该文档属于类型a（单一原创研究报告），以下是针对该研究的学术报告：
作者及机构
本研究由美国佛罗里达大学新闻与传播学院（College of Journalism and Communications, University of Florida）的Kun Xu博士、Xiaobei Chen，以及卡内基梅隆大学（Carnegie Mellon University）的Luling Huang博士合作完成，发表于2022年5月的期刊《Computers in Human Behavior》（卷134，文章编号107321）。
研究领域与动机
该研究属于“人机交互”（Human-Machine Communication, HMC）与“社会心理学”交叉领域，核心围绕“计算机是社会行动者”（Computers Are Social Actors, CASA）范式展开。CASA范式认为，用户会无意识地将人类社交规则迁移至与技术设备的交互中，但这一现象的解释机制长期存在争议：一种观点认为用户是“无意识的”（mindlessness），即自动化地响应技术的社会性线索；另一种观点则认为用户通过“拟人化”（anthropomorphism）有意识地赋予技术人类特征。
研究团队指出，既往文献对这两种机制的解释力尚未达成共识，且缺乏创新方法验证。因此，本研究旨在通过结合实验设计与多维尺度分析（Multidimensional Scaling, MDS）的新方法，探究哪种机制更具解释力。
研究目标
1. 比较“无意识拟人化”（mindless anthropomorphism）与“有意识拟人化”（mindful anthropomorphism）对用户社交反应的贡献。
2. 开发“实验设计+MDS”的创新方法，以规避传统自我报告法的局限性。
1. 实验设计与参与者
- 样本：通过亚马逊Mechanical Turk平台招募1177名参与者，筛选后保留834名有效样本（平均年龄37.47岁，57.4%为男性）。
- 分组：随机分为“有意识组”（需先编码技术的社会线索）和“无意识组”（直接评估技术差异）。
2. 技术与社会线索编码
- 技术列表：涵盖14种技术（如社交机器人、智能音箱、纸质书等），覆盖传统与新兴技术。
- 社会线索（social cues）：包括语音、眼神接触、手势等13项生物性特征。
- 社会信号（social signals）：包括情感、身份认同等9项抽象人类特征。
- 操作：有意识组需逐项编码每项技术的社会线索与信号；无意识组跳过此步骤，直接进入评估。
3. 技术差异评估
- 评估维度：
- 社交临场感（social presence）：通过4个10分量表题项（如“该技术是否让你感觉在与人类沟通”）测量。
- 可信度（trustworthiness）：通过3个10分量表题项（如“该技术的可信度差异”）测量。
- 方法：采用成对比较法（共91组技术对），每组参与者随机评估19对技术。
4. 数据分析方法
- QAP（Quadratic Assignment Procedure）：检验两组认知地图的相关性，验证机制主导性。
- MDS（多维尺度分析）：可视化用户对技术差异的心理表征，通过应力值（stress）和R²评估模型拟合度。
1. 无意识机制的主导性
- QAP分析显示，无意识组与有意识组的认知地图高度相关（社交临场感r=0.94，可信度r=0.90，p<0.001），支持无意识解释（H1a/H2a成立）。
- 有意识组中，社会线索与信号显著预测技术差异（社交临场感：β=0.25⁄0.63；可信度：β=0.19⁄0.41，p<0.05），而无意识组仅部分预测（社交临场感β=0.20⁄0.43，p<0.1），表明无意识处理更接近自然反应。
2. 认知地图的可视化
- MDS生成二维模型（R²>0.5，stress<0.33），显示技术差异由社会线索/信号数量驱动。例如：
- 高社会性技术（如社交机器人、智能音箱）在认知地图中聚集，且远离低社会性技术（如纸质书、寻呼机）。
- 两组地图高度重叠，进一步验证无意识处理的普适性。
理论贡献
1. 为CASA范式提供关键证据，支持“无意识拟人化”作为核心机制。
2. 提出“实验设计+MDS”的创新方法，避免传统自我报告的偏差，为心理过程研究开辟新路径。
应用意义
- 技术设计：需警惕社会性线索的潜在影响（如深度伪造技术可能利用无意识反应误导用户）。
- 用户教育：应增强对技术社会性风险的认知，尤其在AI交互场景中。
局限与展望
未纳入其他解释模型（如“来源导向模型”），未来可结合多机制探究复杂交互场景。
（全文约2000字，涵盖研究全貌及细节）