人工智能驱动型心理健康聊天机器人中的患者中心沟通偏好:两项预注册研究的证据

《Health Communication》:Patient-Centered Communication Preferences in AI-Powered Mental Health Chatbots: Evidence from Two Preregistered Studies

【字体: 大 中 小 】 时间:2026年06月19日 来源:Health Communication 2.7

编辑推荐:

  心理健康信息的获取方式正在从静态搜索转向对话式人工智能(AI)。在患者中心沟通(PCC)的指导下,两项于美国开展的预注册研究识别了个体在与AI聊天机器人讨论心理健康时所偏好的沟通特征,以及个体如何在特征组合内部对这些特征进行权衡。研究1(N=414,美国配额样

  
心理健康信息的获取方式正在从静态搜索转向对话式人工智能(AI)。在患者中心沟通(PCC)的指导下,两项于美国开展的预注册研究识别了个体在与AI聊天机器人讨论心理健康时所偏好的沟通特征,以及个体如何在特征组合内部对这些特征进行权衡。研究1(N=414,美国配额样本)采用最佳-最差标度法(Best–Worst Scaling, BWS),识别出与医疗服务提供者相关、最具重要性的6项符合PCC的特征。研究2从一项美国配额代表性样本中抽取AI聊天机器人子样本(n=268),并采用离散选择实验(Discrete Choice Experiment, DCE)分析,以量化这些偏好特征组合之间的权衡关系。两项研究一致表明,用户强烈希望AI心理健康聊天机器人同时具备两种沟通特征:反映式倾听和多症状评估。重要的是,在与AI心理健康聊天机器人的互动中,关系性与临床性的、符合PCC的特征具有最高价值。上述偏好在不同用户之间,以及在不同沟通调适偏好水平的用户之间,整体上均保持较高一致性。
该文发表于《Health Communication》,聚焦人工智能(AI)驱动的心理健康聊天机器人在健康传播场景中的沟通设计问题。研究背景在于,心理健康信息获取正由传统搜索引擎的静态结果,转向由生成式AI提供的即时、综合性与持续性交互回应。这一转型不仅改变了信息可及性,也把“如何沟通”推到与“提供什么信息”同等重要的位置。既有研究显示,AI心理健康聊天机器人能够在匿名性、低成本、可扩展性、即时支持和个体化回应方面展现优势,并在抑郁、焦虑、压力缓解、心理健康素养提升和污名降低等方面显示潜力。然而,现有系统也存在诸多局限,包括对话重复、功能受限、建议泛化、危机应对不足、可靠性不稳、算法偏差、隐私与问责风险以及大语言模型(LLMs)的“幻觉”等问题。研究人员据此指出,AI心理健康聊天机器人的价值并不主要取决于自动化本身,而更取决于其沟通质量,因此有必要从技术中心视角转向沟通中心视角。

在理论上,研究以患者中心沟通(PCC)为核心框架,并结合沟通调适理论(Communication Accommodation Theory, CAT)考察用户对AI心理健康聊天机器人沟通特征的偏好。PCC强调在医疗互动中对患者观点的确认、在心理与社会情境中理解其处境、建立信任与共同理解,并支持符合患者偏好的循证决策。研究人员认为,AI系统虽无法完全实现具有人类意向性、道德能动性和经验理解的PCC,但可通过语言层面与结构层面的设计特征对PCC进行功能性逼近。既往关于健康AI聊天机器人的研究,多聚焦于单一特征,如同理性语气、非评判性风格或事实准确性,较少考察多种沟通特征并存时用户如何进行综合评价与取舍。因此,该研究的现实必要性在于:明确用户在心理健康建议场景下究竟最重视哪些沟通特征,以及当多种特征以“特征束”(feature bundles)的形式同时出现时,用户如何在它们之间进行权衡。这一问题直接关联AI心理健康聊天机器人的设计优先级、可用性评估与信任建构。

为回答这一问题,研究人员开展了两项相互独立且均完成预注册的实证研究。所用主要技术方法包括两类偏好测量方法。首先,研究1基于美国成年人配额样本(N=414)实施最佳-最差标度法(BWS),从24项候选沟通属性中识别寻求心理健康建议时最重要的患者中心沟通属性;样本来源为Prolific在线平台美国成人样本。其次,研究2基于美国总样本(N=1,011)中被随机分配至AI聊天机器人条件的子样本(n=268),实施离散选择实验(DCE),通过构建含6项属性、每项2个水平的选择任务,估计用户对不同AI聊天机器人沟通特征组合的偏好权重与替代关系。研究同时测量了沟通调适偏好,并以混合Logit模型(MIXL)检验其调节效应。

在研究1中,论文主体的小标题“Study 1: Best–Worst Scaling for identifying the importance of patient-centered communication attributes”表明,该部分的核心目标是识别患者在寻求心理健康建议时最重视的PCC属性。研究人员通过文献综合建立了24项属性池,并按“医疗质量与信息”“患者互动与支持”“社区与文化考量”三大类别组织属性。参与者在焦虑、抑郁或双相情感障碍情境之一中完成多轮BWS任务,从每组属性中选出“最重要”和“最不重要”项。结果部分“Preferred attributes related to patient-centered communication (RQ1)”显示,在三类属性中排名靠前的项目分别是:关于药物的解释、症状评估能力、专注与倾听技能、帮助范围与具体支持、咨询后的延伸支持,以及基于社区的协助。研究人员据此指出,患者在寻求心理健康建议时,最偏好的核心属性集中在准确的症状评估、清晰的药物解释、体现注意与倾听的互动方式,以及延续性和社区导向支持。该部分“Exploratory moderation of preferred attributes by mental health status”进一步表明,在Bonferroni校正后,焦虑、抑郁或双相情感障碍的既往经历并未显著调节属性偏好,说明这些偏好在不同心理健康状态人群中总体稳定。

在“Discussion of Study 1”中,研究人员对上述结果进行了三方面归纳。第一,信息质量通常高于便利性,其中症状评估体现临床能力与诊断确定性,而解释能力关系到共享决策。第二,关系性行为具有明确而突出的价值,尤其是专注与倾听有助于建立信任并促进依从。第三,患者的期待并不限于单次接触,而是延伸至咨询之后的连续支持和社区资源连接,表明安全感和信任感的形成依赖于更广义的支持网络。

在研究2中,论文以“Study 2: trade-offs between AI chatbot features”为总标题,进一步探讨用户在AI心理健康聊天机器人不同沟通特征组合之间如何权衡,并检验沟通调适偏好是否会改变这种权衡。研究设计使用了研究1筛选出的6项关键属性,每项设置高、低两个水平,并构成无标签的分数因子DCE任务。参与者在每次任务中于两个方案之间做出选择,由此估计各属性高水平对选择概率的影响。结果部分“Preference structure for AI chatbot communication attributes (RQ2)”显示,用户最强烈偏好的是反映式倾听(reflective listening)和多症状评估(multi-symptom evaluation),其后依次为直接联系健康社区、持续随访/持续支持、详细解释,以及较高的帮助范围与支持程度。研究进一步计算了效用等值权衡比,发现受访者愿意放弃约2.02个单位的“帮助范围与支持”以换取1个单位的“专注与倾听”,也愿意放弃约2.01个单位的“帮助范围与支持”以换取1个单位的“症状评估能力”,表明关系性保证与认识性保证在用户判断中具有更高优先级。

在“CAT-Based interaction effects on attribute utilities (RQ3)”部分,研究人员检验了CAT四个内部一致性良好的维度与6项AI聊天机器人属性之间的交互作用,共进行了24项检验。Bonferroni校正和Benjamini–Hochberg假发现率校正后,均未发现显著交互效应。这意味着,用户对沟通调适的偏好并未显著改变其对这些AI聊天机器人沟通特征的选择权重。随后,“Exploratory moderation analyses of trade-off decisions by mental health status”同样表明,心理健康状态既往史没有显著调节研究2中的属性选择。研究2的讨论指出,反映式倾听与多症状评估可被理解为一种“双重保证”:前者提供关系性保证,即被识别、被理解;后者提供认识性保证,即获得较为全面的症状判断。这两者可能共同降低用户在社会层面与信息层面的不确定性。

在“General discussion”部分,研究人员综合两项研究结论指出:在AI心理健康聊天机器人的评价中,用户并非孤立地看待某一项单独特征,而是将多个沟通特征作为组合加以权衡。跨两项预注册研究最为稳定的结论是,反映式倾听和多症状评估是最受偏好的两类患者中心沟通特征,分别对应关系性维度与临床/认知性维度。研究结果支持PCC框架在AI心理健康沟通设计中的适用性,提示高质量的AI系统不仅需要“说得准”,还需要“听得见”“接得住”。论文同时指出,与其只检验单一特征,不如从特征组合角度理解用户对AI聊天机器人的实际选择逻辑,因为用户会在同理性、评估能力、解释充分性、支持连续性与社区连接等方面进行综合取舍。

“Limitations”部分总结了研究边界:研究采用情境化设计,仅覆盖焦虑、抑郁和双相情感障碍三类心理健康问题,外部推广性受限;DCE虽能逼近真实偏好,但无法等同于现实行为;研究仅考察文本交互式AI聊天机器人,未涵盖语音或视听形式;研究样本限于美国,尚需在其他文化与地区重复验证;部分DCE属性未附详细定义,可能影响受试者对属性的充分理解;CAT与PCC构念之间可能存在重叠,且“人际控制”分量表信度不足;此外,尽管进行了注意力检验,但未使用人工验证程序来排除机器人作答。

研究结论部分可译为:在两项预注册研究中,研究人员识别出,当个体通过AI聊天机器人寻求心理健康建议时,反映式倾听和多症状评估是其偏好的关键属性。BWS确定了受偏好的患者中心属性,DCE进一步考察了这些特征之间的权衡,结果显示,用户会根据特定AI聊天机器人所提供的属性组合进行综合判断。重要的是,这些偏好在不同用户之间以及在不同沟通调适偏好水平下总体保持一致。综合来看,这些结果提示,心理健康AI系统的设计者应假定用户会同时评估一组属性并在其间进行取舍,因此仅孤立测试单一特征,无法把握人们真实的决策方式。
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