这篇文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：
作者与机构
本研究由Texas Tech University的Jaime Banks独立完成，发表于《International Journal of Social Robotics》2021年第13卷（2021-2038页），DOI: 10.1007/s12369-020-00692-3，2020年8月12日接收，同年9月10日在线发表。
学术背景
研究领域为人机交互（Human-Robot Interaction, HRI）与道德心理学（Moral Psychology）的结合。传统研究将机器人行为简单归类为“好”或“坏”，而当代道德心理学提出道德基础理论（Moral Foundations Theory, MFT），认为道德判断基于多维基础（关怀/伤害、公平/欺骗、忠诚/背叛、权威/颠覆、纯洁/堕落、自由/压迫）。本研究旨在探索：(1) 人类对不同道德基础行为的评价是否因行为主体（人类vs机器人）而异；(2) 这些行为如何影响对主体的社会认知（心智感知、道德能力、信任）。
研究流程
研究分为两个实验，采用混合方法设计：
实验1（在线调查）
- 样本：402名美国代表性样本（年龄18-90岁，性别比例均衡，政治意识形态分布符合美国人口特征）。
- 设计：2（主体：人类/机器人）×2（行为效价：遵守/违反道德基础）的组间设计，道德基础场景为组内变量。
- 刺激材料：录制7段视频（6个道德基础场景+1个非道德场景），由机器人（RoboThespian）或人类演员（名为“Ray”）按脚本回应。例如，关怀/伤害（Care/Harm）场景中，主体对毁容女孩的自拍发表善意或恶意评论。
- 测量：
- 行为评价：对行为“好坏”和“责任归属”的7级评分。
- 主体评价：心智感知（依赖程度量表）、道德能力（道德代理量表）、信任（多维信任量表）。
- 数据分析：多变量协方差分析（MANCOVA）和典型相关分析（Canonical Correlation Analysis），控制道德基础重视程度和主体态度。
实验2（实验室互动）
- 样本：92名本地居民，非随机分配至人类（n=34）或机器人（n=58）条件。
- 改进：主体通过“魔法师奥兹”（Wizard-of-Oz）协议实时交互，增强在场感。
- 流程：参与者逐一向主体朗读道德困境，记录其反应并填写评价表。
- 数据分析：与实验1相同，但关注物理在场的影响。
创新方法
- 道德基础场景设计：基于已验证的小型情境（vignettes），经专家审核避免基础混淆。
- 机器人行为控制：通过预编程脚本和即时干预确保交互真实性。
主要结果
1. 行为评价的普遍性（RQ1）
- 效价主导：无论主体是人类还是机器人，违反道德基础的行为均被评价为更“坏”（如关怀场景中，遵守行为M=6.00 vs违反行为M=2.34，p<0.001）。
- 责任归因差异：仅在实验室互动中，违反行为引发更高责任评分（如纯洁场景中，违反行为责任M=4.46 vs遵守行为M=2.04，p<0.001）。
- 公平性例外：在线实验中，机器人违反公平的行为被评为更极端（M=2.14 vs人类M=4.38），表明对机器人的系统性偏见。
结论与价值
1. 理论意义：
- 道德判断具有主体无关性（Agent-Agnostic），但机器人需承担更高道德负担——其“好”行为需无条件持续才能获得信任。
- 物理在场增强责任归因，提示社会存在感（Social Presence）调节道德认知。
研究亮点
1. 多维道德框架：首次将MFT系统应用于HRI，超越传统的“好/坏”二分法。
2. 方法创新：结合在线与实验室实验，验证行为评价的跨情境一致性。
3. 责任悖论：发现机器人“无过错仍需担责”的社会认知偏差，为AI伦理提供新视角。
其他价值
- 数据公开：所有实验材料、数据及分析脚本已在Open Science Framework（OSF）公开，促进可重复性。
- 跨学科启示：融合道德心理学与机器人学，为后续研究如自主道德代理（Autonomous Moral Agents）奠定基础。
（报告总字数：约1800字）