类型b
作者及机构：本文由Eun-Ju Lee（首尔国立大学传播学系及可信人工智能中心）撰写，发表于《Human Communication Research》2024年第50卷第2期。
主题：本文题为《Minding the Source: Toward an Integrative Theory of Human–Machine Communication》，旨在整合“计算机是社会行动者”（Computers Are Social Actors, CASA）范式与“机器启发式”（machine heuristic）理论，提出一个关于人机交互（Human-Machine Communication, HMC）的新理论框架。
主要观点与论据：
CASA范式的局限性
- 核心假设：CASA范式认为，尽管人们明知计算机非人类，仍会无意识地对其应用社会规则（如性别刻板印象、礼貌原则等）。
- 问题提出：近年研究发现，人机交互中人们可能对机器与人类采取差异化反应，这与CASA的“无差别社会响应”假设矛盾。
- 批评点：
- 不可证伪性：CASA依赖“无意识性”（mindlessness）解释社会响应，但该状态未被独立测量，仅通过行为结果反向推断。
- 社会响应的复杂性：并非所有社会响应均体现“无意识”，例如对机器奉承行为的怀疑需更高认知投入。
- 心理机制模糊：CASA未明确社会脚本激活的个体差异（如是否因缺乏性别刻板印象而非“去激活”脚本）。
机器启发式理论的兴起与问题
- 定义：机器启发式指人们基于对机器特质（如客观、精准、无偏见）的刻板印象进行快速判断的认知捷径。
- 应用场景：例如，人们更信任AI（而非人类）处理隐私信息（Sundar & Kim, 2019），或认为机器生成的新闻更少偏见（Wang, 2021）。
- 争议点：
- 概念混淆：机器启发式与“民间理论”（folk theories）界限模糊，后者涵盖更广泛的直觉性技术认知。
- 操作化问题：现有研究将行为结果（如信息共享意愿）纳入启发式测量，导致循环论证风险。
- 动态性不足：机器特质认知随技术演进变化（如生成式AI的“幻觉”问题可能削弱“精准”刻板印象）。
整合理论模型的提出
- 核心机制：作者提出“自我确认启发式”（self-confirmation heuristic）作为超启发式，认为人们仅在预期违背时关注信息来源（人类/机器），并调用机器启发式调整判断。
- 实证支持：
- 当健康信息与读者立场冲突时，渠道（社交媒体vs.报纸）效应更显著（Lee et al., 2023a）。
- AI审核反态度评论时，用户更怀疑其隐藏动机（Lee et al., 2022）。
- 模型预测：
- 同化效应：持有积极机器刻板印象者更易接受AI的预期违背行为（如接受AI的事实核查）。
- 对比效应：若AI表现低于机器刻板印象预期（如生成虚假新闻），用户反应会比对人类更负面（Tandoc et al., 2020）。
技术发展对理论的挑战
- 虚拟人类的模糊性：当AI在外观与行为上高度拟人（如虚拟偶像），区分人机可能失去意义，用户可能理性选择“搁置怀疑”以获得情感满足。
- 机器启发式的扩展：需纳入 communal特质（如共情能力），而不仅限于 agentic特质（如客观性）。作者建议通过大规模调查归纳机器刻板印象的维度。
论文价值：
1. 理论贡献：首次系统批判CASA与机器启发式的兼容性问题，提出以“预期违背”为触发条件的整合模型，突破双加工理论（dual-process models）的固有框架。
2. 实践意义：为AI设计提供启示——透明度（如标明AI来源）的效果取决于用户预期与任务相关性。
3. 未来方向：呼吁建立动态更新的机器刻板印象测量工具，并探索人机差异认知的个体化来源（如对人类的失望可能强化对AI的理想化投射）。
亮点：
- 通过元分析揭示CASA范式的方法论缺陷（如无意识性操作的缺失）。
- 提出“机器启发式作为条件性调节变量”的创新视角，解释人机交互中的矛盾发现。
- 结合AI技术最新进展（如生成式AI的伦理争议），动态修正理论边界。