AI代理与人类代理：理解TikTok上的人机互动及其对用户参与度的影响——一项基于深度访谈的研究报告
一、 研究概览
本研究《AI agency vs. human agency: understanding human–ai interactions on tiktok and their implications for user engagement》由新加坡南洋理工大学Wee Kim Wee传播与信息学院的Hyunjin Kang（通讯作者）与Chen Lou共同完成，并于2022年发表于*Journal of Computer-Medication Communication*（第27卷第5期）。这是一篇针对人工智能（Artificial Intelligence, AI）技术重塑社交媒体用户体验的实证研究论文。
二、 学术背景
研究领域：本研究主要归属于传播学、人机交互（Human-Computer Interaction, HCI）与社会媒体研究的交叉领域，特别是聚焦于人工智能驱动的社交媒体背景下的人机传播（Human-Machine Communication, HMC）研究。
研究动机与背景：随着AI技术深度融入主流社交媒体平台，算法的代理能力日益凸显，它们能够自主决策并主动塑造用户的内容消费、创作和网络构建体验。这标志着机器代理（machine agency）作为一种新的行动者，与人类代理（user agency）在社交媒体中并存并互动。以往研究多关注用户对算法的感知、信任或隐私担忧等静态结果，而对二者之间动态的、相互建构的互动过程，及其如何共同塑造用户参与度的理论性理解尚显不足。
基于此，本研究旨在填补这一空白。研究者援引Sundar（2020）提出的人类-AI互动研究框架（HAII-TIME），该框架指出人机互动中可能存在代理权衡（如人类主导或AI主导）和代理增强（相互影响形成协同效应）等协作模式。本研究将该理论框架应用于具体平台，以探究人机代理的互动形态及其结果。
研究目标： 1. RQ1：在内容消费、内容创作和在线社交这三大社交媒体核心活动中，TikTok用户如何与AI协作？是遵循代理谈判（接受AI引导或施加用户控制），还是通过相互增强实现协同效应？ 2. RQ2：TikTok上AI代理与人类代理的动态关系如何塑造用户参与度？具体影响（a）用户对平台的参与（如使用频率、沉浸感），以及（b）社交互动参与（如社区感、社会联系）。
三、 详细研究流程
本研究采用质性研究方法，通过深度访谈来获取用户与TikTok算法互动的第一手经验与深层理解。具体工作流程如下：
参与者招募与准备：
- 研究对象与样本量：研究在新加坡招募了25名21至26岁的活跃TikTok用户。此年龄段是TikTok的主力用户群体。其中15名女性，10名男性，平均年龄22.64岁。参与者主要为华裔（60%）、马来裔（20%）和印度裔（12%）。根据使用模式，14人主要为内容浏览者，11人同时是浏览者和内容创作者。
- 终止标准：招募直至达到理论饱和状态，即数据收集不再能为核心解释性问题（“如何”与“为何”）提供新的见解，而非仅仅描述性信息。
- 前期准备：设计了包含开放式问题的访谈提纲（见附录B），旨在引导用户分享其使用模式、对算法的感知、互动行为及心理体验。
数据收集过程：
- 访谈实施：由两名训练有素的研究助理通过Zoom平台进行一对一深度访谈。访谈语言为英语，全程录音。每次访谈时长约40-60分钟。
- 内容：访谈围绕用户日常使用TikTok的习惯展开，深入探讨其浏览“为你推荐”（For You Page, FYP）页面的体验、内容创作（或缺乏创作）的动机与障碍、关注其他用户/创作者的原因与方式，以及对算法功能、个性化推荐和隐私问题的看法。
数据分析方法：
- 转录：访谈结束后，由同一批研究助理将所有录音逐字转录为文本。
- 三级编码分析：采用扎根理论中的持续比较法（constant comparative method），对转录文本进行严谨的三阶段分析。
- 开放编码：两位编码者独立逐行阅读所有文本，生成初始代码（如“浏览习惯”、“成瘾性使用”、“算法想象”）。
- 轴心/层次编码：两位具备理论背景的研究者（非编码者）参与讨论，合并重复代码，并根据现有理论（如可供性理论、用户/机器代理、用户参与度）将初始代码归纳、归类为第二层解释性主题（如“使用模式”、“用户代理”、“机器代理”、“隐私矛盾”）。
- 主题提炼与理论化：研究者进一步讨论第二层主题，将它们进行理论整合，以直接回答研究问题。他们合并重叠主题，剔除极少提及的主题，并最终形成能够解释TikTok上人机代理协作模式及其对用户参与度影响的完整叙事。
四、 主要研究发现
本研究通过深度访谈，揭示了TikTok用户与AI算法之间复杂且动态的协作关系，并阐明了这种关系如何影响用户的参与行为。
（一）RQ1的发现：人机代理的协作模式
研究发现了两种主要的协作模式：以AI为主导的代理权衡和人机协同的代理增强，两者在用户的不同活动中交织出现。
在内容消费中普遍接受AI代理（代理权衡）：
- 结果：所有受访者均表示，他们严重依赖由AI算法驱动的“为你推荐”（FYP）页面进行内容浏览。用户主动选择放弃一部分选择权，接受算法的引导。
- 数据支持：受访者如Carol表示，在TikTok上“我不太主动关注特定的人……只是随机浏览出现的东西”。Kyle则表示他“停留在FYP页面，不断下滑”。
- 原因分析：用户接受AI主导主要基于两大吸引力：个性化与便利性。用户赞赏FYP能够快速学习并精准匹配其兴趣（如Karen说“FYP非常快速地为你量身定制”），同时也认为这种被动接收内容的方式“更直观”、“更省脑力”（Robert语）。这验证了先前关于个性化在线体验具有心理吸引力的研究。
在内容创作和社交互动中用户代理的有限行使（代理权衡的另一面）：
- 结果：尽管TikTok提供了强大的AI辅助创作工具（如滤镜、自动同步），但多数用户并未积极行使内容创作或深度社交互动（如评论）的代理权。
- 数据支持：一些用户认为丰富的编辑功能反而构成了“心理障碍”和“较高的入门门槛”（Joyce语）。此外，由于FYP推荐的内容多来自陌生创作者，用户缺乏进行社交互动（如评论、关注）的动机或义务感。David表示“关注他们感觉像是一种很大的承诺”。
- 原因分析：这挑战了“用户总是追求控制权”的假设。研究表明，在社交媒体娱乐和放松的主要动机驱使下，用户可能扮演“认知吝啬者”，避免消耗认知能量的主动控制行为。AI代理的便利性使得用户更倾向于被动的、低投入的参与模式。
对机器代理的矛盾心理（代理权衡中的张力）：
- 结果：用户在享受个性化便利的同时，也对机器代理带来的隐私泄露和自主权丧失感到担忧，呈现出矛盾心态。
- 数据支持：Jessica认为“所有平台都在窃取我们的数据”，表现出某种无奈接受。但Joan则明确表示担忧算法如何影响其政治观点，并希望TikTok在数据收集和使用上“更加透明”。
- 原因分析：这种矛盾揭示了人机代理配置的流动性和复杂性。用户将数据共享视为享受个性化服务的必要代价，但同时又极为珍视对其信息的控制感。一旦感知到自主权受到严重威胁，这种权衡关系可能破裂。
人机代理的相互增强与协同效应：
- 用户代理因AI而增强：
- 结果：AI通过降低行使用户代理所需的努力，实际上增强了用户在某些活动中的能力。
- 数据支持：在内容创作方面，Lisa提到AI的自动同步功能让她“可以在20分钟内制作一个短视频”。在网络构建方面，Robert指出，基于算法的FYP让他“更容易找到感兴趣的人或内容”，从而发现并关注新创作者。
- 分析：AI充当了用户的代理中介，帮助用户更高效地实现目标，体现了代理增强。
- AI代理因用户“训练”而增强：
- 结果：用户并非完全被动。他们通过持续互动，尝试理解算法的运作逻辑（即Bucher提出的“算法想象”，algorithmic imaginary），并主动“训练”算法，使其更好地服务自身。
- 数据支持：Joyce提到她会快速划走不感兴趣的视频，“以便让TikTok知道我不喜欢这类内容”。Kevin认识到“我在某个舞蹈挑战上停留时间越长，算法就越认为这类潮流适合我”。更有甚者，Sandra通过使用流行配乐等策略来“琢磨如何让视频更频繁地出现在别人的FYP上”。
- 分析：用户利用自己对算法的理解，通过具体行为（停留、划走、关注、使用标签/音乐）向其输入反馈，从而塑造和增强了AI代理的表现，使其产出更符合个人偏好的内容。这是一种典型的协同效应，人机代理相互影响、共同进化。
（二）RQ2的发现：人机互动对用户参与度的影响
研究从平台参与和社交互动参与两个维度分析了人机协作的影响。
对平台参与度的积极影响：
- 结果：AI驱动的FYP显著提升了用户对TikTok平台的使用频率、沉浸时长和内容分享意愿。
- 数据支持：多位受访者描述TikTok具有“吸引人的”、“令人上瘾的”特质，容易导致时间不知不觉流逝（Sarah语）。Carol将其体验形容为“不断下滑想看新东西……很容易沉迷几个小时”。
- 作用机制：这种高参与度源于算法推荐的不可预测性与高度相关性的结合。用户“无法预知下一个是什么，但又期待它符合自己的兴趣”，产生了“愉悦的惊喜”效应（Joyce将其比作“在我面前吊一根胡萝卜”）。此外，由于算法推荐的独特性，用户经常将有趣的TikTok视频链接通过WhatsApp等外部平台分享给朋友，延伸了平台的互动范围。
对社交互动参与度的复杂影响：
- 结果：人机协作在TikTok上催生了基于真实兴趣的、小众且流动的社区，增强了用户的社区归属感，但这种社交互动参与更多是心理和认知层面的，而非直接的行为互动（如点赞、评论）。
- 数据支持：Daniel认为TikTok是“我与志同道合的朋友形成更紧密社区的基础”。Lisa指出，用户可以在TikTok上找到归属感，因为“如果我喜欢史莱姆，就已经有庞大的史莱姆爱好者社区在发布视频”。平台算法确保用户的内容能触及兴趣相投的人，鼓励了更真实、更小众的自我表达。
- 分析：与有限的点赞/评论行为形成对比，TikTok的社交互动参与呈现出一种悖论：用户感觉与一个广阔的、兴趣驱动的社区紧密相连（高心理/社会连接感），但主动的社交行为却相对较少。这可能是因为AI代理促成的被动内容消费模式，在一定程度上抑制了用户进行显性社交表达的动力。
五、 结论与价值
结论：本研究表明，在TikTok这样的人工智能社交媒体平台上，人类代理与机器代理并非简单的对抗或取代关系，而是通过持续的、动态的“代理谈判”与“相互增强”进行协作，共同建构了用户独特的体验。用户策略性地接受AI引导以获得便利，同时又通过“训练”算法来确保一定程度的控制；AI则在增强用户体验的同时，其效能也被用户的互动行为所塑造。这种复杂的人机共生关系，最终深刻影响了用户对平台的沉浸式参与以及基于兴趣的、心理层面的社交互动参与。
科学价值： 1. 理论贡献：将Sundar的HAII-TIME框架应用于具体社交媒体场景，实证检验并丰富了人机代理互动的动态理论。提出了在AI社交媒体背景下，用户追求代理中介（通过影响AI来间接行使控制权）的新视角，扩展了自我决定理论的应用边界。 2. 概念深化：对用户参与度这一概念在AI环境下的表现提出了更细致的理解，强调需要将心理、认知层面的参与（如社区感、沉浸感）与行为层面的参与（如点赞、评论）区分开来，用户参与的表现形式可能更加内隐和复杂。 3. 方法启示：展示了质性深度访谈在揭示人机互动复杂心理过程和动态关系方面的独特优势。
应用价值： 1. 对平台设计者：提示不应完全依赖封闭、不可调的“黑箱”算法。提供透明的算法解释、易于操作的个性化调节选项，在保证个性化体验的同时维护用户的感知可控性，是维持健康人机关系的关键。 2. 对内容创作者：在TikTok等算法驱动的平台上，高质量、契合兴趣的内容比粉丝基数更能有效触达目标受众，创作者应善于利用算法逻辑（如趋势、标签）来扩大影响力。 3. 对用户与政策制定者：提醒用户有意识地行使代理权以平衡人机权力关系。同时，政策制定者需关注算法强大的引导能力可能带来的风险，如不当内容的传播和用户过度使用问题。
六、 研究亮点
- 研究视角新颖：率先系统性地聚焦于AI社交媒体中人类代理与机器代理的动态互动过程，而非单方面结果，为理解人机共生现象提供了关键的理论透镜。
- 核心发现深刻：揭示了人机关系中存在的“接受AI主导”与“主动训练算法”并存、“心理高参与”与“行为低互动”并存的复杂悖论，挑战了关于用户控制动机和社交媒体参与的固有认知。
- 方法选择恰当：采用深度访谈的质性方法，成功地挖掘了用户与AI互动中微妙、主观且充满张力的内心体验与行为逻辑，这是量化方法难以捕捉的。
- 研究对象具有典型性：选择以算法为核心驱动力的TikTok作为研究情境，使其发现对理解更广泛的算法驱动型社交媒体和娱乐平台（如Netflix、Spotify）具有重要的参考价值。
七、 其他有价值的内容
研究者也指出了本研究的局限性与未来方向： * 变量控制：本研究采取整体性视角，未通过实验法分离测试特定AI功能的效果。未来研究可进行变量中心的实验，检验不同AI功能（如不同类型的内容推荐机制）对人机协作和用户参与的具体影响。 * 代理视角的对称性：研究仅从用户视角分析代理互动，未探讨算法自身如何决定其代理水平或如何根据用户行为进行调整。未来可从“机器视角”或双向视角进一步探索。 * 样本与平台局限：研究样本集中于新加坡年轻用户，结论的普适性有待在不同文化、年龄群体及其他AI社交媒体平台上进行验证。 * 用户角色差异：研究主要关注普通浏览者，未来可深入探讨内容创作者（如网红）与AI算法之间可能不同的代理互动动态。