机器人、聊天机器人、自动驾驶汽车:人工智能中关于心智和道德的认知
研究背景与问题
-
作者发现了哪些问题或挑战?
人工智能(AI)系统在过去几年中迅速发展和普及,但目前对人们如何看待AI的心理(如感知能力)和道德特性(如责任归属)了解还不够全面。这种认知对于衡量公众对AI的信任及界定责任具有重要意义,尤其是在AI引发负面影响时。 -
为什么这个问题很重要?
不正确的心理和道德属性归因可能导致公众欠缺信任、责任转移至AI本身而非其开发者,并可能会影响AI在高风险场景中的使用。理解这些认知有助于设计更负责任、更可靠的AI系统。 -
研究动机与相关工作
之前的大量研究表明,人们对AI的心理和道德特性有一定归因。但这些研究通常集中在个别AI或抽象的“AI”概念上。这篇论文通过比较14种具体AI实体和12种非AI实体,为多样化AI系统提供了关于心理和道德认知的更全面图景。
解决方案
-
作者提出了哪些方法或解决方案?
通过开展预注册的在线实验,参与者对26种实体进行心理属性(代理性、体验)与道德属性(道德代理性、道德承受能力)评分,覆盖多种AI和非AI实体。 -
该解决方案的创新之处是什么?
相比之前的研究,这一次系统性地将心理与道德认知进行对比,同时涵盖了更广范围的实体,并探讨了不同AI系统间以及AI与非AI实体间的差异。 -
实施步骤是什么?使用了哪些关键技术?
- 参与者招聘与样本分布:来自美国的975名参与者,通过Prolific平台招募,样本在人口属性上具有代表性。
- 实体介绍与评价:参与者随机选择13个实体(包含AI和非AI实体),每个实体配有图像和文字描述。
- 测量方法:每个目标实体通过两项独立问题量化心理和道德属性。这些问题基于已有问卷进行了改进。
- 统计分析:使用混合效应回归模型分析数据并进行多对多实体差异测试,同时控制混杂变量如年龄、性别和AI熟悉度。
研究成果
-
取得了哪些具体成果?
- AI实体被认为具有低到中等程度的代理性,而体验感知极低(如ChatGPT被认为与岩石几乎无体验能力)。
- 在道德属性上,AI的道德代理性评分较高,一些AI实体如Tesla的自动驾驶汽车在责任归属上甚至接近非人类动物(如黑猩猩)。
- 心理属性(代理性和体验)与道德属性(道德代理性和道德承受力)之间存在显著关联,但这些关联在AI和非AI实体间有所不同。
-
与现有解决方案相比,它有哪些优势?
相比之前对单一AI或抽象“AI”的研究,本文提供了AI与非AI实体间归因模式的广泛比较和细致分析,为AI设计者提供了更多可操作性建议。 -
实验或评估结果是什么?
- 跨实体评分显示AI与非AI实体在代理性和体验上的显著差异。
- 虽然AI一般被视为低体验,但某些设计选择(如更具拟人化的外表或者情感表达)可提升其道德承受力。
- 熟悉度对AI道德承受力的归因有明显影响。
-
局限性与未来方向
- 文化背景:该研究局限于美国样本,不同文化可能对AI有不同的看法。
- 实体接触:实验主要基于图片和文字描述,而非真实世界互动。
- 测量维度:依赖两项简单问题测量心理和道德属性,未来可扩展维度以捕获更多细腻特性。
总体来说,这篇论文展示了AI系统在心理与道德认知上的显著差异,提出设计者需关注AI的规范性设计,从而正确指导公众对AI的认知。这为AI开发者提供了指导,尤其是在高风险场景下如何管理道德责任和信任问题。未来研究可以在跨文化样本和实时互动场景中继续探索,以进一步验证和扩展这些结果。
研究问题 / 现实痛点
这篇论文在当前问题库中对应的问题线索。
研究问题
3- 人们如何感知不同AI系统的心理特质(如感知能动性)和道德特性(如责任归因)?分类: 信任动态、错误时机与长期依赖同类问题arrow_forward
- 这些心理和道德属性的归因如何在AI与非AI实体之间存在差异?分类: 信任动态、错误时机与长期依赖同类问题arrow_forward
- 哪些因素(如熟悉程度或设计选择)影响公众对AI系统的心理和道德归因?分类: 信任动态、错误时机与长期依赖同类问题arrow_forward
现实痛点
1- 用户对AI的心理和道德认知模糊,影响可信度和责任归属。分类: 信任动态、错误时机与长期依赖同类问题arrow_forward
- 100%
缺席的力量:在算法设计中运用档案学理论进行思考
DIS '24· AI 伦理、公平与问责 +1
- 100%
众包公平性偏好是否与风险感知相关?
IUI '24· AI 伦理、公平与问责 +1
- 67%
23种助推方法:人机交互中技术介导助推的回顾
CHI '19· AI 辅助决策与自动化系统 +2
- 67%
当刻板印象GTG:预测性文本建议对人与AI协作写作中性别偏见的影响
CHI '26· 大语言模型(LLM)的人机协作 +2
- 67%
超越微软和孟山都:去化计算中的单作隐喻
CHI '26· AI 伦理、公平与问责 +2
- 60%
从批判种族理论视角探索数据素养的方法
CHI '21· 算法公平与偏见 +1
- 60%
走向实践中的公平性:评估公平机器学习工具包的实践者导向标准
CHI '21· AI 伦理、公平与问责 +1
- 60%
陪审团学习:将不同意见整合到机器学习模型中
CHI '22· AI 伦理、公平与问责 +1
- 60%
有能力但不道德?比较AI和人类专家在道德决策中的合作
CHI '22· AI 伦理、公平与问责 +1
- 60%
脱离上下文:调查“人工智能作为服务”的偏见和公平性问题
CHI '23· AI 伦理、公平与问责 +1
基于研究子主题与职业分类的 Jaccard 相似度(≥60%)