情绪情境对生成式人工智能使用意愿的影响研究

《Proceedings of the Human Factors and Ergonomics Society Annual Meeting》:Do You Feel Like Using GenAI? Scenario Emotional Valence Impact on Potential Generative Artificial Intelligence Use

【字体: 大 中 小 】 时间:2026年10月22日 来源:Proceedings of the Human Factors and Ergonomics Society Annual Meeting

编辑推荐:

  生成式人工智能(generative artificial intelligence, genAI)正日益普及,这引发了关于哪些因素影响其使用的问题。本研究探讨了决策情境中的情绪是否会影响genAI写作工具的使用。研究人员呈现了35个基于写作的情境,其中部分情

  
生成式人工智能(generative artificial intelligence, genAI)正日益普及,这引发了关于哪些因素影响其使用的问题。本研究探讨了决策情境中的情绪是否会影响genAI写作工具的使用。研究人员呈现了35个基于写作的情境,其中部分情境与六种基本人类情绪(悲伤、愤怒、愉悦、恐惧、惊讶、厌恶)相关联,另一些则被设定为中性情绪条件。大学生参与者被问及是否会使用genAI工具完成该任务,随后需识别情境中存在的情绪。大多数参与者会根据情境改变其使用AI工具的决定。情绪对genAI辅助的潜在使用存在显著影响,其中在恐惧和惊讶情境下,参与者表现出更高的使用意愿。情绪强度同样影响潜在的AI使用,在情绪强度评分较高的情境中,参与者报告的AI信任度和任务复杂度均有所增加。然而,AI使用的总体比率普遍较低。研究讨论了相关发现对自动化使用与信任理论的意义。
情绪情境如何影响生成式人工智能使用意愿:一项基于写作任务的研究解读
一、研究背景与问题提出
随着生成式人工智能(generative artificial intelligence, genAI)工具的迅速普及,人们在日常生活和工作中面临越来越多关于是否使用自动化辅助的抉择。现有的人机自动化交互理论与原则,如信任与自动化使用的关系、算法接受度等,为理解人们何时会转向此类工具提供了一定见解。然而,这些新型自动化辅助在本质上与以往技术有所不同,且其应用范围极为广泛,因此可能需要扩展人类—技术—任务协作模型以涵盖更多维度。
一个关键但尚未被充分探索的因素是情绪。在写作情境中,诸如投诉信、慰问便条、给朋友的留言等任务,虽然包含许多相同的写作功能,但其所关联的情境情绪各不相同。情绪已被广泛证实在日常决策中发挥重要作用,影响社会互动、人生选择乃至身体健康结果。然而,在AI使用领域,情绪情境的影响尚未得到系统检验。当前研究旨在弥合情绪决策过程与既有的技术接受和使用理解之间的鸿沟,探索情绪内容是否可能影响人们使用AI工具完成写作任务的决定。
二、研究设计与核心发现
研究人员招募了202名蒙大拿州立大学本科生作为参与者,设计了35个写作任务情境,其中30个情境基于Ekman(1992)提出的六种基本情绪(恐惧、愉悦、厌恶、悲伤、惊讶、愤怒)进行情绪偏向设计,另有5个情境为中性条件。参与者需针对每个情境回答是否愿意使用AI工具,识别情境中的情绪,并对情绪强度、对AI工具的信任度、完成任务的自信度以及任务复杂度进行评分。
研究结果显示,情绪对AI使用意愿存在显著影响。总体而言,78%的参与者会根据情境变化其AI使用决定,但整体AI使用意愿较低,最高“是”响应率仅为23.5%。在情绪类别中,恐惧和惊讶情境下的AI使用意愿最高(分别为22.38%和23.86%),而愉悦(13.07%)和厌恶(14.95%)情境下的使用意愿最低。情绪显著影响AI信任度、自信度和任务复杂度评分。恐惧情境与最高的AI信任度和任务复杂度相关,而悲伤情境与最低的AI信任度相关;愉悦情境产生最高的自信度,恐惧情境则产生最低的自信度。情绪强度分析表明,更高的情绪强度显著预测更低的AI信任度和更高的任务复杂度,但与自信度无显著关联。即使在仅分析高强度情绪试验的子集中,上述情绪效应依然显著,表明观察到的效应并非单纯由情绪强度差异驱动。
三、关键技术方法
本研究采用问卷调查法,通过Qualtrics平台部署在线调查。研究基于期望—价值理论(Expectancy-Value Theory, EVT)、保护动机理论(Protection Motivation Theory, PMT)以及技术接受与使用统一理论(Unified Theory of Acceptance and Use of Technology, UTAUT)构建研究框架,利用UTAUT中的“绩效期望”“社会影响”和“努力期望”维度设计情境故事和后续问题。情绪情境的构建参考了既有文献中的情绪线索,并经过预测试以确保情绪识别的有效性。数据分析采用广义逻辑混合效应模型、多项逻辑回归、层次线性混合效应模型和方差分析(ANOVA)等方法。
四、研究结果
总体发现:参与者普遍近期使用过AI工具(48%在过去一两天内使用过),情绪识别准确率因情绪类型而异,悲伤情境的识别一致性最高(83.37%),惊讶情境最低(32.87%)。AI使用意愿在不同情绪间存在差异,惊讶和恐惧情境的使用率最高。
AI使用变异性:约20%的参与者对所有情境均未选择“是”,仅2%的参与者对所有情境均选择“否”。大多数参与者(78%)会根据情境调整AI使用意愿,但总体使用意愿偏低。
总体模型:广义逻辑混合效应模型显示情绪对AI使用存在显著总体效应,χ2(6)=98.22,p<.001;多项逻辑回归也显示情绪显著影响AI使用响应类别分布,χ2(12)=261.37,p<.001。恐惧相关情境显著增加了AI使用认可的可能性。
层次模型:层次线性混合效应模型显示,情绪显著改善AI信任度、自信度和任务复杂度模型的拟合度。恐惧情境的AI信任度最高(M=4.33),悲伤情境最低(M=3.36);愉悦情境的自信度最高(M=8.37),恐惧情境最低(M=6.86);恐惧情境的任务复杂度最高(M=5.50)。
情绪强度:方差分析显示情绪强度评分在不同情绪间存在显著差异,悲伤情境强度最高(M=6.13),中性情境最低(M=2.19)。情绪强度作为连续预测变量时,显著负向预测AI信任度,显著正向预测任务复杂度,但与自信度无显著关联。
高强度试验:仅分析高强度情绪试验时,情绪对AI信任度、自信度和任务复杂度的效应依然显著,且交互模型显示情绪强度调节了情绪与各评分之间的关系。
个体层面变异性:参与者平均使用6.61种情绪类别,表明情绪反应具有广泛变异性。最常见的优势情绪类别为中性(61.4%),其次为愤怒(13.4%)、恐惧(12.9%)和悲伤(8.4%)。
AI使用的感知收益与损失:参与者最常将AI描述为促进学习与理解(54.3%),其次是效率与节省时间(34.7%)以及提供信心与支持(29.6%)。最主要的损失主题为学习/练习损失(38.4%),其次是批判性思维与独立性担忧(37.4%)以及社会联系与自我效能损失(34.8%)。
五、讨论与结论
研究结果表明,情境中的情绪类型可能影响人们选择使用生成式AI工具的意愿。与保护动机理论(PMT)一致,用户在威胁性条件下更倾向于使用AI工具。研究还强调了将更多情绪因素纳入技术使用模型的重要性,而当前的技术使用模型往往未明确包含情绪因素。研究为情绪在自动化使用决策中的新角色提供了初步证据——在写作情境中,人们可能根据与情境相关的情绪差异来调整对辅助工具的使用。这些发现对未来自动化使用模型如何适应生成式AI和类人聊天机器人等新技术具有启示意义。研究人员声明不存在潜在利益冲突,且未获得研究资助。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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