这篇文档属于类型a，即报告了一项原创性研究。以下是基于文档内容的学术报告：

作者及研究机构
本研究的主要作者为Hyunjin Kang和Chen Lou，他们均来自新加坡南洋理工大学的Wee Kim Wee School of Communication and Information。研究于2022年发表在*Journal of Computer-Mediated Communication*期刊上。

学术背景
本研究的主要科学领域为人机交互（Human-Computer Interaction, HCI）和社交媒体研究。随着人工智能（Artificial Intelligence, AI）技术在社交媒体中的广泛应用，用户的体验和互动方式发生了显著变化。AI算法不仅能够根据用户行为推荐个性化内容，还能辅助用户进行内容创作和社交网络构建。然而，AI的自主性（Machine Agency）与用户的自主性（Human Agency）之间的动态关系尚未得到充分研究。因此，本研究旨在探讨TikTok用户如何与AI协作，以及这种协作如何影响用户参与度（User Engagement）。研究的目标是通过深入访谈，揭示人类自主性与机器自主性在AI驱动的社交媒体平台上的相互作用，并分析这种相互作用对用户与平台及社交互动的参与度的影响。

研究流程
本研究主要包括以下几个步骤：
1. 研究设计与参与者招募
研究采用定性研究方法，通过深度访谈收集数据。研究团队在新加坡招募了25名年龄在21至26岁之间的TikTok活跃用户，这些用户代表了TikTok的主要用户群体。参与者包括15名女性和10名男性，其中14名为内容浏览者，11名为内容创作者。访谈通过Zoom进行，每位参与者获得约15美元的报酬。
2. 数据收集
研究团队设计了半结构化访谈提纲，涵盖用户使用TikTok的一般行为、与AI的协作方式以及用户参与度等方面。访谈持续40至60分钟，全程录音并逐字转录。
3. 数据分析
数据分析采用三阶段编码方法：
- 开放式编码：两位独立编码员逐行阅读转录文本，生成初始代码（如“浏览习惯”、“成瘾性使用”）。
- 轴心编码：编码员讨论并整合初始代码，形成第二级解释性主题（如“使用模式”、“用户自主性”、“机器自主性”）。
- 理论编码：编码员根据相关理论框架（如人机交互、媒体效果理论）对第二级主题进行理论化，最终形成研究问题的答案。

主要结果
1. 用户与AI的协作方式
研究发现，TikTok用户在与AI的协作中表现出多种动态关系。在内容消费方面，用户高度依赖AI算法推荐的“For You Page”（FYP），认为其提供的个性化内容既方便又符合个人兴趣。然而，用户在内容创作和社交互动中较少主动行使自主性，主要原因是复杂的编辑功能增加了认知负担。此外，用户对AI的自主性表现出矛盾心理：一方面，他们享受个性化体验；另一方面，他们担心AI对内容的控制可能影响其自主性和隐私。
2. 用户参与度的影响
AI与用户的协作显著影响了用户与平台的参与度。个性化推荐使TikTok具有高度吸引力，用户往往长时间沉浸其中。此外，AI算法促进了用户之间的社交互动，帮助用户发现志同道合的创作者，从而形成基于共同兴趣的社区。然而，用户在社交互动中的行为较为被动，较少通过点赞或评论表达参与。

结论
本研究揭示了人类自主性与机器自主性在AI驱动的社交媒体平台上的复杂动态关系。研究发现，用户在与AI的协作中既享受个性化体验，又试图通过理解算法机制来保持一定程度的控制。这种协作模式不仅增强了用户与平台的参与度，还促进了基于共同兴趣的社交互动。研究结果为理解AI如何重塑社交媒体用户体验提供了新的理论视角，并强调了在AI算法设计中平衡用户自主性的重要性。

研究亮点
1. 重要发现：本研究首次系统探讨了TikTok用户与AI的协作模式，揭示了人类自主性与机器自主性在社交媒体平台上的相互作用。
2. 方法创新：研究采用深度访谈和定性编码方法，深入挖掘了用户与AI协作的心理机制和行为模式。
3. 研究对象的特殊性：TikTok作为全球最受欢迎的AI驱动社交媒体平台之一，其用户行为具有代表性和研究价值。

其他有价值的内容
研究还指出，未来的研究可以进一步探讨不同AI功能对用户参与度的具体影响，并考虑不同文化背景和用户群体的差异。此外，研究建议社交媒体平台在设计AI算法时应增强透明度，以提升用户的信任感和自主性。