《Proceedings of the Human Factors and Ergonomics Society Annual Meeting》：Exploring AI Teammates’ Initiative in Supporting Teamwork Processes in Human-AI Teams
摘要专业翻译
本研究探索了在人机团队（Human-AI Teams, HATs）中，设计AI队友以支持团队协作过程（teamwork processes）的影响，比较了反应式（reactive）与主动式（proactive）支持对团队协作体验的作用。人机团队通过任务工作（taskwork）和团队协作过程实现共同目标。人类之间的团队协作过程已有充分文献记载，如目标设定（goal setting）、计划制定（plan development）和协调（coordination）。然而，关于如何设计AI队友以在人机团队中支持这些过程，尚不明确。此外，AI团队协作支持的主动性水平将如何影响人机团队动态，需要更多关注。研究在一个游戏化测试平台HiveMind中，比较了采用Wizard of Oz方式实现的AI队友（RoboAnt）的两种主动性水平。反应式RoboAnt仅在收到提示时响应团队协作请求；主动式RoboAnt则主动发起并参与团队协作过程。研究结果表明，在准备（preparation）、执行（execution）和评估（evaluation）各阶段，主动式AI显著带来更高频次的团队协作过程，并实现更好的团队绩效。
论文解读文章
一、研究背景与问题提出
团队协作过程（teamwork processes）是团队实现共同目标的关键机制，已有大量研究证实其对团队绩效和满意度的积极作用。在纯人类团队中，目标设定、计划制定、协调、绩效监控等协作过程的有效性已被充分验证。然而，当AI作为团队成员（AI teammate）加入后，人机团队（Human-AI Teams, HATs）在建立和维持团队协作过程方面面临显著挑战。已有研究表明，与纯人类团队相比，人机团队成员报告了更低的团队过程满意度、更低的团队认知水平，以及在形成共享心智模型（shared mental models）方面的困难。这些差异源于人类与AI队友在团队协作技能上的本质不同——人类通过认知、情感和行为维度发展协作技能，而AI队友需要被明确设计以有效展现这些技能。
将纯人类团队的协作过程迁移到人机团队已被提出作为有效策略，但关键在于如何将这些过程适配到AI队友的设计中，以及AI应如何发起和参与这些过程。AI队友的主动性（initiative）水平可能是影响其协作支持效果的重要因素。反应式（reactive）AI队友将主动性让渡给人类队友，仅在收到提示时响应，这种方式虽可避免干扰和侵入感，但可能导致AI被低估和利用不足。主动式（proactive）AI队友则主动发起并参与协作过程，可能增强用户对AI行为的信心、促进用户的主动行为并提升绩效，但也可能削弱用户的自主性和控制感，导致过度依赖或被动行为。
基于上述背景，本研究旨在探索AI队友在支持团队协作过程中的主动性水平对人机团队动态和绩效的影响。
二、研究内容与核心发现
研究在非对称游戏化测试平台HiveMind中开展，该平台设计为两名队友拥有不同角色、环境和信息，通过高 interdependence 鼓励团队协作行为。人类参与者（WorkerAnt）在迷宫中导航，收集隐藏食材、躲避敌人和障碍，按指定顺序收集食谱；AI队友RoboAnt则能获取食材位置、资源和工具信息。RoboAnt被设计为支持三个团队协作阶段（准备、执行、评估）中的七类协作过程，包括目标设定、任务分析（mission analysis）、计划制定、协调与信息共享、绩效监控与备份行为、绩效回顾和反馈。研究采用Wizard of Oz方法，由实验助手通过脚本化语言行为操控RoboAnt的反应。研究将44名参与者随机分配到反应式（20人）或主动式（24人）条件，通过行为标注（behavioral annotation）测量团队协作过程频次，并通过测试平台记录绩效数据。
研究提出两个假设：H1预测主动式AI队友将带来更高的准备、执行和评估过程频次；H2预测主动式AI队友将带来更好的团队绩效。两个假设均得到完全支持。研究结果表明，主动式RoboAnt在准备阶段（目标设定、任务分析、计划制定）、执行阶段（协调、监控与备份）和评估阶段（绩效回顾、反馈）均显著提高了协作过程频次，并显著提升了团队绩效。
三、关键技术方法
本研究采用的主要技术方法包括：第一，非对称游戏化测试平台HiveMind，通过设计不同角色、环境和信息的双人任务，构建高相互依赖性的团队协作场景；第二，Wizard of Oz实验方法，由实验助手根据预设脚本操控AI队友RoboAnt的语言行为，实现反应式和主动式两种主动性水平的操控；第三，基于团队协作过程框架（Rousseau et al., 2006）的行为脚本设计方法，将所有游戏条件和可能的人类行为与AI响应进行系统映射；第四，行为标注编码方案，研究人员开发编码手册（codebook），对录制的游戏行为视频进行团队协作过程的行为标记（behavioral markers）标注；第五，非参数统计检验方法，使用Shapiro-Wilk检验和Q-Q图评估正态性，在违反正态性假设时采用Mann-Whitney U检验进行组间比较。研究样本为44名参与者，平均年龄25岁（SD=5.7），其中27名男性、15名女性、1名非二元性别、1名未报告。
四、研究结果
Pre-HiveMind团队协作过程： 在准备阶段活动中，主动式条件下的目标设定（M=1.0, SD=0.0）显著高于反应式（M=0.0, SD=0.0），U=0.0, z=6.4, p<.001, r=.98；计划制定在主动式（M=0.83, SD=0.39）下显著高于反应式（M=0.0, SD=0.0），U=28.5, z=5.4, p<.001, r=.82；任务分析在主动式（M=1.09, SD=0.42）下显著高于反应式（M=0.26, SD=0.81），U=44.5, z=4.9, p<.001, r=.75。
HiveMind准备过程： 任务分析在主动式（M=1.13, SD=0.46）下显著高于反应式（M=0.63, SD=0.9），U=128.5, z=2.52, p=.01, r=.38；计划制定在主动式（M=0.87, SD=0.34）下显著高于反应式（M=0.0, SD=0.0），U=28.5, z=5.4, p<.001, r=.83；目标设定在主动式（M=2.04, SD=0.71）下显著高于反应式（M=0.95, SD=1.03），U=74, z=3.8, p<.001, r=.58。
HiveMind执行过程： 协调过程在主动式（M=25.22, SD=7.92）下显著高于反应式（M=16.47, SD=9.34），U=90, z=3.5, p<.001, r=.54；监控与备份行为在主动式（M=5.26, SD=3.72）下显著高于反应式（M=0.52, SD=0.77），U=32.5, z=4.79, p<.001, r=.73。
Post-HiveMind评估过程： 绩效回顾在主动式（M=1.13, SD=0.34）下显著高于反应式（M=0.16, SD=0.69），U=23.0, z=5.47, p<.001, r=.82；反馈在主动式（M=5.13, SD=1.52）下显著高于反应式（M=0.0, SD=0.0），U=0.0, z=5.8, p<.001, r=.89。
绩效表现： 主动式条件下的总分（M=117.8, SD=37.6）显著高于反应式（M=72.9, SD=37.6），U=84.5, z=3.4, p<.001, r=.52；得分获得在主动式（M=133.9, SD=22.9）下显著高于反应式（M=105.1, SD=29.0），U=80.5, z=3.5, p<.001, r=.54；反应式条件下的得分损失（M=36.1）显著高于主动式（M=16.1, SD=15.2），U=350.5, z=3.34, p<.001, r=.51。
五、讨论与结论
讨论部分： 研究证实了主动式AI队友在支持团队协作过程方面的显著优势。在准备阶段，主动式RoboAnt通过主动发起目标设定、任务分析和计划制定，有效缓解了新组建人机团队中可能出现的心智模型错位和共享认知困难。在执行阶段，主动式AI队友有效支持了协调、监控和备份行为，减少了协作中断。在评估阶段，主动式AI队友显著促进了绩效回顾和反馈，与已有证据一致表明AI队友支持事后复盘（debriefing）可促进人机团队识别协调问题并鼓励可操作的反馈。绩效提升与团队协作过程对团队绩效的积极关系一致，主动式RoboAnt通过减少错误和潜在缓解沟通中断提升了团队绩效，尤其在非对称任务场景中效果显著。
研究结论： 本研究探索了AI队友在支持团队协作过程中的主动性对人机团队行为和绩效的影响。主动式支持增强了团队协作体验，表现为更高频次的团队协作过程和更好的绩效。团队协作过程被证明是AI队友设计的有效策略。未来工作将报告更广泛的假设和因变量，包括代理队友相似性（agent teammate likeness）、感知和访谈要点。
局限性： 研究指出三个HiveMind活动时长在25至45分钟之间，未来研究可考察重复和更长时间的团队协作会话，以允许人机团队发展更有效的规范、策略和协议。此外，主动式RoboAnt对绩效的积极影响可能与降低用户工作量和信息寻求行为有关，未来研究可在不同任务和环境中探索团队协作过程，同时考虑工作负荷因素。
