人机协同创作中，人类对叙事性及多样化人工智能生成内容的神经认知与情感反应：一项fNIRS研究

《International Journal of Industrial Ergonomics》：Neurocognitive and affective responses to narrative and divergent AI-generated content in human-AI co-creation: An fNIRS study

　　摘要：本研究探讨了不同用户群体在涉及生成式人工智能的协同设计任务中的神经认知反应。我们提出了一种基于神经动力学的方法来评估用户的认知偏好，以及一种基于脑网络的方法，利用功能性近红外光谱技术来分析人机协同设计过程中的神经认知协调性。参与者被分为专业设计组和非设计组，研究分析了两组在叙事型与发散型协同设计任务中的客观神经认知数据及主观心理反应。共有来自同一所大学的41名学生参与了实验。协同设计任务分为三个阶段：图像生成阶段、图像筛选阶段以及创作描述阶段。在参与者执行这些任务时，通过功能性近红外光谱扫描仪监测其脑部激活情况与功能连接性，同时运用自我评估量表收集用户的主观反馈。基于神经动力学的分析显示，在发散型生成式人工智能任务的三个阶段中，专业设计组的脑部激活程度均高于叙事型任务。而非设计组在叙事型生成式人工智能任务的图像生成和筛选阶段脑部激活程度更高，但在创作描述阶段则呈现相反趋势。在协同设计过程中的脑网络特征方面，两组在发散型任务中的功能连接性均较高，这一结果支持了对专业设计组的预测，但并不适用于非设计组。自我评估量表则为了解参与者在两种协同设计任务中的情感体验提供了补充性证据。

引言：随着人工智能技术的不断进步，设计行业正变得越来越智能化与个性化（Gan等人，2021；Wang等人，2024a、b、c；Liu等人，2022）。诸如ChatGPT和Stable Diffusion之类的生成式人工智能的出现，标志着“大模型时代”的到来。人工智能生成内容作为一种新的内容创作方式，继专业生成内容与用户生成内容之后应运而生。凭借其高效率、低门槛以及高质量的特点，人工智能生成内容为专业与非专业用户都提供了有力支持（Peng等人，2024）。这一变革也意味着生成式人工智能正在从“辅助和增强”人类能力，向“独立创造与生产”阶段发展。Lou（2023）认为，人工智能生成内容的未来在于让机器更像机器，让人更像人，从而让人类天性的智慧突破计算理性的局限，实现设计与创作中的人机融合。Wu等人（2023）指出，人工智能生成内容的演变逐渐将设计流程从“设计师的创意输出”转变为“设计师对机器生成的成果进行评估”。因此，技术的进步使得生成式人工智能能够生成高质量甚至完整的设计内容，大幅提升了创作的速度与效率（Stige等人，2023）。在由人工智能驱动的设计流程中，设计师的角色逐渐从直接创作转变为对人工智能生成内容的评估与优化（Kim等人，2024a、b；Sha等人，2025）。与此同时，越来越多具有出色设计质量、操作便捷、响应迅速且功能丰富的商业级大模型出现，使得非专业用户也能完成高质量的设计工作（Ma和Huo，2024；Kashef等人，2025）。因此，了解用户对人工智能生成内容之间的认知与情感反应，有助于开发者设计出更符合用户需求和使用习惯的界面，进而提升整体用户体验（Koscelny等人，2025）。Elyoseph等人（2024）研究了文本型生成式人工智能解读用户认知反应的能力，结果表明ChatGPT-4具备较强的认知识别能力，凸显了这一能力在生成式人工智能发展中的重要性。此外，Jiang等人（2024）分析了设计专业学生在使用生成式人工智能辅助设计时的关键因素。Lu等人（2024）提出了一个用于评估生成式人工智能的整体指标体系，便于从技术、美学以及视频文本匹配度等方面对视频生成式人工智能进行综合评价。因此，深入理解用户对人工智能生成内容之间的认知与情感反应，是人机交互与人体工程学领域的重要研究方向（Wu等人，2025）。量化这些反应模式有助于合理分配工作负荷，确保处理人工智能生成内容所带来的认知与情感负担不会超出用户的承受能力。此外，这些见解还有助于开发能够根据用户认知与情感状态动态调整的界面（Bartlett等人，2024），从而推动以用户为中心的设计理念，提升人机协同创作中的创新表现。然而，以往对生成式人工智能的研究大多集中在其美学质量或技术实现层面，往往忽视了人机协同设计中存在的多样性与复杂性。具体而言，目前缺乏关于不同用户群体（设计组与非设计组）在面对不同类型生成式人工智能任务（结构化任务与开放式任务）时反应差异的系统比较。现有研究多聚焦于单一用户群体或一般使用场景，未能考虑到不同用户群体可能会因任务类型的不同而产生不同的认知与情感偏好。忽视这些差异可能导致技术发展不完善以及应用设计不佳，同时也无法体现市场需求的多样性及用户行为的复杂性，最终可能造成技术应用与商业化的失败（Brandtz?g，2010）。为解决这些问题，本研究将生成式人工智能内容分为两类：叙事型内容与发散型内容。叙事型内容旨在根据用户提供的提示词生成连贯的、以故事为基础的图像，这一方法遵循叙事心理学中的“情节一致性”原则（Stephens，2011）。而发散型内容则不注重情节一致性，而是侧重于展现视觉与创意的多样性，允许用户自由探索各种风格与创意，不受单一故事线的限制。同时，我们将参与者分为两组，以便对协同设计任务中的用户体验进行全面且多维度的评估。通过比较两组的测试结果，有助于在技术开发过程中更好地把握不同用户的需求与反馈，从而推动人工智能生成内容技术向更多应用场景拓展。目前，用于捕捉用户情感与认知机制的方法主要依赖于基于自我报告量表的主观评估。尽管这类量表能够有效反映有意识的情感与认知结果，但其存在明显局限性：其一，它们都是静态且回顾性的，无法捕捉认知处理过程中实时发生的波动（Liu等人，2021a、b）；其二，缺乏解释深度，虽然主观评分能反映用户的感受，但却无法解释认知资源分配背后的神经机制（Wang等人，2025）。在现有技术中，功能性近红外光谱技术能够持续监测与任务相关的皮质血氧变化，为用户的认知与情感处理提供生理学依据。与只能间接推断情感与认知状态的行为指标不同，功能性近红外光谱技术能够捕捉任务执行过程中皮质激活的实时变化，帮助研究人员准确判断不同任务阶段中情感与认知过程的实时变动。通过分析大脑各区域之间的同步性，功能性近红外光谱技术还能揭示各种认知功能是如何相互整合的。这一能力使我们能够区分用户的体验是由高认知效率还是高认知负荷所驱动，从而获得仅靠问卷得分无法得到的重要信息。此外，与脑电图或功能性磁共振成像相比，功能性近红外光谱技术在时间分辨率与空间分辨率之间取得了更好的平衡（Wang等人，2024a、b、c），而且对电磁干扰的敏感度更低，能够在多种环境中稳定运行（Brucker等人，2022）。近年来，功能性近红外光谱技术已被广泛应用于多个领域，包括严肃游戏（Lei和Rau，2023）、社交媒体（Kopi?-Posiej等人，2024）、美学质量评估（Wang等人，2023）、临床诊断（Rahman等人，2020）、神经康复（Zou等人，2024）、运动科学（Carius等人，2022）、市场调研（Meyerding和Mehlhose，2020）、驾驶任务（Festa等人，2024）以及教育研究（Zhang等人，2024），为研究人员提供了深入的神经认知研究视角。综上所述，为评估不同用户在生成式人工智能的叙事型内容与发散型内容上的神经认知表现及情感反应，本研究构建了一个集成型生成式人工智能系统，该系统结合了文本到文本模型与文本到图像模型，既支持叙事型与发散型创作，又允许用户进行修改与迭代。同时，借助功能性近红外光谱技术监测用户的脑部激活情况与功能连接性，以分析其神经动态反应及脑网络的变化，再通过自我评估量表收集用户的主观情感反馈。我们设计了由生成式人工智能与用户共同完成设计创作的任务，要求设计组与非设计组的成员在两种类型的生成式人工智能系统中完成相同的创意任务。这些任务被分为三个阶段：图像生成阶段、图像筛选阶段以及创作描述阶段，以此评估用户在协同设计过程中的神经认知变化及脑网络结构。这些任务有助于生成式人工智能的开发者了解用户在协同设计过程中的认知与情感变化，进而调整人工智能的生成策略与交互方式。本文的贡献主要体现在三个方面：第一，本研究针对具有与不具备设计创作专业背景的两类用户，分析了不同生成式人工智能内容对具有不同认知背景的人群在信息处理方面的影响，为提升人机协同设计系统的可用性提供了参考；第二，神经动力学分析为了解用户在不同任务及不同时段内的神经认知动态变化提供了重要视角，通过研究协同设计任务的不同阶段，试图全面揭示用户在协同设计过程中的认知变化规律；第三，脑网络分析揭示了协同设计过程中不同脑区之间的协调模式，这些研究结果展示了不同用户群体在各类协同设计任务中的脑区互动特征。

节选内容：人工智能时代的协同设计——人机协同创作是一种将人类的创造力与机器的数据处理能力相结合的创新方法（Li等人，2026）。在这种模式下，人类与机器共同参与创作过程，以产生新的想法或解决方案。这种协作模式已在艺术（Correia，2024）、设计（Hong等人，2019；Liu等人，2021a、b）以及工程领域（Cao，2022）得到广泛应用。Mukhtar等人（2012）提出了协同设计的系统架构。我们将生成式人工智能的设计创作系统分为两个部分：第一，发散型生成式人工智能，用于概念构思阶段，通过发散型内容生成为用户提供多样化的创意素材；第二，叙事型生成式人工智能，用于设计创意阶段，通过生成叙事风格图像帮助用户构建创意故事板的整体框架，这类生成式人工智能能够理解用户需求并作出合理的补充。基于脑区激活分析的结果，图6展示了两种生成系统中使用设计组与非设计组用户的血红氧浓度数据分布情况。每张图表代表一个脑区的数据，三种不同颜色分别对应任务的三个阶段。箱线图显示，所有参与者的LOL与ROL两个脑区的数据分布均存在异常，表现为大量离群值，而且数据严重偏斜（即中位数位于箱子之外），这表明……讨论部分指出，本研究开发的人机协同设计系统包含叙事型生成式人工智能与发散型生成式人工智能两种模式。我们通过神经动力学分析、脑网络分析以及用户自我报告，研究了不同设计背景的用户在各类协同设计任务中的认知与情感差异，研究结果总结如下：首先，从脑部激活程度来看，两种类型的协同设计任务均显著激活了LFL、RFL、LPL与RPL四个脑区；其次，专业设计组的脑部激活程度更高。结论部分指出，本研究运用功能性近红外光谱技术，分析了两组用户（设计组与非设计组）在两种类型的协同设计任务（叙事型生成式人工智能与发散型生成式人工智能）中的神经认知活动，同时提出了一种基于神经动力学评估用户认知偏好的方法，以及一种用于分析协同设计过程中脑网络协调性的方法。结合用户的自我报告（情绪价值、唤醒程度和支配感），不同用户在CRediT作者贡献说明中的神经认知差异。王南艺：概念构建、方法论、资源、软件、监督、验证、可视化、写作——初稿。梁照辉：概念构建、方法论、验证、可视化、写作——初稿。任希培：概念构建、资金获取、写作——审阅与编辑。布凌国：写作——审阅与编辑。葛世军：数据整理、研究、方法论。李增瑞：数据整理、软件。石迪：数据整理、可视化。利益冲突声明作者们声明存在以下可能被视为潜在利益冲突的财务利益/个人关系。致谢本研究得到了澳门大学创业研究基金（SRG 2025-00058-FAH）以及北京工业大学科技创新计划“特立学生科技创新团队项目”（2024CX06121）的支持。所有作者还要感谢匿名审稿人提出的建设性意见。王南艺|梁照辉|任希培|布凌国|葛世军|李增瑞|石迪中国澳门特别行政区澳门大学设计学院