算法厌恶中的机器启发式方法：由人工智能创建或与人工智能共同创建的输出在感知上的创造性和所需努力

《Computers in Human Behavior: Artificial Humans》：Machine Heuristic in Algorithm Aversion: Perceived Creativity and Effort of Output Created by or with Artificial Intelligence.

本研究通过两个预注册实验，探讨AI生成创意内容时不同作者标签（AI、人类、人类-AI协作）对感知创造力与态度的影响机制。研究发现：1）人类创作在创造力和态度上显著优于AI单独创作及协作模式；2）感知努力通过影响创造力评价间接作用于态度，且人类-AI协作能部分缓解算法厌恶；3）机器启发式（MH）信念调节了作者标签与感知努力的关系，高MH个体对AI努力的认知较低，从而弱化负面评价。该研究扩展了算法厌恶理论，揭示了MH在创意领域的关键作用，为AI整合提供了管理启示。

　　在人工智能技术迅速发展的背景下，人们对AI创作内容的态度和评价正在经历深刻的变化。随着生成式AI在各个领域的广泛应用，从音乐创作到艺术设计，再到影视剧本编写，AI的能力不断突破传统的认知边界。然而，这种技术进步并未完全消除人们对AI创作的偏见，反而在某些领域引发了新的讨论和研究。研究表明，即使内容本身相同，但当其被标注为AI创作时，人们对其创意性和整体评价会显著降低。这种现象被称为“算法厌恶”（algorithm aversion），即个体倾向于信任和接受人类的创作而非AI的输出，即便AI的表现并不逊色于人类。

本研究通过两项预注册实验，探讨了在不同作者身份标签（AI、人类-人工智能协作、人类）下，个体对创意内容的评价差异。实验采用Netflix剧集描述作为刺激材料，因为这种环境非常贴近日常娱乐消费，能够反映用户对AI创作的真实反应。结果显示，人类创作的剧集在创意性和态度上都优于AI创作的剧集，而人类-人工智能协作的剧集则介于两者之间，表现出比纯AI创作更积极的评价。这些发现不仅揭示了个体对AI创作内容的偏见，还为如何缓解这种偏见提供了新的视角。

研究进一步指出，这种偏见背后存在一个复杂的心理机制：个体对AI所投入的“努力”程度的感知，直接影响其对创意性的判断，进而影响整体态度。换句话说，如果人们认为AI创作过程中缺乏努力，那么他们对作品的创意性评价也会相应降低。此外，研究还引入了“机器启发式”（machine heuristic, MH）这一概念，即个体对AI能力的预设信念。MH较强的人群，可能更容易接受AI创作内容，因为他们对AI的效率和能力持有更为积极的看法，从而减少对AI创作的负面评价。这一发现为理解个体差异如何影响对AI内容的接受度提供了重要的理论依据。

研究的另一个关键发现是，通过强调人类与AI的协作，可以有效缓解算法厌恶现象。当内容被标注为人类-人工智能共同创作时，人们对其创意性和态度的评价显著提高。这表明，在AI与人类合作的框架下，用户更容易接受AI的参与，因为这种标签传递了人类的创意和努力，使得AI的贡献被重新定义为一种补充而非替代。这一结果对于创意产业具有重要的实践意义，尤其是在AI被广泛应用于内容创作的情况下，如何通过标签和描述来平衡AI的作用，以避免引发不必要的偏见，成为创作者和管理者需要关注的问题。

从理论角度来看，本研究不仅扩展了算法厌恶理论，还引入了“机器启发式”作为关键的调节变量。MH作为个体对AI能力的一种预先设定的信念，能够显著影响他们对AI创作内容的感知和态度。这意味着，算法厌恶并非一种普遍存在的现象，而是受到个体心理特征的调节。这种发现为未来的研究提供了新的方向，即探索如何通过干预和引导，改变个体的MH信念，从而提升对AI创作的接受度。

在实际应用层面，研究结果对创意产业的从业者提出了新的挑战和机遇。一方面，AI的使用可能带来效率的提升和创意的拓展，但另一方面，它也可能引发用户的不信任和偏见。因此，创作者和管理者需要在AI技术的应用过程中，更加注重透明度和沟通策略。通过强调人类在创作过程中的主导作用，以及AI作为辅助工具的角色，可以减少用户的抵触情绪，增强他们对AI创作内容的认可。此外，对于不同MH水平的用户，应采取差异化的沟通策略，以更好地满足他们的认知需求和心理预期。

从消费者的角度来看，研究提醒人们在面对AI创作内容时，需要更加理性地看待其来源和价值。虽然AI在某些方面表现出色，但其创作过程往往缺乏人类所具有的独特情感和直觉。因此，用户在评价AI创作内容时，可能会不自觉地将其与人类的创造力相比较，从而影响其接受度。为了促进更健康的互动，用户应培养对AI和人类协作的开放心态，认识到AI在某些任务中的辅助作用，而非完全替代人类的创造力。

此外，研究还揭示了在不同情境下，算法厌恶可能表现出不同的特征。例如，在涉及主观判断和情感连接的领域，如艺术创作和娱乐内容，算法厌恶更为明显。而在那些强调客观性和效率的领域，如数据分析和自动化流程，AI的接受度可能更高。这种差异表明，算法厌恶并非单一现象，而是受到具体任务类型和用户心理预期的双重影响。

本研究的局限性在于，实验设计基于虚构的剧集描述，未能完全模拟真实世界中AI创作内容的复杂性。因此，未来的研究可以进一步探讨真实AI生成内容的接受度，以及不同文化背景下个体对AI创作的态度差异。此外，研究还指出，除了努力和创意性之外，其他因素如真实性、情感连接和独特性也可能影响用户对AI创作的评价。因此，未来的探索可以涵盖这些方面，以更全面地理解算法厌恶的机制。

总的来说，随着AI在创意领域的应用日益广泛，理解人类对AI创作的感知和态度变得尤为重要。本研究不仅揭示了算法厌恶的复杂性，还提供了缓解这一现象的策略，即通过强调人类的参与和努力，以及利用“机器启发式”这一心理机制，来改善用户对AI创作内容的接受度。这些发现对于创意产业的管理者、创作者以及用户都具有重要的参考价值，有助于推动AI与人类协作的良性发展。