生成式人工智能（AI）辅助术语工作：提示策略偏好、主观认知负荷与AI交互自我效能的结构关联及职业经验边界

《Frontiers in Psychology》：Generative artificial intelligence and terminology work: structural associations of prompt strategy preference, cognitive load, and self-efficacy

　　

引言：生成式人工智能（generative artificial intelligence, AI）在知识密集型领域的广泛应用要求持续调整人类认知模式。在术语工作中，将严格的语义标准与大语言模型（large language models, LLMs）的非确定性输出对齐，与工作者的主观认知负荷（subjective cognitive load）密切交织。本研究考察提示策略偏好（prompt strategy preference）、AI交互自我效能（AI interaction self-efficacy）与主观认知负荷之间的结构关联，并检验专业经验（professional experience）的潜在调节作用。方法：基于1,760名使用LLMs开展术语任务的从业者的横断面调查数据，采用结构方程模型（structural equation modeling, SEM）和潜在剖面分析（latent profile analysis, LPA）。SEM评估提示策略偏好、自我效能与认知负荷之间的线性结构关联，LPA识别行为用户剖面（behavioral user profiles）。进一步在三个职业阶段（新手、中间者、专家）进行多组等价性检验（multi-group equivalence testing）。结果：提示策略偏好与主观认知负荷显著负相关，AI交互自我效能在该结构关系中起显著中介作用。LPA识别出三种不同用户剖面（低、中、高策略使用），高策略组表现出最低认知负荷和最高自我效能。多组等价性检验表明，经验队列间无统计学显著调节，证明核心模型跨职业阶段具有结构不变性（structural invariance）。讨论：从认知工效学（cognitive ergonomics）视角，前置提示结构化（upfront prompt structuring）与下游认知卸载（downstream cognitive offloading）和心理缓冲（psychological buffering）存在结构关联。这些发现为生成式AI时代人—AI协作（human–AI collaboration）中的个体认知韧性（cognitive resilience）提供了经验证据。

论文主体解读：该研究聚焦生成式人工智能（AI）在知识密集型领域中的应用，指出大语言模型（LLMs）的介入不仅改变信息生成流程，也对人类工作者的认知模式提出新要求。术语工作具有概念提取精确、多语对齐和领域知识界定等特征，高度依赖语义精度与语境约束；而LLMs输出具有概率性和非确定性，与术语工作所需的严格确定性之间形成“认知张力”，迫使从业者持续评估算法生成逻辑并反复设计提示以纠正“知识幻觉”。现有研究多关注系统性能评价和提示框架对机器侧输出准确率的优化，方法上多为小样本可用性实验或质性访谈，理论上偏重技术接受模型（TAM）对采纳意愿的解释，变量选择偏向客观效率与可用性指标，对操作者心理负荷与自我效能信念的系统性实证证据不足。基于此，研究人员提出三个问题：提示策略偏好是否与主观认知负荷存在稳定负相关；AI交互自我效能是否中介该结构关系；职业经验年限是否调节这些关联。该研究旨在通过大样本调查验证提示策略的“认知卸载”效应，为人本AI辅助协作规范及语言服务行业工效支持策略提供定量证据。研究人员基于1,760名术语工作相关从业者的横断面调查，采用SEM与LPA及多组等价性检验，得出提示策略偏好与主观认知负荷显著负相关、AI交互自我效能起显著部分中介作用、潜在剖面存在低/中/高策略使用三类且高策略组负荷最低效能最高、职业经验未产生显著调节且核心模型跨职业阶段结构不变等结论。其意义在于从认知工效学和人机交互（HCI）角度，将提示策略从机器输出优化手段扩展为人类认知调节机制，并为生成式AI时代知识工作者的认知韧性提供大样本经验证据。

技术方法概括（不超过250字）：该研究基于横断面调查（cross-sectional survey），样本来源于在线调查平台及翻译论坛、术语从业者社区、高校校友群等专业语言服务网络；纳入过去3个月内实际使用ChatGPT、Claude等LLMs完成领域术语对齐、定义界定或文本验证任务者。初始回收1,920份，经反应时长、直线作答、注意检查等筛查排除160份，获有效样本1,760份，有效率91.67%。分析采用SEM（最大似然估计、5,000次Bootstrap、多组SEM）、LPA（基于提示策略偏好量表PESP-T七指标比较2–4类模型，依据AIC、aBIC、Entropy、LMR-LRT、BLRT选三类）、ANOVA、CFA信效度与Harman/ULMC共同方法偏差检验及多组CFA测量不变性检验。

结果4.1 测量工具的信度、效度评估与共同方法偏差检验：通过验证性因子分析（CFA）、Fornell–Larcker准则、异质—同质比率（HTMT）、Harman单因子检验和未测量潜在方法构念（ULMC）敏感性分析，得出测量模型信效度可接受、区分效度良好、共同方法偏差威胁不严重。
结果4.2 基于潜在剖面分析的提示策略使用模式分类：通过LPA比较2–4类模型并依据信息指标、Entropy、LMR-LRT和BLRT选择三类，结合ANOVA，得出低、中、高策略使用三个剖面；高策略组主观认知负荷最低、AI交互自我效能最高，支持H_2a和H_2b。
结果4.3 主要变量描述统计与相关矩阵：通过Pearson相关分析，得出提示策略偏好与主观认知负荷显著负相关（r=?0.156, p<0.001）、与AI交互自我效能显著正相关（r=0.273, p<0.001），自我效能与认知负荷显著负相关（r=?0.242, p<0.001），任务复杂度与认知负荷显著正相关（r=0.244, p<0.001）。
结果4.4 整体结构方程模型与中介效应检验：通过SEM比较假设模型A与竞争模型B、最大似然估计和5,000次Bootstrap，得出模型A拟合优良；控制协变量后P→SE（β=0.290, p<0.001）、SE→N（β=?0.211, p<0.001）、P→N直接效应（β=?0.101, p<0.001）及间接效应（β=?0.061, 95%CI[?0.078, ?0.046]）均显著，支持H₁、H₃和H₄。
结果4.5 职业经验背景差异的多组分析：通过多组CFA测量不变性检验和多组SEM/Wald χ²差异检验，得出新手、中间者、专家三组核心路径总体等价（p>0.05）；虽专家P→N直接路径组内不显著（β=?0.080, p=0.156），但路径差异不显著，H₅不支持，核心模型具有跨职业阶段结构不变性。

讨论部分总结：原文从认知工效学视角解释主效应，认为前置结构化提示约束LLMs生成空间，降低后续核验与纠错负荷，符合认知卸载；AI交互自我效能作为部分中介，提供心理缓冲。潜在剖面分析显示操作异质性：低策略组依赖默认黑箱输出，后期核验成本高；高策略组以格式规则、角色设定等实施预测控制，负荷更低、效能更高。职业经验多组检验显示核心“策略—效能—负荷”路径总体等价，传统专家图式优势未形成显著边界调节；组内数值趋势仅为探索性，不能推断阶段特定功能演化。理论贡献包括：扩展认知卸载理论至生成式AI不确定知识协作；情境化修正传统认知负荷理论（CLT）的“专家优势”假设；以大样本证据识别AI交互自我效能在人机交互中的心理缓冲作用。实践上建议将AI交互自我效能纳入培训目标，并在工具界面嵌入结构化指令模板、术语约束插件和工作流拆分向导。局限为横断面设计难以严格因果推断、可能存在双向因果，NASA-TLX（NASA任务负荷指数）回顾性累积测量扁平化负荷动态且自报数据有记忆偏差；未来可采用纵向干预、客观交互日志及眼动/脑电（EEG）等客观指标。

研究结论部分翻译：生成式人工智能对知识工作流程的深度介入已显著重塑术语工作者等专业群体的执行过程，将部分质量控制与逻辑校正压力转移至人机交互界面。通过构建结合潜在剖面提取的多变量验证模型，本研究确认，当面对大语言模型输出带来的不确定性挑战时，从业者在提示策略上的操作偏好不仅是对文本输出精度的外部干预，而且更深入地参与用户主观认知负荷的内部调节过程。经验数据表明，倾向于使用高水平策略组合的群体表现出更显著的认知卸载效应。在该传导环节中，AI交互自我效能作为数字情境中的系统控制信念，发挥稳定且关键的中介作用；同时，该调控路径不受用户在传统专业领域中的职业资历约束。关键的是，尽管“策略—效能—负荷”机制在术语工作中得到验证，其底层逻辑自然延伸至具有严格语义要求和高错误成本的更广泛知识密集型行业——如法律合同起草、医学诊断辅助和财务合规审查。综合发现表明，在当前智能技术转型背景下，发展适当的提示调节技能并在该过程中积累系统交互自我效能，构成应对心理负荷挑战并寻求认知资源再平衡的有效、通用框架。