Philipp Brauner、Felix Glawe、Gian Luca Liehner、Luisa Vervier 与 Martina Ziefle 等研究者来自德国亚琛工业大学传播科学专业，其论文《Mapping public perception of artificial intelligence: Expectations, risk–benefit tradeoffs, and value as determinants for societal acceptance》发表于 Technological Forecasting & Social Change 第220卷，文章编号124304，于2025年在线发表。该研究属于人工智能伦理、技术接受与风险感知交叉领域，旨在通过全国代表性样本揭示德国民众对人工智能的总体评价、风险与收益之间的权衡，以及这些判断如何受到人口学特征与个体技术准备度的影响。

该研究采用心理测量范式，将风险与收益感知作为核心框架。作者认为，民众对人工智能的态度并非基于客观概率计算，而是受到情感、认知和社会文化框架的显著影响。人工智能作为新兴技术，具有高度不确定性、伦理模糊性和社会争议性，因此主观风险感知与收益感知比客观技术指标更能解释公众接受度。研究目标包括四方面：识别哪些人工智能应用领域被公众视为具有价值一致性；评估总体情感在多大程度上由感知收益或感知风险驱动；考察风险与收益之间的权衡是否因应用情境不同而变化；分析年龄、性别、技术准备度和人工智能准备度等个体因素如何塑造感知。研究采用71个微场景，覆盖自动驾驶、医疗、艺术、政治、战争、社会分化等领域，要求参与者从预期发生可能性、个人风险、个人收益和总体价值四个维度进行评价。该设计既允许在用户层面进行个体差异分析，也允许在主题层面进行场景比较。

研究通过德国全国代表性样本实施在线调查，最终纳入1100名参与者，年龄介于18至85岁，中位年龄为51岁；其中女性570人、男性524人、多元性别或未披露者6人。教育背景涵盖无正规教育到大学学位等不同层级，就业状态包括全职、兼职、退休、失业和学生等。研究工具包括71个单句微场景，每个场景使用6点语义差异量表测量预期、风险、收益和总体价值。此外，参与者还完成了人际信任量表、技术准备度量表、大五人格开放性量表、一般自我效能感量表、风险倾向量表以及医学人工智能准备度量表的改编版本。所有材料、原始数据与分析脚本均存放于开放科学框架（Open Science Framework，OSF）平台。数据分析流程包括描述统计、相关分析、多元线性回归和层次回归。研究者将感知风险与感知收益作为总体价值的主要预测变量，并在第二轮回归中加入技术准备度和人工智能准备度，以考察这些个体特质是否削弱人口学变量的影响。

研究结果显示，德国民众对人工智能的总体态度偏向负面。在71个微场景中，多数被认为具有较高个人风险、较低个人收益和负面总体价值。预期发生可能性平均为正12.7%，感知风险平均为正34.7%，感知收益平均为负5.2%，总体价值平均为负19.7%。在预期维度上，最可能发生的场景包括人工智能独立驾驶汽车、被犯罪分子滥用以及学习速度超过人类；最不可能发生的场景包括人工智能改善人际关系、成为家庭成员和具有责任感。在风险维度上，被犯罪分子滥用、监控私人生活以及决定战争被认为是风险最高的场景；被认为最安全的场景包括人工智能具有幽默感、创造可交易的艺术品和充当老年护理对话伙伴。在收益维度上，医疗诊断、促进创新和改善健康被认为最具收益；而减少人际需求、创造可交易艺术品和决定人类死亡被认为最无用。在总体价值维度上，改善健康、充当老年护理对话伙伴以及辅助个人任务获得最高正面评价；被犯罪分子滥用、决定人类死亡和监控私人生活获得最低评价。

在维度间关系方面，预期发生可能性与感知风险、感知收益和总体价值均无显著相关，表明公众对未来发生概率的判断与其价值判断相互独立。相比之下，感知风险与感知收益呈显著负相关（r = -0.524），感知风险与总体价值呈高度负相关（r = -0.800），感知收益与总体价值呈高度正相关（r = +0.904）。多元回归模型以感知风险和感知收益为预测变量，解释总体价值变异的96.5%（R² = 0.965）。标准化回归系数显示感知收益（β = +0.672）的影响强于感知风险（β = -0.490），而风险与收益的交互项不显著。该结果表明，公众对人工智能的总体评价主要受收益感知驱动，风险感知虽重要但处于次要地位。

风险–收益图显示，多数人工智能场景集中于中高风险区域，低风险场景稀少。低风险且高收益的场景如人工智能充当老年护理对话伙伴，被视为最具社会接受潜力的应用；高风险且低收益的场景如人工智能决定战争或被犯罪分子滥用，则形成明确的负面评价聚类。风险与收益之间的负相关关系在视觉图中表现为沿回归线分布的紧凑聚类，说明公众倾向于将高风险技术视为低收益，即使该技术可能具备实际价值。这一认知偏差可能影响政策制定和技术采纳决策。

在个体差异层面，年龄是感知风险、感知收益和总体价值的一致预测变量。年龄越大，参与者感知的人工智能风险越高，感知收益越低，总体评价越负面。性别仅在总体价值上显示出微弱差异，女性对人工智能的总体评价略低于男性。技术准备度和人工智能准备度与感知风险呈负相关，与感知收益和总体价值呈正相关。层次回归分析表明，加入技术准备度和人工智能准备度后，模型的解释力显著提升，年龄效应减弱，性别效应则不再显著。这一发现提示，提升人工智能素养可能缓解由年龄和性别造成的态度分化。然而，即便控制准备度因素后，年龄仍然保持显著效应，说明当前由年轻男性开发者主导的人工智能系统可能与更广泛人群的价值预期存在结构性偏差。48.2%的参与者全职就业，22.5%已退休，14.8%兼职就业，7.8%失业，学生和其他就业形态比例较低。最受关注的人工智能治理优先事项为确保人类控制和监督，占比45.3%；透明性、数据保护与数据管理、促进社会与生态福祉分别为13.0%、11.7%和9.3%。多样性、非歧视与公平性、稳健性与安全性、问责制的关注比例相对较低。6.7%的参与者未回答治理优先事项问题。

研究的应用价值在于为研究者和政策制定者提供了公众信任建构与人工智能对齐的实证依据。由于感知收益对总体价值的预测力强于感知风险，研究建议沟通策略应突出人工智能在健康、老年护理、创新等可感知领域的具体效益，同时不能忽视对高风险领域的风险治理。德国公众对人工智能的总体风险导向评价说明，即使被认为是社会有益的领域，如促进就业或支持不确定条件下的决策，也存在被高估风险、低估收益的倾向。作者据此呼吁在人工智能开发中引入参与式设计、透明性要求和领域特定法规，以提升社会合法性与公众价值感知。该研究还揭示欧盟《人工智能法案》（Artificial Intelligence Act，AI Act）在促进价值一致系统方面的结构性空白，因为现行法案侧重分类风险和限制危害，却未提供促进收益最大化的明确激励或指南。战争人工智能作为风险最高的场景之一被排除在法案管辖之外，关系与人格影响等深层社会议题也未被有效覆盖。论文的亮点在于采用微场景方法同时进行用户层面与主题层面分析，使公众感知既可作为个体差异变量，也可作为技术特征变量加以研究。该方法学路径为理解人工智能感知提供了可重复的量化工具，补充了对具体应用领域的质性研究。风险–收益图构成人工智能感知的可视化基础，为识别分歧点和共识点提供了操作性工具。

此外，研究开放了全部数据与分析脚本，便于其他研究者复现和扩展。作者还指出，样本仅限于德国，文化差异可能影响结论的普遍性，未来应开展跨国比较和纵向追踪研究，以揭示公众感知的动态变化及其与人工智能治理之间的相互作用。该研究对人工智能伦理、技术预测与社会变革领域具有理论和政策双重贡献，为负责任的人工智能落地提供了实证依据。