结构,但格式塔理论和实证证据都支持一阶反射模型。验证性四元分析证实了每个维度都是反射性的,而CFA比较显示一阶模型比二阶模型更适合。这些结果强调,结构模型的构建不仅应基于理论依据,还必须通过严格的统计验证进行实证检验。这进一步强调了在量表开发研究中,测量结构应与概念基础和模型拟合标准保持一致的重要性。

5.2. 管理意义
本研究为旅游和酒店行业的AI开发人员和服务提供商提供了可操作的见解,强调了根据AI类型和服务情境进行战略AI设计的必要性。研究结果表明,对拟人化AI的采纳意愿因AI类型而异,因为不同的AI拟人化维度对机器人和聊天机器人的影响不同。例如,认知能力在聊天机器人的采纳中起着更重要的作用,而类人外观对聊天机器人影响不大,但对机器人来说更为重要。其他维度,如社交智能、道德性和可错性对机器人更为相关,用户认为机器人更具社交吸引力,并对其有更高的道德和责任标准。因此,AI设计者和服务公司应策略性地调整拟人化特征,例如提高聊天机器人的认知能力以改善无缝互动,优先考虑机器人的类人外观和社交智能以确保吸引人的用户体验。道德性在AI采纳中起着关键作用,尤其是在有形AI中,伦理考虑显著影响用户的信任和接受度。为了提高社会接受度,组织必须优先考虑伦理决策、公平性和透明度,特别是在用户期望AI负责任行动的情境中。例如,在医疗和金融等信息敏感领域,AI必须通过确保数据隐私、无偏决策和伦理互动来展示道德责任,以建立信任和信誉。结果还表明,AI拟人化维度的意义因服务情境而异。在正常服务条件下,类人外观对机器人的采纳有积极影响,但在服务失败时会产生负面影响,而在服务失败时,社交智能对聊天机器人的采纳影响更大。因此,服务企业应谨慎实施拟人化AI,使AI设计与不同情境下的用户期望保持一致。例如,在服务失败可能性较高的高风险环境中,公司应减少有形AI中的类人特征,并增强无形AI中的社交智能。本研究还发现,适应能力在所有类型的AI和服务条件下都很重要,企业应优先提升这一能力,因为用户非常重视这一点。虽然AI的适应能力提高了接受度,但感知到的可错性会阻碍采纳。为了减少用户因AI出错而产生的挫败感,服务提供商应整合强大的错误处理机制和透明的沟通策略。例如,开发者可以实施自我纠正系统,使AI能够实时检测和纠正错误。此外,明确传达AI的局限性(例如在无法满足请求时提供解释)可以增强用户信任并鼓励长期互动。重要的是,SAIA量表的模块化架构为研究人员和实践者提供了灵活性,可以根据具体的AI应用进行调整。无论是研究物理机器人、虚拟助手还是特定领域的AI(如医疗、酒店业),该框架都允许选择性地应用相关维度,同时保持理论上的连贯性。这种适应性增强了量表在多样化的服务和技术情境中的相关性和实用性。

5.3. 政策意义
本研究对AI系统的设计、部署和治理具有重要的政策意义,可以为服务情境下的AI系统监管框架提供参考。在SAIA框架中纳入道德性和可错性作为独立维度,突显了在AI开发中日益增长的伦理监督需求。随着用户越来越期望AI负责任地行动,特别是在医疗、金融和公共服务等敏感领域,监管机构应考虑制定指导方针,确保AI行为符合人类伦理标准和社会规范。此类法规应促进算法决策中的公平性、透明度和问责制,特别是在AI误判后果可能严重的风险环境中。将可错性纳入AI的概念化中也强调了承认和规范系统局限性的重要性。过分强调AI的无误性可能导致过度依赖和错误的信任,这在关键情况下可能危及用户。政策制定者应支持鼓励AI透明度的举措,包括明确沟通系统边界以及制定标准化错误披露、纠正和用户补救的协议。这些行动不仅保护了消费者,还为服务生态系统中的AI表现设定了现实的期望。此外,由于SAIA框架展示了情境依赖的AI感知效应,特别是在正常和失败场景中,政策努力应旨在指导特定情境下的部署策略。法规可以鼓励组织在实施拟人化AI之前进行伦理风险评估,考虑服务环境、目标用户以及潜在的心理和社会影响。这在旅游和酒店业尤为重要,因为用户的脆弱性、情感期望和跨文化差异可能会增加人机互动的敏感性。此外,实证结果支持开发隐私保护框架,以解决用户对拟人化AI数据处理的担忧。随着更多智能代理参与面向客户的角色并通过自然交互收集行为数据,必须明确界定和执行消费者数据权利和使用界限。这也表明需要制定公共教育政策,提高数字素养,帮助用户更好地理解拟人化特征如何影响他们的信任、行为和在服务交换中的同意。

6. 局限性和未来研究
这项研究也存在一些局限性。首先,其重点关注旅游和酒店行业可能会限制研究结果在医疗和金融等行业的普遍性,这些行业的隐私问题、监管环境和人机交互情境可能有所不同。未来的研究应在不同的服务环境中应用SAIA,以测试其更广泛的适用性和稳健性。其次,尽管初始项目池使用了来自中国和美国的数据进行了完善,但量表的验证主要依赖于美国参与者,可能会引入文化偏见。未来的研究应进行跨文化比较,以检验文化规范是否影响对拟人化AI的感知。第三,鉴于拟人化AI在政策上的重要性日益增加,未来的研究还可以探讨制度和监管环境如何塑造公众对拟人化AI的期望和接受度,特别是在高风险领域。最后,尽管本研究遵循了严格的量表开发程序,包括专家评审、表面有效性测试、探索性和验证性因子分析,但仍需承认方法上的限制。依赖横断面自我报告数据可能会引入共同方法变异的可能性。此外,尽管SPSS和AMOS是广泛认可的心理学分析工具,但它们依赖于某些统计假设(如线性、多变量正态性和测量不变性),这些假设可能无法完全捕捉不断演变的人机交互的复杂性。未来的研究可以考虑使用纵向或实验设计以及定性访谈或行为观察等补充方法来进一步验证SAIA。

**作者贡献声明**
Yingwei (Wayne) Xu:撰写——审阅与编辑、撰写——初稿、可视化、验证、软件、方法论、调查、正式分析、数据整理、概念化。
Christina G. Chi:撰写——审阅与编辑、监督、资源管理、项目管理、调查、概念化。
Dogan Gursoy:撰写——审阅与编辑、监督、资源管理、项目管理、调查、概念化。
Ruiying (Raine) Cai:撰写——审阅与编辑、监督、资源管理、项目管理、调查。

**关于写作过程中生成式AI和AI辅助技术的声明**
在准备这项工作时,作者使用了ChatGPT 4o来提高手稿的可读性和语言表达。使用该工具/服务后,作者根据需要对内容进行了审阅和编辑,并对发表文章的内容负全责。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号