生成式人工智能（GenAI）的使用与依赖：行为经济学的视角

《Frontiers in Public Health》：Generative artificial intelligence (GenAI) use and dependence: an approach from behavioral economics

本研究探讨年轻群体对生成式AI工具的依赖感知及AI使用与金钱奖励的强化价值差异，采用行为经济学方法对420名哥伦比亚大学生进行在线调查，通过多选择程序评估不同使用时长（1、2、4周）和金钱奖励延迟（立即或3个月）的交叉点。结果显示，参与者平均依赖感较低（65.6分），但AI使用强化价值随使用时长和奖励大小变化，4周使用者的交叉点显著低于1周。此外，每日使用2-3小时者依赖感更高。研究为理解AI依赖提供了行为经济学视角，建议未来探讨心理因素和干预措施。

　　本研究聚焦于年轻成年人对生成式人工智能（GenAI）工具的依赖程度，以及在不同使用时长或延迟条件下，AI聊天机器人的使用相较于金钱奖励的相对强化价值。通过行为经济学的视角，探索了年轻用户在面对AI工具与金钱激励之间的选择行为，旨在为理解AI技术在日常生活中的影响提供新的理论框架。研究采用了一种名为多重选择程序（MCP）的方法，用于评估个体在不同时间维度下对AI工具的偏好，并结合AI依赖量表对用户依赖程度进行量化分析。

研究对象为来自哥伦比亚波哥大主要大学的420名大学生，这些参与者均是AI工具的频繁使用者。研究采用了在线问卷的形式，内容包括人口学信息、AI工具使用情况、离散选择问题（MCP）以及对AI聊天机器人应用态度的评估。MCP的设计基于行为经济学的决策模型，即个体在面对即时奖励与延迟奖励之间的选择时，其偏好反映了不同行为或物质的相对强化价值。在本研究中，参与者需要在使用AI工具的时长（1、2、4周）与不同金额的金钱奖励之间做出选择，金钱奖励的获取时间则分为立即获得和延迟三个月两种情况。通过这种方式，研究者能够测量AI工具使用对个体的吸引力，并分析其是否随着奖励金额的增加或延迟时间的延长而变化。

研究发现，参与者对AI工具的平均依赖程度较低，其AI依赖量表得分平均为65.6分，而该量表的最高得分为160分（32个问题，每个问题最多得5分）。这一结果表明，尽管AI工具在学术和日常生活中日益普及，但年轻用户并未表现出强烈的依赖倾向。此外，研究还发现，参与者在不同使用时长和奖励延迟条件下，对AI工具的偏好存在显著差异。具体而言，当AI工具的使用时间较短时，参与者更倾向于选择立即获得的金钱奖励，而随着使用时间的延长，他们对金钱奖励的需求逐渐减少。这一趋势与以往关于社交媒体网络（SMN）依赖的研究结果有所不同，后者通常显示，随着延迟时间的增加，参与者对金钱奖励的期望值也随之上升。

在MCP的六个版本中，研究者发现奖励金额和延迟时间这两个变量对选择行为具有显著影响。分析结果显示，当金钱奖励的金额越高时，参与者更倾向于选择不使用AI工具，而当奖励需要延迟三个月时，他们对金额的要求也相应提高。然而，研究还发现，随着AI工具使用时间的延长，参与者对金钱奖励的敏感度下降，即使奖励是立即获得的，他们对金额的需求也相对减少。这一现象可能反映了AI工具的即时效用，使得用户在短期内更愿意牺牲金钱以换取使用机会，而在更长的时间跨度内，其吸引力有所减弱。

研究还探讨了AI工具使用时间与依赖程度之间的关系。结果显示，使用AI工具时间在2至3小时的用户，其依赖程度显著高于使用时间在1至2小时或不足1小时的用户。而那些每天使用AI工具4小时以上的用户，其依赖程度并未显著高于使用时间较短的群体。这可能意味着，使用时间较长的用户已经将AI工具视为日常生活的一部分，从而对其依赖程度产生了一定的“正常化”效应。这种现象值得关注，因为它可能表明，AI工具的使用模式正在逐渐改变，用户对AI的依赖可能并不完全取决于使用频率，而是与其在生活中的功能性和情感性联系有关。

此外，研究还涉及参与者对AI工具的使用动机和潜在风险的评估。在假设情境中，参与者被要求在获取AI工具的高级功能（如一年的付费订阅）与分享不同类型的个人数据之间做出选择。结果显示，65.7%的参与者愿意分享自己的电子邮件地址、年龄、性别和手机号码，以换取一年的付费订阅，而仅有12.1%的参与者愿意分享生物识别信息（如虹膜扫描和面部识别）。这一发现提示，用户在使用AI工具时，更倾向于交换基础的个人数据，而不是涉及隐私安全的生物信息。这可能反映了用户对AI工具的依赖更多基于其功能价值，而非情感或身份认同层面的深度连接。

从行为经济学的角度来看，本研究的意义在于，它提供了一种新的方法论，用于评估用户对AI工具的依赖程度和使用偏好。传统的研究多依赖于认知和感知层面的调查，而MCP则通过结构化的选择情境，更直观地反映了用户在不同奖励条件下的决策行为。这种方法不仅有助于理解AI工具的相对强化价值，还能够揭示个体在面对不同激励条件时的权衡过程。研究还强调了AI工具与社交媒体在使用模式上的差异，前者更多地被用于学习和工作，而后者则与娱乐和社交互动密切相关。因此，AI工具的使用行为可能具有不同的心理和社会影响，需要进一步研究以明确其长期效应。

本研究的局限性在于，未采用安慰剂对照组，这可能影响结果的解释。此外，研究样本仅限于大学生群体，因此其结论可能不适用于更广泛的人群。未来的研究应考虑扩大样本范围，涵盖不同年龄、性别和社会经济背景的用户，以增强研究的外部效度。同时，研究者还建议在自然环境中进行纵向研究，以更真实地反映用户在日常使用AI工具时的行为模式。这不仅有助于提高研究的生态效度，还能够为技术公司和政策制定者提供更具针对性的干预策略。

在实际应用层面，研究结果提示，AI工具的使用行为可能受到奖励结构和时间维度的显著影响。例如，当用户面临短期的AI工具使用限制时，他们可能更倾向于接受较高的金钱补偿，而在长期限制下，其对金钱的敏感度下降。这可能意味着，AI工具的即时效用在短期内对用户具有较强的吸引力，而随着使用时间的延长，其吸引力逐渐减弱。因此，在设计AI工具的使用激励机制时，需要考虑到用户的即时需求和长期行为模式之间的平衡。

另一方面，研究还指出，AI工具的依赖程度可能与用户的使用动机密切相关。例如，用户在使用AI工具时，可能更关注其在学习、工作效率提升方面的实际功能，而非情感或社交层面的依赖。然而，随着AI工具的人工智能水平不断提高，其交互性和情感表达能力可能逐渐增强，从而对用户形成更深层次的情感联系。这种情感依赖可能在未来对AI工具的使用模式产生重要影响，甚至可能引发新的心理和社会问题。

因此，研究建议技术公司应考虑在AI工具中引入负责任的使用功能，如每日使用报告、过度使用提醒等，以帮助用户更好地管理其使用时间。同时，应提供AI素养教育模块，使用户能够更全面地了解AI技术的运作机制和潜在风险。这些措施不仅有助于提升用户对AI工具的认知水平，还可能在一定程度上减少其过度依赖的风险。

总体而言，本研究通过行为经济学的方法，为理解年轻成年人对AI工具的使用行为和依赖程度提供了新的视角。研究结果表明，AI工具的使用偏好和依赖程度受到奖励金额、延迟时间以及使用频率的多重影响，而这些因素可能在不同用户群体中表现出不同的趋势。未来的研究需要进一步探索这些变量之间的复杂关系，并结合更广泛的社会背景，以全面评估AI工具对用户行为和心理状态的长期影响。此外，随着AI技术的不断发展，研究者还应关注其在情感和社交层面的潜在作用，以更好地应对这一新兴技术带来的挑战和机遇。