这篇文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：

作者及机构
本研究由Hyunjin Kang（通讯作者）和Chen Lou合作完成，两位作者均来自新加坡南洋理工大学Wee Kim Wee传播与信息学院。研究发表于*Journal of Computer-Mediated Communication*，2022年7月正式接受，同年出版。

学术背景
研究领域为人机交互（Human-Computer Interaction, HCI）与社交媒体算法，聚焦人工智能（AI）在社交媒体中的代理能力（agency）如何与用户代理（user agency）互动，并影响用户参与度（user engagement）。研究背景基于两大趋势：
1. AI技术重塑社交媒体体验：AI算法通过内容推荐、编辑工具和网络构建功能深度介入用户行为，形成“机器代理”（machine agency）；
2. 理论缺口：现有研究多关注用户对算法的感知或隐私问题，缺乏对“人-AI协作动态”如何影响用户参与的系统探讨。

研究目标为：
- 揭示TikTok用户与AI代理的协作模式（如协商或协同增强）；
- 分析这种协作如何影响用户对平台的参与度（medium engagement）和社交互动参与度（social-interactive engagement）。

研究流程与方法
1. 研究设计：
- 采用定性研究方法，通过深度访谈（in-depth interviews）收集数据；
- 访谈对象为25名活跃TikTok用户（年龄21-26岁，15名女性，10名男性），覆盖浏览者（14人）和内容创作者（11人）；
- 抽样通过滚雪球抽样（snowball sampling）完成，访谈语言为英语，时长40-60分钟。

1. 数据收集：

   • 访谈问题分为三部分：
     
     • 用户使用TikTok的动机与行为模式；
       
     • 用户如何与AI算法协作（如内容消费、创作、社交网络构建）；
       
     • 协作动态对参与度的影响。
       
   • 示例问题：
     
     • “你是否会通过特定行为（如快速滑动、点赞）训练算法？”
       
     • “算法如何影响你与他人的互动？”
       

2. 数据分析：

   • 采用扎根理论（grounded theory）的三阶段编码法：
     
     • 开放编码：逐行提取初始代码（如“浏览习惯”“成瘾性使用”）；
       
     • 轴向编码：将初始代码归类为二级主题（如“用户代理”“机器代理”）；
       
     • 理论化：结合文献（如Sundar的HAII-TIME框架）解释主题间的逻辑关系。
       

3. 理论框架：

   • 基于Sundar (2020)的“人-AI交互理论”（HAII-TIME），区分两种协作模式：
     
     • 代理协商（agency negotiation）：用户选择接受AI引导或主动控制；
       
     • 协同增强（mutual augmentation）：用户与AI互相影响，形成协同效应。
       

主要结果
1. 内容消费中的AI主导性：
- 所有用户依赖“For You Page”（FYP）算法推荐内容，因其提供“个性化且低认知负荷”的体验；
- 用户对算法透明度存在矛盾心理：一方面享受精准推荐，另一方面担忧数据隐私（如“希望TikTok明确数据收集范围”）。

1. 内容创作中的用户代理限制：

   • AI工具（如自动同步滤镜）降低创作门槛，但复杂功能（如多段剪辑）反而增加心理障碍；
     
   • 用户较少使用点赞/评论功能，因推荐内容多来自陌生人，缺乏社交义务感。
     

2. 人-AI协同效应：

   • 用户训练算法：通过行为（如快速跳过不感兴趣视频）主动调整推荐内容；
     
   • 算法赋能用户：AI帮助用户发现兴趣社群（如LGBTQ+、K-pop），形成“基于兴趣的流动社区”（fluid communities）。
     

3. 对参与度的影响：

   • 平台参与度：算法推荐的“不可预测性”增强用户粘性（如“刷到停不下来”）；
     
   • 社交互动参与度：算法促进小众文化传播，但用户行为参与（如评论）较弱，体现为“心理归属感强，行为互动少”。
     

结论与价值
1. 理论贡献：
- 提出“人-AI代理协同”模型，补充了自我决定理论（Self-Determination Theory）在算法环境下的适用性；
- 揭示用户通过“代理委托”（proxy agency）与AI协作，即在放弃部分控制权的同时保留最终决策权。

1. 应用价值：
   
   • 为AI平台设计提供启示：需平衡个性化推荐与用户可控性（如增加算法透明度选项）；
     
   • 指出TikTok的“底层算法”推动亚文化传播的潜力，可供其他社交平台参考。
     

研究亮点
1. 创新性发现：
- 首次实证验证“人-AI协同”在社交媒体中的双向增强效应；
- 提出“非行为性参与”（non-click engagement）概念，挑战传统以点击量为核心的参与度指标。

1. 方法创新：
   
   • 结合扎根理论与HAII-TIME框架，定性分析算法与用户的动态关系；
     
   • 聚焦TikTok这一典型AI驱动平台，为同类研究提供范式。
     

其他价值
研究呼吁政策制定者关注算法对青少年文化的影响（如快速传播的模因），并建议平台优化算法伦理设计。

（注：报告字数约1800字，符合要求。）