人工智能推荐风格对碳管理技术人员信任度的影响：认知努力与情感的双重作用机制

《International Journal of Industrial Ergonomics》：Impact of AI recommendation styles on carbon management technicians' trust: Dual process of cognitive effort and emotion

AI推荐信息的表现形式如何影响碳管理技术人员的信任：基于SOR-ELM理论框架的三实验研究，发现精确和详细的信息通过增强认知努力和引发积极情绪提升信任，眼动追踪验证了认知机制，为优化人机协作提供理论依据。

　　工业人工智能（AI）作为一种先进的技术革新，展现出在提升能源效率和减少工业环境中排放方面的巨大潜力。尽管AI在工业脱碳过程中扮演着至关重要的角色，但研究发现，许多依赖AI的碳减排方案仍未能得到充分开发和应用。因此，本研究从人因学的角度出发，探讨了工业AI建议呈现方式与碳管理技术人员对AI信任之间的创新关联。通过将刺激-机体-反应（SOR）理论与详尽可能性模型（ELM）相结合，本研究揭示了精准且信息丰富的AI建议如何增强技术人员的信任。此外，研究还利用先进的眼动追踪设备，提供了中介证据，表明认知努力能够强化精准减排建议对技术人员信任的正面影响（第二项研究）。进一步的研究显示，当技术人员体验到更多积极情绪时，精准或信息丰富的AI生成减排建议对信任的正面作用会得到增强（第三项研究）。综上所述，本研究识别了工业AI建议呈现方式影响技术人员信任的多种机制。这些发现对工业AI系统的开发者和那些战略性使用AI生成信息的碳管理技术人员具有重要的实践意义。

工业AI在多个领域取得了显著进展，如机器视觉、高维和多频数据处理以及物联网（IoT）集成。这些发展预计将在工业领域向精准化和低碳化转型方面发挥变革性作用。通过整合深度学习等基本技术，AI使工业企业能够实现节能减排、确保生产过程的清洁性，并实施负排放技术。与人类决策相比，AI表现出更高的效率和精确性，这源于其对大量数据的敏锐分析以及识别数据点之间关系的能力。随着AI的应用从数据感知扩展到辅助决策（Choi et al., 2025），越来越多的工业企业开始采用智能决策支持系统（IDSS）。这些系统为技术人员提供智能支持，尤其是那些专注于碳管理的专业人士，从而提升决策质量。碳管理技术人员已成为将这些技术能力转化为实际减排策略的重要驱动力。这些专家被赋予系统收集、验证和实时监控工业过程和组织边界内的温室气体（GHG）排放数据的任务。此外，他们还需识别减排机会，评估低碳技术的成本效益，并制定基于情景的战略性减排决策。尽管AI在这些任务中表现出色且精准，但当前研究强调了技术人员对AI生成建议的信任问题。信任AI被定义为愿意接受并相信AI系统提供的建议和信息的倾向。这种信任反映了决策者实际执行AI建议的意愿。因此，理解如何增强技术人员对AI辅助信息的接受度至关重要，因为信任的缺乏可能会降低实际执行有潜力的碳减排计划的可能性。

工业AI通常依赖于过去的数据来生成节能减排建议。然而，真正成本、减排优势和整体效果只能在实施减排建议之后才能评估。这种对预期结果的不确定性可能导致碳管理技术人员质疑AI是否能够可靠地推导出结论，尤其是在算法复杂性和信息不透明度加剧的情况下，这种不信任感可能进一步扩大（Peng et al., 2024; Salem et al., 2015）。当前研究主要集中在通过算法优化来缓解“黑箱问题”的技术解决方案上。研究探讨了决策因素，如可靠性、透明度和可解释性，对建立AI信任的影响（Rezaeian et al., 2025; Shin et al., 2020）。然而，Zhang et al. (2024a) 指出，高绩效的AI系统本身并不足以建立信心和接受度。在人机协作的背景下，工业AI被期望通过提供相关信息来提升技术人员的绩效（Xu et al., 2023）。Lu和Zhang（2025）认为，过多或过少的支持信息，以及信息偏差，可能会阻碍技术人员有效利用AI生成数据的能力。目前，关于支持信息风格对技术人员决策过程及其内在机制的影响研究仍较为有限（Koscelny et al., 2025）。随着AI在工业减排情境中的广泛应用，仅关注算法而忽视支持信息的呈现方式和技术人员的信任问题，将限制人机互动的有效性。

本研究关注碳管理技术人员对工业AI的信任问题。具体而言，我们分析了AI生成建议的精确性和信息丰富性如何影响技术人员在低碳转型过程中对AI的信任。我们提出的主要研究问题包括：（1）技术人员的信任如何随着AI生成建议的精确性和信息丰富性的变化而波动？（2）哪些机制驱动这些变化？为回答这些问题，我们通过整合SOR理论与ELM模型，构建了一个概念框架。我们提出信任不仅直接来源于信息刺激，还是一种由这些刺激引发的认知努力和情感反应的综合产物。对这一整合的深入理解是必要的，因为信任的形成始于外部信息，并受到内部认知和情感机制的影响。

本研究在工业脱碳框架下，为技术人员与AI协作的文献做出了以下贡献。首先，它澄清了工业AI辅助减排建议中的信息模式，特别是探讨了信息精确性和信息丰富性的影响。其次，本研究通过建立SOR-ELM理论框架，阐明了“AI信息风格-认知/情感-信任”传导路径，揭示了AI信息风格如何通过认知努力和情感反应影响信任。第三，本研究讨论了认知努力与信任之间的关联，以及情感与信任之间的关系，通过区分以精确性为导向的中心路径和以信息丰富性为焦点的外围路径来实现。此外，本研究还利用了创新的眼动追踪技术来记录技术人员的眼动数据，从而捕捉其认知努力。

本研究的实验设计基于与碳管理技术人员的合作，以提高综合模型的内部和外部效度。第一项研究是一项在线实验，通过在工业碳减排情境下构建AI建议的两个信息维度——信息精确性和信息丰富性——来设计和监控实验场景。这项研究有效地验证了信息风格在AI减排建议中的操控效果。实验结果显示，信息精确性的AI建议显著提升了技术人员的信任水平，相较于使用四舍五入数据的建议（均值为3.66，标准差为1.23；信息精确性建议的均值为5.14，标准差为1.13；t值为-4.78，p < 0.001）。同时，参与者对信息精确性建议的信任显著高于对四舍五入建议的信任。这些结果支持了我们的假设，即信息精确性与技术人员的信任之间存在正相关关系。此外，信息丰富性的建议也显示出对技术人员信任的积极影响，但其作用强度略低于信息精确性。这一发现表明，信息呈现方式在影响技术人员信任方面具有重要作用。

本研究的第二项研究利用眼动追踪技术来记录技术人员的眼动数据，从而捕捉其认知努力。实验结果显示，信息精确性建议能够显著增强技术人员的信任，而认知努力在这一过程中起到了中介作用。这意味着，当技术人员需要投入更多认知资源来理解AI建议时，他们对AI的信任会随之提高。眼动追踪数据还揭示了技术人员在处理信息精确性建议时，其注意力分布和信息处理时间的变化。这些变化进一步支持了信息精确性对信任的正面影响。此外，研究还发现，信息丰富性建议虽然能够提升技术人员的信任，但其作用更多依赖于外围路径，即通过简化信息和直观展示来影响信任。这种外围路径的作用机制表明，信息丰富性建议在提升信任方面具有一定的辅助作用，但其效果可能不如信息精确性建议显著。

第三项研究则进一步探讨了技术人员情绪对信任的影响。实验结果显示，当技术人员体验到更多积极情绪时，信息精确性或信息丰富性建议对信任的正面作用会得到增强。这意味着，情绪在信任形成过程中扮演着重要角色，尤其是在信息处理和决策过程中。积极情绪能够增强技术人员对AI建议的接受度，而消极情绪则可能削弱这种接受度。因此，技术人员的情绪状态在信任形成过程中具有关键作用。研究还发现，情绪对信任的影响是独立于认知过程的，这表明在设计AI建议时，除了考虑信息的精确性和丰富性，还应关注技术人员的情绪反应。情绪的积极影响能够增强技术人员对AI建议的信任，而情绪的消极影响则可能降低这种信任。

本研究的讨论部分基于SOR-ELM理论框架，探讨了信息风格如何通过内部机制影响碳管理技术人员对AI生成建议的信任。通过分析实验数据，研究揭示了信息风格在影响信任过程中的双重作用。一方面，信息的精确性和丰富性能够通过认知过程影响技术人员的信任；另一方面，情绪反应也能独立于认知过程，对信任产生影响。因此，信任的形成不仅依赖于信息的客观属性，还受到技术人员主观情感的影响。研究还指出，情绪在信任形成过程中具有不可忽视的作用，尤其是在信息处理和决策过程中。情绪的积极影响能够增强技术人员对AI建议的信任，而情绪的消极影响则可能削弱这种信任。

本研究的结论表明，随着AI在工业绿色转型中的深入应用，它正吸引越来越多的学术关注。研究人员、系统开发者和工业企业正在积极探索有效的AI实施方法。尽管AI通过先进的技术如机器学习和深度学习在解决工业碳管理问题方面表现出色，但关于技术人员对AI信任的结论仍不明确。因此，本研究的重要性在于揭示了信息呈现方式如何影响技术人员的信任，从而为工业AI系统的开发和应用提供了理论依据。研究还指出，未来的研究应进一步关注技术人员的情绪反应和认知努力，以全面理解AI在工业碳管理中的作用机制。此外，本研究还强调了在工业AI应用中，除了关注算法优化，还应重视信息的呈现方式和技术人员的信任问题，以提升人机互动的效果。

本研究的局限性也提出了未来研究的多个方向。首先，我们依赖眼动追踪技术来客观评估技术人员的认知努力，这种方法仅能评估认知努力，而无法捕捉情绪价值。未来的研究可以结合更多的生物指标，如皮肤电反应或面部编码，通过生理数据同时评估情绪维度。此外，研究样本的规模和多样性可能受到一定限制，未来的研究可以扩大样本范围，以提高研究结果的普遍性和代表性。同时，研究主要聚焦于信息精确性和信息丰富性对信任的影响，未来的研究可以进一步探讨其他信息风格，如信息的可解释性、信息的结构化程度等，对信任的影响。此外，研究主要基于实验室环境，未来的研究可以结合实际工业场景，以更真实地反映技术人员在实际应用中对AI的信任情况。这些局限性为未来的研究提供了重要的方向，有助于进一步完善和扩展本研究的理论框架和实践应用。

本研究的作者贡献声明表明，Tao Zhang在研究的撰写、审阅与编辑、概念化、方法论、数据整理、可视化、调查和形式分析方面做出了重要贡献。Ming Jia在研究的撰写、审阅与编辑、验证、监督、项目管理以及资金获取方面发挥了关键作用。Pengdong Xue则在方法论和数据整理方面提供了支持。这些贡献表明，研究团队在理论构建、实验设计和数据分析方面进行了紧密合作，确保了研究的全面性和严谨性。

本研究的声明指出，作者们声明他们没有已知的财务利益或个人关系可能影响本研究报告的工作。这一声明确保了研究的客观性和公正性，表明研究团队在进行研究时保持了独立性和中立性。此外，研究团队感谢了所有参与实验的碳管理技术人员，他们的积极参与为研究提供了宝贵的数据支持。同时，研究团队也感谢了编辑和四位匿名审稿人提供的建设性意见和建议，这些反馈有助于研究的完善和提升。研究团队还特别感谢了国家社会科学基金和教育部人文社会科学研究基金的资助，这些资金支持为研究的顺利进行提供了保障。

本研究的成果为工业AI系统的开发和应用提供了重要的理论依据。研究不仅揭示了信息呈现方式如何影响技术人员的信任，还通过眼动追踪技术捕捉了技术人员的认知努力，为理解信任的形成机制提供了新的视角。此外，研究还探讨了情绪对信任的影响，表明技术人员的情绪状态在信任形成过程中具有重要作用。这些发现对于工业AI系统的开发者和碳管理技术人员具有重要的实践意义，可以帮助他们更好地理解和应用AI生成的信息。同时，研究还强调了在工业AI应用中，除了关注算法优化，还应重视信息的呈现方式和技术人员的信任问题，以提升人机互动的效果。这些结论为未来的工业AI研究和应用提供了重要的指导方向，有助于推动工业绿色转型的进程。