Yingyue Luna Luan（昆士兰大学商学院）、Yeun Joon Kim（剑桥大学贾奇商学院及剑桥大学临床医学院代谢科学研究所）与Jing Zhou（莱斯大学Jesse H. Jones商学院与Virani本科生商学院）在 Information Systems Research 上发表了题为“Augmented learning for joint creativity in human-genAI co-creation”的研究论文。该研究于2024年3月1日投稿，经过多轮修改后于2025年10月15日被接收，并于2025年11月27日在线发表，2025年12月10日更新了更正版本。本文基于对生成式人工智能（generative artificial intelligence，genAI）在创造性任务中角色的重新审视，提出了一种新的“增强学习”（augmented learning）理论，旨在解释人类与genAI如何通过共同创造过程实现联合创造力（joint creativity）的持续提升。

这篇论文属于类型a，即单项原创研究的学术报告。该研究回应了当前人机协作研究中一个突出的理论困境：以往关于人类与genAI共同创造的研究大多基于单轮任务设计，其结果正向、负向或混合不一，缺乏对时间维度上协作机制演化的考察。作者指出，若将人类与genAI的协作视为一次性事件，就无法捕捉二者如何在反复互动中调整各自在不同共同创造活动中的参与程度，也就无法判断增强学习是否真正发生。因此，本文的核心目标是提出并验证一种以集体学习（collective learning）为基础的增强学习理论，该理论强调人类与genAI应在多轮任务中动态调整各自在多种共同创造活动中的参与程度，以实现联合创造力的持续改善。

为实现这一目标，作者设计并实施了三项研究，采用归纳与演绎相结合的混合方法（abductive approach）。研究1是一项包含162名参与者的实验室实验，参与者被随机分配至人类与genAI共同创造组或仅人类组，每组81人。所有参与者需完成10轮围绕社会与环境议题的创意任务。在人类与genAI共同创造组中，参与者与基于GPT-3.5构建的聊天机器人协作生成解决方案；在仅人类组中，参与者独立完成任务。输出创造力通过三位独立评分者采用共识评估技术（consensual assessment technique）评估新颖性和实用性，并将其乘积作为创造力分数。研究1发现，尽管人类与genAI组在最初几轮的创造力得分显著高于仅人类组，但在第7轮之后两组的差异不再显著。更重要的是，仅人类组在10轮任务中展现出显著的创造力提升，而人类与genAI组并未表现出任何随轮次增长的改善。这一结果说明人类与genAI的协作并不会自然触发增强学习，联合创造力在多次合作中并未持续进步。

基于研究1的发现，研究2试图探究为何人类与genAI无法在多轮共同创造中提升联合创造力，并识别能够带来改善的关键共同创造活动。研究2分为三个部分。第一部分为定量重复验证，招募166名参与者，每人需与ChatGPT共同完成3轮商业相关创意任务，共收集498组人机对话。联合创造力同样采用共识评估技术由三位评分者独立评定。结果显示联合创造力在三轮任务中没有显著改善，重复验证了研究1的结论。第二部分为定性分析，三位研究者对498组人机对话进行了开放式编码。初始编码识别出11种具体互动行为，如提出新想法、请求genAI生成新想法、扩展已生成想法、反馈与评价、整合不同想法、重构想法、精简想法、设置约束条件，以及问候、感谢等杂项互动。研究者随后根据创造力文献将这11种活动归纳为四类：想法生成-回应（idea generation-response）、想法请求-想法生成（idea request-idea generation）、想法共同开发（idea co-development）和杂项活动（miscellaneous activity）。其中，想法共同开发又包含反馈（feedback）和想法细化（idea refinement）两个紧密交织的子活动。第三部分为定量分析，研究者将每段对话编码为上述四类活动所占比例，并进行多层次中介分析。结果发现，随着任务轮次推进，想法共同开发的参与比例显著下降，而想法生成-回应和想法请求-想法生成的比例上升。同时，只有想法共同开发对联合创造力具有显著的正向影响，另外两类想法生成活动对创造力没有显著作用。中介分析进一步证实，想法的共同开发活动随轮次减少，是导致联合创造力缺乏提升的主要原因。

在上述发现的基础上，研究3采用演绎方法验证了一个假设：为参与者提供关于想法共同开发的指导，能否改善人类与genAI协作中的联合创造力。研究3通过Prolific招募了166名参与者，随机分配至处理组（81人）和对照组（85人）。所有参与者首先完成第一项创意任务，然后处理组阅读关于想法共同开发优势和应用方法的说明，对照组无任何额外指导，随后两组均完成第二项创意任务。genAI使用GPT-4o-mini构建。联合创造力由三位评分者独立评定，评分者间信度良好。结果显示，接受指导的处理组在第二项任务中的联合创造力显著高于对照组，且两组的平均互动次数无显著差异。这一结果表明，通过提供强调反馈与想法细化的重要性的结构化指导，能够有效促使人类与genAI更多地进行想法共同开发，从而改善联合创造力。这一发现也为论文提出的增强学习理论提供了实验证据：增强学习并非自然发生，而需要借助有意识的干预手段引导协作过程。

论文的结论部分进一步提炼了增强学习的理论内涵。传统增强学习概念强调技术作为工具增强人类认知能力，而本文将其重新概念化为人类与genAI作为集体系统，通过不断调整各自在任务内多种共同创造活动中的参与程度，以实现联合创造力的持续提升。作者特别强调，增强学习必须以人类为主导，因为人类需要监控协作效果并主动调整双方在不同活动中的角色，保证人机协作符合组织和社会的更高目标，并防范伦理风险。此外，本文指出，以往单轮研究未充分关注时间尺度上的演化，是导致研究结论不一致的重要原因之一。通过扩展空间尺度和时间尺度，本研究发现，单纯依赖人机共同生成想法并不能带来创造力提升，关键在于通过反馈交换和迭代想法细化来共同开发已有想法。

本研究的主要贡献体现在以下几个方面。第一，提出了一种新的增强学习理论，将焦点从个体人类认知学习转向人类与genAI的集体学习过程，为理解人机共同创造提供了新的理论框架。第二，识别出三类核心共同创造活动，并证明想法共同开发对联合创造力的持续提升具有关键作用，而仅靠多种形式的想法生成活动并不足够。第三，通过一系列混合方法研究，揭示了增强学习无法自然发生的原因——人类与genAI在多轮协作中往往会降低对想法共同开发的投入，而增加想法生成活动。因此，需要设计结构化的指导或模板来引导协作。第四，研究为实践者提供了可操作的建议：组织和genAI开发者可以通过在协作界面或流程中嵌入提示、模板或训练，鼓励用户更多参与反馈与想法细化，以实现更高水平的联合创造力。

该项研究通过三项互补的实验，系统考察了人类与genAI共同创造中联合创造力的动态变化，识别了限制增强学习的关键机制，并提出通过有意识引导来改善协作效果的可行路径。该研究不仅为信息系统领域人机协作研究提供了理论扩展，也为生成式人工智能的设计与应用提供了重要的实践启示。