理解生成式AI聊天机器人在社交焦虑支持方面的态度和信任

研究背景与问题

• 发现的问题或挑战: 社交焦虑症 (Social Anxiety, SA) 越来越普遍，而传统心理健康支持方法面临专业人员不足、健康护理限制、以及可及性差的问题。此外，尽管生成式人工智能 (Generative AI, GenAI, 如智能聊天机器人) 提供了新的互动平台，其在心理健康应用中的信任和有效性仍存疑，尤其在SA支持中的信任动态尚未详细探究。
• 研究重要性: 了解个人对GenAI聊天机器人在SA支持中的态度与信任, 对于技术设计、用户采纳及心理健康干预手段的创新至关重要。
• 研究动机与相关工作: 尽管已有研究探讨了AI在心理健康领域的可信性提升手段，多数聚焦于模型本身的可靠性和透明性，而忽视了信任如何因用户的个人经验和应用情境而变化。因此，研究尝试填补SA用户中GenAI信任感形成的动态方面的研究空白。

解决方案

• 方法或解决方案: 本研究采用混合方法，综合调查和访谈，深入探讨用户对GenAI聊天机器人在SA支持中的信任及使用意愿。
  • 调查部分：对159名参与者进行问卷分析，了解社交焦虑的严重程度、与GenAI的过往交互、以及对其信任和使用意愿的关系。
  • 访谈部分：对17名分组参与者进行深入半结构化访谈，以揭示信任和态度形成的细微特点。
• 创新之处:
  1. 提出并验证了SA支持背景下的多维信任测量（包括情感性信任和认知性信任）。
  2. 区分了基于症状严重程度和使用经验的用户信任与采纳意愿差异。
  3. 结合量化分析与质性分析揭示信任动态的多维特性，包括技术信任与情感支持的优先排序因素。
• 实施步骤和关键技术:
  1. 设计和实施SPIN量表用于测量SA严重程度。
  2. 调查问卷分析中结合克鲁斯卡尔-沃利斯检验和线性回归预测信任与愿意采纳的关系。
  3. 应用高斯混合模型 (GMM) 聚类识别不明确态度群体的特征。
  4. 访谈结果运用通用归纳法进行编码和主题分析。

研究成果

• 具体成果:
  • 信任与使用意愿: 信任与使用意愿之间存在显著正相关，尤其在SA症状严重者中。
  • 信任类型:
    1. 情感信任（Emotional Trust）: 对SA症状严重者，用户受GenAI聊天机器人的同理心和非评判的对话语气所吸引。这类用户更注重对工具的情感性支持，如安慰及情绪理解。
    2. 认知信任（Cognitive Trust）: SA症状较轻者更强调对GenAI的技术性可行性，例如信息准确性、模型可靠性及技术透明性。
  • 体验差异: 有长期GenAI使用经验的用户更倾向采纳，而未参与过该技术的用户则犹豫更大。
  • 用户分类: 使用GMM分析发现中立态度者的三类特性群体：
    1. 高严重度SA用户，依赖情感支持。
    2. 长期高频使用但症状程度较轻者；注重技术反馈。
    3. 缺乏特定使用目的的偶然用户；与SA支持无强关联。
• 与现有解决方案的比较和优势:
  • 相较单维度的信任研究，本研究提出信任的情境化模型，具体解析了信任在情感与认知维度上的分层机制。
  • 针对SA的具体心理健康需求，提供了更加细致的支持策略建议。
• 实验或评估结果:
  • 问卷调查和访谈均验证了GenAI工具在SA支持中的潜力，但技术出的如AI“幻觉”（hallucination）和记忆不足等限制需要关注。
  • 症状越严重的参与者对GenAI的信任与接受程度越高，这与必要性驱动密切相关。
  • 长期和高频用户表现出更高的信任, 反映了使用经验对采纳意愿的影响。
• 局限性与未来方向:
  • 局限性:
    1. 基于自评数据，存在主观偏好或记忆错误的可能。
    2. 样本人口学较为集中，可能影响结果的可推广性。
    3. 未考虑文化差异对信任形成的潜在影响。
  • 未来研究方向:
    1. 对情感信任设计与优化的深入探索，提升用户体验与长期效果。
    2. 跨文化比较研究验证信任动态中的普适性。
    3. 引入生理和行为数据量化情感信任的建立过程。
    4. 探索AI与人类心理治疗师在协作中的新范式，解决技术应用的伦理风险。

通过这些成果，该研究为未来精神健康技术的设计与实施提供了关键参考，也丰富了AI和人类信任动态相关的研究。