生成式AI的角色如何影响人机协作工作中价值感知

研究背景与问题

• 作者发现了哪些问题或挑战？
  传统研究多以“是否采用AI”这种二元分类视角研究人类与AI的协作关系，忽略了不同AI角色在合作中的细微差异。此外，过去研究主要聚焦于传统AI，而非生成性AI (Generative AI, GenAI)，后者不仅识别模式，还能生成新内容，其独特能力有待更深入的探索。本研究旨在解决GenAI如何影响工作的创造性与价值感知的问题。

• 为什么这个问题很重要？
  随着生成性AI在各行业的广泛运用，其角色在合作中的设计以及对人类参与者和外部评价的影响将深刻影响未来的创意工作流程和行业准则。

• 研究动机与相关工作
  当前关于AI和人类协作的讨论未充分研究AI角色对成果感知的影响。尤其在生成性AI上，其能以“主导者”(driver) 或“顾问”(advisor) 的角色参加任务，这种角色差异如何影响工作质量、创造性和价值感知尚未明确。本研究试图填补这一理论和实证缺口。

解决方案

• 作者提出了哪些方法或解决方案？
  作者构建了一个结构模型，理论化不同GenAI角色如何改变工作质量和创造性、影响内部创造性评估，以及影响外部评价者对价值的感知。

  • GenAI作为“主导者”负责生成初始内容，由人类进行后续修改。
  • GenAI作为“顾问”提供对人类生成内容的反馈和优化建议。

• 该解决方案的创新之处是什么？
  提出了将生成性AI融入工作流程的双重角色（主导者与顾问），并通过实验实证分析其对工作输出的创造性与价值感知的具体影响。这种细粒度的角色分类超越了以往简单的二元问题探索，提出了更复杂的协同框架。

• 实施步骤是什么？使用了哪些关键技术？

  1. 实验设计：通过两种AI角色（主导者/顾问）的随机分配及两种任务类型（功能性任务/创意性任务）验证不同条件下AI的作用。
  2. 调查与测量：参与者完成任务后，依次回答关于AI在工作质量提升和努力程度、创造性评价以及外部价值感知的问卷。
  3. 数据分析与建模：采用结构方程模型（SEM）分析实验数据，验证假设。

研究成果

• 取得了哪些具体成果？

  1. 当GenAI以“顾问”角色工作时，被参与者认为能显著提升工作质量；作为“主导者”时，GenAI被认为完成了更多任务，弱化了人类贡献的可见性。
  2. AI改善工作质量的同时增加了对创造性的内部评价，但也可能引发外界对使用AI工作的价值贬低的担忧。
  3. 外部观察者可能会对更深度依赖AI创建的工作给出更高的“反向提升”评价，这与预期相反。

• 与现有解决方案相比，它有哪些优势？

  1. 明确区分了生成性AI的多种角色及其在不同协作模式下的作用。
  2. 针对任务类型引入了异质性效果分析，提供了更加细腻的研究视角。
  3. 用实证数据揭示了创造性与价值感知之间的复杂权衡关系。

• 实验或评估结果是什么？

  • 相比于主导者角色，顾问角色的GenAI显著提升了参与者对最终产出的质量感知（模型路径系数 b=0.260, p<0.01）。
  • GenAI作为主导者时参与者感知AI贡献的工作量更大（路径系数 b=-0.821, p<0.001）。
  • 对“创造性”评估，AI改善质量显著增加创造性感知(b=0.303, p<0.01)，但相对于人类贡献的主导降低创造性感知并不显著（b=-0.131，非显著）。

• 局限性与未来方向：

  1. 局限性：
     • 研究样本主要是白人大学生，缺乏多样性，限制了结果的广泛适用性。
     • 实验设计为实验室环境，可能无法完全反映真实工作情境。
     • 创意任务可能由于较高的认知负担影响结果区分。
  2. 未来方向：
     • 扩展样本涵盖更多职业与行业背景。
     • 考虑纵向研究，观察时间对GenAI认知变迁的影响。
     • 探索透明AI参与对缓解AI作品社会偏见的作用。

通过这些研究，论文为设计真正能有效增强人类能力的“人类 - GenAI”协作模式提供了深刻洞见。