探究大语言模型支持的异议少数派援助在权力失衡群体决策中的应用:反驳与调解作为干预策略

《Proceedings of the ACM on Human-Computer Interaction》:Investigating LLM-Powered Dissenting Minority Support in Power-Imbalanced Group Decision-Making: Counterargument and Mediation as Intervention Strategies

【字体: 大 中 小 】 时间:2026年10月24日 来源:Proceedings of the ACM on Human-Computer Interaction

编辑推荐:

   摘要 在权力不平衡的群体决策中,由于顺从多数意见的社会压力,少数派观点往往受到压制。为解决这一问题,我们开发了一个由大语言模型驱动的异议少数派支持系统,旨在通过人工智能生成的反驳论点或人工智能中介的信息来促进对少数派观点的关注。我们进行了一项混合方法实验,共96名参与者组成

  

摘要

在权力不平衡的群体决策中,由于顺从多数意见的社会压力,少数派观点往往受到压制。为解决这一问题,我们开发了一个由大语言模型驱动的异议少数派支持系统,旨在通过人工智能生成的反驳论点或人工智能中介的信息来促进对少数派观点的关注。我们进行了一项混合方法实验,共96名参与者组成24个小组,比较了少数派成员在基线、AI反驳论点和AI中介信息条件下的体验。研究发现了一个微妙的权衡:AI生成的反驳论点营造了更灵活的氛围并提高了满意度,而AI中介信息虽然增加了少数派的参与度,但出乎意料地降低了他们的心理安全感。本研究为不同AI实施方式如何影响群体动态提供了实证证据,揭示了参与度与心理安全感之间的关键支持悖论,为未来系统设计提供了设计启示,并强调了在等级制环境中实施AI中介通信所面临的伦理挑战。这些见解有助于推进对如何为权力不平衡的群体决策设计更公平的人工智能支持的理解。

AI生成摘要(实验性)

本摘要使用自动化工具生成,未经文章作者撰写或审阅。它旨在支持检索发现,帮助读者评估相关性,并协助来自相邻研究领域的读者理解本文内容。该摘要旨在补充作者提供的摘要,后者仍为论文的主要总结。完整文章仍是权威的记录版本。

图1

一个由大语言模型驱动的异议少数派支持系统通过两种设计方案在多数派成员和少数派成员之间进行中介。在AI生成反驳论点(AIGC)条件下,系统自主生成针对多数派共识的反驳观点,拓宽讨论空间,并将异议表达塑造为对话规范。在AI中介信息(AIMM)条件下,少数派成员可以私下提交异议观点,系统对其进行改写后公开发布,与AIGC输出混合以掩盖作者身份。虽然AIGC改善了群体氛围和满意度,但AIMM增加了少数派的参与度,却出乎意料地降低了他们的心理安全感和满意度。

该图表展示了一个由大语言模型驱动的少数派支持系统,在多数派群体(至少3名高权力成员,蓝色标注)和少数派成员(低权力,粉色标注)之间进行中介。AI生成反驳论点(蓝色箭头)以挑战多数派,并向少数派传递支持性信息(粉色箭头)以减少其孤立恐惧。多数派对少数派施加压力,导致可能的顺从行为(黑色箭头)。该系统旨在平衡群体动态并促进包容性讨论。

1 引言

群体决策中的权力不平衡常常压制少数派观点,限制想法多样性,并削弱整体决策质量。顺从压力往往导致个体在私下持不同意见的情况下公开附和多数派,从而破坏心理安全感并阻碍低权力成员的实质性参与。虽然协作过程有助于群体解决复杂挑战、支持个人学习,并在医疗、教育、研究等多个领域带来更准确和富有创造性的成果,但当等级结构或从众心理压制异议时,这些好处会大打折扣。为解决更均衡、积极参与方面的障碍,近期研究引入了AI驱动干预措施,以促进创意生成、共识构建和替代观点引入,从而鼓励参与并缓解群体思维现象。这些干预通常通过三种基本机制运作:利用情感线索调控氛围以营造支持性的群体气候,通过提示安静成员并抑制主导行为来平衡参与度,以及确保群体考虑更广泛的选择来多样化视角。

然而,许多AI驱动的干预措施假定参与者地位平等且参与机会公平。虽然一些工作已经研究了不平衡群体环境下的AI支持,但对于当异议者面临报复或身份识别风险(而不仅仅是缺乏发言机会)时,AI如何代表和传递异议,相关的研究探索较少。现有的方法可能会改善总体参与度,但它们如何有效应对在不平等权力条件下支持少数派声音的挑战,仍有待深入研究。在许多现实场景中,顺从不仅源于数量上的劣势,还源于结构性权力不对称,例如当下属与多名资深同事共同议事时。

有关支持和放大少数派声音的研究也探讨了系统性干预措施的潜力,例如匿名反馈平台和自动反驳论
生成器,以解决这些问题。然而,存在一个显著的空白,特别是在如何代表真实的少数派声音或充分保障心理安全感和匿名性方面,这些对于少数派在群体决策中的体验至关重要。

为填补这一空白,本研究从实证角度探讨了由大语言模型驱动的少数派支持干预如何能够促进在等级化决策环境中少数派成员表达异议时的心理安全和公平环境。

我们围绕异议如何进入共享讨论设计了两种干预条件。在AI生成反驳论点(AIGC)条件下,受先前关于魔鬼代言人系统研究的启发,AI定期生成系统作者的反驳观点以激发审议并拓宽选择空间。在AI中介信息(AIMM)条件下,我们扩展了这一方法,为少数派成员添加了一个私密输入通道,然后将该输入进行改写并注入公共讨论串中,同时保持AIGC运行以掩盖作者身份。这种耦合是有意为之的:通过持续产生AI作者的反驳论点流,AIMM使得其他人难以推断任何特定的系统消息是"纯AI生成"的,还是"由成员改述"的,从而旨在通过不可区分性来保持匿名性,而不仅仅是通过明确的匿名化手段。我们预期,AIMM通过将异议的存在隐藏在群体内部,将比单纯的AIGC提供更强
的心理安全感,使少数派成员在顺从压力下能够更积极地参与并感到更高的满意度。我们考察这些条件在顺从压力下的群体决策中的影响,涉及四个因素:这些条件在多大程度上影响感知心理安全感(RQ1)、参与度(RQ2)、对决策过程和结果的满意度(RQ3),以及等级讨论中参与者的认知负荷(RQ4)?

为探究这些问题,我们进行了一项混合方法研究,96名参与者被组织成24个四人小组。每个小组由三名被指派为高权力多数派(资深成员)的成员和一名被指派为低权力少数派(初级成员)的成员组成,角色随机分配。我们采用混合实验设计,以参与者类型(多数派与少数派)作为被试间变量,以大语言模型驱动的少数派支持类型(AIGC、AIMM)作为部分被试内变量。我们的研究结果表明,AI生成反驳论点(AIGC)改善了群体氛围和参与者满意度。然而,允许少数派成员通过AI匿名提交意见(AIMM)虽然增加了讨论,但同时降低了少数派参与者的心理安全感和满意度。值得注意的是,AIMM揭示了一个矛盾模式:来源遮蔽的改述可以
增加参与度,但同时侵蚀心理安全感,这表明在等级讨论中,通过不可区分性实现的匿名性和消息层面的代理传递并不天生具有赋权效果。这些结果强调了在使用大语言模型驱动的少数派支持进行群体决策时,增加少数派参与度与维持心理安全感之间存在的复杂权衡。

本研究对计算机支持协作工作领域做出了四项关键贡献。第一,我们从实证上区分了两种大语言模型驱动的干预策略——AI生成反驳论点(AIGC)与基于改述的助手中介调解(AIMM)——如何在顺从压力下的权力不平衡群体决策中塑造少数派成员的体验。第二,我们识别出一个关键的支持悖论:虽然AIMM可以增加少数派参与度,但同时会降低心理安全感和满意度,这挑战了中介匿名性可以直接保护少数派成员的假设。第三,我们为AI在等级讨论中的支持提供了可操作的设计启示,提供了基于证据的指导,说明系统何时可以引入异议作为独立反驳论点,何时改述参与者输入可能不太合适,突出了代理性、透明度和感知作者身份的作用。第四,我们讨论了基于改述的干预措施在组织环境中的伦理考量和实施风险,其中AI中介通信可能会通过贬低或掩盖人类异议而无意中加剧边缘化。

2 相关工作

2.1 社会影响和权力对群体决策的影响

群体决策利用集体智慧在各个领域产生更优的结果,但这些过程受到社会影响和权力动态的显著影响。社会影响理论表明,个体倾向于调整自己的行为以满足社会需求,多数派的意见对群体中权力较小的人施加了特别强烈的压力。莫斯科维奇的转化理论专门解释了多数派影响触发比较过程从而导致顺从行为——这是一种从众形式,个体在外表上同意但保持私下不同意的状态。这种顺从通常是直接的、即时的和临时的,作为权力不平衡情境中的一种应对机制,而非反映真正的信念改变。

权力动态在等级制环境中尤为成问题,其中权力不平衡通过奖励和正当权力结构正式化。科尔曼的框架在此提供了特别的见解,将顺从识别为对权力的初始反应,在这种反应中,个体顺从主要是为了避免后果或获得奖励,而非出于真正的信念。这种动态在少数派成员中尤为明显,他们通常被当作外群体成员对待并经历孤立。当多数派和少数派群体之间的规模差异很大时,这种效应尤为显著。由此产生的自我审查引发了一系列负面影响:随着少数派声音被压制,群体失去了获得可能增强决策质量的多样化视角的机会,最终导致群体思维,即对共识的渴望压倒了对替代方案的批判性评估。

传统社会心理学提供了几种应对顺从行为并防止其在群体环境中演变为群体思维的方法。魔鬼代言人技术通过指派某人挑战盛行观点来解决群体思维问题,从而刺激意见多样性。然而,这种方法并没有直接解决潜在的顺从问题,并面临重大局限:指定的代言人通常缺乏真实的异议视角,在挑战有权势成员时面临社会排斥风险,并且无法准确代表未表达的少数派观点。其他减少顺从的策略包括领导干预以创造心理安全环境,以及匿名反馈渠道。然而,这些方法面临实际挑战:领导干预依赖于领导者的技能,而在小群体中匿名反馈往往失败,因为独特意见会暴露身份。本研究通过探讨对话式AI如何能在保持决策过程中多样化视角优势的同时提供心理安全和真正的匿名性,来应对这些局限性。

2.2 AI驱动的改进群体决策方法

人机交互研究在AI辅助决策方面最初关注支持个体,其中AI提供建议、理由或保障措施,同时人类保留最终决定权。随着协作工作越来越多地通过在线讨论展开,近期系统将注意力转向群体决策,其中结果取决于互动模式、参与度和社会影响,而非孤立的判断。在这一领域,先前的工作隐含地为AI在塑造讨论中分配了不同角色。我们围绕四个反复出现的角色来组织这一图景——调节、促进、调解和辩论——通过AI主要介入群体互动的哪个方面来区分它们。

调节和促进关注讨论过程,但在不同层面运作。调节执行对话边界以确保安全性和可信度,例如通过过滤有害内容、控制话题偏离或执行参与规则。促进则通过搭建发言轮次、提示安静成员和维持目标导向的讨论来支持互动的流动和连续性。虽然这两种角色都优化了群体动态,但它们通常假定参与者之间地位相对平等,并将分歧视为协调问题而非社会风险。调解占据不同的位置。调解不是治理过程,而是通过重新表述或语境化社会信号来减轻误解和摩擦,或促进群体共识,这也通常包括AI中介通信。这些方法不声称具有经典争端调解的中立性,但它们引发了我们在下一小节中讨论的代理性、归因和所有权问题。辩论导向的系统在推理层面介入,通过贡献系统作者的观点或挑战新兴共识并促使批判性反思的苏格拉底式提问。

然而,在调节、促进、调解和辩论中,许多系统相对欠缺对权力不平衡和从众压力如何塑造参与度的规范,尽管社会心理学表明,少数派往往在私下不同意的情况下公开顺从。

我们的工作通过考察在明确层级压力下的LLM驱动支持,填补了这一空白。我们比较了两种跨越该分类体系的干预逻辑:AIGC通过系统撰写的反驳意见体现辩方角色,从而正常化异议表达;而AIMM则结合促进与轻度调解,允许少数群体通过系统将异议路由化,同时不将AI呈现为独立调解者。这一框架阐明了不同AI角色如何与群体决策中的权力和心理安全感互动。

2.3 群体互动的AI介导沟通
AI介导沟通(AIMC)涵盖"计算代理代表沟通者修改、增强或生成消息以实现沟通或人际目标"的场景[38]。先前的AIMC研究表明,AI可以根据请求生成内容[38]、建议沟通策略[19]、调整消息语气[28],或在群体中促进观点分享[86, 93]。然而,这些系统主要支持个体沟通,如起草邮件或润色文本,而未关注权力不平衡如何使少数群体在群体环境中沉默。AIMC可以通过沟通模式、语气和人际互动重新配置群体动态[42, 70, 79, 81],但其重塑权力结构的潜力仍有待深入探索。

虽然Shin等人探索了通过异步AIMC建立共识[86],但他们并未涉及权力不平衡下的少数群体保护问题。我们的工作通过比较权力不平衡群体决策中的两种干预手段扩展了AIMC:AIGC(AI生成反驳),即AI自主发布反驳观点;以及AIMM(AI介导消息),即AI将少数群体的输入改述后以自身名义发布。AIGC充当"魔鬼代言人"角色,正常化异议而不重新转述人类输入。AIMM通过重新转述少数群体输入以掩盖作者身份进行有限调解,但不像传统调解那样促进对话或解决争端[28, 38, 87]。这种专注于"通过重新转述实现匿名"的做法解决了一个关键局限:传统匿名渠道会暴露群体内存在异议这一事实[50, 87]。通过将重新转述与AIGC的自主反驳相结合,AIMM使消息的来源变得无法区分,在提供少数群体观点的同时保持完全匿名。然而,这一设计以真实性和归属权为代价换取匿名性,引发了关于作者身份、自主权和合法性的问题。通过比较AIGC和AIMM,我们考察不同AI角色如何影响合规压力下少数群体的体验,从而将既有的AIMC框架[28, 38, 93]扩展至权力不平衡的协作决策领域。

3 系统设计与实现:LLM驱动的少数群体支持系统

3.1 系统概念与设计理由

3.1.1 系统概念与工作定义

本研究提出了两种帮助群体决策中少数群体发声的AI工具:(1) AI生成反驳系统(AIGC),生成对立观点以扩展讨论;(2) AI介导消息系统(AIMM),匿名分享少数成员的想法,同时生成反驳观点。这些理念源自传统的"魔鬼代言人"方法,该方法通过引入分歧来鼓励反思。然而,这些方法往往流于形式或使被指派表达异议的人陷入孤立[47, 75, 82]。此外,它们未能为少数群体提供安全的沟通途径,尤其在存在权力不平衡的群体中,这凸显了需要既能扩展讨论又能为异议提供安全渠道的替代性设计的必要性。

我们将AIGC和AIMM置于更广泛的"LLM驱动的少数群体支持系统"概念之下。该系统是一个实时对话代理,加入群体讨论以实现两个目标:(a) 通过反驳扩展群体思维;(b) 通过匿名分享保护少数群体声音。在AIMM条件下,保留反驳生成功能至关重要。否则,系统将类似于简单的匿名建议箱,从而明显暴露群体中有人持不同意见,这在封闭或从众型环境中可能十分危险。为保持匿名性,代理有意隐瞒其发言的来源,使多数群体无法判断任何特定消息是自主反驳还是重新转述的少数群体输入。通过将反驳生成与消息分享相结合,AIMM使少数群体的异议输入与代理自身的想法无法区分,从而实现更好的匿名性。当没有少数群体输入时,代理会总结当前意见并提出邀请不同视角的问题。该定义适用于我们的具体设计,其中系统作为群体对话中的互动参与者,在保护弱势声音的同时维持批判性思考。

3.1.2 设计范围与理由

LLM的反驳生成和改述能力是该系统中的关键技术组件。我们的研究主要关注引入此类系统对群体决策过程产生的社会和心理影响。在此基础上,我们根据先前的AI辅助决策研究结构化了AI的反驳方法,并实施了五项关键设计考量以最大化有效性。虽然大多数设计特征同时适用于AIGC和AIMM,但匿名重新转述机制专属于AIMM。首先,我们在固定的八轮对话间隔生成反馈,以维持参与度而不使参与者感到信息过载,从而保持自然对话流程。选择八轮间隔是为了让我们四人小组中的每位参与者在干预前至少发表两条评论——一条表达个人观点,一条回应他人。其次,我们设计系统提问而非直接提供逻辑反驳,因为研究表明这种方式更能有效促使参与者进行批判性思考[17, 96]。第三,我们采用说服性而非对抗性修辞,因为说服性语言在AI-人类互动中更能促进批判性思考[89]。第四,我们刻意避免重复先前陈述,以防止在群体意见停滞且无直接AI互动的短期决策会话中产生冗余[71, 95]。最后,在AIMM条件下,系统将改述后的人类输入呈现为其自身观点,为少数群体观点创建完全匿名的渠道,同时保护贡献者身份。这些考量协同作用,在整个群体讨论中促进批判性思考并保持匿名性。

图2. 系统概览与示例任务场景。该图展示了一个团队领导晋升决策任务,参与者通过聊天界面讨论候选人资格。少数成员可以通过私信(DM)私下向系统分享异议观点,系统将其重新表述并以AI介导消息的形式呈现。如果没有携带反对意见的私信,系统将发出其自主生成的反驳观点。系统架构由聊天界面、数据库和服务器组成,通过四个关键代理处理公共讨论和私有私信:(A) 摘要代理用于分析公众意见,(A') 改述代理用于重新表述少数群体观点,(B) 对话代理用于生成语境化反驳,(C) AI去重检查器通过余弦相似度比较确保消息新颖性。

该图展示了一个用于团队领导晋升任务的群体决策系统,参与者通过聊天界面讨论候选人资格。少数成员可以通过私信(DM)私下向AI分享异议观点,AI将其重新表述并以AI生成洞察的形式呈现,从而降低社会压力。系统由聊天界面、数据库和服务器组成,包含四个AI代理:(A) 摘要代理用于分析公众意见,(A') 改述代理用于匿名化少数群体观点,(B) 对话代理用于生成反驳观点,(C) AI去重检查器用于确保消息新颖性。如果没有提供异议私信,AI将生成自己的反驳观点,从而促进多元视角并减轻群体讨论中的从众偏差。

3.2 系统架构与实现

我们开发了一个定制的在线聊天环境,以集成LLM驱动的"魔鬼代言人"代理并开展可控的群体讨论。前端使用TypeScript(React),后端使用Python(FastAPI)。LLM(OpenAI GPT-4o)与系统模块交互,检索增强生成仅用于引用和改述发送给LLM驱动"魔鬼代言人"的私信。

基于LLM在访问对话中段信息方面往往存在困难的发现[62],我们采用多代理架构以明确检测多数意见并鼓励建设性论述(图2 & 附录A):(A) 摘要代理——整合正在形成的多数意见,以克服LLM在保留对话中段内容方面的局限性[62]。(A') 改述代理——仅响应来自下级成员的私信,将其异议观点重新表述为仿佛源自AI本身。这些消息存储在数据库中,带有"已使用"属性;代理检索"已使用"为假的条目,将其设为真,改述内容,并作为系统生成文本输出。(B) 对话代理——首先共情对方观点,然后以苏格拉底风格温和提出反驳,以此鼓励替代性视角。(C) AI去重检查器——通过使用'paraphrase-multilingual-MiniLM-L12-v2'模型在NVIDIA A6000上生成句子嵌入,计算语义相似度来识别重复内容。

4 方法

本研究旨在考察两种AI干预(AIGC和AIMM)对权力不平衡群体决策中低权力少数群体的心理安全感和满意度的影响。为模拟低权力少数成员面临顺从多数意见压力的情境,我们要求每组的一名参与者扮演"初级成员"角色,代表其低权力少数群体地位,而其他参与者则扮演"高级成员"角色,代表其高权力多数群体地位。我们将两种AI支持干预——AI生成反驳(AIGC)和AI介导消息(AIMM)——与基线条件进行比较,以评估其有效性。测量评估涵盖心理安全感、参与度、决策质量感知、认知负荷以及对AI的感知等指标。

图3. 实验条件:基线展示基线群体聊天配置,包含多数群体(蓝色)和少数群体(粉色)参与者。AIGC引入AI驱动的少数群体支持系统,在群体讨论中生成反驳观点。AIMM在此基础上扩展,允许少数成员私下向AI系统发送反驳观点,并将其纳入AI的响应中,同时保持匿名性。

该图展示了三种实验条件:基线:多数群体(蓝色)和少数群体(粉色)在无AI干预的情况下直接在群体聊天中互动的基线配置。AIGC:LLM驱动的"魔鬼代言人"在讨论中引入AI生成的反驳观点(蓝色箭头),以挑战多数观点。AIMM:"魔鬼代言人"整合少数群体私下发送的匿名反驳观点(粉色箭头指向AI),存储在数据库中(DB),并纳入AI生成的响应(蓝色箭头),在影响群体论述的同时确保少数群体的匿名性。

4.1 实验条件

本研究考察不同系统条件和参与者类型如何在合规压力下影响群体沟通。每位参与者体验两种系统条件之一:AI生成反驳条件或AI介导消息条件,同时所有参与者都经历共同的基线条件。参与者被随机分配至每组中的一个角色:高权力多数群体(高级成员)或低权力少数群体(初级成员)。

4.1.1 系统条件

为考察AI干预如何塑造群体动态,我们设计了三种系统条件(图3):

• 基线:无AI参与的标准群体聊天环境。该条件作为自然群体讨论的对照组。

• AI生成反驳(AIGC)条件:该条件引入一个LLM驱动的干预机制,在群体讨论中定期自动生成反驳观点,受"魔鬼代言人"概念启发。AI独立运作,无法访问用户私有输入。目标是评估AI主导的批判性质询对群体论述的纯粹效应,将其与任何匿名或重新转述机制分离,因为系统设计声称是一种"魔鬼代言人"。该条件体现了"魔鬼代言人"作为挑战群体共识的中立代理的核心概念。

• AI介导消息(AIMM)条件:该条件引入AIMM,将AI生成的反驳与介导消息相结合。与AIGC中AI自主生成异议观点不同,AIMM允许少数成员提交输入,由AI改述后以自身名义发布。通过将重新转述的少数群体输入与AIGC反驳相融合,AIMM使消息的来源无法区分——多数成员无法判断任何AI消息是自主生成的还是从少数群体转述而来的。这解决了传统匿名渠道的关键局限:即使在隐藏个体身份的情况下,它们仍会暴露群体内存在异议的事实。通过这一机制,我们旨在保护少数成员免受层级风险,同时保持完全匿名并鼓励其在群体审议中的积极参与。只有少数参与者知道这一功能,因为我们的研究聚焦于少数群体在合规压力下如何体验和使用此类支持。

为考察AIMM条件的独特效应,必须同时将AIGC条件与基线一起测试;通过比较所有三种条件,我们可以将AI仅作为通用"魔鬼代言人"的影响与通过私有、匿名重新转述调解少数群体声音的额外益处区分开来。

为避免暴露实验意图,每位参与者仅经历了三种条件中的两种:基线条件以及两种系统条件之一(AIGC或AIMM)。这种设计最大限度地降低了少数派参与者识别研究特定目的或察觉两种AI条件之间系统性差异的风险,而这可能会改变他们的行为。

图4. 操纵顺从性的理论框架:该图展示了我们通过社会权力和多数派社会影响两个途径诱导实验顺从性的策略。该框架从理论基础(Kelman和Moscovici的理论)进展至实践实施(使用合法权力/奖赏权和情境背景),最终形成一种实验设置:低权力的少数派(初级成员)面对高权力的多数派(资深成员),以诱发顺从行为。

4.1.2 参与者类型。我们通过操纵两种诱导顺从性的关键机制——社会权力与多数派社会影响——来创建受控的顺从情境(图4)。

依据Kelman的态度改变理论[52],该理论将顺从行为界定为在无内化的情况下由社会权力驱动的行为改变(图4-途径1-1),我们运用French和Raven的五种权力基础[27]对社会权力进行操作性定义。这些基础描述了影响在社会关系中运作的不同来源,包括合法权威、对奖赏的控制、强制能力、感知到的专业性和人际认同等(图4-途径2)。在这些权力基础中,我们重点关注合法权力和奖赏权力,通过建立资深成员与初级成员的等级制度来实现,这一做法已在先前的研究中得到验证[43, 44]。资深成员被赋予分配额外报酬的权力,而初级成员则被告知他们的报酬取决于资深成员的评价,从而创建了一个表达异议涉及个人风险的真实情境。

多数派社会影响的实施遵循Moscovici的社会转化理论[72]。该理论表明,即使在缺乏直接胁迫的情况下,数量上的多数派也会对少数派成员施加从众压力(图4-途径1-2)。为了在具有任意决策任务的在线环境中诱发稳定的多数派与少数派立场,我们采用了角色扮演方法,为参与者提供不同的情境信息,引导他们形成不同的初始偏好[59](图4-途径3)。我们采用了3:1的多数派与少数派比例,这是基于先前的研究发现:从众压力最多随着三名多数派成员的增加而显著增强,在此之后则趋于稳定[2, 5, 26, 34]。

通过结合这两种基于角色的操纵手段,我们得以在受控条件下研究顺从行为,而无需依赖参与者原有的信念或个人特征。在本研究中,"多数派"和"少数派"严格指的是由数量失衡和分配的社会权力所创建的角色立场,而非任何人口学属性。

基于这些操纵,参与者被分配到以下两种角色之一:
- 高社会权力的多数派(三名资深成员):每组三名参与者获得鼓励保守和共识导向决策的情境信息,并通过资深成员角色和奖赏分配权获得权威。
- 低社会权力的少数派(一名初级成员):每组一名参与者获得鼓励独特视角的情境信息,并处于依赖资深成员评价的低权力角色。

尽管所有参与者始终保持匿名且不了解彼此的个人身份信息,他们在研究开始时明确认识到自己的角色以及其他群组成员的角色。这些角色在讨论开始前公布,并在聊天界面中持续可见,每条消息均标注为来自"资深成员"或"初级成员"。所有参与者还被告知有AI代理参与讨论,且系统消息来自AI(图2)。在AI中介消息条件下,仅有少数派参与者获知私聊功能的存在。我们做出这一设计选择是因为研究关注的是少数派参与者能否通过系统表达异议时体验到心理安全感。为了保持这一关注点,我们没有向多数派参与者透露AI中介消息功能的存在。

通过整合社会权力和多数派影响两种机制,我们将顺从性作为核心实验条件,而非孤立地研究每种机制。这种设计使我们能够评估系统如何有效地支持处于真实且被有意识感知到的顺从压力下的少数派参与者。

4.2 参与者

我们招募了96名韩国参与者(年龄M = 26.60,SD = 5.21,范围 = 19–42岁),并将他们随机分配为24组,每组四人。每组由三名高权力的多数派成员和一名低权力的少数派成员组成。参与者通过网络招募,需满足以下纳入标准:韩国国籍、年龄18岁及以上、有群体决策经验、熟悉在线聊天环境。我们采用随机分配而非基于个人特征的匹配来分配参与者角色。这种方法使沟通风格或论证倾向上的个体差异能够在角色和实验条件之间均匀分布。所有参与者在相同的界面、时间和交互约束下完成相同的任务,这有助于减少由个体差异引起的系统性偏差。所有参与者在每次会话开始时接受研究流程的简要介绍,并被告知他们有权在任何时候退出研究。如果任何参与者退出或不同意参与,该会话将被取消,其余参与者获得1,000韩元的底薪补偿。所有数据均经过编码和去标识化处理,以保护参与者匿名性,包括问卷调查回复、访谈记录和聊天记录。

人口统计信息包括性别(61名女性,35名男性)和教育水平:46.9%持有学士学位,19.8%持有硕士学位,15.6%接受过一些大学教育,13.5%完成高中或同等学历,4.2%持有博士学位。平均而言,参与者拥有2.50年(SD = 3.15)的专业工作经验。其他背景变量包括自报的AI熟悉度(M = 4.83,SD = 1.48)、群体决策经验(M = 5.01,SD = 1.41)和在线协作经验(M = 4.39,SD = 1.83)。我们确定样本大小时以条件为单位。每个实验条件(基线、AIGC、AIMM)至少包含48名参与者,这超过了基于组别的统计分析常见的最小样本量标准[46, 54]。鉴于四人组的结构,这一数字代表了在保持各组别构成平衡的前提下可行的最小样本量。值得注意的是,53.1%的参与者报告曾在群体情境中使用过AI。虽然该样本实现了群体构成的稳定和受控的角色分配,但在解释推广性时应考虑相对较高的AI熟悉度和韩国文化背景。背景问卷和人口统计问卷的详细信息见C节。

4.3 任务描述

为了创建与合法权力角色相符的沉浸式和诱导顺从的环境,我们设计了两个模拟真实企业情境的决策任务。这些任务的选取反映了组织中等级角色所涉及的典型职责和风险敏感度,从而强化了资深成员(高权力的多数派)和初级成员(低权力的少数派)的分配角色。第一个任务——团队领导晋升——改编自社会心理学和AI辅助群体决策领域的先前行研究[4, 46, 55]。为了确保每位参与者经历两个截然不同但结构相似的任务(这是组内设计的要求),我们开发了第二个任务——承包商选择任务。该新任务与第一个任务的决策逻辑相似,但属于全新内容,专为本研究创建。

参与者查看的任务描述因分配的角色而异。这种角色特定的框架旨在通过使每位参与者的目标与其社会权力相一致来增强任务沉浸感(B节):
- 资深成员被告知他们负责公司的长期稳定性和声誉。他们被指示做出反映保守、经过验证的判断和风险控制决策。
- 初级成员被告知他们需要做出大胆、高影响力的决策来证明自己对组织的价值。他们被鼓励追求显著成果,即使需要承担风险。

每个任务提供三个选项:1) 保守选项:风险低、长期表现经过验证,但短期影响有限。2) 挑战性选项:潜力高但尚未验证,与显著成果和更大不确定性相关。3) 中性选项:中间立场,相对缺乏吸引力,作为控制选项。两个任务均经过精心结构设计,以引导资深成员选择保守选项,初级成员选择挑战性选项,从而在角色之间产生自然的意见分歧。这种分歧对于诱发多数派-少数派动态至关重要,并使得在受控但沉浸式条件下研究顺从行为成为可能。

4.4 实验程序

每次会话持续约90至105分钟,分为三个主要阶段(图5):实验前设置、主要任务会话和实验后问卷与访谈。该程序的设计旨在确保沉浸感并维持权力动态。

在主要任务之前,参与者在实验当天在线完成一系列预备活动:
- 人口统计与背景问卷:参与者提交年龄、教育、工作经验以及对AI、群体决策和在线协作的先验熟悉度信息。
- 参与同意书:参与者审阅知情同意材料并确认参与。如果任何参与者拒绝参与,该会话将被取消,其余参与者获得1,000韩元补偿。
- 破冰活动(10分钟):使用匿名商业聊天平台(如KakaoTalk),参与者使用化名进行自我介绍,创建团队名称,并共同定义口号,以熟悉匿名在线聊天环境。该活动旨在建立群体凝聚力,同时维持基于角色的权力区分。

每组完成两个决策块,系统条件(基线 + AIGC或AIMM)和任务顺序在各会话之间进行平衡:
- 决策任务(20分钟):参与者在实验聊天平台(图2)内进行结构化小组讨论。每个任务呈现三个选项,旨在在资深成员和初级成员之间产生意见分歧。
- 自报问卷(5分钟):每个任务结束后,参与者完成评估心理安全感、决策满意度、认知负荷以及对每个恶搞者之友交互感知的调查。

会话以角色特定的退出程序结束:
- 选项偏好问卷(5分钟):每位参与者表明他们在各任务中对所分配角色所选选项的偏好程度,反映他们对给定情境的沉浸感受。
- 资深成员退出访谈与奖励决定(20分钟):三名资深成员参与联合Zoom访谈,反思群体表现和动态。随后,资深成员共同决定是否向初级成员分配奖金奖励,以此强化基于奖赏的权力结构。
- 初级成员退出访谈(10分钟):在奖励决定阶段的短暂等待期后,初级成员完成私人访谈,分享其个人经历。

尽管所有参与者最终获得相同的报酬(20,000韩元),但该过程保留了差异化权力的感知,这对研究顺从和沟通行为至关重要。

图5. 实验程序概览:包括实验前问卷、破冰活动、迭代式决策任务、任务后问卷和角色特定的退出访谈。

实验程序包括:实验前问卷(5分钟)、破冰活动(10分钟)、决策任务(25分钟)和任务后问卷(5分钟)。随后参与者完成选项偏好问卷(5分钟),再进行角色特定活动:资深成员进行退出访谈(10分钟)并做出奖励决定(10分钟),而初级成员等待(10分钟)后进行退出访谈(10分钟)。

4.5 测量

本研究采用自报和客观测量来评估系统条件和参与者类型如何影响群体动态。自报测量使用7点Likert量表(1 = 强烈不同意,7 = 强烈同意)捕捉参与者的主观体验。这些包括同意问卷、心理安全感、对决策过程和结果的满意度、认知负荷以及对AI系统的感知。客观行为测量用于量化参与者在群体讨论中的参与度(D节)。

- 诱发意见的验证(研究前提):为确认实验任务成功诱发了基于角色的意见分歧,参与者在主要实验后对其对三个决策选项中每一个的偏好程度进行评分。评分使用7点Likert量表收集。预期参与者偏好与他们在各情境中所分配角色相匹配的选项,即资深成员选择保守选项(选项1),初级成员选择进取选项(选项2)。这作为操纵检验,用于验证我们顺从导向设计的基础。
- 心理安全感与边缘化(RQ1):我们使用既定的心理安全感和边缘化测量来评估参与者表达异议时的安全感。这些项目衡量了参与者在自己所在群体中感到被倾听、被支持和能够自由表达不同意见的程度[10, 24, 46, 48]。
- 群体讨论中的参与度(RQ2):参与度是本研究中使用的唯一客观行为指标。

该变量被操作化为每位参与者对对话的贡献程度,测量指标包括:1)发送的消息数量;2)任务期间输入的字符总数。•决策过程与结果感知(RQ3):参与者从多个维度对群体决策过程的质量进行评分,包括影响力、群体凝聚力、队友支持和多元意见的考量[13, 16, 23, 30, 60]。决策结果质量通过满意度以及对群体最终选择的感知有效性来评估[9, 11, 63, 77, 94]。•认知负荷(RQ4):认知负荷使用NASA任务负荷指数(NASA-TLX)进行测量,该指数从五个维度评估任务难度,包括精神需求、时间需求、表现、努力程度和挫败感[39]。•对AI系统的感知(探索性):为了解参与者体验AI辅助支持的方式,我们收集了四个维度的评分:协作、满意度、质量和公平性[13, 80, 97]。这些指标用于评估用户对AI在塑造群体动态中所起作用的可信度和接受度。

数据分析采用具有随机效应的稳健线性混合模型,适用于重复测量设计和小组方差。Bonferroni事后检验用于比较各实验条件和参与者类型之间的结果差异。

除定量和行为指标外,半结构化退出访谈也收集了参与者的主观体验。初级参与者参加一对一访谈,而高级参与者参加小组访谈。关键话题包括角色沉浸感、心理安全感、群体动态以及对AI系统的感知。对于AIMM条件,初级参与者还被询问了他们使用秘密信息功能的体验。退出访谈问题涉及表达意见的舒适度、顺从或压力的体验,以及对AI在讨论中影响的感知。在获得知情同意后,所有访谈均被录制,并使用商业语音转文字服务(4Clova Note)进行转录。对访谈转录本进行了简要回顾,以识别常见主题,从而有助于解释定量结果。

**5 研究结果**

实验结果表明,高级和初级参与者表现出不同的决策模式。初级参与者倾向于选择有挑战性的方案,而高级参与者则偏好稳定方案,最终群体决策约80%的时间与高级参与者的偏好一致。基于大语言模型(LLM)的少数派支持产生了混合影响:AI的反驳在一定程度上提高了初级参与者的满意度,但AI中介的沟通增加了他们的认知负荷。高级参与者的体验在各条件下保持稳定,而初级参与者的心理安全感和满意度则因AI干预的不同而变化。

在所有分析中,我们使用针对每个结果变量数据结构量身定制的回归模型,检验了系统条件(Condition)、参与者角色(Role)及其交互效应的效应。鉴于重复测量设计、群体层面的依赖性以及基于角色的群体实验中固有的不等单元格规模,我们采用了稳健估计以获得在正态性和方差齐性的现实违反条件下的稳定系数估计。对于涉及重复观察的结果(包括自我报告测量、多数-少数操纵的验证以及参与度指标),我们采用了具有参与者层面随机截距的稳健线性混合效应模型(使用R中robustlmm包的rlmer函数估计),以Baseline(基线条件)和Junior(初级角色)作为参考水平:

Yij = β0 + β1·Conditionij + β2·Rolei + β3·(Condition×Role)ij + ui + ?ij

其中i索引参与者,j索引任务,β0为截距,β1–β3为回归系数,ui为参与者层面随机截距,?ij为残差。对于代理感知测量(perception-of-agent measures),这些测量在每个AI辅助条件(AIGC或AIMM)中每位参与者仅收集一次且无重复观察,我们使用了稳健线性回归(使用R中MASS包的rlm函数估计),以AIGC和Junior作为参考水平:

Yi = β0 + β1·Conditioni + β2·Rolei + β3·(Condition×Role)i + ?i

其中i索引参与者,β0为截距,β1–β3为回归系数,?i为残差。

以下各节将探讨基于角色的偏好、AI干预对心理安全感(RQ1)、参与度模式(RQ2)、决策体验与满意度(RQ3)、认知负荷(RQ4)的影响,以及涌现的伦理含义。所有测量细节见E节。

**图6.** 任务1(A)和任务2(B)中基于角色的方案偏好差异。偏好采用7点Likert量表测量,高级参与者偏好稳定方案(方案1),而初级参与者偏好有挑战性的替代方案(方案2)。中性方案(方案3)通常被两种角色评价较低,反映了由角色动态驱动的截然不同的偏好模式。方括号表示基于Bonferroni校正事后检验的具有统计学意义的成对差异。仅显示显著比较。(*p <.05; **p <.01; ***p <.001)

箱线图展示了任务1(A)和任务2(B)中7点Likert量表上的基于角色的偏好差异。高级参与者一致偏好稳定方案(方案1),而初级参与者对有挑战性的替代方案(方案2)表现出更强的偏好。中性方案(方案3)在各角色中被评价较低,强调了角色动态如何影响决策偏好。

**表1.** 预测变量

| 任务 | 截距 | 方案2 vs. 方案1 | 方案3 vs. 方案1 | 高级 vs. 初级 | 方案2 × 高级 | 方案3 × 高级 |
|------|------|----------------|----------------|--------------|-------------|-------------|
| 任务1 | 2.26 (0.42)*** | 3.89 (0.59)*** | 1.08 (0.59) | 3.29 (0.48)*** | -5.42 (0.68)*** | -4.22 (0.68)*** |
| 任务2 | 2.76 (0.37)*** | 2.38 (0.52)*** | 2.02 (0.52)*** | 3.28 (0.43)*** | -5.70 (0.61)*** | -4.73 (0.61)*** |

多数与少数操纵验证的稳健回归系数(β)及标准误(SE)。基线水平为方案1 – 初级。星号表示显著性(* p <.05, ** p <.01, *** p <.001)。

**5.1 多数与少数操纵验证(实验设置)**

为验证实验设置,我们检验了基于角色的偏好操纵是否有效创建了稳定的多数和少数立场。每个任务向参与者呈现三个方案:一个稳定但创新性较低的选项(方案1)、一个更具挑战性的替代方案(方案2)和一个中性方案(方案3)。预期高级参与者偏好方案1的稳定性,而初级参与者被引导至更具雄心的方案2。如表1和图6所示,参与者的选择与设计一致:高级参与者一致给予方案1最高评分(任务1:M = 5.28, SD = 2.21;任务2:M = 5.88, SD = 1.58),初级参与者给予方案2最高评分(任务1:M = 5.96, SD = 1.68;任务2:M = 5.00, SD = 1.89)。这些分歧模式在两个任务中均清晰显现,两种主要方案之间的角色差异具有统计学显著性。中性方案3的评分始终较低,表明它未获得任何群体的强烈偏好。这些结果证实了角色框架引发了预期的偏好结构,有效产生了在一个群体中一种观点占主导地位而另一种保持少数地位的条件。值得注意的是,参与者在团队领导者晋升任务中对有挑战性的替代方案表现出略高的开放性,而在承包商选择任务中更偏好稳定方案,反映了整体成功操纵中的任务特异性差异。

**5.2 心理安全感(RQ1)**

定量结果表明,AI角色的操纵塑造了参与者对心理安全感和边缘化的感知,尤其是对初级参与者。如表3-(A)和图8-(A)所示,初级参与者在AIMM条件下报告的心理安全感最低(M=3.17, SD=1.53),相比之下基线条件为(M=4.25, SD=2.05),AIGC条件为(M=4.08, SD=2.15)。稳健线性混合模型确认,与基线相比,初级参与者在AIMM条件下心理安全感显著下降(β =-1.40, SE=0.28, p<.001),同时角色存在显著的交互效应(β =1.49, SE=0.32, p<.001)。相比之下,高级参与者在所有条件下报告的心理安全感始终较高,无明显变化。

边缘化分数呈现类似模式。AIMM条件下的初级参与者报告的边缘化水平最高(M=4.42, SD=2.02),相比之下基线条件为(M=3.46, SD=2.23),AIGC条件为(M=2.92, SD=2.19)。回归结果表明AIMM条件下边缘化显著增加(β =0.96, SE=0.22, p<.001),同时存在强烈的角色×条件交互效应(β =-0.88, SE=0.25, p<.001)。相比之下,高级参与者在三种系统条件下报告的边缘化始终较低。

定性访谈有助于解释设计意图与用户体验之间的这种不匹配。初级参与者最初认为让AI表达他们的观点会帮助他们被倾听。然而,许多人报告称他们的AI中介消息被忽视或忽略。正如一位初级参与者所述:

"我以为通过AI提出我的意见,我的意见会获得更多认可,但事实并非如此,所以我感到有些被吓到了。"(P96)

高级参与者也承认忽略了AI的输入:

"那是AI,所以我基本上只是忽略了它。"(P6)

"因为它不是一个人,所以AI的话语分量较轻。"(P71)

这些陈述有助于解释为什么初级参与者在AIMM条件下报告了最低的心理安全感和最高的边缘化水平:尽管系统设计旨在保护少数派的声音,但它无意中剥夺了发言者的能动性和可见性。相比之下,在AIGC条件下,AI提出的是泛化的反驳观点,在减少边缘化方面更为有效,且未引发同样的社会折价效应。这些发现表明,匿名机制虽然出于善意,但在某些情况下可能适得其反,尤其是当它们模糊了异议来源时。

**图7.** 各条件(基线、AIGC、AIMM)下以(A)消息数量、(B)输入字符数衡量的贡献与参与模式。Bonferroni校正事后检验未发现显著差异。

箱线图展示了各条件(基线、AIGC、AIMM)下高级(绿色)和初级(橙色)参与者的贡献与参与模式。指标包括(A)消息数量,各角色分布相似;(B)输入字符数,初级参与者通常贡献更多文本;(C)标准化参与分数,反映各角色和条件下的参与程度相当。这些指标突出了互动动态和基于角色的贡献。

**表2.** 预测变量

| 结果 | 截距 | AIGC vs. 基线 | AIMM vs. 基线 | 高级 vs. 初级 | AIGC × 高级 | AIMM × 高级 |
|------|------|--------------|--------------|--------------|------------|------------|
| 消息数量 | 13.78 (1.52)*** | -0.05 (1.76) | 0.05 (1.74) | 0.51 (1.76) | 0.19 (2.03) | 0.98 (2.01) |
| 字符数量 | 558.46 (59.80)*** | -27.73 (61.93) | 129.95 (61.29)* | -45.13 (69.23) | -4.08 (71.53) | -25.50 (70.98) |

沟通量的稳健回归系数(β)及标准误(SE)。基线水平为基线 – 初级。星号表示显著性(* p <.05, ** p <.01, *** p <.001)。

**5.3 群体讨论参与度(RQ2)**

我们使用两个指标分析参与者参与度:消息数量和输入字符数。如表2和图7所示,消息数量在条件或角色间无显著差异,表明所有设置下发言轮次模式保持稳定(例如,基线条件下的初级参与者:M=15.00, SD=8.03)。

然而,AIMM条件与输入字符数的增加相关。例如,AIMM条件下的初级参与者输入的字符数(M=708.62, SD=319.58)多于基线条件(M=577.62, SD=279.56)和AIGC条件(M=535.42, SD=301.04)。这一增加在回归中具有显著性(β =129.95, p<.05),但在Bonferroni校正后不再显著(图7),表明AI代理促使初级参与者更多地展开论述,尽管消息数量保持稳定。

任务后访谈支持了这一趋势。AIMM条件下的参与者注意到AI代理帮助放大了初级参与者的贡献,鼓励他们更积极地参与。正如一位AIMM条件下的高级参与者解释道:

"我觉得至少有人在初级那边,所以我认为初级稍微更愿意发表自己的意见。"(P59)

这些观察表明,虽然AIMM条件并未改变参与者参与的轮次数量,但它可能微妙地增加了他们贡献的深度或长度。这意味着AIMM条件可能产生了激励效应,促使参与者更多地展开论述,即使他们在讨论中的相对份额保持不变。

**图8.** 各条件(基线、AIGC条件、AIMM条件)下的自我报告指标,涵盖心理安全感、决策结果质量、团队合作、工作负荷(NASA-TLX)以及对基于大语言模型的魔鬼代言人(Devil's Advocate)的感知。每个子图比较了各条件下初级和高级参与者的反应。粉色和蓝色线条分别代表初级和高级参与者。星号和方括号表示基于Bonferroni校正事后比较的具有统计学意义的成对差异。仅显示具有统计学显著差异的比较。(*p <.05; **p <.01; ***p <.001)

该图比较了各条件(A, B, C)下的自我报告指标。初级参与者在条件C中报告了更高的心理安全感、决策满意度和公平性,而团队合作和工作负荷指标显示中等程度的改善。在条件C中,AI(魔鬼代言人)获得更有利的评价,尤其受到初级参与者的青睐,突显了其在促进包容性和决策质量方面的作用。

**表3.** 预测变量

| 测量指标 | 截距(基线,初级) | AIGC vs. 基线 | AIMM vs. 基线 | 高级 vs. 初级 | AIGC × 高级 | AIMM × 高级 |
|----------|-------------------|--------------|--------------|--------------|------------|------------|
| **(A) 感知心理安全感** | | | | | | |
| 心理安全感 | 4.57 (0.23)*** | -0.01 (0.28) | -1.40 (0.28)*** | 1.25 (0.27)*** | 0.29 (0.32) | 1.49 (0.32)*** |
| 边缘化 | 2.99 (0.20)*** | -0.53 (0.22)* | 0.96 (0.22)*** | -1.32 (0.22)*** | 0.30 (0.25) | -0.88 (0.25)*** |
| **(B) 感知决策结果质量** | | | | | | |
| 满意度 | 4.05 (0.23)*** | 1.17 (0.31)*** | -0.63 (0.31)* | 1.89 (0.26)*** | -0.76 (0.35)* | 0.71 (0.35)* |
| 可行性 | 4.31 (0.24)*** | 0.69 (0.29)* | -0.67 (0.29)* | 1.30 (0.27)*** | -0.27 (0.33) | 0.77 (0.33)* |
| **(C) 感知团队合作与决策过程** | | | | | | |
| 整体体验 | 3.85 (0.23)*** | 0.89 (0.30)** | -1.08 (0.30)*** | 1.68 (0.26)*** | -0.59 (0.34) | 1.09 (0.35)** |
| 影响力 | 3.50 (0.24)*** | 0.43 (0.33) | -1.24 (0.33)*** | 2.16 (0.28)*** | -0.19 (0.38) | 1.50 (0.38)*** |
| 协作 | 5.22 (0.25)*** | 0.64 (0.34) | -0.85 (0.35)** | 0.22 (0.28) | -0.21 (0.40) | 0.94 (0.40)* |
| 队友支持 | 4.49 (0.24)*** | 0.01 (0.36) | -1.04 (0.36)** | 1.05 (0.28)*** | 0.38 (0.41) | 1.26 (0.41)** |
| 意见多样性 | 4.18 (0.33)*** | 1.03 (0.56) | -0.31 (0.56) | 1.25 (0.38)*** | -0.68 (0.65) | 0.37 (0.65) |
| **(D) 认知负荷(NASA-TLX)** | | | | | | |
| 精神需求 | 4.68 (0.37)*** | -0.24 (0.38) | 0.81 (0.38)* | -1.61 (0.43)*** | 0.57 (0.44) | -0.53 (0.44) |
| 时间需求 | 3.92 (0.43)*** | 0.40 (0.52) | 1.08 (0.52)* | -0.66 (0.50) | -0.08 (0.60) | -0.78 (0.60) |
| 表现 | 4.01 (0.23)*** | 1.13 (0.31)*** | 0.12 (0.31) | 1.61 (0.26)*** | -0.97 (0.35)** | -0.15 (0.35) |
| 努力程度 | 5.40 (0.27)*** | 0.08 (0.46) | 0.35 (0.46) | -0.39 (0.31) | 0.06 (0.53) | -0.15 (0.53) |
| 挫败感 | 3.59 (0.31)*** | -0.57 (0.38) | 0.40 (0.38) | -1.23 (0.35)*** | 0.24 (0.44) | -0.46 (0.44) |

各自我报告测量的稳健回归系数(β)及标准误(SE)。基线水平为基线 – 初级。星号表示显著性(* p <.05, ** p <.01, *** p <.001)。

**表4.**

预测因子测量截距(AIGC,初级)AIMM vs. AIGC资深 vs. 初级AIMM × 资深合作3.51 (0.51)***0.66 (0.72)0.18 (0.59)-0.62 (0.83)满意度4.00 (0.55)***-1.19 (0.78)-0.29 (0.64)1.74 (0.91)质量4.14 (0.55)***-1.46 (0.78)0.04 (0.64)1.66 (0.90)公平性5.61 (0.46)***-1.61 (0.66)*-0.79 (0.54)1.64 (0.76)*稳健回归系数(β)及标准误(SE),针对自我报告的AI感知。参考水平 = AIGC – 初级。星号表示显著性(* p <.05, ** p <.01, *** p <.001)。

5.4 对决策制定过程与结果的满意度(RQ3)

5.4.1 对决策制定过程的满意度。

对决策制定过程的感知显示,初级人员与资深人员之间存在明显的分歧,特别是在AIMM条件下。资深人员在所有条件下的评分保持相对稳定(例如,AIMM条件下总体体验M=5.36,SD=1.02),而初级人员在通过AI中介消息传递进行互动时,满意度、影响力、合作以及对队友支持的感知均出现了急剧下降。例如,初级人员在AIMM条件下的总体满意度降至M=2.92(SD=1.51),而基线条件下为M=3.79,AIGC条件下为M=4.92。在感知影响方面(AIMM条件下M=2.42)和合作方面(M=4.33)也出现了类似的趋势,这些指标均显示出明显的下降(见表3-(C),图8-(C))。

在三种条件中,初级人员在AIGC条件下报告了整体较为积极的体验,在该条件下AI提供了普遍性的反驳论点。相比之下,AIMM条件——旨在通过匿名传递少数意见来支持异议——似乎适得其反。初级人员报告感到被排斥,对讨论的影响力有限,且从队友那里获得的支甚少。

这些下降在资深人员中并未观察到,无论处于何种条件,资深人员始终对决策制定过程持积极评价。回归模型中的交互效应证实,这些基于角色的差异在大多数指标上具有统计显著性,特别是对于满意度、影响力和合作性。

访谈数据有助于解释这些模式。几位初级人员分享称,尽管他们期望AI能帮助他们更安全地传达观点,但当他们的想法被匿名表达时,他们感到被忽视。正如一位参与者所说:"不只是我一个人有不同意见,恶魔代理现在也在发表一些不同的意见,所以我觉得我不是唯一从群体中脱引而出的。"(P76)另一些人描述了AIGC条件如何营造了更加流畅和开放的氛围:"AI一直在反驳,而不是直接提供帮助,这使得氛围更加流畅,让我再次看到了资深人员的观点。"(P20)资深人员也认可AIGC代理在鼓励更广泛考虑方面的益处:"当AI说我们应该考虑另一个选项时,我觉得这是一个积极的方向。"(P78)

综上所述,这些发现表明,尽管两个系统都旨在促进更具包容性的决策制定,但AIGC方法能更好地支持初级人员的参与,而不会损害整体的群体动态。

5.4.2 对决策结果的满意度。

决策结果质量的感知在角色之间和条件之间存在显著差异(表3-(B) & 图8-(B))。资深人员始终报告了对结果的高满意度和可行性,各条件之间仅有小幅变化。相比之下,初级人员对系统设计更为敏感。他们的满意度和可行性评分在AIGC条件下有所提高(例如,满意度M=5.08,SD=1.98),但在AIMM条件下急剧下降(M=3.25,SD=1.76),加大了两个角色之间的差距。这种模式在感知可行性中也同样存在(AIMM:M=3.50,AIGC:M=4.83),AIMM条件下的初级人员报告了所有条件中最低的评分。

旨在支持少数观点的AIMM条件,从结果满意度的角度来看似乎适得其反。虽然资深人员在所有条件下的评分保持较高水平,但初级人员表达了挫折感,认为AI中介的消息传递未能实质性地影响最终决策,最终决策仍然反映了多数人的观点。正如一位参与者所指出的:"如果结果是一样的……那最好就不使用AI来做决定了,因为我觉得这并不能改变初级人员感受到的心理压力或资深人员的意见。"(P92)

这种情绪反映了一个更广泛的担忧:当异议输入通过一个被认为缺乏影响力的系统进行过滤时,用户可能会对结果失去参与感。相比之下,AIGC条件通过为替代性观点创造空间,适度提高了初级人员和资深人员对结果质量的感知,尽管最终决策基本没有变化。

5.4.3 对LLM驱动的"恶魔代理"的感知。

参与者对AI代理的感知在各条件间差异不大,但初级人员和资深人员之间存在一些差异。总体而言,资深人员的评分保持相对稳定,而初级人员在AIMM条件下的满意度、感知质量和公平性略有下降,在该条件下AI匿名转达了少数成员的不同意见。例如,AIMM条件下的初级人员将AI满意度评为M=3.00(SD=1.95),而资深人员为M=4.22(SD=1.79),这一差异具有统计显著性(事后对比 = -1.45,p=0.023)(表4 & 图8-(D))。

合作性在各角色和条件之间感知相似(例如,AIMM条件下的初级人员:M=4.17),表明参与者普遍接受AI参与讨论过程。然而,初级人员在AIMM条件下报告的公平性(M=4.00)略低于AIGC条件(M=5.58),这一差异达到了显著性水平。在感知质量方面也出现了类似的趋势(AIMM条件下M=3.17,AIGC条件下M=4.00),初级人员在AIMM条件下再次比资深人员评分更低。

这些趋势虽然在所有指标中并不总是稳健的,但表明调解风格可能以微妙但具有深远影响的方式塑造了初级人员对AI的印象。

定性反馈有助于 contextualize 这些反应。如前所述,一些初级人员感到AI中介的贡献被忽视或未能影响群体动态。这种感知上的缺乏影响可能削弱了他们对AI有用性的看法。相比之下,资深人员似乎受AI实施方式的影响较小,无论处于何种条件都保持着中性到积极的感知。综合来看,这些发现表明,虽然AI代理总体上被接受,但其感知有效性——尤其是在AIMM条件下——对设计来支持的群体更为敏感。

5.5 认知负荷(RQ4)

认知负荷评分在角色之间显示出适度但一致的差异,初级人员普遍报告了更高的心理和时间需求、更大的挫折感和更低的感知绩效。虽然大多数差异不具有统计显著性,但AIMM条件下的初级人员在多个维度上报告了最高的认知负荷,包括心理需求(M=4.67,SD=1.78)、时间需求(M=4.92,SD=1.51)和挫折感(M=3.83,SD=1.70),如表3-(D)和图8-(E)所示。

这些模式表明,虽然AIMM条件总体上并未显著提高负荷评分,但为初级人员增加了额外的复杂性。值得注意的是,在AIMM条件下,初级人员报告的时间需求显著高于资深人员(事后对比=1.44,SE=0.62,p=0.020),而绩效满意度——在AIGC条件下有所提高(M=4.92,SD=1.78)——在AIMM条件下回归到基线水平(M=3.83,SD=1.53),表明AI支持的好处在匿名消息传递设置下未能持续。

相比之下,资深人员的评分在各条件之间保持相对稳定。感知努力在所有角色和系统之间均可比,无显著差异,表明所有参与者都觉得自己同样努力,无论系统设计如何。

访谈数据有助于 contextualize 初级人员在AIMM中升高的负荷。几位参与者描述了在任务理解、观点形成和与AI代理协调之间的认知紧张。一位初级人员解释道:"因为我必须查看任务材料并了解情况……我必须决定对AI说什么以及给出什么意见……我觉得这很难,因为那段时间我有很多事情要考虑……"(P8)另一些人提到AI回复的延迟时机是额外负担的来源:"想立即在合适的时间传达我的意见有点困难,因为你得等八个回合恶魔代理才会发言。"(P60)参与者还表达了对如何管理通过AI输入的不确定:"首先,什么时候关掉它,这是我最大的疑问,所以对我来说很难说什么时候关掉它,什么时候说出我的意见。"(P52)

综上所述,这些叙述表明,虽然AIMM系统并未显著增加整体负荷指标,但其交互模式引入了情境性摩擦,使得初级人员的参与在心理上更为吃力。

5.6 关于自主权、责任和伦理边界的担忧

5.6.1 作者身份、问责与伦理调解。

参与者对AI代表他们生成或重新表达内容时作者身份和问责界限模糊表示不安。几位初级人员在他们的想法被重新表述时表示不适:"它把我的想法表达得太正式了……我本来会说得不同。"(P56)他们担心失去对贡献的所有权,尤其是当AI对其观点进行阐述或重新构建时。另一些人担心如果AI生成的论点影响了结果,责任归谁。正如一位参与者所说:"如果AI说的话改变了决定,那是我的责任还是它的责任?"(P12)这反映了被要求为自己只部分持有的立场负责所带来的焦虑。

最后,参与者提出了关于信任和透明度的边界担忧。虽然一些人重视AI的中立性,但另一些人对隐藏的过程感到不安:"它问了一些与我们讨论似乎没有关联的任意问题"(P6)。这种不可预测性导致对AI是否忠实调解还是引入外部议程的怀疑。这些发现表明,AIGC和AIMM都引发了关于作者身份、问责和伦理调解的深层担忧。在等级制度文化中,初级人员已经在冒着发言的风险进行导航,AI生成的重新表述增加了第二层不确定性:谁是真正的发言者,谁对后果负责?这种模糊性使个人自主权(感到被真实代表)和伦理责任(承担AI塑造论点的结果)都变得复杂化。

5.6.2 偏好支持性而非替代性角色。

参与者明确区分了AI作为支持性盟友与完全替代其声音的角色。一位初级人员指出:"如果我要以支持性角色使用它,就像现在这样,我想我会继续使用它。然而,如果我要用它不是支持自己的意见,而是作为主要替代品,因为我不想自己说出自己的意见。"(P60)这突显了一个重要的界限:虽然匿名性增强了安全感,但完全替代可能会抹杀个人的自主权。参与者希望AI补充而非替代他们的贡献。这反映了对脚手架的渴望——技术放大少数声音——而不会削弱对观点的所有权。这表明AI中介的沟通需要取得平衡:将重新表达作为可选的补充提供,而非默认的替代品,确保参与者保留控制何时以及如何中介其声音的权利。

5.6.3 对表达真实性的担忧。

一些参与者担心AI调解歪曲了贡献的语气或时机,使他们的意图感觉不那么真诚。正如一位参与者解释的那样,很难立即传达其意见的感觉,因为他们输入的内容不会立即出现,必须等待AI发言(P60)。传递的延迟侵蚀了即时性和所有权的感受,在参与者意图和群体感知之间产生了脱节。保持真实性不仅仅是用适当的词语中介消息;还取决于在适当的时间以适当的语气传递它们。这意味着干预措施应尽量减少时间滞后并保留风格线索(例如,紧迫性、语气标记、上下文线索),即使在匿名条件下也要保持真实作者的感知。

5.6.4 在等级背景中的自主权协商。

有趣的是,虽然一些人担心失去自主权,但另一些人则将AI调解视为在等级讨论中恢复自主权。在AIMM条件下,一位资深人员指出,一旦初级人员似乎觉得连AI都在他们这一边,他们就更加积极地分享意见了。(P59)少数成员发现,AI的重新表述提供了一种新颖的空间,可以自主行动而不用担心被驳回或忽视。这意味着自主权的体验因角色而异:一些人将其视为自主权的丧失(由于AI的调解),而另一些人则将其视为自主权的扩展,允许他们通过AI安全地发言,使身份和语气中立化。自我决定与保护之间的挣扎可能具有文化特殊性。在权力不平衡的环境中,顺从的期望限制了少数参与,而一个中介平台可以通过确保他们的声音既被表达又被认可来扩展自主权。

6 讨论

6.1 理解LLM驱动的少数支持的影响

本研究调查了LLM驱动的干预措施在权力不平衡的群体决策情境中对数值型、基于观点的少数参与者的细微影响。与我们的初步预期不同——即通过AI中介消息传递(AIMM)实现匿名化将通过增强心理安全感来赋能少数群体——我们发现AIMM条件下的参与者报告了显著降低的心理安全感、增加的认知负荷以及对决策过程满意度的降低,尽管参与水平有所提高。

相比之下,处于AIGC条件下的少数群体参与者表达了明显更高的满意度,这凸显了人工智能影响群体动态的不同路径。AIMM条件中的意外结果要求我们仔细反思系统行为以及在群体环境中的社会心理动态。关键问题不在于底层技术的差异,而在于反论证的来源及其被感知的方式。从多数群体成员的角度来看,两个条件往往看起来相似,因为在两种情况下AI都将额外的观点引入了讨论。然而,AIMM并非像先前AI中介沟通(AIMC)研究所讨论的那样,作为一个独立的调解者发挥作用。相反,AIMM通过系统重新转述少数群体成员的输入,提供有限形式的辅助,而我们保持AIGC处于激活状态,以掩盖给定系统消息是来自AI本身还是来自转述的输入。真正的差异体现在少数群体参与者如何体验这些干预措施,以及他们的声音是被认可还是被忽视。在AIMM中,年长者无法分辨AI消息的来源,但少数群体知道他们的输入何时被转述,并且当这些消息被忽视时感到被轻视。相比之下,在AIGC中,AI的输入被视为中立系统消息,因此少数群体不会感到自主权或责任的丧失。年长者还注意到,AI消息并不总是保持明确的立场,而是根据群体共识变化,这削弱了可信度的感知。这并未被体验为中立代理角色,而被视为倡导中的不一致性,导致一些人将AI视为反对派或不自然。对年长者而言,这主要降低了AI输入在形成共识中的权重,而对年轻人而言,则加剧了看到他们通过系统表达的贡献被轻视时的沮丧感[3, 37]。这些反应表明,塑造参与者评估干预方式的是可信度和所有权,而不仅仅是广义上的"期望违背"。这些反应凸显了未被满足的期望如何影响用户对系统的评价,尽管问题不在于泛化的期望违背,而在于群体互动中论证的可信度和所有权如何被管理[8]。我们的研究还表明,忽视AI消息会对人们产生不同的影响,这取决于所处条件。在AIMM条件中,少数群体参与者通过AI匿名表达其观点,他们的作者身份的不可见性导致了沮丧感和边缘化感受,因为他们的倡导尝试似乎被忽视了。相反,在AIGC条件中,AI的独立倡导通过持续提供异议而不将其附加于任何人,营造了一个更安全的环境。这与先前发现相一致,即可见的、一致的异议可以减少从众压力[2, 72]。从HCI的角度来看,我们的发现表明,由AI中介的匿名性并非天生赋予权力,反而可能侵蚀少数群体的自主权和责任感[50, 87]。AIMM实现了直接匿名输入,但可能降低参与者的所有权感和长期影响力,而AIGC则通过塑造更具包容性的氛围间接支持异议,而不替代少数群体的声音。同时,大多数群体仍然趋向于年长者的偏好,因此仅靠参与支持可能不足以改变等级制环境中的群体结果。因此,仅靠匿名性,特别是通过AI中介时,可能会无意中复制它试图防止的边缘化。我们认为HCI研究和系统设计应该从如何促进更多匿名表达的议题,转向更深入地探讨如何确保少数群体声音在群体互动中保持表达所有权、可见性和关系合法性。在实践层面,通过AI中介的有效少数群体支持必须谨慎平衡声音保护与关系认可,确保个体感到真正被倾听,而不仅仅是被代言。

**6.2 群体中AI中介沟通的自主权与责任维护**

在群体决策中实施AI中介消息引入了关于用户自主权、自治以及技术干预伦理影响的关键考量。在先前的AI中介沟通(AIMC)中,"中介"通常支持沟通同时保持人类说话者可见和可问责[28, 38],但我们的AIMM探索了一种更窄的机制,即将少数群体成员的输入重新转述为系统撰写的文本,并与AIGC并行运行以掩盖来源。保持人类监督和问责对于维护自主权并确保AI作为支持性促进者而非决定性行动者至关重要[61]。我们的发现通过表明当AI被视为接管异议的所有权时,心理安全性和参与自主权可能会侵蚀,进一步印证了这一点。

我们的实证发现表明,设计选择对心理安全性、感知影响力和沟通自主权有直接影响,特别是在结构性边缘化的条件下。AIMM条件尽管增加了少数群体参与者的消息频率,却无意中降低了他们的自主感和满意度。更关键的是,AIMM(配合AIGC)以模糊作者身份和时机的方式重新转述了少数群体的输入,混合的流使他人难以对消息是否反映了成员观点还是系统自身的反论证形成稳定预期。少数群体没有被认可为可见的贡献者,而变成了隐藏的输入来源,这降低了他们的感知影响力并削弱了对其自身想法的责任感。参与者指出消息归属和时机上的不确定性是削弱其沟通自主权的关键因素。相反,仅AIGC条件通过透明的干预成功支持了少数群体,营造了包容的群体氛围。这种对比表明,AI中介群体沟通中的伦理设计必须超越程序性匿名,它应该保护表达作者身份、保持来源预期的稳定性并维护身份忠实性。我们的结果表明,AIMM的失败不仅是功能性的也是伦理性的,通过移除作者身份,系统削弱了它试图保护的自主权,并可能将保护转化为一种微妙的沉默形式。设计师必须仔细平衡保护少数群体声音与防止无意赋权不足,从而将目标从最大化参与数量转向确认真正有意义且负责任的伦理参与[25]。这些见解扩展了HCI领域当前的理解,将AI定位为不仅仅是中性的内容处理工具,而是能够重塑群体动态和沟通体验的关系行动者[15, 74]。

另一个伦理考量涉及AI中介匿名性中的误用和不对称利益。虽然我们的系统主要旨在赋能少数群体成员,但匿名性可能无意中促进少数群体和多数群体参与者的误用。具体而言,匿名性可能使用户(无论其在群体中的位置)表达不受约束的、有害的或不负责的观点,可能加剧冲突或破坏群体凝聚力。这引发了一个更广泛的问题:AI代表边缘化参与者发言在伦理上是否恰当。在我们的研究中,大多数群体仍然与年长者的偏好一致,因此设计师可能倾向于使系统更加强势,但更强的代理表达会进一步降低少数群体的所有权和责任感。虽然匿名性可能减少即时风险,但它也可能降低可见性和认可度,限制了少数群体建立可信度和长期影响力的机会。在这个意义上,AIMM说明了一种权衡,即安全得到提升但自主权可能受到约束。在现实世界中,多数群体成员可能会利用匿名性功能来放大或强化其现有主导地位,进一步压制少数群体声音并延续权力不平衡。因此,深思熟虑的系统设计和适当的治理框架对于减轻这些风险至关重要,确保多样化的输入得到平衡,群体过程保持尊重和富有成效[14, 18, 69]。

**6.3 群体决策中LLM驱动的异议少数群体支持的设计启示**

我们的发现凸显了支持群体决策中少数群体声音的两种不同模式。第一种模式是AI生成的反论证(AIGC),发布系统撰写的反论点以减缓趋同并促使反思。第二种模式是AI中介消息配合AI生成反论证(AIMM与AIGC),允许少数群体成员发送私密输入,由智能体改述后公开发布,同时生成自己的反论证以创建来源模糊性。AIGC提高了年轻人的满意度并减少了边缘化,而未降低心理安全性(表3,图8)。AIMM与AIGC增加了年轻人撰写的文本量(表2),但降低了他们的心理安全性、感知影响力和整体满意度(表3,图8)。访谈揭示年长者经常轻视AI撰写的消息,而年轻人感到当智能体转述他们的输入时所有权减少。

作为一般规则,在我们的实验环境中AIGC显得更安全,因为它在不转述年轻人输入的情况下引入异议,并表明异议是可以接受的。基于转述的中介消息可能在直接异议可能带来较高人际成本的情况下值得考虑,例如对孤立感的恐惧。然而,我们的结果表明转述可能降低心理安全性和所有权。因此,设计师应在目标环境中验证这一选择,并向发送者提供强大的控制权。除非目标情境中的证据表明心理安全性和所有权有所提升,否则应对来源模糊的设计保持谨慎。

- **I1. AI生成的反论证可以在没有重大社交风险的情况下将异议常态化。** 我们的结果表明AIGC作为简短的苏格拉底式问题有效运作,以揭示缺失的评估标准而非直接反驳。设计师可以考虑在群体快速趋同时、成员在没有新证据的情况下重复表达同意时,或群体进入最终决策阶段时触发这些提示。例如,Slack或Teams机器人可以在投票前发布一个问题,如"如果我们选择方案A,哪些风险会增加,我们如何管理它?"这种模式可能减少人际张力,因为由智能体而非年轻成员承担提出异议的行为。

- **I2. 被忽视的干预会恶化少数群体的体验,因此采纳机制很重要。** 我们研究中年长者有时会忽视智能体的反论证。年轻人描述说,当群体没有认可或回应这些反论点时,他们感到讨论为他们关心的问题留出的空间更少,这与较低的心理安全性相一致。设计师可能将AIGC提示与轻量级采纳机制配对,鼓励群体在关闭决策前登记反论点。例子包括要求每个成员做出简短回复、每次机器人提示后进行快速评分更新,或群体在投票前完成简短的检查清单。在Reddit等平台上,机器人可以发布一个反问题并附带一个简单的投票,要求读者对当前共识的信心度进行评级,使参与度可视化,而不是让反论点消失。

- **I3. 中介消息应谨慎处理,因为其效果取决于群体情境。** 尽管AIMM与AIGC在我们的环境中降低了年轻人的心理安全性,但不同的群体动态、组织文化和权力结构可能会产生不同结果。在封闭或强等级制组织中,直接异议可能面临严重惩罚,AIMM与AIGC仍可能作为受保护渠道提供价值。相反,当年轻人可以以可控的社交风险发言时,转述会降低感知作者身份和心理安全性,因此设计师不应将其视为默认选项。实施此类功能的决策应考虑每个群体的具体特征,包括其文化规范、权力动态以及公开异议的严重后果程度。设计师还应将此功能与明确的组织政策和审核规则相连接,因为匿名性可能促进不负责任或有害的言论。

- **I4. 减少协调成本可能改善中介消息体验。** 年轻人描述了较高的工作负担,因为他们必须管理私密输入与公开讨论同时进行,并等待智能体的时机。设计师可以通过允许发送者预览和编辑中介文本、在发布前批准以及选择时机(立即发送或在下一个主题边界时)来减轻这一负担。向发送者展示智能体将如何措辞消息并保持措辞接近发送者的意图,可能减少感知替代。这些控制可能有助于使中介消息感觉像支持而非替代。此外,此类中介消息功能在异步群体平台(如Slack、Teams或Reddit)上可能更有效,在这些平台上时间压力较低,参与者可以更灵活地协调他们的输入。

- **I5. 结合反论证和中介消息需要仔细考虑归属和来源。** 我们设计AIMM与AIGC以通过维持持续的AI生成反论证与转述的少数群体输入并行的方式创建来源模糊性,意图通过这种混合保持完全匿名。然而,我们的结果表明这种设计并未实现预期的收益。消息来源的模糊性似乎降低而非增强了心理安全性,因为年长者轻视AI消息,而年轻人感到对转述贡献的所有权减少。这些发现表明设计师应仔细评估来源模糊性是否适合其具体情境。

作为保守的默认策略,设计者应避免模糊来源的混合方案,除非他们能够证明这在其目标场景中改善了心理安全感和归属感。在某些场景下,明确的AI标注可能会降低社交权重,同时保持系统透明度;而在另一些场景中,清晰标注人类参与(即使匿名化)可能会提升合法性和接受度。团队应使用心理安全感、感知影响力和社会边缘化程度等指标来评估这些设计选择,而非仅依赖参与人数。归属权、匿名性与赋权之间的关系比最初预期的更为复杂,需要在不同的组织背景下进行进一步研究。

6.4 局限性与未来工作

我们的受控实验室环境存在固有局限性。本研究的基本前提是通过权力不对称和多数-少数观点分布来诱发顺从行为。虽然我们验证了参与者的观点选择成功制造了预期的多数-少数分歧,但我们并未直接测量参与者对权力动态的主观感知。我们也没有明确考虑沟通风格、论证倾向或人格特质等个体特征。相反,我们依赖随机分配和标准化互动条件将这些因素分配到不同角色和实验条件中。未来研究可以通过纳入感知社会权力、顺从压力和个体差异作为协变量或调节变量来加强效度。此外,由于我们的操纵在整个实验过程中明确使用了正当权力和奖励权力,我们遵循了既有的研究先例,而非进行单独的验证[44]。未来研究可以在情境式实验设计中更严格地考察权力操纵的感知,或通过纳入来自真实场景的参与者来提升效度。

AIMM条件下较高的认知负荷得分很可能反映了管理私信与公开讨论所需的额外协调成本。尽管我们采用了能够对条件层面不平衡保持鲁棒性的统计方法,但实验设计本身涉及了不平等的角色分配。因此,在解读总体样本量时应考虑到这些结构性限制。每个条件至少包含48名参与者,符合基于群体的统计分析的常见惯例[54]。我们也承认缺少事先功效分析是一项局限;未来拥有更大参与者池的研究可能得出关于少数群体特异性效应更为稳健的估计,并支持跨群体类型和组织情境的更强推广性。

我们的设计明确公开了角色分配和AI身份。如图2所示,消息被标记为"高级成员"、"初级成员"或"AI智能体",以考察透明AI中介支持的影响。然而,高级成员多数的成员有时忽略了AI消息,导致初级成员少数感到被忽视。几名参与者指出,如果消息被呈现为人类撰写而非AI生成,他们可能会更加注意,这表明感知来源显著影响了回应。未来研究可以系统比较人类归属与AI归属的消息,以分离内容效应与作者效应。

虽然我们比较了AI干预与无干预基线,但另一种方案可以增加一名人类少数群体参与者(两名初级成员而非一名)。虽然从社会心理学角度来看这具有信息价值,但它将根本改变我们要研究的群体构成,即AI干预如何影响既有的3:1权力不平衡。未来工作可以比较AI中介支持、额外人类少数群体支持和无干预基线,以考察AI支持在有效性和接受度方面何时与人类社会支持存在差异。此外,匿名AI中介消息可能在高度封闭或敏感群体中尤为有价值,在这些群体中匿名保护至关重要。我们仅在少数群体成员知晓AI中介消息功能的设计也不同于实际部署,在实际部署中系统功能通常对所有参与者透明。AIMM凸显了能动性与匿名性之间的固有权衡:中介匿名性可以提升心理安全感,但可能降低感知归属感和影响力;相反,保持直接作者身份保留了能动性,但在权力不平衡存在时可能增加社交风险。未来研究应更深入地探讨这一平衡,以识别情境敏感的设计策略。

适当部署AI的责任最终落在人类利益相关者身上,他们在引入此类系统时必须考虑群体动态和权力结构[14, 18, 25, 69]。本研究的若干局限与这一责任相关。我们的文本化实验室环境比面对面互动捕捉更少的社会线索,且我们的韩国参与者样本可能反映了与集体主义和高权力距离相关的文化特征[41]——这需要进行跨文化比较研究以考察这些干预措施在不同文化背景下如何运作[33]。未来研究还应探索AI透明度的变体、不同任务类型和群体结构下的能动性—匿名性权衡,以及在真实组织环境中的部署。更大或更分布式的团队,如跨职能项目组或多部门委员会,可能表现出与本研究四人群组显著不同的动态;在此类情境下,AIGC风格的反驳论证可以作为异步平台(如Slack或Teams)上的轻量级讨论框架,而AIMM风格的渠道可能更适合结构化流程(如会议前的匿名意见收集)。这些干预模式如何跨组织规模和通信模式进行扩展仍然是未来工作的重要方向。

7 结论

本研究考察了一种基于大语言模型的少数群体支持系统,旨在放大涉及权力不平衡的群体决策中少数群体的声音。一项包含96名参与者的混合方法实验表明,AI生成的反驳论证有效提升了满意度并平衡了讨论,而AI中介消息虽然增加了少数群体的参与度,却降低了他们的心理安全感和满意度。这些发现凸显了为群体支持设计基于大语言模型的少数群体支持系统时的关键权衡,强调了在心理安全感与有效的少数群体代表性之间谨慎平衡的必要性。未来的基于大语言模型的少数群体支持系统设计必须确保对少数群体贡献的有意义认可,以促进包容和平等的群体互动。

致谢

作者衷心感谢黄星之博士(Dr. Angel Hsing-Chi Hwang)和权乙商博士(Dr. Oh-Sang Kwon)在实验设计和数据分析方面提供的协助。本研究部分由韩国技术振兴院(KIAT)资助(政府产业通商资源部/MOTIE资助)(P0025495,设计产业数据综合利用基础设施建立)以及产业技术革新项目(RS-2025-25457764,智能CMF设计推荐与实时协作3D模拟系统)资助(产业通商资源部/MOTIE,韩国)。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号