比较申请者在人工智能面试与人类面试中的自我呈现：表现机会与情境互动性的作用

《INTERNATIONAL JOURNAL OF INFORMATION MANAGEMENT》：Comparing applicants’ self-presentation in artificial intelligence versus human interviews: The role of opportunity to perform and contingency-based interactivity

　　

•四项实验考察了面试官类型如何影响候选人的自我呈现。
•与人类面试官相比，AI面试官对候选人自我呈现的阻碍更大。
•表现机会在面试官类型对自我呈现的影响中起中介作用。
•基于权变的互动性缩小了AI面试官与人类面试官之间的差距。
•本研究深化了对AI招聘及其对候选人影响的理解。

1. 引言

人工智能（AI）指的是"机器执行通常与人类心智相关联的认知功能，如学习、交互和问题解决"（Raisch & Krakowski, 2021）。AI已逐步渗透到组织管理的各个方面。例如，人与机器人的任务分配（B?nziger等, 2020）、新兴的人工流程如算法控制（Kellogg等, 2020）、自主决策（Baird & Maruping, 2021）以及创新管理的转型（Füller等, 2022）；这些最终都有助于为员工和企业创造价值（Marvi等, 2025）。作为人力资源管理的基石，AI在招聘中的作用已从"锦上添花"转变为"必不可少"（Black & van Esch, 2020；Zhang & Wang, 2025）。

AI面试确实引发了乐观情绪和担忧。积极方面主要从未组织优化视角加以考察，强调招聘效率的提升、人类认知偏差和不公正的减少、通过数据驱动评估方法改善人员-组织匹配度（Acikgoz等, 2020；Black & van Esch, 2020；Das等, 2018；Gonzalez等, 2022；Hunkenschroer & Lütge, 2021；Suen等, 2019；Woods等, 2020），以及通过基于AI的行为分析增强检测欺骗性或被夸大的申请人自我呈现的能力（Suen等, 2024）。然而，审慎的学者越来越关注从申请人角度看可能存在的弊端，提出了关于焦虑加剧、程序公平感知降低、人际交流机会减少以及算法决策缺乏透明度等方面的担忧（Acikgoz等, 2020；K?chling等, 2023；Park & Jung, 2025；Suen & Hung, 2023），从而凸显了AI面试的双重性质。具体而言，尽管AI面试减少了来自申请人的非真实线索的干扰，但该过程也可能限制真实的、具有诊断意义信息的传递。此外，现有研究主要考察异步视频面试（AVI）（Mirowska & Arsenyan, 2025；Niemitz等, 2024；Suen & Hung, 2024；Zhang & Wang, 2025）。相比之下，新兴的面试实践越来越多地涉及同步AI面试，其特点是申请人与AI虚拟形象或聊天机器人之间的实时交互（Park & Jung, 2025）。尽管这些方法的交互性质根本不同（Falls等, 2025；Mirowska & Arsenyan, 2025），候选人在同步AI面试中的自我呈现仍未得到充分探索（Suen & Hung, 2025）。因此，从候选人视角理解同步AI面试，特别是其对真实和非真实自我呈现的影响，已成为一项重要的研究优先事项。

为应对这一研究关切，我们运用印象管理理论（Leary & Kowalski, 1990）作为指导框架，阐述AI面试塑造候选人自我呈现的潜在机制。该理论框架解释了不同面试决策主体（人类与AI）的使用如何引发候选人不同的印象管理反应和社会期许行为（Suen等, 2019；Suen等, 2020）。与人类面试官相比，后者通常被认为更具互动性、沟通性、胜任力和可信度（K?chling等, 2023；Lou等, 2022；Min等, 2024），AI面试官可能会限制候选人的表现机会或损害双方的互动参与程度（Suen & Hung, 2024），从而中介候选人的自我呈现。此外，在人机交流中，上述心理过程的效果受技术特征的影响（Liu等, 2023）。印象管理理论指出，工作场所中的互动可能阻碍或促进印象的构建（McFarland等, 2023）。因此，我们引入基于权变的互动性作为调节变量，该变量可能减弱人类面试官与AI面试官在塑造候选人感知表现机会和面试表现方面的差距（Min等, 2024；Suen & Hung, 2024）。

总体而言，本研究的主要目标是通过考察候选人如何在新兴的面试情境中驾驭自我呈现——尤其是在真实和非真实自我呈现方面——来推进对同步AI面试的认知。除了考察这些结果之外，本研究的次要目标是揭示解释此类自我呈现效果何时和为何发生的潜在机制和边界条件。具体而言，我们确定表现机会为这些效果背后的关键中介变量，并阐明其在同步AI面试情境中的理论意义。此外，我们考察基于权变的互动性作为塑造这些关系的边界条件。

本研究从几个方面推进了现有文献。第一，我们的研究将候选人在同步面试情境中印象管理策略的研究与从候选人视角出发的AI文献联系起来。我们将基于AI的面试研究拓展至同步情境，证明AI面试官和人类面试官对候选人自我呈现具有显著不同的影响。具体而言，我们发现AI面试官同时抑制了欺骗性的（例如夸大的自我呈现）和促进性印象管理策略（例如真实的自我呈现），从而产生了印象管理悖论。第二，我们揭示了候选人与不同主体互动时差异化自我呈现行为背后的潜在机制，即感知表现机会。与面试焦虑、认知负荷和感知欺骗检测能力等机制不同（后者主要解释欺骗性印象管理，Agnihotri & Bhattacharya, 2026；Moon等, 2026；Powell等, 2026），表现机会超越了欺骗性方面，涵盖了更广泛的自我呈现。由于欺骗性和真实的自我呈现都依赖于感知影响评价者印象的机会，表现机会为AI面试中这两种行为的减少提供了更全面的解释。第三，本研究旨在考察基于权变的互动性如何塑造AI面试的效果（如Chong等, 2021；Kim等, 2012；Kim等, 2022；Lou等, 2022；McMillan & Hwang, 2002；Sun等, 2024；Sundar等, 2016）。在此过程中，我们理论化并证明了这一AI特征如何缩小AI面试官与人类面试官在引发欺骗性和真实自我呈现方面的差距，突出了减少欺骗性呈现的潜在益处以及抑制真实呈现的非预期代价。研究模型如图1所示。

图1. 概念模型

2. 文献回顾与假设发展

2.1. AI面试与自我呈现

2.1.1. 同步与异步AI面试

随着技术的快速发展，面试已从传统的面对面形式演变为技术增强的形式，如电话和视频面试，以及最近兴起的AI辅助面试（Lukacik等, 2022）。AI面试在选拔程序中纳入AI技术以自动化面试并辅助面试决策（Zhang & Yang等, 2025）。多达86%的雇主已采用AI驱动的自动化视频面试来筛选求职申请人（Suen & Hung, 2024），招聘人员认为这是自2018年以来面试领域五个最重要发展之一（Lukacik等, 2022）。AI系统（如聊天机器人或虚拟面试官）向申请人提出预设问题，同时收集并分析其语言内容、副语言线索（如语调和流利度）和非语言信号（如面部微表情、头部动作和眼部动作；Liu等, 2023；Luo等, 2025）。收集的数据随后帮助雇主在人员选拔早期阶段筛选申请人（Suen等, 2024）。

在面试官和申请人能否实时互动方面，基于技术的面试可大致分为同步和异步两种形式（Suen & Hung, 2025；Suen等, 2019）。Suen和Hung（2025）进一步区分了两种AI辅助视频面试：AI辅助AVI和AI辅助同步视频面试（SVI）。AI辅助AVI指的是申请人先在视频上录制回答，之后AI技术辅助人类评价者或直接分析并评估申请人的视频回答；HireVue是该形式的代表性示例（Suen & Hung, 2025）。与此同时，AI辅助SVI指的是实时视频面试形式，AI在面试过程中同时记录和评分申请人的回答，从而帮助面试官对候选人进行实时评估。大多数现有的AI辅助视频面试采用AVI形式。与异步面试相比，同步形式涉及更多的实时交互和更高的媒体丰富度，能够实现即时反馈、语言和非语言线索的传递、更高程度的个性化以及更丰富的语言多样性（Suen & Hung, 2025；Suen等, 2019）。

关于AI辅助面试的现有工作大多在异步形式上进行，特别是AVI（Mirowska & Arsenyan, 2025；Niemitz等, 2024；Suen & Hung, 2024；Zhang & Wang, 2025）。这种侧重点使得申请人与AI之间的实时交流相对较少被考察，尽管同步形式涉及性质上不同的交互过程（Falls等, 2025；Mirowska & Arsenyan, 2025；Park & Jung, 2025）。因此，需要更多地关注申请人在面试过程中与AI面试官互动的AI面试。在本研究中，我们将AI面试定义为AI通过混合模态界面与申请人交互以执行面试程序的实时、面向申请人的面试过程。

2.1.2. AI面试对申请人的影响

我们进一步回顾了AI面试对申请人的影响，并识别出两个主要研究流（见表1）。第一个研究流考察了与人类面试相比，AI面试如何影响申请人。现有研究普遍表明，AI面试比人类面试引发更不利的申请人反应，尽管具体发现因面试形式和研究设计而异。基于情景实验的研究者发现，AI面试条件下的申请人报告的工作相关自我效能低于人类面试条件下的申请人（Cui等, 2025），同时基于AI的评估被认为传递了较低的人员关注度信号（Mirowska & Arsenyan, 2025）。利用预录视频，Zhang和Wang（2025）进行了实验室模拟面试，发现AI面试条件下的申请人经历了更多负面情绪和较低的组织信任。在另一项模拟面试中，申请人认为基于AI的面试评估涉及更大的不确定性和较低的社会临场感，并表现出更快的语速（Liu等, 2023）。然而，关于感知公平性的发现则存在分歧。一些情景实验表明，AI面试被认为比人类面试更不公平（Acikgoz等, 2020；Luo等, 2025），而其他研究显示对AI面试有更高的公平性期望（Wang等, 2025），或在某些文化背景下AI面试与人类面试在感知公平性方面差异不大（Park & Jung, 2025）。

表1. 关于AI面试对申请人影响的近期实证研究

| 参考文献 | 核心发现 | 备注 |
|---|---|---|
| Acikgoz等（2020） | 与人类面试官相比，基于AI的面试在程序公平（包括表现机会）和互动公平方面通常被认为更不公平。 | 信号理论；公平启发理论 |
| Cui等（2025） | 与人类面试相比，AI面试可能降低申请人的自我效能，并降低其接受工作邀请的可能性。 | 社会信息加工理论 |
| Liu等（2023） | 与人类评估情境相比，AI评估情境中的参与者表现出更大的不确定性、较低的社会临场感和更快的语速。 | Berger的基于计划的战略沟通理论 |
| Luo等（2025） | 在高科技产业中，申请人更愿意参与AI面试；感知程序公正和组织吸引力均中介了面试形式与申请人申请意愿之间的关系。 | 能力-人格框架；公平启发理论；信号理论 |
| Mirowska & Arsenyan（2025） | AI面试被受访者视为传递了低水平员工关怀的信号。 | 信号理论 |
| Zhang & Wang（2025） | AI面试通过情感路径（即负面情绪）和认知路径（即组织信任）降低了组织吸引力。 | 社会信息加工理论；双加工模型 |
| Wang等（2025） | 与人类面试相比，AI面试引发了申请人更强的独特性忽视期望和更高的公平性期望。 | 期望理论 |
| Agnihotri & Bhattacharya（2026） | 当AI作为面试官时，申请人在求职面试中作假的意愿增加，该效果由申请人感知的AI相对于人类检测作假的能力所中介。 | 印象管理理论 |
| Park & Jung（2025） | 在工作相关性、表现机会和双向沟通方面，美国人普遍认为基于AI的面试比人类面试更不公平。 | （未列示） |

相比之下，韩国人认为两种面试类型在公平性上几乎没有差异，在某些维度（如表现机会）上甚至认为人工智能面试更为公平。公正启发式理论；信号理论K?chling等人（2023）在选拔后期阶段（如电话和视频面试）引入人工智能支持被发现会降低申请者的表现机会感知，同时增加情感上的诡异感。未明确阐述技术特征的影响Clavel等人（2025）人工智能面试官的亲密感与用户体验呈正相关。社会响应理论Min等人（2024）在基于人工智能的面试中，具有温暖和愉快外观、情感表达风格丰富、信息内容充实的虚拟化身可以显著提高申请者对人际公正和信息公正的感知。关键接触理论Suen等人（2019）申请者在面试同步性（同步视频面试与异步视频面试）或决策主体（人类与人工智能）的公平性评价上没有显著差异；然而，他们对异步视频面试的偏好低于同步视频面试。媒体丰富度理论；社会界面理论Suen和Hung（2023）在异步视频面试中使用人工智能（与不使用人工智能相比）可以增强申请者的认知信任；当人工智能辅助异步视频面试融入可触知性和透明性特征时，申请者的认知信任和情感信任都得到进一步增强。恐怖谷理论；信号理论；社会界面理论Suen和Hung（2025）与同步视频面试相比，异步视频面试在所有维度上引发的欺骗性印象管理行为更少；在异步视频面试和同步视频面试两种形式中，使用人工智能辅助评估都与较低程度的广泛形象塑造行为相关，而非人工智能条件下。媒体丰富度理论；期望理论Suen和Hung（2024）当人工智能辅助异步视频面试通过虚拟化身具象化时，申请者的诚实印象管理显著增加，而欺骗性印象管理明显减少。当人工智能辅助异步视频面试通过聊天机器人交互展现即时性时，诚实印象管理增加，而欺骗性印象管理保持不变。当人工智能辅助异步视频面试通过面试前的文字解释实现透明化时，诚实印象管理减少，而欺骗性印象管理急剧增加。社会界面理论Xu等人（2025）人工智能面试官的高水平人际互动可以增强申请者对程序公正的感知。组织公正理论第二组文献聚焦于人工智能面试的特定技术特征如何影响申请者。Min等人（2024）的情景实验表明，具有温暖愉快外观、情感表达行为和丰富信息内容的人工智能面试官虚拟化身可以显著增强申请者对人际公正和信息公正的感知。此外，Clavel等人（2025）开发了一个自主招聘面试应用程序，让参与者完成模拟面试，发现人工智能面试官的亲密感与用户体验呈正相关。在采用异步视频面试进行初步筛选的真实招聘情境中，可触知性和透明性也被发现与申请者的评价呈正相关（Suen & Hung, 2023）。2.1.3. 自我呈现与印象管理理论印象管理理论认为，个体在面试过程中通常有动机以积极的方式呈现自己（Bourdage等人, 2018）。求职面试为申请者提供了通过印象管理策略在潜在雇主面前建立良好印象的机会（Wang等人, 2025）。印象管理是指个体试图控制他人对自己形成的印象（Leary & Kowalski, 1990）。它在人际互动中发挥着至关重要的作用，尤其是在求职者常常努力获得面试官积极评价的面试场景中（Ellis等人, 2002）。自我呈现是印象管理的一个重要方面（Bolino等人, 2016），涉及突出个人的资质和能力以获得钦佩或尊重，特别是在面试中（Sezer等人, 2018）。自我呈现的范围从真实表达自我到夸大或编造特质以产生良好印象（Sezer等人, 2018）。学者们根据自我描绘的准确性将自我呈现分为真实策略和夸大策略（Bourdage等人, 2018）。Kim等人（2023）进一步将其分为真实自我呈现、真实自我增强和夸大自我增强。真实自我呈现涉及真实地展现自己的人格、态度和能力，从而降低压力，改善内部状态与外部行为之间的一致性，并带来更好的表现和人际契合度（David等人, 2021）。真实自我增强强调真实的积极特质，如成就和优势，与信任和工作表现呈正相关（Kim等人, 2023）。相比之下，夸大自我增强涉及修饰或编造特质（Levashina & Campion, 2007），通常导致不被信任和工作表现方面的负面结果（Wang等人, 2024）。事实上，面试中的伪装或欺骗性印象管理并非近期才出现的现象，而是在面试实践中长期存在的（Levashina & Campion, 2007）。这种策略往往导致个体夸大自己的优势、推卸责任或否认自己失败的过失（Levashina & Campion, 2007）。通过回顾人工智能面试如何影响申请者印象管理的文献，我们识别出以下特征。首先，在结果变量方面，现有研究主要关注欺骗性印象管理，而对自我呈现的不同形式关注明显不足。例如，Agnihotri和Bhattacharya（2026）的情景实验表明，人工智能作为面试主体的存在会增加申请者在面试中伪装的行为意向。在模拟面试设置中，Langer等人（2020）发现，当申请者参与涉及算法自动评估的异步面试时，其欺骗性印象管理行为较少。同样，Suen和Hung（2025）表明，申请者在异步视频面试中的欺骗性印象管理行为少于同步视频面试，并且在两种面试形式中，人工智能辅助评估都减少了形象塑造行为。其次，以往研究尚未从印象管理理论的视角考察人工智能面试官（与人类面试官相比）如何通过表现机会影响自我呈现。基于媒体丰富度理论，Langer等人（2020）提出，在自动化评估情境中，数字化评估可能减少欺骗性印象管理，同时降低参与者的表现机会；然而，这一结论在人工智能面试情境中是否仍然成立仍有待进一步检验。此外，我们认为印象管理理论对于人工智能与人类面试官之间的比较具有更大意义且更为适用。特别地，该理论指出，当个体面对特定受众时，会判断是否有必要以及是否有可能塑造该受众对自己的印象。在不同的面试官情境中，这些判断可能对应不同的申请者行为反应（Agnihotri & Bhattacharya, 2026）。表现机会长期以来一直被视为程序公正的一个重要维度（Park & Jung, 2025）。程序公正主要反映申请者对系统或程序的整体评价（Wang等人, 2025），而表现机会则更为具体地捕捉申请者是否感到有充足的空间来展示自己并证明自己的知识、技能和能力（K?chling等人, 2023）。因此，表现机会更为直接地反映了自我呈现的实施条件，即申请者是否相信自己能够进行印象管理。因此，本研究聚焦于表现机会的中介作用，并以印象管理理论为基础。特别地，本研究旨在通过表现机会来检验人工智能面试（与人类面试相比）对申请者三种自我呈现类型——真实自我呈现、真实自我增强和夸大自我增强——的影响。2.2. 表现机会的中介作用2.2.1. 面试官类型与表现机会表现机会被定义为"在测试情境中有充分的机会展示自己的知识、技能和能力"（Bauer等人, 2001, p. 391）。在面试中，候选人将表现机会视为程序公正的关键组成部分（Bauer等人, 2001, K?chling等人, 2023）。面试设计在塑造申请者的表现机会感知方面发挥着关键作用。例如，结构化面试虽然有助于确保一致性，但被认为会减少自我呈现的机会，因为它们限制了面试官与候选人之间的互动（Barrick等人, 2009, Campion等人, 1997）。此外，人工智能和人类面试官的相同行为会引发不同的反应（Arikan等人, 2023, Li等人, 2023, Wang等人, 2023），候选人通常对面对面面试的反应更为积极。技术中介的面试，包括使用人工智能进行的面试，通常被认为提供的互动和自我呈现机会较少（Gonzalez等人, 2022, Sears等人, 2013）。基于这些证据，我们提出，与人类面试官相比，申请者在接受人工智能面试时感知到的表现机会更少。第一，人类面试官可以进行眼神交流，使候选人能够感知到自己正在被观察和评判（Martín-Raugh等人, 2023）。这种潜意识的意识被称为印象监控，它使候选人能够实时调整自己的行为以呈现更有利的自我形象（Leary & Kowalski, 1990）。有效的眼神交流是求职面试的重要组成部分（McColl & Michelotti, 2019）。然而，人工智能面试官通常缺乏自然的眼神交流，这可能降低候选人判断自己被感知程度并相应调整回答的能力。第二，人工智能面试官缺乏人类面试官的情感和同理心能力，因为机器无法像人类那样完全思考或感受（Bigman & Gray, 2018）。在人际互动中，微妙的情感线索是人际反馈的重要来源，使候选人能够持续调节自我呈现和印象管理行为（Liu等人, 2019）。行为科学研究表明，人类在做出判断时往往依赖情感，并用自己的感受来评估情境（Schwarz & Clore, 1983）。由于自主机器比人类面试官具有更有限的情感理解能力（Bigman & Gray, 2018），候选人可能不那么感到有必要像在人类面前那样精心准备回答或管理自己对机器的印象（Pitardi等人, 2024）。第三，人工智能决策的透明度不足可能进一步阻碍候选人对其表现机会的感知。K?chling等人（2023）指出，人工智能支持的选拔过程缺乏透明度使候选人不确定人工智能如何记录和评估他们的回答。这种不确定性可能会降低候选人充分参与面试过程的意愿，并削弱其感知到的表现机会。相比之下，人类面试中的评估过程通常更为熟悉，使候选人能够更好地理解自己的回答是如何被评估的，从而增强对自身表现的控制感。总之，人工智能面试官无法进行眼神交流、缺乏情感理解能力以及决策过程的不透明性可能导致候选人感知到的表现机会少于人类面试官所提供的。现有研究进一步表明，将人工智能整合到选拔过程的后期阶段（如电话和视频面试）可以通过申请者的表现机会感知影响组织吸引力（K?chling等人, 2023）。基于上述推论，我们提出以下假设：H1：与人类面试官相比，面试者在接受人工智能面试官面试时的表现机会更少。2.2.2. 表现机会的中介作用在面试阶段，候选人倾向于提供表现机会的环境，使他们能够充分展示自己的知识、技能和能力（Gilliland, 1993, Gonzalez等人, 2019）。Bauer等人（2001）指出，表现机会对面试者的自尊、组织吸引力感知、工作接受意愿和工作表现都有积极影响。在此情境中，感知到的表现机会作为自我呈现的关键前置因素，因为它塑造了候选人参与影响他人对自己感知程度的努力范围。以往文献表明，表现机会较少可能与更负面的行为相关（Khan等人, 2017）。相反，更多的表现机会增加了可见性，即一个人的行为更有可能被他人观察和评估。随着个体变得更加可见，他们往往更关注自己的行为如何被感知，因此更可能采用策略来管理他人的印象（Leary & Kowalski, 1990）。根据印象管理文献，当个体在诸如求职面试、公开演讲或绩效评估等情境中拥有更多展示自己能力和特质的机会时，他们更有可能进行自我呈现以影响他人对自己的看法（Leary & Kowalski, 1990）。

因此，我们提出以下假设：H2a 面试者的表现机会与（a）真实自我表达、（b）真实自我提升和（c）夸大自我提升呈正相关关系。根据印象管理理论，个体在面试过程中通过评估自身呈现策略的有效性，并基于面试官或评估者的反应进行调整来进行印象监控（Leary & Kowalski, 1990）。与人类面试官相比，AI面试官提供的反馈线索有限，从而降低了候选人推断面试官想法的能力。因此，候选人感知到的表现机会较少，更不太可能进行自我呈现。因此，我们提出面试官类型（人类与AI）通过面试者感知的表现机会间接影响真实自我表达、真实自我提升和夸大自我提升。据此，我们提出以下假设：H2b 人类面试官通过表现机会对（a）真实自我表达、（b）真实自我提升和（c）夸大自我提升的间接效应，比AI面试官更为显著。

2.3 情境性交互性的影响

人工智能越来越多地被概念化为能够持续同化人类面试官所展现的独特属性，例如交互性。总体而言，多个维度会影响个体对交互性的感知。例如，沟通的方向性（即相互对话的质量和提供反馈的能力）、用户控制（McMillan & Hwang, 2002）以及时间相关因素（Lew et al., 2018, Sundar et al., 2016）被视为交互体验。响应与用户先前消息的相关程度，通常被称为会话情境性，构成了感知交互性的一个核心维度（Lew et al., 2018）。

情境性被认为是交互性领域中最与内容相关的维度（Burgoon et al., 1999），也被称为"消息交互性"（Sundar et al., 2016），从而增强了响应性（Sundar et al., 2003）。它反映了一方的回应受到互动过程中先前交换消息塑造和依赖的程度（Lew et al., 2018, Sundar et al., 2016）。基于情境的交互性促进了对话中的回应，从而提高了个体在互动中的参与感和相互感（Sundar et al., 2016）。在人与AI的互动中，当AI系统生成的回复依赖于用户先前的输入且具有上下文相关性时，对基于情境的交互性的感知会增加。

基于情境的交互性是人类-人类互动和人类-AI互动的一个关键特征。根据印象管理理论，职场互动的性质可能阻碍或促进印象的构建（McFarland et al., 2023），从而在人类-人类或人类-计算机互动中充当调节因素。例如，同步性（即互动的时机和响应性）在塑造这些动态中发挥着关键作用（Grant & Mayer, 2009）。基于情境的交互性因此已成为影响面试官在面试过程中回应方式的首要决定因素，充当塑造互动性质的定义性因素（Sundar et al., 2016）。在当前情境下，面试中的信息源可以是人类或AI，这两类面试官所展现的基于情境的交互性可以放大候选人对表现机会的判断。

从前述论述中得出的一个关键见解是，与人类面试官互动的候选人可能感知到更高的表现机会。在此基础上，人类面试官展现的基于情境的交互性会进一步增强候选人感知到的表现机会。当面试官对候选人的输入做出回应时，候选人可能更清晰地了解他们的回应是否以及如何吸引面试官。这些线索可以帮助候选人推断出哪些类型的回应是受重视的，并相应地调整其后续回应，从而促进社会期望性回应（Suen et al., 2019）。此外，这样的反馈信号表明面试官关注并重视候选人的信息，从而为候选人创造有意义的机会来塑造他们期望的形象并有效地表达或倡导自己的观点。

尽管基于情境的交互性对AI面试官的调节作用呈现出大致相似的模式，但其潜在机制有所不同。先前的研究认为AI缺乏足够的响应性（Sundar et al., 2016），这可能会破坏候选人在相关性、能力和自主性方面的基本心理需求，从而降低候选人的动力（Gonzalez et al., 2022）。自动化招聘流程可能会减少申请人感知到的控制感（Gonzalez et al., 2022, Suen et al., 2019），而基于情境的交互可能有助于恢复这种控制感。能够与人类进行强交互并对用户输入做出反应的AI往往表现得更加关注，从而满足人类的期望（Sun et al., 2024）。此外，这种具备基于情境的交互性的"高级"AI被认为能够更有效地处理来自候选人的多样化信息输入。因此，候选人被赋予更大的表现机会。总之，无论是由人类还是AI面试官引入的基于情境的交互性，都显著增强了候选人感知到的表现机会。基于上述讨论，本研究提出以下假设：

H3 对于人类和AI面试官，在较高水平的交互性下，表现机会比在较低水平的交互性下更为显著。

此外，人们可能会推测我们对情境性的感知是由互动是否涉及特定信息源所塑造的（Sundar et al., 2016）。本质上，个体在与人或AI面试官互动时对基于情境的交互性特征的处理表现出明显差异。正如先前文献所述，人类天然具有充足的响应性（Sundar et al., 2016）。换言之，当信息源是人类时，用户本能地认为人类应该比AI等自动化代理表现出更多的情境性。因此，增强人类在互动中的基于情境的交互性不会引起用户的惊讶。相反，由于倾向于认为AI代理是冷漠和僵化的偏见，AI表现出与人类相同水平的情境性将是出乎意料且令人惊讶的。总之，增强AI面试官的基于情境的交互性将比人类面试官产生更大的收益，有效地缩小两者之间的差距。具体而言，我们提出以下假设：

H4 在较高水平的交互性下，人类面试官和AI面试官对表现机会影响的差异比在较低水平的交互性下更小。

在面试阶段，候选人偏好能够为他们提供表现机会的情境，使他们能够恰当地展示其知识、技能和能力（K?chling et al., 2023）。基于情境的交互性可能导致面试者相信他们的回应能够引起面试官的参与，或者他们可以对AI施加一定的控制，从而引发更多社会期望性的回应，包括自我呈现（Honkaniemi et al., 2011）。当面试官提供情境性反馈和更多机会时，候选人更倾向于进行社会期望性回应（Honkaniemi et al., 2011），如无意识的自我欺骗或有意识的扭曲（Paulhus, 1984）。在面试情境中，这种表现可以具体表现为真实自我表达、真实自我提升和夸大自我提升。基于这一论证，AI面试官所展现的基于情境的交互性可能会让面试者感到惊讶，因为这样的交互行为通常预期来自人类面试官。因此，在高交互性情境下，AI和人类面试官在表现机会方面的感知差异缩小，导致候选人的印象管理行为呈现相似趋势。据此，我们提出以下假设：

H5 在较高水平的交互性下，人类面试官和AI面试官通过表现机会对（a）真实自我表达、（b）真实自我提升和（c）夸大自我提升的间接效应之间的差异比在较低水平的交互性下更小。

3. 研究概述

从2024年10月到2026年5月，我们进行了四项实验，以考察面试官类型（人类与AI）对候选人自我表达的影响及其潜在机制。在研究1-3中，AI面试通过基于情境的实验来操作化，参与者想象自己参加求职面试，并被告知他们将与AI或人类面试官互动。参与者还会看到描绘相应情境的图片。操纵仅涉及面试官类型（研究1-3）和基于情境的交互性水平（研究3）。求职面试情境详见附录AC。研究1检验了AI面试官（相对于人类面试官）在面试情境中对候选人感知到的表现机会的假设效应（H1）。研究2复制了研究1的发现（H1），并进一步检验了表现机会在面试官类型（人类与AI）与自我呈现之间的关系中的中介作用（H2）。研究3检验了所有提出的假设，并进一步增强了先前发现的可靠性。具体而言，我们检验了增加AI面试官的基于情境的交互性是否缩小了AI和人类面试官之间的差距（H3-H5）。我们在相同面试情境下，对2×2条件（面试官类型：AI与人类；基于情境的交互性：高与低）下申请人的表现机会和自我呈现进行了比较。研究3还复制了研究1和研究2的结果（H1和H2）。

为了进一步增强研究结果的外部效度，我们在2026年4月至5月期间进行了一项在线面试实验（研究4）。与基于情境的研究不同，该实验中的参与者直接与AI面试官或人类面试官在相对真实的在线面试环境中互动。在研究4中，使用在线面试平台进行基于文本的同步AI面试，该平台模拟实时面试互动。面试问题和申请人的回应通过文本进行交换，AI或人类面试官仅作为上下文界面信息进行视觉呈现。求职面试界面详见附录D。该设计使我们能够检验在基于情境的实验中观察到的效应是否能推广到更具沉浸感和交互性的面试环境中。

关于样本代表性的差异，在线参与者和组织员工样本均由全职员工组成。他们往往经历过不止一次面试，并且日常生活中越来越多地接触AI赋能工具。因此，他们中大多数人应具备相当丰富的AI工具使用经验。同时，MBA样本因更密切地接触新兴人力资源技术，对AI应用在选拔过程中的使用具有较高的认知度。

4. 研究1

4.1 设计

我们进行研究1以检验面试者是否在与AI面试官进行的面试中感知到的表现机会少于与人类面试官进行的面试。据此，我们设计了一个单因素情境实验，操纵面试官类型（AI与人类）。

4.2 样本

我们通过Credamo招募参与者，这是一个以其可靠数据质量而闻名的在线调查平台（Cheng et al., 2024, Dong et al., 2025）。使用G*Power软件，我们进行了先验功效分析，确定至少需要128名参与者才能达到足够的统计功效（f = 0.25, α = 0.05, power = 0.80）。为确保数据质量，我们采取了多项措施：参与者需在平台上信用评分高于80分，每人获得5元人民币的激励，并包含注意力检查题以筛选出不认真的回答（Wang & Jiang, 2023）。注意力检查题（"6加3加4等于多少"）已预先编程到调查平台中。未能正确回答该题的参与者会被自动且立即排除出研究。此外，所有问题均设为必答项，以确保完整回答。

最初招募了200名参与者。最终，我们获得了188份通过注意力检查的有效回应，满足样本量要求。表2总结了样本的人口统计信息。

表2 所有研究的样本信息

| 特征 | 类别 | 研究1（N=188） | | 研究3（N=271） | |
|------|------|----------|------|----------|------|
| | | 频次 | 百分比 | 频次 | 百分比 |
| 性别 | 男性 | 63 | 33.5 | 166 | 61.3 |
| | 女性 | 125 | 66.5 | 105 | 38.7 |
| 年龄 | 18-24岁 | 14 | 7.4 | 19 | 7.0 |
| | 25-29岁 | 57 | 30.3 | 90 | 33.2 |
| | 30-34岁 | 60 | 31.9 | 79 | 29.2 |
| | 35-39岁 | 38 | 20.2 | 47 | 17.3 |
| | ≥40岁 | 19 | 10.1 | 36 | 13.3 |
| 学历 | 高中及以下 | 7 | 3.7 | 8 | 3.0 |
| | 大专 | 55 | 29.3 | 79 | 29.2 |
| | 学士学位 | 108 | 57.4 | 149 | 55.0 |
| | 硕士学位及以上 | 18 | 9.6 | 35 | 12.9 |
| 工作年限 | t≤1年 | 10 | 5.3 | 10 | 3.7 |
| | 17年 | 16 | 8.5 | 45 | 16.6 |

| 特征 | 类别 | 研究2（N=192） | | 研究4（N=509） | |
|------|------|----------|------|----------|------|
| | | 频次 | 百分比 | 频次 | 百分比 |
| 性别 | 男性 | 72 | 37.5 | 240 | 47.2 |
| | 女性 | 120 | 62.5 | 269 | 52.8 |
| 年龄 | 18-24岁 | 0 | 0 | 129 | 25.3 |
| | 25-29岁 | 58 | 30.2 | 260 | 51.1 |
| | 30-34岁 | 85 | 44.3 | 77 | 15.1 |
| | 35-39岁 | 37 | 19.3 | 36 | 7.1 |
| | ≥40岁 | 12 | 6.3 | 7 | 1.4 |
| 学历 | 高中及以下 | — | — | 19 | 3.7 |
| | 大专 | 8 | 5 | 16 | 7 |
| | 学士学位 | 26 | 7 | 52 | 5 |
| | 硕士学位及以上 | 13 | 8 | 27 | 1 |
| 工作年限 | t≤1年 | 9 | 4.7 | 76 | 14.9 |
| | 17年 | 19 | 9.9 | 39 | 7.7 |

4.3 程序

实验包含四个部分：背景信息、操纵材料、操纵检验和焦点测量，以及人口统计信息。参与者首先阅读背景信息。然后被平台随机分配到AI面试官或人类面试官的实验情境之一。在阅读操纵材料后，参与者完成操纵检验并建立其在面试中的感知表现机会。随后完成人口统计问卷。具体实验材料见附录A。

4.4 测量

4.4.1.

操纵检验

参照Pei等人（2024）的研究，我们向参与者提问："你认为面试你的人是哪种类型的面试官？"回答选项编码为"1"代表"AI机器人面试官"，"0"代表"人类面试官"。

4.4.2. 表现机会

采用Bauer等人（2001）开发的四题项量表来评估参与者的表现机会。示例题项为："我可以通过这次面试充分展示我的技能和能力。"回答采用7点Likert量表（1＝"非常不同意"，7＝"非常同意"；Cronbach's α = 0.94）。为确保量表在中国情境下的效度，我们对原始量表的所有测量题项进行了改编，并使用标准的翻译-回译程序进行翻译。该过程有助于确保量表的语言准确性和概念等价性。最终题项见附录B。

4.4.3. 控制变量

我们最初选取参与者的性别、年龄、教育水平和任期作为控制变量，以控制个体差异（M?ndli & R?nkk?, 2025）。然而，我们的结果表明，纳入这些变量并未影响主要研究发现。此外，这些变量的影响并非本研究关注的重点。因此，正文中报告的結果不包含控制变量（Bernerth & Aguinis, 2016）。包含控制变量的假设检验详细结果见补充分析。

4.5. 分析

4.5.1. 假设检验与诊断测试

对于表现机会，人类面试官组AI面试官组的峰度绝对值分别为3.00和1.29，偏度绝对值分别为1.71和0.55。鉴于样本量相对较大（Lumley et al., 2002），且所有偏度值均低于3、峰度值均低于10，数据未显示出严重偏离正态分布。由于研究1仅涉及单一自变量，多重共线性不是问题所在。此外，对残差的P-P图检验进一步表明，大多数点落在45°对角线附近，支持了残差近似正态分布的假设。然而，Levene检验表明组间方差齐性假设被违反（F (1, 186) = 12.37, p = 0.001）。因此，参照先前研究（如Zhang & Yang, Yang, et al., 2025），我们在后续假设检验中采用了Welch检验以应对方差不齐的情况。

4.5.2. 操纵检验

在我们的样本中，所有参与者的回答均与预设的面试官情境一致，表明我们的操纵是成功的。

4.5.3. 假设检验

使用SPSS 26进行单因素方差分析来检验H1。结果显示，AI面试官条件下参与者报告的表现机会水平低于人类面试官条件（M_AI面试官条件 = 4.72, SD_AI面试官条件 = 1.53；M_人类面试官条件 = 5.41, SD_人类面试官条件 = 1.13；F_Welch (1, 170.98) = 12.37, p = 0.001, ηp2 = 0.06），从而支持了H1。

4.5.4. 事后功效与敏感性分析

为进一步评估统计功效，我们使用G*Power进行了事后功效和敏感性分析。事后分析显示功效为0.93，超过了我们先验目标0.80。敏感性分析显示最小可检测效应为f = 0.21，低于预设阈值0.25。综合来看，这些结果表明我们的研究具有足够的功效来检测具有理论意义的效应。

5. 研究2

5.1. 设计

我们开展研究2以复制研究1的发现，并进一步考察表现机会在面试官类型与自我呈现之间关系中的中介作用。为此，我们设计了一项单因素情境实验，操纵面试官类型（AI与人类）。

5.2. 样本

我们邀请了中国四川的MBA学生参与研究。与研究1一致，先验功效分析表明，需要至少128名参与者才能达到足够的统计功效（f = 0.25, α = 0.05, power = 0.80）。为确保足够的样本量，我们向200名MBA学生发放了邀请。纳入与研究1相同的注意力检查题项以识别不专注的参与者。排除未通过注意力检查或与预设情境不一致的参与者后，最终样本包括192名参与者。所有完成实验的参与者均获得一份价值约10元人民币的小礼品。参与者的人口统计学信息汇总于表2中。

5.3. 程序

实验在教室环境中与MBA学生一起进行。参与者到达后，根据其学号末位数字被随机分配到两个实验条件之一（偶数分配到人类面试官条件，奇数分配到AI面试官条件）。参与者首先阅读相同背景信息，介绍研究情境。随后，他们被呈现与其分配条件对应的两个操纵情境之一。在接触情境后，参与者完成对感知表现机会、自我呈现和人口统计学信息的测量。

5.4. 测量

除非另有说明，所有测量均采用7点Likert量表，范围从1（"非常不同意"）到7（"非常同意"）。

5.4.1. 操纵检验

采用与研究1相同的方法来评估面试官类型操纵的成功与否。

5.4.2. 表现机会

使用与研究1相同的量表来测量参与者的表现机会（Cronbach's α = 0.95）。

5.4.3. 自我呈现

使用Kim等人（2023）的12题项量表来测量参与者的自我呈现。该量表包含三个维度，即真实自我表达、真实自我提升和夸张自我提升，每个子量表包含四个题项。对于真实自我表达，示例题项为："我与面试官诚实地交流关于自己的信息"（Cronbach's α = 0.89）。对于真实自我提升，示例题项为："我让面试官了解我的成就"（Cronbach's α = 0.94）。对于夸张自我提升，示例题项为："我向面试官夸大我的知识和技能程度"（Cronbach's α = 0.88）。整体量表表现出良好的内部一致性（Cronbach's α = 0.88）。最终题项见附录B。

5.4.4. 控制变量

与研究1一致，参与者的性别、年龄和任期最初被纳入作为控制变量。然而，纳入这些变量并未影响主要结果，且它们并非我们研究的重点。因此，正文中报告的結果不包含控制变量（Bernerth & Aguinis, 2016）。包含控制变量的假设检验详细结果见补充分析。

5.5. 分析

5.5.1. 假设检验与诊断测试

对于所有四个因变量（表现机会、真实自我表达、真实自我提升和夸张自我提升），人类面试官组和AI面试官组的峰度绝对值范围为0.25至3.19，偏度绝对值范围为0.10至1.42。鉴于样本量相对较大（Lumley et al., 2002），且所有偏度值均低于3、峰度值均低于10，数据未显示出严重偏离正态分布。此外，我们的结果表明方差膨胀因子（VIF）为1.24，表明不存在多重共线性。

对于表现机会，对残差的P-P图检验进一步表明，大多数点落在45°对角线附近，支持了残差近似正态分布的假设。然而，Levene检验表明组间方差齐性假设被违反（F (1, 190) = 36.53, p < 0.001）。因此，参照先前研究（如Zhang & Yang, Yang, et al., 2025），我们在后续假设检验中采用了Welch检验以应对方差不齐的情况。

5.5.2. 操纵检验

所有参与者的回答均与预设情境一致，表明我们的操纵是成功的。

5.5.3. 描述性统计与共同方法偏差（CMB）

如表3所示，面试官类型（AI与人类）与表现机会、真实自我表达、真实自我提升和夸张自我提升呈负相关。此外，表现机会与真实自我表达、真实自我提升和夸张自我提升呈正相关。这些发现与我们的理论模型一致。

表3. 研究2和研究3主要变量的描述性统计与相关分析

| 变量 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 |
|------|---|---|---|---|---|---|---|---|---|---|---|
| **研究2** | | | | | | | | | | | |
| 1. 面试官类型 | | | | | | | | | | | |
| 2. 表现机会 | -0.44** | | | | | | | | | | |
| 3. 真实自我表达 | -0.42** | 0.54** | | | | | | | | | |
| 4. 真实自我提升 | -0.31** | 0.39** | 0.49** | | | | | | | | |
| 5. 夸张自我提升 | -0.40** | 0.37** | 0.24** | 0.31** | | | | | | | |
| M | 0.49 | 4.89 | 4.81 | 4.94 | 4.26 | | | | | | |
| SD | 0.50 | 1.38 | 1.04 | 1.18 | 1.20 | | | | | | |
| **研究3** | | | | | | | | | | | |
| 6. 面试官类型 | | | | | | | | | | | |
| 7. 情境化互动性 | | 0.04 | | | | | | | | | |
| 8. 表现机会 | | -0.26** | 0.69** | | | | | | | | |
| 9. 真实自我表达 | | -0.17** | 0.16** | 0.21** | | | | | | | |
| 10. 真实自我提升 | | -0.18** | 0.02 | 0.20** | 0.58** | | | | | | |
| 11. 夸张自我提升 | | -0.23** | 0.13* | 0.28** | 0.32** | 0.50** | | | | | |
| M | | 0.49 | 0.49 | 5.08 | 5.33 | 5.58 | 4.84 | | | | |
| SD | | 0.50 | 0.50 | 1.14 | 0.62 | 0.68 | 0.70 | | | | |

注：研究2的N = 192；研究3的N = 271；** p < 0.01；* p < 0.05；由于研究1仅涉及两个关键变量，未列入表中。

鉴于表现机会和自我呈现是同时测量的，我们使用Harman单因子检验来评估共同方法偏差（CMB）。结果表明，第一个未旋转因子解释了总方差的44.43%，低于通常接受的50%阈值，表明CMB不是严重问题（Podsakoff et al., 2024）。

5.5.4. 假设检验

所有假设均使用SPSS 26进行检验。对于H1，我们使用单因素方差分析。结果显示，人类面试官条件下参与者报告的表现机会水平高于AI面试官条件（M_人类面试官条件 = 5.49, SD_人类面试官条件 = 0.93；M_AI面试官条件 = 4.27, SD_AI面试官条件 = 1.49；F_Welch (1, 157.52) = 45.60, p < 0.001, ηp2 = 0.19）。因此，H1得到支持。

对于H2a和H2b，我们使用PROCESS（Model 4），并进行5000次bootstrap抽样。在检验之前，我们对表现机会、真实自我表达、真实自我提升和夸张自我提升进行了标准化，以获得部分标准化效应量以便进行跨样本比较。由于面试官类型是类别变量，我们未对其进行标准化。分析结果表明，表现机会与真实自我表达（β = 0.44, p < 0.001）、真实自我提升（β = 0.31, p < 0.001）和夸张自我提升（β = 0.24, p = 0.001）呈正相关。此外，如表4所示，AI（相对于人类）面试官通过表现机会对真实自我表达、真实自我提升和夸张自我提升具有显著的负向间接效应。因此，H2a和H2b得到支持。

表4. 研究2、研究3和研究4中的间接效应

| 路径 | 效应量 | 95% Boot CI | 效应量 | 95% Boot CI | 效应量 | 95% Boot CI |
|------|--------|-------------|--------|-------------|--------|-------------|
| **面试官类型 → OP → 真实自我表达** | | | **面试官类型 → OP → 真实自我提升** | | | **面试官类型 → OP → 夸张自我提升** | | |
| 研究2 | -0.39 | [-0.57, -0.22] | -0.28 | [-0.48, -0.12] | -0.21 | [-0.42, -0.05] |
| 研究3 | -0.09 | [-0.19, -0.02] | -0.09 | [-0.17, -0.01] | -0.12 | [-0.21, -0.05] |
| 研究4 | -0.36 | [-0.46, -0.26] | -0.37 | [-0.48, -0.27] | -0.39 | [-0.49, -0.28] |

注：研究2的N = 192；研究3的N = 271；研究4的N = 509；OP指表现机会；对于面试官类型，0 = 人类面试官条件，1 = AI面试官条件；由于面试官类型是虚拟变量，报告的是部分标准化效应量。

5.5.5. 事后功效与敏感性分析

为评估主效应的统计功效，我们使用G*Power进行了事后功效和敏感性分析。事后分析显示功效为0.99，超过了我们先验目标0.80。敏感性分析显示最小可检测效应为f = 0.20，低于我们预设的阈值0.25。对于中介效应，我们使用了Schoemann等人（2017）提供的在线程序。结果表明，三个间接效应的统计功效均超过0.90。综合来看，这些结果表明我们的研究具有足够的功效来检测具有理论意义的效应。

6. 研究3

6.1. 设计

我们开展研究3以检验所有提出的假设，并进一步增强我们先前发现的可靠性。为此，我们设计了一项2×2被试间实验，操纵面试官类型（AI与人类）和情境化互动性（高与低）。

6.2. 样本

我们招募了中国四川各企业的员工参与研究。使用G*Power软件，参数设置为f = 0.25, α = 0.05, power = 0.95，我们确定需要至少210名参与者。在人力资源部门的协助下，我们邀请员工作为参与者，并说明调查仅用于学术研究。我们还明确告知每位参与者如果完成实验将获得10元人民币的现金奖励。为确保各条件下的充足代表性，我们发放了更多的邀请。我们还加入了与研究1相同的注意力检查题项。最初，280名员工自愿参与。

在排除了未通过注意力检查或与预设情境回答不一致的参与者后，最终样本由271名参与者组成。人口统计信息总结于表2.6.3。

6.3. 程序

参与者是员工，被召集到一个大型会议室中完成实验。到达后，每名参与者通过从盒子中抽取数字（1–4）被随机分配到四个实验条件之一，每个数字对应四个情境之一（见附录C）。参与者首先阅读相同的背景信息，介绍研究背景。随后，他们阅读与其所分配情境对应的操纵材料。之后，参与者完成操纵检验项目，接着完成感知表现机会、自我呈现以及人口统计信息的测量。

为了操纵高和低情境依赖性交互性，我们扩展了研究1中使用的实验材料。具体而言，我们在原始材料的最后一段之前添加了一个新段落，描述面试过程中的交互性过程，同时保持其他段落不变。人工智能面试官与人类面试官条件之间唯一的区别是预设的面试官类型。操纵材料见附录C。

6.4. 测量

除特别说明外，所有测量均采用七点李克特量表，从"1"（非常不同意）到"7"（非常同意）。

6.4.1. 操纵检验

采用与研究1相同的题目来评估面试官类型。对于交互性检验，我们改编了Go和Sundar（2019）开发的四题量表。示例题目为"面试官记得我的回答"，在本研究中的Cronbach's α为0.91。最终题目见附录B。

6.4.2. 表现机会

我们采用与研究1相同的量表来测量参与者的表现机会（Cronbach's α = 0.92）。

6.4.3. 自我呈现

我们采用与研究2相同的量表来测量参与者的自我呈现，总体Cronbach's α为0.87。具体而言，子量表的Cronbach's α值分别为0.77、0.86和0.80，分别对应真实性自我表达、真实性自我增强和夸大性自我增强。

6.4.4. 控制变量

与研究1一致，参与者的性别、年龄、教育水平和在职年限最初被纳入作为控制变量。然而，纳入这些变量并未影响主要结果，且它们并非本研究关注的重点。因此，正文中的结果报告未包含控制变量（Bernerth & Aguinis, 2016）。包含控制变量的假设检验详细结果见补充分析。

6.5. 分析

6.5.1. 假设检验与诊断测试

对于所有四个因变量（表现机会、真实性自我表达、真实性自我增强和夸大性自我增强），四个实验组的峰度绝对值范围为0.10至9.24，偏度绝对值范围为0.01至2.22。值得注意的是，9.24的峰度值仅在AI面试官—高交互性条件下观察到的真实性自我增强中出现，而所有其他偏度绝对值均低于4.64。对于交互性的操纵检验，结果表明峰度绝对值为1.34，偏度绝对值为0.01。鉴于样本量相对较大（Lumley等，2002）且所有偏度值均低于3、峰度值均低于10，数据未显示出对正态性的严重偏离。此外，我们的结果表明VIF值范围为1.19至2.23，表明不存在多重共线性。

对于表现机会，残差P–P图的检查进一步表明大部分点靠近45°对角线，支持了残差近似正态分布的假设。然而，Levene检验表明四组之间存在方差齐性假设的违反（F(3, 267) = 4.24, p = 0.006）。因此，遵循先前研究，我们采用Welch检验来考察主效应（如Zhang & Yang, Yang等，2025），并采用简单斜率图的回归分析来检验交互效应（如Schüler等，2023；Wu等，2021），使用异方差一致性（HC3）标准误（White, 1980）。

6.5.2. 操纵检验与共同方法偏差

对于面试官类型，所有参与者的回答均与预设的面试官条件一致。关于情境依赖性交互性，独立样本t检验结果表明，高情境依赖性交互性条件的参与者报告的情境依赖性交互性水平高于低情境依赖性交互性条件的参与者（M高交互性条件 = 5.06, SD高交互性条件 = 0.52；M低交互性条件 = 2.85, SD低交互性条件 = 0.53；t(269) = ?34.47, p < 0.001）。因此，操纵成功。

6.5.3. 描述性统计与共同方法偏差

如表3所示，面试官类型（AI与人类）与表现机会、真实性自我表达、真实性自我增强和夸大性自我增强呈负相关。此外，表现机会与真实性自我表达、真实性自我增强和夸大性自我增强呈正相关。这些发现与我们的理论模型一致。

此外，Harman单因素检验结果表明，第一个未旋转因素解释了总方差的35.02%，低于通常接受的50%阈值，表明共同方法偏差不是严重问题（Podsakoff等，2024）。

6.5.4. 假设检验

使用SPSS 26检验假设。对于H1，单因素方差分析结果表明，参与者报告的人类面试官条件下的表现机会水平高于AI面试官条件（M人类面试官条件 = 5.37, SD人类面试官条件 = 0.98；M AI面试官条件 = 4.78, SD AI面试官条件 = 1.22；F Welch(1, 251.41) = 19.61, p < 0.001, ηp2 = 0.07）。因此，H1得到支持。

对于H2a和H2b，我们使用PROCESS（模型4）进行5000次自助抽样。在分析之前，我们对表现机会、真实性自我表达、真实性自我增强和夸大性自我增强进行了标准化以获取部分标准化效应。我们的结果表明，表现机会与真实性自我表达（β = 0.17, p = 0.005）、真实性自我增强（β = 0.17, p = 0.007）和夸大性自我增强（β = 0.23, p < 0.001）呈正相关。此外，如表4所示，AI（与人类相比）面试官通过表现机会对真实性自我表达、真实性自我增强和夸大性自我增强具有显著的负间接效应。因此，H2a和H2b得到支持。

为了检验H3和H4，我们使用PROCESS（模型1）进行回归分析，因为它在提供简单效应检验结果方面更方便。首先，我们设置情境依赖性交互性为自变量，面试官类型为调节变量。结果表明，面试官类型与情境依赖性交互性的交互作用对表现机会产生了显著影响（b = 0.64, p = 0.001）。如图2所示，两种面试官类型下，参与者报告的高交互性条件的表现机会均大于低交互性条件（差异AI面试官条件 = 1.28, p < 0.001；差异人类面试官条件 = 1.92, p < 0.001）。因此，H3得到支持。

下载：下载高分辨率图像（78KB）下载：下载全尺寸图像
图2. 研究3的交互效应分析。

随后，我们设置面试官类型为自变量，情境依赖性交互性为调节变量来检验H4。如图2所示，在低交互性条件下，参与者报告的人类面试官与AI面试官之间的表现机会差异较大；在高交互性条件下，这一差异较小（差异低交互性条件 = ?0.98, p < 0.001；差异高交互性条件 = ?0.34, p = 0.002）。因此，H4得到支持。

对于H5，我们也在分析前对中介变量和结果变量进行了标准化以获得部分标准化效应量。使用PROCESS（模型7）进行分析。如表5所示，在低情境依赖性交互性条件下，面试官类型（AI与人类相比）通过表现机会对真实性自我表达、真实性自我增强和夸大性自我增强表现出显著的负间接效应。在高情境依赖性交互性条件下，这些负间接效应大幅减弱。此外，高情境依赖性交互性条件与低情境依赖性交互性条件之间的间接效应差异在所有三个结果中均具有统计显著性，表明高情境依赖性交互性缓解了AI面试官的间接劣势。因此，H5得到支持。

表5. 研究3和研究4的条件间接效应

路径：面试官类型 → OP → 真实性自我表达；面试官类型 → OP → 真实性自我增强；面试官类型 → OP → 夸大性自我增强

情境依赖性交互性操纵：低（Low）

效应量 | 95% Boot CI
---|---
真实性自我表达：?0.15 | [?0.28, ?0.03]
真实性自我增强：?0.14 | [?0.27, ?0.03]
夸大性自我增强：?0.20 | [?0.32, ?0.10]

高（High）：

效应量 | 95% Boot CI
---|---
真实性自我表达：?0.05 | [?0.07, ?0.00]
真实性自我增强：?0.05 | [?0.11, ?0.01]
夸大性自我增强：?0.07 | [?0.13, ?0.02]

差异（Difference）：

效应量 | 95% Boot CI
---|---
真实性自我表达：0.10 | [0.02, 0.20]
真实性自我增强：0.09 | [0.02, 0.19]
夸大性自我增强：0.13 | [0.05, 0.24]

研究3：N = 271

研究4：低（Low）：

效应量 | 95% Boot CI
---|---
真实性自我表达：?0.50 | [?0.64, ?0.36]
真实性自我增强：?0.52 | [?0.67, ?0.38]
夸大性自我增强：?0.54 | [?0.68, ?0.40]

高（High）：

效应量 | 95% Boot CI
---|---
真实性自我表达：?0.24 | [?0.37, ?0.12]
真实性自我增强：?0.25 | [?0.39, ?0.12]
夸大性自我增强：?0.26 | [?0.40, ?0.13]

差异（Difference）：

效应量 | 95% Boot CI
---|---
真实性自我表达：0.26 | [0.10, 0.44]
真实性自我增强：0.27 | [0.10, 0.45]
夸大性自我增强：0.28 | [0.11, 0.46]

注：研究3的N = 271；研究4的N = 509；OP指表现机会；对于面试官类型，0 = 人类面试官条件，1 = AI面试官条件；报告了部分标准化效应量，因为面试官类型和情境依赖性交互性为虚拟变量。

6.5.5. 事后功效与敏感性分析

我们使用G*Power进行了事后功效和敏感性分析以评估交互效应的统计功效。事后分析显示功效为0.94。敏感性分析表明最小可检测效应为f = 0.17，低于预设阈值0.25。对于中介效应，我们使用了Schoemann等（2017）提供的在线程序。三个间接效应达到的统计功效分别为0.81、0.75和0.96。尽管其中一个间接效应的功效略低于传统阈值0.80（0.75），但仍较为接近，且其他效应表现出足够的功效。这些结果支持了我们中介发现的稳健性。

7. 研究4

7.1. 设计

为进一步增强本研究的外部效度，我们设计了一项在线面试实验，参与者可以在相对真实的面试环境中与面试官互动。实验仍为2 × 2被试间设计，我们操纵了面试官类型（AI与人类）和情境依赖性交互性（高与低）。此外，我们纳入了替代中介变量以确保结果的稳健性。

7.2. 样本

我们招募了20名MBA学生担任研究助理。他们随后帮助从其所在组织和个人网络中招募员工参与研究。与研究3类似，在f = 0.25、α = 0.05和功效 = 0.95的条件下，最少需要210名参与者。在正式研究之前，向所有参与者说明调查仅用于学术研究目的。共有560人自愿参与研究。在排除了未通过情境一致性检查的受访者后，最终分析样本为509名参与者。人口统计信息总结于表2.7。

7.3. 程序

参与者通过四个网页之一进入研究，每个网页对应一个不同的实验条件。进入研究后，参与者被随机分配到四个情境之一。在线面试中，人类面试官或AI面试官首先询问参与者的教育背景、申请动机及其他与职位相关的问题。情境依赖性交互性的操纵如下：在低情境依赖性条件下，面试官在进入下一个问题之前确认每位参与者的回答（如"好的"）；在高情境依赖性条件下，面试官在进入下一个问题之前先简要总结参与者的回答。此操纵与研究3采用的逻辑一致。完成面试后，参与者填写了一份包含操纵检验题目、因变量测量、控制变量和人口统计信息的问卷。在线实验使用的具体界面见附录D。

7.4. 测量

除特别说明外，所有测量均采用七点李克特量表，从"1"（非常不同意）到"7"（非常同意）。

7.4.1. 操纵检验

我们使用与研究3相同的方法来检验面试官类型和情境依赖性交互性的操纵。情境依赖性交互性的Cronbach's α为0.94。

7.4.2. 表现机会

我们采用与研究1相同的量表来测量参与者的表现机会（Cronbach's α = 0.84）。

7.4.3. 自我呈现

参与者的自我呈现使用与研究2相同的量表进行测量，具有良好的内部一致性（总体Cronbach's α = 0.87）。子量表信度分别为0.76、0.78和0.81，分别对应真实性自我表达、真实性自我增强和夸大性自我增强。

7.4.4. 替代中介变量

我们纳入了面试焦虑、认知负荷、认知信任、情感信任、程序公平以及参与者对面试官识别虚假性能力的感知作为替代中介机制。

其理论依据在于，以往研究表明，不同的面试情境可能会影响应聘者的心理体验，而这些体验进而塑造了他们的自我呈现策略（Agnihotri and Bhattacharya, 2026, Langer et al., 2017, Moon et al., 2026, Powell et al., 2021, Powell et al., 2026, Suen and Hung, 2023）。具体而言，借鉴Powell等（2026）的做法，我们采用单一题项评估状态面试焦虑，题目为："在完成刚刚的面试后，我感到焦虑。"认知负荷则采用改编自Stajkovic和Stajkovic（2026）的单一题项进行测量，题目为："在完成刚刚的面试时，我投入的心智努力程度为……"，采用7点李克特量表，从1（"非常低"）到7（"非常高"）。认知信任和情感信任分别采用改编自Suen和Hung（2023）的三题项量表进行测量。认知信任的示例题项为："面试官在评估我的表现时是专业的"（Cronbach's α = 0.84），情感信任的示例题项为："我对这位面试官感到满意"（Cronbach's α = 0.82）。程序公平采用Wang等（2021）的三题项量表进行测量，示例题项为："面试官在评估我的面试表现时没有偏见"（Cronbach's α = 0.70）。最后，应聘者对面试官识别虚假表现能力的感知采用Agnihotri和Bhattacharya（2026）的两题项量表进行测量，示例题项为："面试官在识别虚假表现方面有多好的能力？"，评分从1（"非常差"）到7（"非常好"，Cronbach's α = 0.71）。7.4.5 控制变量与研究3类似，将参与者的特征变量包括性别、年龄、受教育程度和任期作为控制变量。值得注意的是，我们的分析表明，无论是否纳入控制变量，所有假设检验的结果均未发生实质性变化。此外，无论是否纳入替代中介变量，所有假设的关系也均未改变。因此，遵循Bernerth和Aguinis（2016）的建议，我们在正文分析中排除了控制变量和替代中介变量，并在补充分析中报告了包含这些变量的假设检验结果。这一方法的另一优势在于，便于在正文中比较不同研究间的效应量。7.5 分析7.5.1 假设检验与诊断检验研究变量的峰度绝对值在0.01至3.65之间，偏度绝对值在0.40至1.37之间（四个实验组）。对于交互性的操纵检验，峰度和偏度分别为?0.50和?0.94。鉴于样本量较大（Lumley et al., 2002）且所有偏度值均低于3、峰度值均低于10，数据未显示出对正态分布的实质性偏离。此外，VIF值在1.15至1.30之间，表明不存在多重共线性。对于表现机会，P-P图检验确认残差近似正态分布。Levene检验表明四个组间存在方差不齐（F (1, 505) = 20.87, p < 0.001）。与研究3及以往研究一致，我们使用Welch检验来检验主效应，并进行回归分析与简单斜率图来检验交互效应，同时应用异方差一致性（HC3）标准误（Schüler et al., 2023, White, 1980, Zhang et al., 2025）。7.5.2 操纵检验对于面试官类型，最终样本中的参与者所提供的回答与预设的面试官条件一致。关于基于情境的交互性，独立样本t检验结果表明，高基于情境交互性条件下的参与者报告的基于情境交互性水平显著高于低基于情境交互性条件下的参与者（M 高交互性条件 = 5.84, SD 高交互性条件 = 0.68; M 低交互性条件 = 3.47, SD 低交互性条件 = 1.78; t (507) = ?19.95, p < 0.001），表明操纵是成功的。7.5.3 描述性统计与CMB如表6所示，面试官类型（AI vs. 人类）与表现机会、真实性自我表达、真实性自我增强和夸大自我增强呈负相关。此外，表现机会与真实性自我表达、真实性自我增强和夸大自我增强呈正相关。这些发现与我们的理论模型一致。表6. 研究4的关键变量描述性统计与相关系数。变量1234561. 面试官类型2. 基于情境的交互性0.023. 表现机会?0.33**0.34**4. 真实性自我表达?0.13**0.17**0.52**5. 真实性自我增强?0.19**0.16**0.56**0.56**6. 夸大自我增强?0.33**0.12**0.63**0.47**0.51**M0.490.504.815.185.284.94SD0.500.501.251.011.031.25注：N = 509; ** p < 0.01。此外，Harman单因素检验结果显示，第一个未旋转因子解释了总方差的36.30%，低于通常接受的50%阈值，表明共同方法偏差（CMB）不是一个严重问题（Podsakoff et al., 2024）。7.5.4 假设检验使用SPSS 26进行假设检验。对于H1，单因素方差分析表明，参与者在人类面试官条件下报告的表现机会水平显著高于AI面试官条件下（M 人类面试官条件 = 5.22, SD 人类面试官条件 = 0.85; M AI面试官条件 = 4.38, SD AI面试官条件 = 1.45; F Welch (1, 399.09) = 61.87, p < 0.001, ηp2 = 0.11）。因此，H1得到支持。对于H2a和H2b，与研究3类似，我们使用PROCESS（模型4），采用5000次bootstrap重抽样，并将中介变量和结果变量标准化以获得标准化效应量。结果表明，表现机会与真实性自我表达（? = 0.54, p < 0.001）、真实性自我增强（? = 0.56, p < 0.001）和夸大自我增强（? = 0.58, p < 0.001）均呈正相关。此外，如表4所示，AI面试官（相对于人类面试官）通过表现机会对真实性自我表达、真实性自我增强和夸大自我增强产生了显著的负向间接效应。因此，H2a和H2b得到支持。为了检验H3和H4，我们使用PROCESS（模型1）进行了回归分析。结果显示，面试官类型与基于情境交互性的交互作用对表现机会产生了显著影响（b = 0.61, p = 0.002）。如图3所示，对于两种面试官类型，参与者在高交互性条件下报告的表现机会均大于低交互性条件下（差异 AI面试官条件 = 1.19, p < 0.001; 差异 人类面试官条件 = 0.58, p < 0.001）。因此，H3得到支持。对于H4，如图3所示，参与者在低交互性条件下报告的人类与AI面试官之间的表现机会差异大于高交互性条件下的差异（差异 低交互性条件 = 1.16, p < 0.001; 差异 高交互性条件 = 0.55, p < 0.001）。因此，H4得到支持。我们进一步使用PROCESS（模型7）检验了H5。在分析前也将中介变量和结果变量进行了标准化，以获得部分标准化效应量。如表5所示，在低基于情境交互性条件下，面试官类型（AI vs. 人类）通过表现机会对真实性自我表达、真实性自我增强和夸大自我增强产生了显著的负向间接效应。这些负向间接效应在高基于情境交互性条件下大幅减弱。此外，高与低基于情境交互性条件下间接效应的差异在所有三个结果变量上均具有统计显著性，表明高基于情境交互性缓解了AI面试官的间接劣势。因此，H5得到支持。7.5.5 事后功效与敏感性分析使用G*Power进行事后功效与敏感性分析，以评估交互效应的统计功效。事后分析显示功效为0.99。敏感性分析显示最小可检测效应为f = 0.12，低于预设的0.25阈值。我们还使用Schoemann等（2017）的在线程序来检验三个间接效应所达到的统计功效。结果表明，这三个间接效应的功效均为0.99，高于预设的0.80阈值。这些结果支持了我们发现的稳健性。8. 总体讨论在四项研究中，我们发现候选人在AI驱动的面试中感知到的表现机会少于人类主导的面试。此外，人类面试官对候选人自我呈现（表现为真实性自我表达、自我增强和夸大自我增强）的影响，通过感知到的表现机会进行中介，比AI面试官更为显著。值得注意的是，人类与AI面试官之间的这些差异可以通过整合基于情境的交互性来缓解。本研究的理论和实践意义将在以下章节中阐述。8.1 理论贡献8.1.1 AI对候选人自我呈现的抑制效应我们的发现表明，与人类面试官相比，AI面试官不仅降低了夸大自我增强，还降低了真实性自我呈现和真实性自我增强。换言之，AI面试官似乎抑制了欺骗性和有益性的候选人信号，而不是有选择地过滤掉仅有弊的候选人线索。Pereira等（2023）强调，AI在提升招聘与选拔过程中的作用仍有待深入研究。本研究通过揭示AI面试官在同步面试中塑造应聘者自我呈现的更细微模式，为AI面试文献做出了贡献。这一模式揭示了AI面试中的一个关键悖论。一方面，夸大自我增强的减少可能被视为有益的，因为它限制了膨胀或策略性的自我推销。这一观点与以往研究表明应聘者在AI面试情境中更少地进行欺骗性印象管理的发现一致（Suen & Hung, 2025）。另一方面，真实性自我呈现的同时减少表明AI面试官也可能抑制与评估相关的真实优势、经历和个人品质的表达。因此，我们通过将讨论从AI与人类面试官的简单对比转向对AI如何改变面试中整体交流质量的更平衡理解，为AI面试文献做出了贡献。这一解释也与近期的研究一致，即AI辅助评估可能约束某些形式的候选人形象塑造。例如，Suen等（2024）表明深度学习模型在从非语言线索中检测诚实和欺骗性印象管理方面可以超过人类面试官。Agnihotri和Bhattacharya（2026）发现面试官被感知到的识谎能力会影响应聘者作假的意愿。我们的结果扩展了这一思路，表明AI的存在不仅可能抑制欺骗性策略，还可能抑制真实性的自我呈现形式。这种双刃剑模式值得在未来关于AI面试的研究中进一步关注。8.1.2 表现机会作为自我呈现的关键机制通过从表现机会的角度重新审视自我呈现，本研究在两个重要方面为印象管理理论做出了贡献：它将印象管理理论扩展到AI面试情境中，并拓宽了我们对印象管理前因的理解。以往研究表明，印象管理是就业面试的组成部分，候选人策略性地调节他们如何向评估者呈现自己（Bourdage et al., 2018, Leary and Kowalski, 1990）。近期的研究也开始探索AI相关特征如何影响应聘者的回应，在某些情况下包括欺骗性的印象管理（例如，Suen & Hung, 2025; Suen et al., 2024）。然而，很少有人关注为什么应聘者对AI面试官的回应与对人类面试官的回应不同，尤其是跨不同形式的自我呈现。本研究通过基于印象管理理论直接比较AI与人类面试官，通过展示表现机会在塑造不同印象管理回应中发挥重要的中介作用，推进了这一研究脉络。我们的发现揭示，表现机会是候选人自我呈现的关键机制。虽然表现机会经常被讨论为程序公平的一个维度（例如，Park & Jung, 2025），但它比公平性、信任或对系统的态度等一般性评价更为具体。它捕捉的是应聘者是否感到有充分的余地来展示他们的知识、技能、能力和独特价值（K?chling et al., 2023）。公平性或信任反映的是应聘者对面试系统的评价，而表现机会更直接地反映的是他们是否相信自己可以有效地进行自我呈现。由于AI面试官提供的社会线索较少，例如眼神交流和其他形式的人际反馈（Martín-Raugh et al., 2023; McColl & Michelotti, 2019），候选人在与AI面试官互动时可能感知到更少的表现机会；这种感知进而塑造了他们如何调节印象管理策略。

这一定见与Mou等人（2019）的解释一致，他们提出人们在与人及非人类对话者互动时会采用不同的方式。因此，本研究通过申请者的表现机会感知，深化了对AI面试官如何影响候选人回答的理解。此外，这一贡献因我们在同一框架下同时考察了申请者的自我呈现、表现机会以及基于条件的交互性而得到进一步强化。这种整合方法有助于将印象管理理论与AI面试设计联系起来，表明申请者的自我呈现不仅受到面试官类型的塑造，也受到AI系统是否被设计为支持交互性参与的影响。

8.1.3. 基于条件的交互性作为与设计相关的边界条件

我们的研究结果突显了基于条件的交互性是塑造AI与人类面试官差异的一个重要边界条件。具体而言，我们发现基于条件的交互性在人类和AI面试官情境下均提升了候选人的表现机会感知，同时缩小了两者之间的感知差距。由于基于条件的交互性要求用户进行双向信息交换，它鼓励投入更多认知努力（Sundar等人，2016），这进而可能促进更加系统化而非启发式的加工。

我们的结果表明，AI面试官的效果部分取决于AI系统是否被视为具有交互响应性。这一点很重要，因为它表明AI面试的效果不仅由AI的存在所决定，也由AI面试官的设计方式所塑造。基于条件的交互性似乎影响着申请者是否将面试视为自我呈现既值得又可行的场景。先前的研究表明，AI面试界面在具身性、透明度、亲密度以及其他影响申请者反应的设计特征上存在差异（例如Clavel等人，2025；Min等人，2024；Suen & Hung，2023）。本研究通过考察基于条件的交互性这一与设计相关的特征，拓展了这一研究脉络。它超越了AI与人类面试官之间的简单比较，表明特定的AI设计特征可以调节AI面试的行为后果。

此外，本研究在面试背景下拓展了AI的特征研究。以往的研究通常专注于基于与AI本身的设计、外观或功能结构相关的静态、单一维度特征来优化AI代理，而非使用过程中的交互性。例如，拟人化（Crolic等人，2022；Zogaj等人，2023）、可爱度（Lv等人，2022）、性别（Zogaj等人，2023）等类似属性通过静态特征模拟人类特征，从而增强类人性。同时，透明度（Samuel等人，2022）和界面设计（Ren等人，2019）被用于增强具身性。本研究提出，动态特征和双向交互（如基于条件的交互性）对于实现功能性拟人化（超越基于外观的拟人化）至关重要。这些特征突出了交互式行为和过程，包括信息交换和响应性（Kim等人，2022；Kim等人，2012）。这种交互性具有工具性，既包含社会导向功能也包含任务导向功能（Chattaraman等人，2019；Chong等人，2021）。

8.2. 实践启示

本研究为组织、人力资源从业者、AI开发者和候选人提供了具有理论依据且具实践相关性的见解。首先，本研究引起人们对同步AI面试新兴且存在争议性质的关注，强调其在实践中固有的双重影响。尽管此类系统在早期人员筛选中提供了效率和标准化，但应在适当情况下纳入人类判断（例如在复杂案例和最终阶段决策中）。更重要的是，我们的研究发现促使管理者意识到申请者倾向于在AI面试中感知到更少的表现机会。对于人力资源从业者而言，本研究强调了充分了解AI面试系统并为申请者提供结构化且详细的指导（Luo等人，2025）的重要性，从而促进对AI面试系统更为充分的理解。对于候选人而言，他们应主动通过采用更加结构化和明确的呈现策略来弥补减少的表现机会，包括清晰阐述与岗位相关的能力、预先规划的应答以及对清晰明确自我呈现的高度重视，以支持有效的印象形成。

其次，这些结果提供了初步证据，表明AI面试官往往广泛抑制候选人的印象管理行为，这既影响夸大的自我呈现，也影响真实的自我呈现。这一模式表明AI面试中印象管理行为存在普遍的抑制。由于人类和AI面试官在自我呈现方面各有优势与局限，组织可采用AI与人类面试官混合的方法，以平衡效率与评估质量，使AI和人类面试官相互补充，支持对候选人更全面和平衡的评估。

第三，我们的研究结果表明，基于条件的交互性可以缩小AI与人类面试官在同步面试场景中的差距。然而，在较高水平的基于条件的交互性下，申请者可能在AI面试中感知到更大的表现机会，这可以促进真实和夸大形式的自我呈现。因此，从面向申请者的设计角度来看，在开发AI面试系统时应仔细考虑基于条件的交互性。例如，开发者可以整合自适应追问、情境敏感探测和实时澄清机制，同时注意更高的交互性可能会为夸大的自我呈现创造更多空间。然而，从评估角度来看，我们的研究结果并未直接确定AI面试评分能否有效区分真实与欺骗性的自我呈现。因此，从业者应关注夸大印象管理的可能性，并考虑如何在AI辅助评估中适当识别此类行为。

8.3. 局限与未来研究方向

本研究存在若干局限性，这些局限性指明了未来研究方向。首先，本研究依赖实验和自报测量。尽管此类设计具有强大的内部效度，但可能无法完全捕捉真实面试的复杂性。我们的实验反映的是参与者的预期反应，而非他们在真实面试情境中的实际行为。由于物理场所所伴随的社会临场感与基于文本的交互不同，它可能在重要方面影响参与者的实际行为。此外，在真实面试情境中，此类策略的实际执行可能受到焦虑和认知负荷等因素的塑造或限制（Moon等人，2026；Powell等人，2021）。此外，中介变量和因变量是通过向同一受访者在同一时间点发放的自报问卷测量的，这可能引入共同方法偏差（CMB）。尽管我们的测试表明CMB并不严重，但未来研究可采用多源数据来验证这些机制。

其次，本研究的结论受限于我们的研究设计而非实际的物理面试场景，且AI面试官反映了相对保守的AI代理形式。在实践中，AI面试官差异巨大，从基于文本的聊天机器人到高度拟人化的语音型对话自适应代理（Glikson & Woolley，2020）。因此，本研究的结论可能无法推广到其他AI面试格式，如涉及更具身性或更高拟人化程度的AI代理或全自动筛选系统。此外，本研究未直接操纵或测量具身性或即时性，而已有研究表明这些特征会影响申请者的反应（Suen & Hung，2023）。因此，未来研究应比较不同的AI面试官设计和面试格式，以检验这些发现是否在不同特征水平上仍然成立。

第三，尽管我们运用印象管理理论和表现机会的中介作用来解释研究发现，但其他机制仍然可能存在。例如，机器启发式可能是一个合理的解释，未来研究可以测量这一构念。沟通适应理论（Dragojevic等人，2016）也可能提供另一种解释，即申请者调整其沟通方式以适应AI面试官的感知特征，而非仅仅因表现机会减少而感到受限。此外，信任和被检测的恐惧可能影响申请者在AI面试情境中的自我呈现，尤其是在已有新兴证据表明AI系统能够超越人类面试官从非语言线索中检测欺骗性印象管理的情况下（Suen等人，2024）。未来研究可以检验这些替代机制。

第四，本研究结论的文化推广性有限。所有四项研究均在中国进行，而申请者对AI面试官的反应可能因文化背景而异（Park & Jung，2025）。关于权威、技术和人际互动的文化规范，以及权力距离和不确定性规避等价值观（Hofstede，2001），可能塑造这些反应。未来研究可以检验本研究的发现能否在其他文化环境中得到复现，特别是在西方和个体主义情境中。此外，面试者的反应受多种因素影响，包括任务类型（Hunkenschroer & Lütge，2021）、个体特征（如对AI的熟悉程度或使用经验）以及更广泛的情境因素（Gonzalez等人，2022）。此外，社会对AI技术的反应具有情境依赖性，并受个体差异和所涉及特定技术的影响（Lou等人，2022）。因此，未来研究可以探索各种个体和技术因素如何影响申请者在AI主导与人类主导面试中的表现。

最后，我们考察了基于条件的交互性的调节作用。然而，交互性可以通过多种方式表现（口头而非口头）以及不同交互内容（如风格，Chong等人，2021）。未来研究可以探索不同形式的交互性如何影响面试结果。此外，关于多重拟人化线索效果的研究仍然有限（Sun等人，2024）。先前的研究表明，功能性和象征性拟人化特征并不总是相互强化，反而可能相互抵消（Go，2019）。未来研究可以将交互性与不同拟人化线索结合，考察它们对面试者的综合影响。具体而言，研究者可以探究动态与静态特征之间、功能性与外观相关特征之间的互动，以评估多种设计元素如何共同塑造候选人的面试体验。

9. 结论

本研究通过考察AI面试官相对于人类面试官如何塑造申请者的自我呈现，并识别该效果发生变化的条件，深化了对AI面试的理解。我们的多研究设计通过四项使用不同样本的互补研究提供了汇合性证据，从而加强了结论的稳健性。在所有研究中，我们均发现申请者在面对AI面试官时感知到的表现机会少于面对人类面试官时。这种表现机会的感知减少有助于解释为何AI面试官不仅削弱了夸大的自我提升，还削弱了真实的自我呈现和真实的自我提升。在这一方面，本研究表明AI面试官不仅仅是遏制欺骗性印象管理，它们还抑制了真实优势和相关自我信息的表达。同样重要的是，本研究表明AI面试的效果是由功能而非仅仅是AI的存在所塑造的。基于条件的交互性在AI和人类面试官情境下均提升了申请者的表现机会感知，并缩小了两者之间的差距。

因此，本研究不仅将印象管理理论拓展至AI面试情境，还表明表现机会是理解人类和AI评估性相遇中自我呈现的重要机制。此外，本研究提供了关键的实践见解。AI面试官可能会减少申请者的膨胀式自我提升，但这种益处可能以牺牲真实表达为代价。因此，AI在面试中的价值不仅取决于组织是否使用AI，还取决于面试系统如何被设计以支持有意义的交互和候选人表达。

CRediT作者贡献声明

Jiexuan Zhang：写作——审阅与编辑，写作——初稿，指导，概念化

Bao Cheng：写作——审阅与编辑，写作——初稿，方法，调查，资金获取，形式分析，概念化

Yan Peng：写作——审阅与编辑，写作——初稿，概念化

Jian Tian：写作——审阅与编辑，写作——初稿，方法，调查，形式分析

Mengye Chen：方法

Jiexuan Zhang|Bao Cheng|Yan Peng|Jian Tian|Mengye Chen