从文本到自我：用户对AIMC工具在人际沟通和自我认知中的感知

文献标题

From Text to Self: Users’ Perception of AIMC Tools on Interpersonal Communication and Self

文献信息

• 主题领域: 人机交互（HCI）、人工智能（AI）及计算机辅助通信
• 关键词: AI中介通信 (AIMC)、人际沟通、日记研究、数字通信、语言模型、用户态度、互动设计、社会感知

研究背景与问题

发现的问题或挑战

• 随着大型语言模型（LLMs）驱动的AI中介通信（AIMC）工具的快速普及，该技术正在显著改变人际沟通的方式。
• 现有研究指出，AIMC工具可能既有积极影响（如提高沟通速度和积极性）也有负面影响（如信任受损、社交感知下降）。
• 迄今为止，仍缺乏研究探讨用户如何使用这些工具表达自我，以及对使用体验的看法。

研究的重要性

• 人际沟通不仅影响个人生活质量，还对职业关系、团队协作以及社会资本积累等方面有深远影响。
• AIMC工具被广泛采用可能会对社会沟通模式和个体认知产生长远的影响，探索其利弊具有理论与实践意义。

研究动机与相关工作

• 作者基于对AI对如何影响人类沟通的文献研究及实践问题，提出细化研究问题：
  • RQ1: AIMC工具对人际沟通能提供什么支持？
  • RQ2: 用户如何评价自己对这些工具的使用体验？
  • RQ3: 用户在哪些情境下接受这些工具？
  • RQ4: 用户认为长期使用这些工具会如何影响其沟通方式？
• 文章依赖大量相关文献支撑，包括计算机中介沟通的理论（如超人际通信理论）和AI工具对信任与自我呈现的影响等。

解决方案

方法与研究设计

• 混合方法: 作者进行了一周的日记研究以及半结构化访谈，共招募15名参与者。
  • 日记研究: 参与者每天记录至少3条通过AIMC工具修改的实际人际沟通内容，并回答问卷。
  • 访谈: 在研究前后分别进行访谈以了解用户对工具支持的态度，以及工具设计建议。
• 研究过程：
  • 记录用户发送消息的原始版本、AIMC生成输出、最终发送版本及反思。
  • 采集关于用户满意度、情感体验、工具使用频率及结果接受度的数据。

创新点

• 提出“沟通空间”框架，将沟通场景按两个维度分类：沟通风险（高或低）与关系动态（正式或非正式）。
• 分析工具对各类沟通场景的适配性与用户满意度差异。

研究成果

主要发现

1. 优势与不足
   • 优势：增加用户沟通信心、帮助表述精确化、支持跨文化沟通与情感理解。
   • 缺点：工具输出冗长、语言生硬、情感过度、用户可能产生不真实感及罪恶感。
2. 满意度与场景适配性
   • 满意度表现出显著差异：正式、高风险场景更为适配且满意度较高；非正式、低风险场景效果较差甚至被认为不必要。
   • 工具在正式场景中被视为“优化器”；在非正式场景中更多被视为“快速助手”或“语气校验器”。

实验评价与成果

• 用户总体体验满意度均值为7.1分（满分10分），经历短期学习后逐步上升。
• 通过定性数据揭示用户对沟通工具的多维态度，并结合定量分析指出满意度的情景差异。

局限性与未来方向

• 局限性:
  • 参与者需要打开网页访问工具，可能降低用户体验。
  • 数据主要依赖被试自报告，可能存在选择偏差。
  • 研究时间仅为一周，无法充分观察长期影响。
  • 样本数量有限，仅纳入14名最终参与者。
  • 部分结果可能因主流工具（如ChatGPT）的使用限制出现偏倚。
• 建议方向:
  • 探索长期使用可能的行为变化。
  • 考虑用户个性化定制与场景化支持（如关系动态和沟通目标）。
  • 深入研究AIMC是否能真正促进线下沟通技能的转移。

设计建议

1. 全局定制与实时支持

   • 提供可定制用户档案，结合场景动态调整工具输出。
   • 实现实时语言分析与即时反馈功能。

2. 增强个人风格的保留与优化

   • 支持用户上传个人文字数据，增强工具输出与用户原风格的一致性。

3. 控制信息长度与情感强度

   • 提供设置功能以调整输出文本的长度和语气强度。

4. 多维度评价机制

   • 提供语气和语音分析用于预测接收方反应，支持用户构建与跟踪沟通目标。

5. 透明性与教育功能

   • 优化工具的解释机制，让用户更直观理解其功能及操作逻辑，支持用户学习语言技能。

结论

• AIMC工具在特定场景下能有效提升用户沟通质量，但其冗长输出和过度情感等问题可能降低用户满意度。
• 设计者应关注用户对语言、情感和交互方式的需求，尤其是个性化表达与实用性之间的平衡。
• 未来的研究和系统开发需持续关注这些工具对人际沟通长期效应的影响，从而确保技术设计具有伦理性及社会责任感。