AI生成人物角色的跨文化适用性研究：性别与种族对设计师认同感的影响分析

本研究针对人机交互(HCI)领域中AI生成人物角色(persona)的种族和性别因素对设计师认同感的影响展开实验。通过招募64名来自美国、印度、韩国和墨西哥的专业设计师，采用生成式AI(Generative AI)创建不同种族和性别的人物角色视频，结合定量分析和ChatGPT辅助的定性主题分析。研究发现，与假设相反，人物角色的种族和性别对设计师的认同感均无显著影响，表明AI生成人物角色具有跨文化普适性，为全球化设计实践提供了重要启示。

　　

在数字化设计领域，人物角色(Persona)作为虚构的用户代表，长期以来被认为是理解用户需求的核心工具。随着生成式人工智能(Generative AI)技术的突破，传统静态人物角色正进化为能进行对话的沉浸式视频体验，这种被称为"AI生成人物角色"(AI-generated personas)的新形式，引发了关于其真实性与伦理边界的重要讨论。当前研究存在一个关键空白：当AI赋予人物角色以逼真的种族和性别特征时，这些人口统计学属性是否会像真实人际交往中那样，影响设计师的认同过程？这个问题直接关系到AI生成人物角色在全球设计实践中的普适性。

为探究这一前沿问题，研究团队开展了一项跨文化实验。研究招募了64名来自美国(高加索人种)、印度、韩国和墨西哥的专业用户体验(UX)设计师，通过合成媒体平台Synthesia创建了8组不同种族(高加索/西班牙/印度/韩国)和性别组合的AI人物角色视频。实验采用受试者间设计，每位参与者需评估与自身种族相同及不同的两组人物角色，通过多级逻辑回归和生成式AI辅助的主题分析(GPT-4处理开放式回答)双重验证假设。

关键技术方法包括：1)使用GPT-3.5生成人物叙事脚本，经人工调整后输入Synthesia生成视频；2)通过Upwork平台招募四国UX设计师形成平衡样本；3)采用7点李克特量表测量9个核心构念(如共情Empathy、可信度Trust等)；4)创新性地运用ChatGPT进行定性回答的主题编码，并由人类研究者验证编码可靠性(Cohen's Kappa=0.785)。

研究结果呈现多重发现：

1. 种族与性别影响的量化分析
   多级逻辑回归显示，人物角色与设计师的种族相似性(b=-0.104,p>0.05)、性别相似性(b=-0.053,p>0.05)及两者组合(b=-0.064,p>0.05)对认同感相关构念均无显著影响。唯一接近显著的负向关联出现在种族相似性与可信度之间(b=-0.408)，暗示设计师可能对同种族人物角色反而更持批判态度。

2. 定性主题的深层解读
   生成式AI辅助分析揭示了三个核心主题：

• 文化真实性悖论：韩国参与者指出"人物面部像韩国人但声音不像"(P62)，而印度设计师认为34岁未婚女性角色"在印度很罕见"(P55)，显示种族表征的细微差异可能影响感知真实性。
• 语言的双刃剑效应：韩国参与者发现母语版本"听起来像机器朗读"(P73)，而英语版本反而更自然，揭示非母语可能意外提升技术接受度。
• 普遍共情机制：多数设计师表示"能想象她的处境"(P54，印度男性)，跨越种族性别差异形成情感共鸣。

1. 经验因素的调节作用
   ANOVA分析发现设计师使用人物角色的经验显著影响相似性(F=3.20,p=0.026)、共情(F=4.22,p=0.007)和同情心(F=2.67,p=0.05)评分，表明专业训练可能弱化人口统计学偏见。

这项发表在《International Journal of Human-Computer Studies》的研究具有多重理论价值：首先，它验证了Grudin提出的"人物角色普适性理论"，证明AI生成版本同样遵循"人类相似性-认知转换-复杂模型简化"的三阶段作用机制。其次，研究拓展了民族共情理论(Ethnocultural Empathy)在数字领域的适用性，显示虚拟形象能跨越文化障碍触发共情。实践层面，研究缓解了业界对AI生成内容文化偏见的担忧，为全球化设计团队使用标准化人物角色工具提供了实证支持。

研究的局限性在于样本仅覆盖4个种族群体，且未考虑年龄因素的交互作用。未来研究可探索更多元文化背景下的应用场景，以及AI人物角色语音特征(如方言腔调)对认同感的影响。这些发现为AI辅助设计工具的开发提供了重要准则：在保证基本文化真实性的前提下，过度追求人口统计学精确性可能并非优化设计思维的最佳路径。