类型a
本研究由来自南开大学社会学院社会心理学系、南开大学前沿交叉学科研究院以及天津师范大学心理学部的Hong-zhi Liu、Qian-hui Wang和Zi-han Wei共同完成。论文题为《金钱对机器同样重要：感知金钱价值驱动最后通牒博弈中的公平反应》，发表于Current Psychology期刊2026年第45卷（文章编号572），于2026年2月23日在线发表。
一、学术背景
随着人工智能系统日益融入工作场所、医疗保健和人际互动等关键决策领域，人们如何感知和回应算法代理（algorithmic agents）的问题引起了广泛关注。在人机互动（human–AI interaction）的公平感知研究中，一个核心问题在于人们是否对人工智能和人类施动者适用不同的公平标准，以及这种差异受何种心理机制驱动。已有大量研究采用最后通牒博弈（ultimatum game，UG）范式考察人机互动中的公平感知，但结果并不一致：一些研究发现参与者对人工智能提议者的不公平出价接受率更高，另一些研究则未发现人类与人工智能提议者之间存在显著差异。
论文指出，此前研究可能忽视了一个关键混淆变量——参与者是否相信人工智能代理与人类一样在乎金钱。在最后通牒博弈中，回应者拒绝不公平出价通常是为了惩罚提议者，使其一无所获。然而，人工智能通常被视为缺乏生理需求、不需要金钱来满足生存或社会功能，也被认为没有主观体验，因此金钱损失对它们可能不构成威胁。如果参与者认为金钱对人工智能没有价值，拒绝不公平出价就失去了惩罚意义，从而降低惩罚动机。反之，如果金钱被认为对人工智能同样重要，则人们可能更倾向于拒绝不公平出价以施加有意义的惩罚。这一未被系统操纵或控制的信念差异，可能导致了以往研究结果的不一致。
本研究的核心目的在于系统操纵并控制参与者对人工智能货币价值的感知，检验此前观察到的人机公平反应差异是否确实由该因素驱动，并进一步通过区分公平敏感性（fairness sensitivity）与无差异点（indifference point），揭示感知货币价值影响公平判断的心理机制。
二、研究流程
本研究包含两个实验。
研究一采用单因素三水平被试间设计，通过在线平台Credamo招募了178名参与者，随机分配至三个条件：人类提议者条件59人、重视金钱的人工智能提议者条件59人、不重视金钱的人工智能提议者条件60人。所有参与者首先签署知情同意书，随后阅读与其分配条件相符的指导语。在人类条件下，参与者被告知所有出价来自匿名的真实人类参与者；在重视金钱的AI条件中，告知参与者AI提议者像人类一样重视金钱；在不重视金钱的AI条件中，明确告知AI提议者不重视金钱。除描述性差异外，所有程序要素在各条件间保持一致。
最后通牒博弈任务包含50个回合，参与者作为回应者对100元的分配方案作出接受或拒绝的决定。50个回应者收益从截断正态分布中随机抽取，范围限定在10至50元之间，以确保证公平水平的系统性变化；提议者收益为100元减去回应者收益。每一回合以2000毫秒的准备间隔开始，随后呈现自己和提议者的分配金额，参与者可不受时间限制地按键反应，“F”键表示接受，“J”键表示拒绝。完成任务后，参与者填写货币价值感知的操作检验量表（9点李克特量表），完成社会价值取向（social value orientation，SVO）滑块测量，并提供人口统计学信息。
数据分析采用贝叶斯层级逻辑回归（Bayesian hierarchical logistic regression）估计每名参与者的公平敏感性和无差异点。接受概率以逻辑函数建模，出价金额和实验条件作为固定效应，参与者作为随机截距以考虑基线接受倾向的个体差异。模型通过R语言中的brms接口调用Stan软件进行估计，运行四条马尔可夫链，每条链1000次预热迭代后跟随5000次采样迭代。社会价值取向评分通过计算分配给自己的平均收益和分配给他人的平均收益之比，经反正切变换转化为角度值，角度越高表明亲社会取向越强。
研究二旨在克服研究一信息量不匹配的问题。研究一仅对AI提议者提供了货币价值信息，而人类条件下缺少对应的说明。研究二引入人类重视金钱条件和人类不重视金钱条件，形成2×2被试间设计，即提议者类型（人类 vs. 人工智能）与感知金钱价值类型（重视 vs. 不重视）交叉。研究二通过Credamo招募了240名参与者，随机分配至四个条件，每个条件60人。实验程序、任务材料、测量工具和数据分析方法均与研究一保持一致。研究方案和假设在数据收集前已在开放科学框架进行预注册。
三、主要结果
研究一的操作检验显示，重视金钱的AI条件中感知货币价值显著高于不重视金钱的AI条件，而人类条件与重视金钱的AI条件之间无显著差异，表明人类提议者在默认情况下被感知为重视金钱。接受率分析发现，不重视金钱的AI条件接受率显著高于重视金钱的AI条件和人类条件，后两者之间无显著差异。贝叶斯层级逻辑回归结果显示，不重视金钱的AI条件的无差异点显著低于重视金钱的AI条件和人类条件，而后两者之间不存在显著差异。公平敏感性分析中，人类条件表现出显著高于重视金钱的AI条件的斜率，而不重视金钱的AI条件居中，与两者均无显著差异。反应时分析发现接受决策的反应时显著长于拒绝决策，但提议者类型无显著主效应或交互作用。社会价值取向与接受率的回归分析显示，仅在人类条件下SVO显著负向预测接受率，即亲社会取向越强，接受不公平出价的可能性越低；在两种AI条件下该预测均不显著。
研究二的操作检验证实了货币价值操纵在人类和AI条件下均有效。接受率的方差分析显示，提议者类型和感知货币价值类型的主效应显著，且两者的交互作用显著。简单效应分析表明，在AI条件下，不重视金钱条件的接受率显著高于重视金钱条件；而在人类条件下，重视与不重视金钱条件之间的接受率无显著差异。这意味着感知货币价值仅对AI提议者产生行为影响。贝叶斯层级逻辑回归在无差异点上发现了显著的交互效应：AI条件下，不重视金钱条件的无差异点显著低于重视金钱条件；人类条件下，两者无差异。公平敏感性方面，人类重视金钱条件表现出最高的斜率，显著高于人类不重视金钱条件和AI不重视金钱条件，但与AI重视金钱条件无显著差异。反应时结果与研究一类似，接受决策慢于拒绝决策，但不受提议者类型或价值信息影响。SVO的回归分析在研究二中同时预测了AI条件和人类条件下的接受率，但跨研究比较显示，SVO效应在人类伙伴条件下更为稳定和可复制。
四、结论与意义
本研究的核心结论是：对提议者是否在乎金钱的信念塑造了最后通牒博弈中的公平相关决策。在两个实验中，被描述为不重视金钱的AI提议者获得了最大的宽容，参与者接受了更多的不公平出价，并表现出更低的无差异点。相比之下，人类提议者和被描述为重视金钱的AI提议者引发了相似且更低的接受率。层级逻辑建模进一步表明，感知货币价值的影响主要体现在接受阈值的移动上，而非公平敏感性的改变，这说明该信念主要改变了回应者设定拒绝阈值的水平，特别是在面对AI代理时。
本研究的理论价值体现在三个方面。第一，它将货币价值信念置于心智感知（mind perception）、算法拟人化（algorithmic anthropomorphism）和惩罚意义的更广泛理论框架中，为理解人机公平感知差异提供了更清晰的理论解释。第二，通过区分公平敏感性与无差异点，揭示了感知货币价值主要驱动接受阈值的移动，而公平敏感性的斜率可能还受到信任、算法熟悉度、规范感知等多种附加机制的影响。第三，社会价值取向的发现表明，亲社会动机在人人互动中更稳定地被激活，而在人机互动中其作用可能取决于AI被感知为具有心智、在乎金钱或是否适合成为公平惩罚的对象等额外因素。
在应用价值方面，本研究强调了在经济博弈范式中明确考虑个体对AI货币价值感知的重要性。囚徒困境、独裁者博弈和公共品博弈等常用范式往往忽视了参与者关于算法是否真正重视收益的直觉。未能控制这一信念可能系统性偏离所观察到的接受率，因此未来研究应显式操纵或控制感知到的AI估值。同时，研究结果提示对以往未控制该混淆变量的研究结论需保持谨慎，可能需要进行重新评估。
五、研究亮点
本研究的首要亮点在于系统分离并操纵了感知货币价值这一关键混淆变量，这是此前人机最后通牒博弈研究所忽略的。研究二通过对称设计——同时为人类和AI提供重视与不重视金钱的描述——实现了更严格的信息匹配，使得因果推断更为可靠。其次，采用贝叶斯层级逻辑回归区分公平敏感性与无差异点，在方法学上提供了比整体接受率更为精细的因变量分解，揭示出感知货币价值主要作用于接受阈值而非公平敏感性的重要发现。第三，结合社会价值取向这一稳定的个体差异测量，研究揭示了亲社会动机在人机互动中并非对称地被激活，这一结果为理解公平惩罚的领域一般社会认知机制提供了新的证据。最后，研究二在开放科学框架进行了预注册，增强了研究透明度和结果可信度。
研究也存在若干局限。研究二未设置中性AI基线，因此无法完全排除所观察到的宽容效应是对低感知力、低体验性目标的更一般反应，而非AI特异性效应。此外，研究未直接测量感知能动性、体验性、信任、社会认同和规范相关性等可能调节公平反应的社会认知变量。所有互动均发生在匿名电子环境中，可能减弱了社会临场感和对不公平出价的拒绝倾向。未来研究应结合中性基线、多项目或内隐测量，以及更具生态效度的互动形式，进一步揭示心智感知与公平执行在人机互动中的复杂关系。