超越算法厌恶：心理准备状态对算法建议接受度的影响机制研究

本文探讨了决策心态（审慎型deliberative vs. 执行型implemental）如何影响个体对算法建议的接受度。研究发现，处于审慎评估心态的个体更偏好人类专家建议，而处于行动导向心态的个体则更易接受算法建议。感知不确定性（perceived uncertainty）会调节心态对算法接受度的影响。该研究为理解人机协作的心理机制提供了新视角，对优化算法推荐系统在健康管理等领域的应用具有启示意义。

　　

章节亮点

理论背景

算法融入决策代表了机构和日常生活中问题解决方式的变革性转变。现代系统不再仅仅依赖人类直觉或手动处理，而是越来越依赖于算法指令（algorithmic instructions）——这些被定义为将原始数据转化为可操作输出的结构化计算程序（Gillespie, 2024）。人工智能的创新，包括机器学习（machine learning）等技术，进一步推动了这一趋势。

假设发展

基于先前研究和审慎型（deliberative）与执行型（implemental）心态的理论框架，本研究假设处于审慎型心态的个体对人类生成的建议会比算法生成的建议反应更积极。在这种心态下，人们倾向于进行系统化处理（systematic processing），仔细评估选项并寻求全面且量身定制的指导。人类的建议在这种情况下可能特别有说服力。

研究概述

进行了三项假设性研究和一项激励相容（incentive-compatible）研究来检验提出的假设。研究1A和1B侧重于H1A和H1B，考察个体在审慎型与执行型心态下如何回应人类与算法生成的建议。研究2通过探索这些心态在高和低不确定性（uncertainty）背景下如何影响对人类与算法生成建议的依赖度，来检验H2A和H2B。最后，研究3在一个激励相容的环境中再次检验了H1A和H1B。

研究1A

研究1A使用组间设计（between-subjects design）检验了H1A和H1B，提出处于审慎型心态的个体对人类生成的建议反应更积极。相反，处于执行型心态的个体对算法生成的建议反应更积极。

研究1B

研究1B旨在复制研究1A的发现，同时在一个新的情境——计划南美之旅——中检验主要假设。选择这个场景是为了提供一个独特但相关的决策环境，以便检验先前研究场景中观察到的效应的稳健性和普适性。假设处于审慎型心态的个体对人类生成的建议反应更积极，而处于执行型心态的个体对算法生成的建议反应更积极。

研究2

研究2旨在检验感知不确定性（perceived uncertainty）是否调节审慎型与执行型心态对算法生成与人类生成建议偏好的影响。具体而言，研究提出，在高不确定性下，处于审慎型心态的参与者会偏好人类专家的建议而非算法建议，而处于执行型心态的参与者则会偏爱算法建议而非人类专家建议。

研究3

研究3旨在在一个激励相容（incentive-compatible）的环境中考察审慎型与执行型心态对算法接受度（algorithm acceptance）的影响，从而增强研究结果的有效性。具体而言，该研究调查了个体所采用的心态如何影响他们接受算法建议的意愿，尤其是在涉及真实激励的情况下。研究假设处于审慎型心态的个体对人类生成的建议反应更积极。

总体讨论

随着算法建议日益融入日常决策，理解影响个体如何回应算法输入的心理因素变得至关重要。