创意场景中可持续人机协作:CAS、UTAUT、心理所有权与自我决定理论的综合方法
生成式AI(文本、图像、音乐、视频)大语言模型(LLM)的人机协作AI 辅助决策与自动化系统同理心与情感设计UI/UX 设计师AI/ML 研究员与工程师HCI 研究员
文献标题
Sustainable Human-AI Collaboration in Creative Contexts: An Integrated Approach of CASA, UTAUT, Psychological Ownership, and Self-Determination Theory
出版信息
- 主题领域: 创意任务中可持续人机协作的心理机制。
- 关键词: 人机协作,生成式人工智能,心理所有权,UTAUT,自我决定理论,CASA范式,创意场景,协作满意度,绩效期望,自主性。
背景与问题
- 问题/挑战: 现有框架(如UTAUT)未能充分解决人机协作中的情感和心理维度(如所有权、自主性)。此外,创意场景(纯粹 vs. 工作相关)和协作类型(以人为主导 vs. 以AI为主导)对用户感知和行为的影响尚未得到深入研究。
- 重要性: 理解这些机制对于促进可持续且令人满意的人机协作至关重要,尤其是在生成式人工智能逐渐成为创意产业核心的背景下。
- 动机与相关研究: 先前研究主要关注技术接受度和满意度,但忽略了更深层次的心理因素(如所有权和自主性)。本研究基于CASA范式、UTAUT和自我决定理论,探索创意协作场景中的这些研究空白。
解决方案
- 提出的方法: 整合UTAUT、心理所有权理论和自我决定理论,研究AI绩效期望如何在不同创意场景和协作类型下影响心理所有权、协作满意度和持续使用意图。
- 创新点:
- 通过引入心理所有权和自主性扩展UTAUT模型在人机协作中的应用。
- 在创意场景中实证检验CASA范式,将AI视为社会协作者。
- 探讨创意场景(纯粹 vs. 工作相关)和协作类型(以人为主导 vs. 以AI为主导)的调节作用。
- 提出一个多理论框架,用于创意任务中的可持续AI协作。
- 研究流程与关键技术:
- 采用2×2实验设计(创意场景:纯粹 vs. 工作相关;协作类型:以人为主导 vs. 以AI为主导),参与者为280名有生成式AI经验的用户。
- 使用验证量表测量AI绩效期望、心理所有权、协作满意度和持续使用意图。
- 通过偏最小二乘结构方程建模(PLS-SEM)和多组分析(MGA)对假设及调节效应进行数据分析。
研究结果
- 具体发现:
- AI绩效期望显著提升了心理所有权(β = 0.41, p < .001)、协作满意度(β = 0.64, p < .001)和持续使用意图(β = 0.16, p < .1)。
- 协作满意度强烈预测了持续使用意图(β = 0.45, p < .001)。
- 心理所有权在绩效期望与持续使用意图之间起部分中介作用(β = 0.04, p > .05),而满意度完全中介了这一关系(β = 0.30, p < .001)。
- 相较基线的优势:
- 证明了心理所有权和自主性是可持续AI协作的关键驱动因素,超越了传统UTAUT模型。
- 发现以AI为主导的协作削弱了绩效期望对满意度的正向影响(β = −0.16, p < .1),凸显了用户自主性的重要性。
- 实验/评估:
- 样本:280名参与者(50%男性,50%女性;年龄20–40岁),均有生成式AI使用经验。
- 设计:2×2因子设计,比较以人为主导与以AI为主导的协作,以及纯粹与工作相关的创意场景。
- 指标:AI绩效期望、心理所有权、协作满意度、持续使用意图和心理抗拒。
- 局限性与未来研究:
- 使用基于情景的实验设计而非实时协作,限制了生态效度。
- 未包含专业创作者,其工作流程和关注点(如版权)可能有所不同。
- 将协作类型概念化为二元分类(以人为主导 vs. 以AI为主导),未考虑更细微的交互动态。
- 未来研究应探索交互式、基于任务的设计,纳入专业创作者,并研究创意过程中AI在不同阶段的角色。
总结
本研究整合UTAUT、心理所有权理论和自我决定理论,探讨创意任务中的可持续人机协作。研究发现,AI绩效期望能够增强心理所有权、协作满意度和持续使用意图,其中满意度是最强的中介因素。尽管创意场景(纯粹 vs. 工作相关)未显著改变这些机制,但以AI为主导的协作因降低用户自主性而削弱了满意度。这些发现强调了设计AI工具时需要平衡自主性与性能,同时促进所有权和满意度。未来研究应采用交互式设计并纳入专业创作者,以进一步完善相关见解。
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。
当前问题库还没有收录这篇论文的问题与痛点。
- 86%
文本到图像生成的自适应提示引导
IUI '26· 生成式AI(文本、图像、音乐、视频) +2
- 75%
使用生成式AI创建和评估人物角色:对81篇文章的范围性综述
CHI '26· 生成式AI(文本、图像、音乐、视频) +3
- 75%
文本到图像生成中默认图像的探索
CHI '26· 生成式AI(文本、图像、音乐、视频) +3
- 71%
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
CHI '26· 生成式AI(文本、图像、音乐、视频) +2
- 71%
GANzilla:在生成对抗网络中实现用户驱动的方向发现
UIST '22· 生成式AI(文本、图像、音乐、视频) +1
- 67%
理解AI authorship披露后读者感知的变化
IUI '26· 生成式AI(文本、图像、音乐、视频) +4
- 63%
重新审视人类与AI交互的独特设计难度及其原因
CHI '20· 生成式AI(文本、图像、音乐、视频) +2
- 63%
AI增强的头脑风暴:研究LLM在团队创意生成中的应用
CHI '24· 生成式AI(文本、图像、音乐、视频) +1
- 63%
生成式AI应用程序的设计原则
CHI '24· 生成式AI(文本、图像、音乐、视频) +2
- 63%
基于LLM的搜索对决策制定的影响:速度、准确性和过度依赖
CHI '25· 大语言模型(LLM)的人机协作 +2
基于研究子主题与职业分类的 Jaccard 相似度(≥60%)
快捷操作
广告推荐
学习 AI 编程到 CodeNow
open_in_new打开DOI链接
DOI: https://doi.org/10.1145/3772318.3791002
一眼看懂
fact_check论文快照
dataset
来源
CHI
calendar_month
年份
2026
emoji_events
奖项
未标记奖项
group
作者
2 位作者
sell
研究子方向
生成式AI(文本、图像、音乐、视频)、大语言模型(LLM)的人机协作、AI 辅助决策与自动化系统、同理心与情感设计
work
职业/产业
UI/UX 设计师、AI/ML 研究员与工程师、HCI 研究员
article
内容状态
已索引正文
hub
相关论文
10 篇相关论文