《Proceedings of the Human Factors and Ergonomics Society Annual Meeting》：Human-AI Collaboration: Designing Generative AI and Training Users to Engage in Collaborative Patterns
编辑推荐：
生成式人工智能（Generative AI, GenAI）应用在共创工作流中被广泛采用，并在设计与开发任务中承担主动角色。GenAI 通过跨资源的内容生成与综合带来独特机会，但由于人与 GenAI 之间协作交互有限，可能导致共创能力丧失，表现为用户对 GenA
生成式人工智能（Generative AI, GenAI）应用在共创工作流中被广泛采用，并在设计与开发任务中承担主动角色。GenAI 通过跨资源的内容生成与综合带来独特机会，但由于人与 GenAI 之间协作交互有限，可能导致共创能力丧失，表现为用户对 GenAI 输出过度依赖、技能退化以及创造力下降。本研究比较两种 GenAI 交互风格：Standard，即根据用户提示直接输出结果；Collaborative，即支持问题定义、发散（diverging）、收敛（converging）与组织（organizing）。同时评估一项用户培训干预。研究发现，协作型 GenAI 提升了协作感知，包括探索性与表达性；标准型 GenAI 则更多被直接采用其想法，讨论与评价更少。培训促使用户更多进行问题定义，并减少未加讨论而直接使用 AI 想法的情形。AI 队友设计与用户培训均有助于在人机组（Human-AI Teams, HATs）中培育协作。
研究背景方面，共创任务指两个及以上主体共同制造文本、设计或媒体等共享制品的协作活动。团队在共创中会表现出可复现的协作模式，如问题定义、发散探索设计空间、收敛评估与选择、组织综合与归类。随着 GenAI 在文本、图像、视频、代码等多模态能力增强，其从辅助、协同创作到完全生成内容的角色不断前移。现有 GenAI 交互常按用户提示直接给出输出，不支持问题共同建构与设计空间主动探索，产生 grounding gap（ grounding gap：用户与 AI 之间因未共同建构问题而导致意图与生成结果错位的鸿沟），造成意图与输出错位、过早固定方案、评价不足、合成过程不透明等问题。过度依赖初始输出会引发过度依赖、技能退化和创造力下降，因此在人机组（Human-AI Teams, HATs）中如何设计协作型 AI 与培训用户成为关键问题。
研究人员开展两项干预：一是将 ChatGPT-4o 通过内置定制功能配置为两种交互风格，CLAI（Chatbot for Linear AI Interaction）代表标准高效输出型，AIME（AI for Mutual Exploration）代表主动按问题定义、diverging、converging、organizing 四模式协作的 AI 队友；二是设计约 35 至 45 分钟的用户培训，讲解四类协作模式、提供提示模板，并以本地图书馆 campaign 场景做改写练习。研究采用 2×2 混合实验，AI 交互风格为被试内变量并平衡顺序，用户培训为被试间变量，27 名参与者完成火星抵达指南与科技智能城市新居民欢迎两类信息图任务，用感知人机协作问卷与偏好量表收集数据，并进行混合方差分析。
关键技术方法上，研究人员以 ChatGPT-4o 定制提示构建 CLAI 与 AIME 两种 AI 交互风格；用户侧设无培训与培训两组，培训含模式讲解、提示模板和场景改写练习；被试为 27 人队列，平均 age M=24.3、SD=6.5，AI 风格为被试内并顺序平衡，培训为被试间；任务为两套推想式信息图场景，因变量为感知 HAT 协作与 CLAI/AIME 偏好，统计采用 2×2 mixed ANOVA。
感知 HAT 协作方面，AIME 条件下用户共同探索不同设计方向更多，M=4.0、SD=1.0，高于 CLAI 的 M=2.6、SD=1.2，F(1,25)=17.3、p<.001、η2=0.46；共同评估想法更多，M=3.74、SD=1.06，高于 CLAI 的 M=2.44、SD=1.2，F(1,25)=17.3、p<.001、partial η2=0.40；共同归类主题更多，M=4.22、SD=0.8，高于 CLAI 的 M=3.41、SD=1.12，F(1,25)=10.52、p=.003、partial η2=0.30。CLAI 则更易未探索即推进大纲、立即生成内容、未讨论直接使用想法。培训效应上，受训者共同定义问题更多，M=4.12、SD=0.95，高于未受训者 M=3.44、SD=1.5，F(1,24)=4.46、p=.04、partial η2=0.16；未受训者更直接未讨论使用 AI 想法，M=3.82、SD=1.09，受训者为 M=3.19、SD=1.23，F(1,25)=4.42、p=.04、partial η2=0.15。
AI 偏好方面，压力情境、效率生成、快速产出时多数偏好 CLAI，分别约 67%、78%、78%；而在保持任务控制、产出特定结果、彻底性、过程贡献、鼓励主动参与、维持或发展信息图设计技能、积极参与设计任务时多数偏好 AIME，比例从 67% 到 81% 不等。
讨论部分指出，H1 完全成立：AIME 提升用户对 HAT 协作的感知，大效应说明 AI 交互风格塑造人机伙伴关系；CLAI 易带来低收敛、固着与低发散。H2 部分成立：培训提升问题定义参与、减少直接采用 AI 想法，说明若用户不具备 HATs 协作能力，协作型 AI 设计可能被低估。偏好结果支持自适应交互风格：时间压力时转向高效输出，构思阶段则转向深入协作。
结论部分译为：本研究通过设计 GenAI 队友与培训用户参与问题定义、diverging、converging、organizing 四类协作模式，探究如何支持共创型 HATs 的协作。结果支持协作型 AI 队友 AIME 能显著带来探索想法、评估方案等协作行为；培训干预增强问题定义并缓解直接使用 AI 想法。用户偏好凸显自适应交互风格的重要性，用户在压力或效率导向任务中仍偏好标准 AI（CLAI）。未来研究将拓展自我报告以外的因变量，如创造力支持、信息图质量及人机对话的内容与主题分析。该文发表于《Proceedings of the Human Factors and Ergonomics Society Annual Meeting》。
