作者与发表信息
本研究由Nader Ghotbi（日本立命馆亚洲太平洋大学亚太研究学院）独立完成，发表于Asian Bioethics Review期刊2023年第15卷，文章标题为《The Ethics of Emotional Artificial Intelligence: A Mixed Method Analysis》。论文于2022年10月14日收稿，经修订后于同年12月2日在线发表。
学术背景
研究领域属于情感人工智能（Emotional AI）与生命伦理学（Bioethics）的交叉学科。情感在人类决策、行为动机及社会关系中具有核心作用，而人工智能试图通过情感识别预测人类行为。然而，情感的主观性和文化差异性使得机器识别面临巨大挑战。此前研究（如Ekman, 2017）虽证实部分基础情感（如快乐、愤怒）的跨文化普遍性，但忽视了情感表达的复杂性（如抑制或伪装）。本研究旨在通过混合方法分析情感AI的伦理风险，尤其关注情感计算（Affective Computing）中的偏见与歧视问题。
研究方法与流程
研究采用混合方法设计，包含两个独立阶段：
定量调查：
- 研究对象：124名18-24岁国际大学生（日本占比49%，其余来自印尼、韩国、中国等亚洲国家），女性占65%。
- 数据收集：通过谷歌表单匿名采集9种情感（如快乐、愤怒、羞耻）的关联词汇、感受频率、抑制与表达程度（5级Likert量表），并记录性别、年龄、宗教程度等变量。
- 分析工具：使用SPSS 27进行Spearman相关系数（rho）和Kendall相关系数（tau）分析，探究宗教、性别与情感表达的关联；通过文本挖掘工具（如RapidMiner）生成情感词汇云，分析文本模式识别情感的可行性。
质性研究：
- 研究对象：235名同校学生撰写千字论文，需基于阅读材料（如Greene, 2020的伦理分析）选择支持或反对情感AI的立场。
- 分析方法：采用编码法归类论点，提取支持（9类）与反对（6类）的核心观点，例如支持方强调情感AI在医疗、教育等领域的应用潜力，反对方则担忧隐私侵犯与算法偏见。
- 主要结果
定量发现：
- 情感模式：快乐与爱高频出现（量表4-5分），愤怒、羞耻等低频（1-2分），悲伤、恐惧居中。
- 宗教相关性：宗教程度与恐惧感受（rho=0.32, p<0.01）、性欲抑制（tau=0.28, p<0.05）显著相关。
- 性别差异：男性更易表达性欲但抑制爱（Mann-Whitney U检验，p<0.01）。
- 文本挖掘：词汇云显示情感识别存在共性（如“家庭”关联快乐与爱）与文化特异性（如“失败”同时关联悲伤与羞耻），但拼写错误与个人差异影响算法准确性。
质性发现：
- 58%学生持乐观态度，列举情感AI在辅助残障人士、心理健康筛查等场景的价值；42%担忧算法歧视（如国籍相关分析显示潜在偏见，但因伦理考量未公开具体数据）。
- 结论与价值
- 科学意义：揭示情感AI在小型样本中即可产生统计学显著但伦理敏感的关联（如宗教与情感抑制），警示无假设的数据挖掘可能加剧社会偏见。
- 应用价值：呼吁开发者在情感计算中纳入伦理审查，例如通过文化敏感性训练（Cultural Sensitivity Training）优化算法。
- 政策建议：需建立法律框架规范情感数据的收集与使用，平衡技术创新与隐私保护。
- 研究亮点
- 方法创新：首次混合量化调查与质性论文分析，全面呈现青年群体对情感AI的认知差异。
- 伦理警示：通过国籍相关性的未公开案例，凸显算法歧视的隐蔽性。
- 跨学科贡献：为心理学、AI伦理学及社会科学提供实证依据。
- 其他有价值内容
- 局限性：样本以日本学生为主，未涵盖语音、生物特征等多模态情感数据。
- 未来方向：建议扩大样本至多元文化群体，并测试情感AI在实时交互中的偏差修正能力。
（注：专业术语如“Likert量表”“Spearman相关系数”等在首次出现时保留英文原词并标注中文释义。）