提示词写作中的满足倾向与最大化倾向：人机交互中的特质与任务效应

文献标题

Satisficing vs. Maximizing in Prompt Writing: Trait and Task Effects in Human–AI Interaction

出版信息

• 主题领域: 心理因素对生成式人工智能系统中提示编写的影响。
• 关键词: 生成式人工智能（Generative AI）、满意化（Satisficing）、最大化（Maximizing）、提示工程（Prompt Engineering）、人机交互（Human–AI Interaction）、认知风格、决策制定、任务情境、行为心理学、分布式认知。

背景与问题

• 问题/挑战: 对心理因素（如满意化倾向）如何影响与生成式人工智能系统交互时的提示编写策略的理解有限。
• 意义: 对这些行为的深入理解可以改善人工智能系统设计，提高任务表现，并减少人工智能辅助工作中的认知负担。
• 动机与相关研究: 以往研究多关注提示的技术层面或用户对人工智能的态度，但对提示编写背后的认知决策策略探索较少。本研究结合行为心理学与人机交互领域，弥补这一研究空白。

解决方案

• 提出的方法: 一项实证研究，探讨个体满意化倾向如何在不同任务情境中影响提示编写中的最大化行为。
• 创新点:
  1. 引入满意化-最大化框架，解释提示编写行为的差异。
  2. 研究个体特质（满意化倾向）和任务特性在提示策略中的作用。
  3. 提供设计自适应生成式人工智能系统的实用建议。
  4. 首次在人机交互背景下实证研究满意化与最大化行为。
• 研究流程与关键技术:
  • 通过在线情景实验收集132名参与者的数据。
  • 使用短期最大化量表（Short Maximization Inventory, SMI）测量满意化倾向，并控制算法厌恶和提示编写能力。
  • 参与者在五种任务情境中选择满意化或最大化提示选项：工作机会选择、创意支持、研究支持、写作反馈和技术支持。
  • 使用线性混合模型（LMM）和协方差分析（ANCOVA）评估个体特质与任务情境对最大化行为的影响。

结果

• 具体发现:
  • 较高的满意化倾向与较低的最大化行为相关（β = −0.332, p = .018）。
  • 较高的自我报告提示编写能力预测较高的最大化行为（β = 0.253, p < .001）。
  • 任务类型显著影响最大化行为，在工作机会选择和创意支持情境中观察到更多最大化行为，而在写作反馈和技术支持任务中更多表现为满意化。
• 相较基线的优势:
  • 证明心理特质（满意化）和任务情境系统性地影响提示编写策略，超越了以往仅关注技术或情境因素的研究。
• 实验/评估:
  • 样本量：132名参与者。
  • 测量工具：SMI、算法厌恶量表、自我报告提示编写能力。
  • 统计方法：LMM、ANCOVA及事后分析。
  • 情境设计反映不同认知负担和任务重要性水平。
• 局限性与未来工作:
  • 情景设计限制参与者选择预定义提示，未能反映自然行为。
  • 未测量参与者对人工智能能力或信任的感知。
  • 样本仅限于英语使用者，文化和职业规范可能影响结果。
  • 未来研究应包括真实交互日志、迭代提示编写任务，以及更广泛的任务领域（如医疗或法律）。

总结

本研究探讨个体满意化倾向和任务特性如何影响生成式人工智能系统提示编写中的最大化行为。结果显示，较强的满意化倾向降低最大化行为，而较高的提示编写能力则提升最大化行为。任务情境也会影响策略，高风险或创意任务更易引发最大化行为。这些发现将有限理性理论扩展至人机交互领域，并建议自适应人工智能系统应根据用户倾向和任务需求定制支持。未来研究应探索真实交互场景及更广泛的应用领域。