徐博 同濟大學(xué)經(jīng)濟與管理學(xué)院

一、引言

人工智能 (Artificial Intelligence) 被定義為一種“允許機器具有認知功能以根據(jù)其收集的數(shù)據(jù)進行學(xué)習(xí)、推斷和適應(yīng)”的技術(shù)。人們普遍認為，人工智能誕生于 1956 年的達特茅斯會議。歷經(jīng)起伏后，隨著計算機科學(xué)的發(fā)展，人工智能迎來了新一輪的研究熱潮。如今，人工智能有許多不同的應(yīng)用，例如自然語言處理、智能控制和計算機視覺等。未來，人工智能很可能會給我們的工作和生活帶來一場革命。

一般認為，人工智能的發(fā)展可以分為3個階段。第一個是弱人工智能（Artificial Narrow Intelligence,ANI），是指專門針對特定領(lǐng)域的人工智能。第二種是強人工智能（Artificial General Intelligence,AGI），是指可以完成人類所能完成的任何智力任務(wù)的人工智能。最后一類是超人工智能（Artificial Super Intelligence,ASI），它指的是在各個領(lǐng)域都超越人類的人工智能。我們現(xiàn)在處于弱人工智能階段，正在探索通往強人工智能乃至超人工智能的道路。

考慮到人工智能是一種高新技術(shù)，普通人不會接觸到其前沿領(lǐng)域，專家的意見可能會在很大程度上影響公眾的態(tài)度?，F(xiàn)有文獻中發(fā)現(xiàn)，當(dāng)個人從可信度高的來源獲取信息時，他們更有可能采用它。然而，很少有研究考察專家意見在公眾對人工智能態(tài)度中扮演的角色，包括這種作用是否會隨著事件與主體相關(guān)程度的高低而變化。為了解決這些研究空白，我們提出如下研究問題：

在不同的相關(guān)度水平下，專家意見如何影響公眾對人工智能技術(shù)的態(tài)度？

為了解決這個研究問題，本研究利用詳盡可能性模型（elaboration likelihood model,ELM）來調(diào)查公眾對人工智能的態(tài)度，以及專家意見對這一態(tài)度的影響，包括這種作用在低自我相關(guān)性條件下是否會更大，而在高自我相關(guān)性下是否會更弱。為了檢驗提出的假設(shè)，本研究設(shè)計了一項實驗調(diào)查。本研究有兩個主要貢獻：首先，它通過將有關(guān)專家影響的文獻擴展到 AI 背景來解決現(xiàn)有的研究空白，并在此基礎(chǔ)上確定一個重要的調(diào)節(jié)變量，即自我相關(guān)性。其次，它識別出公眾對人工智能的積極態(tài)度，這對人工智能行業(yè)來說是個好消息。

二、文獻回顧與假設(shè)

（一）公眾對人工智能的態(tài)度

AI算法對人類的影響引發(fā)了廣泛關(guān)注。一方面，人工智能能夠讓我們從生活瑣事中解脫出來，例如，社交機器人可以在教育、娛樂、醫(yī)療保健和治療等領(lǐng)域幫助兒童。有為老年人和抑郁癥患者提供服務(wù)的社交伴侶機器人。在疾病診斷、建筑以及自動駕駛等領(lǐng)域，人工智能也可以提供幫助。而另一方面，人工智能帶來了麻煩。研究發(fā)現(xiàn)，社交機器人在擴大假新聞傳播方面“功不可沒”。更糟糕的是，通過預(yù)測和操縱社交媒體上顯示的新聞，社交機器人可能會影響輿論形式，進而影響社會結(jié)構(gòu)，例如，操控選舉。此外，幫助我們做出決策的算法可能存在偏見，從而妨礙我們做出公正的判斷。例如，研究表明，算法認為黑人被告比白人被告更危險。

態(tài)度是指“人們對自己、他人、事物的總體評價”。在我們的研究中，我們將人們對人工智能的態(tài)度定義為他們對人工智能的總體評價?？紤]到人工智能對我們社會的影響多種多樣，人們對人工智能的不同應(yīng)用持有不同的態(tài)度。一項針對臺灣大學(xué)生的調(diào)查反映，學(xué)生對人工智能在智能家居中的應(yīng)用持積極態(tài)度，而對自動駕駛汽車的應(yīng)用則持更為謹(jǐn)慎的態(tài)度，這種態(tài)度受學(xué)生性別和計算機知識水平的影響。

（二）詳盡可能性模型

詳盡可能性模型（elaboration likelihood model,ELM）是社會心理學(xué)領(lǐng)域關(guān)于信息處理的重要理論。該理論認為個體態(tài)度的變化可能會經(jīng)由兩種路徑：中心路徑和邊緣路徑。在中心路徑上，個人會更關(guān)注信息，思考得深入；而在邊緣路徑上，人們傾向于根據(jù)簡單的線索做出判斷。有兩個主要變量會影響這兩條路線的選擇：動機和能力。如果一個人處理這些信息的動機很強，他會選擇中心路徑，否則就會選擇邊緣路徑。同樣，如果一個人處理信息的能力很強，例如有豐富的先驗知識儲備，他也將選擇中心路徑。本研究針對的是非人工智能專家的普通人，即他們對人工智能的專業(yè)知識處于相似且相對較低的水平。因此，我們只需要關(guān)注動機變量。根據(jù) ELM 理論，有兩個變量可以增強處理信息的動機：自我相關(guān)性（最重要的一個）和個人責(zé)任感?？紤]到我們針對的是沒有人工智能相關(guān)項目或工作的普通人，我們僅將自我相關(guān)性指定為本研究的調(diào)節(jié)變量。

一般來說，自我相關(guān)性是指“自己與任務(wù)之間的相關(guān)程度，可能會影響個人在執(zhí)行任務(wù)期間的自我驅(qū)動力”。根據(jù)這一概念，我們在本文中將自我相關(guān)性定義為一個人認為某個問題可能影響他的生活的程度。研究表明，自我相關(guān)性可以增強感知注意力并影響信息搜索時長。更重要的是，它對個體態(tài)度的變化起到了調(diào)節(jié)作用。與低相關(guān)性水平相比，與論據(jù)相關(guān)性水平高的受試者更容易被強論據(jù)說服，而不容易被弱論據(jù)說服。在ELM 理論中，自我相關(guān)性促使個體仔細閱讀信息內(nèi)容，這意味著高自我相關(guān)性水平將導(dǎo)致受試者經(jīng)歷中心路徑。該理論已應(yīng)用于許多不同的領(lǐng)域。例如，Bhattacherjee在分析外部影響如何影響 IT 接受過程的研究中將自我相關(guān)性指定為“工作相關(guān)性”，并發(fā)現(xiàn)它在這個過程中具有積極的調(diào)節(jié)作用。盡管這些研究探索了自我相關(guān)性的影響，但并未涉及到人工智能領(lǐng)域。因此，我們希望在這一領(lǐng)域探索自我相關(guān)性對公眾信息處理的影響。

（三）假設(shè)

綜上，我們假設(shè)專家意見會影響個體的態(tài)度，具體而言，接觸到正面（負面）專家意見的人會形成對 AI 的正面（負面）態(tài)度，并且專家影響力強于非專家。根據(jù) ELM，在自我相關(guān)度高的情況下，接收信息的個體傾向于以有意識的方式做出反應(yīng)，基于自己的深入思考進行處理。在這種情況下，他們經(jīng)歷中心路徑，不會受到閱讀材料的強烈影響，即我們給出的專家意見。相反，自我相關(guān)性度的個體傾向于以無意識的方式做出反應(yīng)，從所給材料，而非他們自身的思考，中獲得簡單的線索，這意味著他們經(jīng)歷的是邊緣路徑，因此他們對人工智能的態(tài)度很可能受到專家意見的影響。據(jù)此，我們提出以下假設(shè)：

H1：在自我相關(guān)性較低的情況下，個人對人工智能的態(tài)度會受到專家意見的影響并與之保持一致。具體而言，接觸到正面（負面）專家意見的人，會對 AI 形成正面（負面）態(tài)度。

H2：在自我相關(guān)性較高的情況下，個人對人工智能的態(tài)度不會受到專家意見的影響。具體而言，接觸到不同極性（正/負）專家意見的人對人工智能的態(tài)度不會有差異。

研究模型如圖1所示：

圖1 研究模型

三、問卷調(diào)研

我們在華東某重點大學(xué)共招募了144名商科專業(yè)的學(xué)生，其中57%為女性，43%為男性；64%為專業(yè)學(xué)位研究生，36%為本科生。我們將被試學(xué)生隨機分為兩組，A組閱讀負向的專家意見，B組閱讀正向的專家意見。每組的閱讀材料又會包括兩份，第一份與被試者相關(guān)性較低，第二份與被試者相關(guān)性較高。閱讀每份材料后，被試者需要回答對應(yīng)的問題以測量他們對人工智能的態(tài)度。

我們采用兩總體比例的z檢驗來比較兩組被試的態(tài)度，結(jié)果如表1所示。研究結(jié)果表明，對于第一份閱讀材料，與B組相比，A組有更多的被試者持負向態(tài)度，更少的被試者持正向態(tài)度，這表明，對于問題 1（低自我相關(guān)性）的情景，參與者對 AI 的態(tài)度受到給定專家意見的影響，并與之保持一致，該結(jié)果支持 H1。對于第二份閱讀材料，兩組被試者持相似態(tài)度，這表明，對于問題 2（高自我相關(guān)性）的情景，參與者對人工智能的態(tài)度不受專家意見的影響，支持H2。

表1 問卷調(diào)研數(shù)據(jù)分析

四、總結(jié)與討論

我們的結(jié)論印證了之前的假設(shè)：在人工智能領(lǐng)域，當(dāng)人們遇到低自我相關(guān)性的問題時，例如“超人工智能什么時候?qū)崿F(xiàn)”，他們不會深入思考，而是傾向于跟從專家意見，這意味著他們經(jīng)歷了邊緣路徑。相反，當(dāng)人們遇到高自我相關(guān)性問題時，例如“超人工智能會威脅人類嗎”，他們往往會根據(jù)自己的認知進行深入的分析，較少受專家意見的影響，這意味著他們經(jīng)歷了中心路徑。

本研究的理論意義在于：首先，我們將有關(guān)專家影響力的文獻擴展到人工智能領(lǐng)域。專家被認為能夠在政治、醫(yī)學(xué)和環(huán)境等傳統(tǒng)領(lǐng)域影響公眾輿論，而對于人工智能這樣發(fā)展前景未知的現(xiàn)代技術(shù)，其影響還無法預(yù)測。我們的研究表明，專家可以影響公眾對人工智能的態(tài)度，尤其是所涉主題與公眾相關(guān)性較低時，這就是我們第二項理論貢獻：當(dāng)事件與公眾高度相關(guān)時，人們關(guān)心它的結(jié)果，往往會投入精力思考并生成自己的觀點，因此專家的意見可能會喪失影響力。這一發(fā)現(xiàn)在人工智能領(lǐng)域驗證了詳盡可能性模型。

本研究也具有一定的實際意義：實驗結(jié)果表明，兩組大部分受試者對人工智能持積極態(tài)度，認為人工智能對人類的影響是“可能有益的”而不是“可能有害的”（方差分析結(jié)果p=0.047<0.05）。因此，可以推斷有相當(dāng)一部分人群會支持人工智能的發(fā)展，如購買人工智能產(chǎn)品，這對人工智能行業(yè)來說是個好消息。

本研究也存在一定的局限性：首先，這項研究的參與者都是商學(xué)院的學(xué)生，可能導(dǎo)致樣本的選取不夠有代表性。然而，考慮到本研究是更側(cè)重于內(nèi)部效度而非外部效度的實驗研究，以及實驗大多數(shù)參與者是具有豐富工作經(jīng)驗的專業(yè)學(xué)位學(xué)生，這一局限并不會造成嚴(yán)重問題。未來的研究可以在不同背景的參與者中復(fù)制這項實驗，以提升結(jié)論的概化效度。其次，目前的研究僅考察了一個調(diào)節(jié)變量（即自我相關(guān)性）的作用。未來的研究可以通過探索其他調(diào)節(jié)變量（如性別和專業(yè)知識）的影響來擴展這項研究。