"人工智能提升我们的表现，我毫不怀疑这一点也会如此"：安慰剂效应对于人工智能的负面描述具有稳健性

文献标题

"AI enhances our performance, I have no doubt this one will do the same": The Placebo Effect Is Robust to Negative Descriptions of AI

文献信息

• 主题领域: 人机交互（HCI）及人工智能（AI）用户研究
• 关键词: Placebo效应, 决策过程, 性能预期, 人工智能, 用户体验, HCI, 负面描述, 认知模型, 数据分析, 任务设计

研究背景与问题

• 背景:

  • Placebo 效应——在医疗及人机交互（HCI）研究中表现为用户在感知虚假人工智能（AI）系统的效果时能够提升主观和客观的性能。
  • 以往研究表明，与正面期待相比，负面期待可能产生“Nocebo效应”，即降低认知功能和性能。

• 研究问题:

  • 对于一项并不存在的AI系统，负面的语言描述是否会降低用户的主观性能预期以及客观任务绩效？
  • 负面的描述是否能打破 Placebo 效应？
  • Placebo 效应如何具体影响用户的决策过程（如反应时间、正确信息积累等认知参数）？

• 研究动机:

  • 当前AI用户体验评估方法可能受到用户预期的显著影响（如 Placebo 效应），从而导致对AI系统评估失真。
  • 借助认知建模与定量评估，明确负面描述是否可以消除 Placebo 效应，并探讨决策过程中出现的具体变化。

解决方案

• 研究方法:

  1. 实验设计:
     • 28名参与者被分入“正面描述”和“负面描述”两组，分别完成信件识别任务。
     • 任务以两个状态运行：AI系统“活跃”与“非活跃”（实际并无AI）。
     • 同时监测用户的决策行为、认知负荷、生理信号和主观评价。
  2. 主要技术与工具:
     • 使用“动态漂移扩散模型（Drift Diffusion Model, DDM）”分析决策过程。
     • 实验使用Bayesian统计方法及生理信号记录设备（如皮电反应EDA）进行数据采集与分析。

• 创新性:

  • 通过引入负面语言描述，首次验证AI Placebo 效应的坚韧性。
  • 借助认知建模（如DDM）量化测试 AI对信息积累速度（Drift rate）、决策界限（Boundary separation）等内在过程的影响。

研究成果

• 主要发现:

  1. Placebo 效应对负面描述具备显著鲁棒性：即使告知参与者AI可能降低任务绩效，被试仍期待AI“帮助”提升表现。
  2. 使用动态漂移扩散模型解析发现：
     • 信息积累速度 (Drift rate): 在活跃AI条件下参与者信息处理速度提高。
     • 决策界限（Boundary separation）: 系统“活跃”时，参与者决策更保守（即需累积更多信息）。
     • 非决策时间（Non-decision time）: 减少，尤其是接受负面描述条件下。

• 与现有研究的对比:

  • 研究指出，与以往对Placebo 效应受描述影响的结论不同，AI 性能偏好（“AI performance bias”）体现出对负面描述的“抗干扰性”。
  • 此外，负面语言描述未能引发“Nocebo效应”。

• 局限性:

  1. 实验中可能存在情绪干扰因素（例如实验环境下正性情绪抑制负性期待）。
  2. 生理负担（如皮电信号等）未显示显著差异，因此可能需要更细致任务设计。
  3. 结果对任务或文化语境的广泛适用性仍需更多验证。

• 未来方向:

  1. 探讨更复杂的AI上下文与真实系统操作，不仅关注人机协作，还应考虑人机竞争任务。
  2. 在实际应用与设计上发展控制Placebo 效应的策略。
  3. 增强负面描述干预效力，探讨情绪、文化认知等对用户预期的调节作用。