给辣椒用什么代词？对研究中的性别/性化进行批判性回顾

文献标题

Pepper 用哪个代词？——关于研究中性别化的批判性综述

文献信息

• 主题领域: 人机交互（HCI）、社会性人工智能代理的性别化研究
• 关键词: 性别, 社会性人工智能代理, 类人机器人, Pepper, 用户感知

研究背景与问题

• 问题与挑战:

  • 社会性人工智能代理（如语音助手、类人机器人等）在设计时往往受到性别化的影响，包括用户有意或无意地将性别属性赋予这些代理。
  • 尽管已有关于性别化设计的批评性声音，但关于学术研究中如何处理性别化问题的理解仍然有限。
  • 缺乏对研究人员在设计和研究中无意识性别化行为的系统性探讨，这种性别化可能影响研究结果的有效性和代表性。

• 重要性:

  • 如果研究未正视性别化问题，可能会导致偏见研究，并强化已有的性别刻板印象，从而影响社会公平性。
  • 人工智能代理的性别化不仅影响用户体验，也反映了研究者自身的视角和隐含假设，这需要通过批判性反思来加以探讨。

• 研究动机与相关工作:

  • 当前文献中，性别化现象在社会代理的设计和使用中非常常见，如语音助手默认使用“女性”声音。
  • 类人机器人 Pepper 的官方设计意图为中性性别，但实际中被性别化为男性或女性的情况时有发生。
  • 鼓励研究者在自己的实践中应用批判性反思方法，促使对变量“性别”的深刻理解和讨论。

解决方案

• 研究方法:

  • 本文对 Pepper 机器人相关的 75 篇人机交互研究论文进行了系统性回顾。
  • 使用元综合（meta-synthesis）和定向内容分析（directed content analysis），具体研究了研究者和参与者对 Pepper 性别的归属方式（如代词使用）。
  • 提出了一种批判性框架和清单，帮助未来研究者在涉及性别问题时能更开放、更批判性地处理此类问题。

• 创新之处:

  • 提出了研究者对 Pepper 性别化影响参与者性别化的初步实证证据。
  • 针对性别化现象的原因，以批判理论和以人为中心的设计方法为基础构建了理论与实践框架。
  • 系统总结了性别问题在相关研究中的六大挑战，包括“不可见性”、“变异性”、“去中心化”、“中立性”等。

• 实施步骤与技术:

  • 通过文献搜索与筛选归纳研究数据。
  • 对采样的文献进行定性与定量数据分析，包括代词的频次统计、性别认知的归类。
  • 从中衍生出具体的性别化问题以及框架中的关键提问。

研究成果

• 具体成果:

  • 研究者普遍使用代词“它”称呼 Pepper（63%），但在少数案例中性别化为女性或男性。
  • 参与者对 Pepper 性别的归属差异显著，包括“它”、“男性化”、“女性化”和“中性化”等多种形式。
  • 只有 8% 的研究对性别归属进行了操控检查，大部分研究对性别问题未加以讨论。
  • 性别化多由研究者无意识地影响或直接决定，结果反映了参与者和研究者之间性别归属的一致性或分歧。

• 与现有解决方案相比的优势:

  • 强调研究者的性别化行为可能对参与者数据产生影响，提出自反性检查措施以避免偏见。
  • 提供了一系列易于应用的自查提问与操作建议，填补了性别化在具体研究操作中的指导空白。

• 实验或评价结果:

  • 大量研究使用二元性别模型而忽视更广泛的性别可能性，报告中不完全捕捉非二元性别个体或结果。
  • 只有有限研究主动讨论或测试 Pepper 的性别归属，但在性别一致性上也体现出不明确性。

• 局限性与未来方向:

  • 局限性:
    • 数据受限于公开发表的文献，无法评估未公开的研究过程和素材。
    • 案例研究聚焦于 Pepper 机器人，可能面临普适性不足的问题。
    • 没有全面分析研究者性别与性别化行为之间的可能关系。
  • 未来方向:
    • 拓展到更多类别的社会性人工智能代理（如其他类人机器人）。
    • 使用调查访谈方法更透彻地了解研究者在性别化问题上的动机和观点。
    • 探讨文化因素如何在性别化中发挥作用，尤其是语言、民族与社会环境对性别认知的影响。

总结

本文为社会性人工智能代理的性别化问题提供了重要的实证证据和批判框架。研究呼吁研究者在设计和研究中对性别问题保持自反性，并通过清晰的操作框架提高未来研究的理论深度与方法论完整性。