学术研究报告：人机交互中支持类型与交互主体对社交支持感知的影响

作者及发表信息
本研究由Western Michigan University的Bryan Abendschein、Chad Edwards和Autumn Edwards合作完成，发表于2021年的*Communication Research Reports*期刊（第38卷第5期，304-314页）。研究聚焦人机交互（Human-Machine Communication, HMC）领域，探讨人类对不同交互主体（人类、AI聊天机器人、社交机器人）提供的社交支持（情感性支持与工具性支持）的感知差异。

学术背景与研究目标
科学领域与背景知识
社交支持（Social Support）是人际关系中影响身心健康的核心因素，传统研究集中于人类间互动，但近年来，人工智能（AI）和社交机器人（Social Robot）逐渐成为支持提供者。基于“计算机是社会行动者”（Computers Are Social Actors, CASA）理论，人们可能无意识地将社会规范投射到机器交互中。然而，机器提供的支持是否与人类等效尚不明确。

研究动机与目标
随着AI助手（如Amazon Alexa）和社交机器人（如SoftBank Pepper）的普及，研究者提出核心问题：
1. 人类对不同交互主体（人类/AI/机器人）的能力（Competence）、可信度（Credibility）和社交临场感（Social Presence）的感知是否存在差异？
2. 支持类型（情感性/工具性）是否影响上述感知？
研究通过实验设计验证CASA理论在社交支持场景下的适用性，并为HMC领域提供实证依据。

研究设计与方法
实验流程
研究采用3（交互主体：人类/AI/社交机器人）×2（支持类型：情感性/工具性）的组间设计，共161名大学生参与者随机分配至6种实验条件。

1. 刺激材料准备

   • 交互主体呈现：每组参与者观看对应主体的图片（人类：女性大学生；AI：Amazon Echo Dot；机器人：SoftBank Pepper）并阅读相同名称“Sam”的描述，以控制性别变量。
     
   • 支持类型脚本：基于真实在线支持场景设计两段对话（表1）：
     
     • 情感性支持：帮助缓解学业压力（如“我理解你的压力”）。
       
     • 工具性支持：提供具体问题解决方案（如“可持续农业的定义是…”）。
       

2. 数据收集
   参与者阅读脚本后完成以下量表：

   • 可信度（McCroskey & Teven, 1999修订版）：含能力（如“智能/不智能”）、品格（如“可信/不可信”）、关怀（如“关心我/不关心我”）三个维度（15题，7级语义差异量表）。
     
   • 社交支持感知（Collins & Feeney, 2004修订版）：评估支持有效性（如“Sam是否愿意帮助？”）（6题，α=0.87）。
     
   • 社交临场感（Walther & Bazarova, 2008修订版）：测量互动中的“共在感”（如“亲近/疏远”）（6题，α=0.95）。
     
   • 控制变量：采用多维感知社会支持量表（Zimet等, 1988）控制个体差异。
     

3. 数据分析
   采用多变量协方差分析（MANCOVA），以交互主体和支持类型为自变量，控制社会支持基线水平，检验对可信度、支持感知和社交临场感的影响。

主要结果
1. 交互主体差异
- 能力感知：社交机器人评分显著高于人类（p=0.021），AI与人类无差异。例如，机器人提供工具性支持时能力评分最高（M=6.10 vs. 人类M=5.48）。
- 其他维度：可信度（品格、关怀）和社交临场感无显著差异，表明参与者更关注支持效果而非提供者身份。

1. 支持类型差异

   • 工具性支持在能力感知（p=0.001）和支持有效性（p=0.009）上评分更高。例如，工具性支持的能力均值（M=5.74）显著高于情感性支持（M=5.18）。
     
   • 情感性支持未引发更低评价，但参与者认为工具性支持更“高效”。
     

2. 交互效应
   主体与支持类型无显著交互作用（p>0.05），说明无论人类或机器，工具性支持均被认为更可靠。

结论与价值
1. 理论意义
- 验证CASA理论在社交支持场景的适用性：人类对机器支持的感知与人类支持无本质差异，支持“交互效果优先于提供者属性”的假设。
- 提出“支持类型”是关键调节变量，工具性支持更符合机器角色预期。

1. 应用价值

   • AI设计启示：工具性功能（如信息查询）可优先优化，情感性功能需进一步研究以提升自然度。
     
   • 心理健康干预：机器支持可作为人类支持的补充，尤其在信息提供场景。
     

2. 局限性

   • 仅通过第三方观察（脚本阅读）而非实时互动收集数据，未来需结合真实交互实验。
     
   • 未深入探讨性别化AI语音（如女性声音）对感知的影响。
     

研究亮点
1. 创新发现：首次对比人类、AI和机器人在社交支持中的多维感知差异，揭示工具性支持的普适优势。
2. 方法贡献：结合CASA理论与经典社交支持量表，为人机交互研究提供新范式。
3. 社会意义：为AI伦理设计（如性别偏见）和机器人应用场景（如教育、医疗）提供实证依据。

后续方向
作者建议探索实时交互中机器支持的动态效果，以及文化差异对支持感知的影响。