量化人机交互研究中性别社会化对认知任务表现的影响：基于多维性别建构的实证分析

针对定量人机交互(HCI)研究中性别变量过度简化的问题，哈佛大学团队通过CMNI-29量表和GGI指数，在理论心智(ToM)、心理旋转(MRT)和空间工作记忆任务中验证了性别社会化对认知差异的解释力。研究发现61.7%的性别效应通过CMNI中介，为建立更具普适性的多维性别模型提供了实证依据。

　　

在传统人机交互(HCI)研究中，性别常被简化为二元分类变量，非二元性别数据常被排除分析。这种操作化处理忽视了性别作为多维社会建构的本质，可能导致理论解释力不足和跨文化普适性受限。随着学界对性别社会化(gender socialization)影响认知能力的认识加深，量化研究如何准确捕捉性别差异的社会成因成为关键科学问题。

哈佛大学的研究团队在《Interacting with Computers》发表创新研究，通过复制三类经典认知实验（心智解读、心理旋转和空间记忆），首次系统评估了性别社会化测量工具在HCI定量研究中的应用价值。研究采用实验室野外(LabintheWild)平台收集全球25万+样本，运用中介分析和多层次回归模型，揭示了传统二元性别变量背后更复杂的社会化机制。

关键技术方法包括：(1)采用简化版CMNI-29(7个维度)测量个体性别社会化；(2)整合全球性别差距指数(GGI)量化国家层面社会化差异；(3)通过在线实验平台收集跨国数据(N=248,256)；(4)使用mma包进行中介效应分析；(5)构建系列回归模型比较解释力增量。

研究结果部分包含以下重要发现：

1. Reading the Mind in the Eyes测试
   通过图1的眼部情绪识别任务发现，61.7%的性别差异由CMNI中介，其中异性恋自我呈现(Heterosexual Self-Presentation)效应最强(β=-0.28)。回归模型显示加入CMNI使R²
   提升0.02，优于单独使用二元性别(ΔR²
   =0.005)。图3显示非二元性别者在"自我依赖"维度显著高于二元性别群体。

2. 心理旋转测试(MRT)
   出现反直觉结果：男性身份带来优势(β=0.253)但男性社会化规范反而降低表现，CMNI中介效应为-11.9%。风险承担(β=-0.02)和异性恋自我呈现(β=-0.03)维度影响显著。

3. 空间工作记忆任务
   57.2%的性别差异由CMNI中介，异性恋自我呈现(β=0.96)和风险承担(β=0.61)是关键预测因子。GGI国家差异解释力(ΔR²
   =0.002)虽显著但弱于个体社会化因素。

讨论部分指出三项突破性发现：首先，性别社会化能解释看似"先天"的认知差异，如空间工作记忆中的表现差距主要源于社会化而非生理性别。其次，CMNI的异性恋自我呈现维度实质测量反女性特质(anti-femininity)，反映深层社会规范。第三，现有工具对非二元性别群体适用性有限，如图5显示非二元者在风险承担(β=0.06)和情绪控制(β=-0.31)维度与二元群体存在显著差异。

该研究对HCI领域具有方法论革新意义：一方面证明GGI和CMNI能提升模型解释力，建议作为协变量控制社会化差异；另一方面揭示当前量表的文化局限性，呼吁开发更具包容性的测量工具。实践层面，研究提示界面设计应考虑用户性别社会化经历而非简单性别分类，为包容性设计提供新理论框架。未来研究需扩展至动态性别认同群体，并开发能捕捉多元性别经验的测量工具。