《Systems》：Human–AI Creative Collaboration as a Socio-Technical System: Perceptions of AI Tool Features, Perceived Control, Perceived Collaboration, and Designers’ Creative Self-Efficacy
编辑推荐：
随着人工智能生成内容（AIGC）日益融入设计实践，设计师与人工智能之间的关系正从工具使用转向持续的创意协作。本研究借鉴社会技术系统理论、可供性理论和自我效能理论，考察了五种感知的人工智能工具特征——可定制性（Customizability）、自学习能力（Sel
随着人工智能生成内容（AIGC）日益融入设计实践，设计师与人工智能之间的关系正从工具使用转向持续的创意协作。本研究借鉴社会技术系统理论、可供性理论和自我效能理论，考察了五种感知的人工智能工具特征——可定制性（Customizability）、自学习能力（Self-Learning Capability）、可解释性（Explainability）、智能反馈（Intelligent Feedback）和情感支持（Emotional Support）——如何与设计师的感知控制（Perceived Control）、感知协作（Perceived Collaboration）和创造性自我效能（Creative Self-Efficacy）相关联。研究人员采用基于协方差的结构方程模型（CB-SEM）分析了来自461名具有人工智能辅助设计经验的设计专业人士的调查数据，以检验结构关联和间接效应，并使用模糊集定性比较分析（fsQCA）来识别与高创造性自我效能相关的配置。感知控制和感知协作均与创造性自我效能呈正相关，但五种人工智能工具特征呈现出不同的模式。可定制性主要与感知控制相关，智能反馈主要与感知协作相关，而自学习能力、可解释性和情感支持则与两种评价均相关。fsQCA结果进一步表明，高创造性自我效能对应多种配置而非单一独特配置，并且可解释性是多个高水平配置中的核心条件。这些发现揭示了人工智能工具特征与设计师的控制感和协作体验之间存在差异化的关系；而这些体验又与创造性自我效能相关联。通过区分人工智能工具特征的功能角色、两种相关但不同的心理评价以及多种配置，该研究增进了对人机创意协作的理解，并从个体层面补充了现有的人机团队研究。
论文解读文章
1. 研究背景与问题
随着人工智能生成内容（AIGC）在设计领域的广泛应用，设计师的工作流程和专业角色正在发生深刻变革。传统的“工具使用”模式正逐渐演变为一种持续的“人机创意协作”。在这种协作中，设计师不仅利用AI完成特定任务，还需持续评估其产出、引导创作方向并决定AI的参与程度。然而，现有研究往往将AI能力视为同质化的技术输入，未能充分解释不同AI工具特征如何差异化地影响设计师的心理体验。具体而言，设计师在人机协作中面临两个关键问题：其一，AI介入后，他们能否继续主导创作过程、干预生成并决定最终成果？其二，AI生成的反馈和建议是否能被理解为有助于推进任务的协作资源？这两个问题分别指向了“感知控制”和“感知协作”这两种不同的心理评价。因此，有必要系统地探究不同AI工具特征如何与这两种心理评价相关联，并最终影响设计师的创造性自我效能，从而为优化人机创意协作系统提供理论依据。
2. 研究方法与技术
本研究采用定量与定性相结合的混合方法。首先，通过问卷调查收集了461名具有一年以上AI辅助设计经验的专业设计师的数据。数据分析采用了两种关键技术：
- •
基于协方差的结构方程模型（CB-SEM）：用于检验研究假设中提出的变量间的平均结构关联和间接效应，评估理论模型的整体拟合度。
- •
模糊集定性比较分析（fsQCA）：用于识别导致高创造性自我效能的多种条件组合（即配置），揭示变量间的非对称性和殊途同归的关系。
3. 研究结果
感知控制与感知协作均与创造性自我效能正相关
路径分析显示，感知控制（β=0.427, p<0.001）和感知协作（β=0.485, p<0.001）均与创造性自我效能显著正相关。这表明，无论是保留对创作过程的掌控感，还是感受到AI作为有价值的协作资源，都有助于提升设计师对其自身创造能力的信念。替代模型分析进一步证实，AI工具特征与创造性自我效能的关系主要通过这两种心理评价作为中介来实现。
AI工具特征与感知控制和感知协作呈现不同的关联模式
- •
可定制性与智能反馈形成鲜明对比：可定制性主要与感知控制正相关（β=0.622, p<0.001），但与感知协作无显著关联。智能反馈则相反，与感知协作显著正相关（β=0.146, p=0.002），而与感知控制无显著关联。
- •
自学习能力与可解释性与两者均相关：自学习能力和可解释性均与感知控制和感知协作显著正相关，但它们与感知协作的关联强度更大（路径系数分别为0.322和0.514）。
- •
情感支持与两者均衡相关：情感支持与感知控制（β=0.281, p<0.001）和感知协作（β=0.272, p<0.001）均有显著且强度相近的正向关联。
高创造性自我效能对应多种人机协作配置
fsQCA分析识别出五种能够产生高创造性自我效能的配置。其中，可解释性在所有五种配置中均作为核心条件出现，凸显其在人机创意协作中的基础性作用。其他特征如感知控制、感知协作、情感支持、自学习能力和可定制性在不同配置中扮演着互补或替代的角色。例如，A1和A3配置强调“可解释性、情感支持与感知控制”的组合，代表了以保持设计师能动性为核心的路径；而A4和A5配置则突出“可解释性、情感支持、自学习能力与感知协作”，展示了不依赖高感知控制的适应性协作路径。此外，非高创造性自我效能的配置并非高水平的简单镜像，体现了结果的非对称性。
4. 讨论与结论
讨论部分总结：本研究的发现强调了区分AI工具功能角色的重要性。可定制性提供了干预空间，智能反馈支持任务进展，自学习能力反映了持续适应，可解释性支撑理解与判断，而情感支持塑造了互动体验。它们以不同方式与感知控制、感知协作或两者相关联。因此，优化AI辅助设计系统需要关注各项功能如何协同工作，并确保设计师能够识别和利用这些行动可能性。研究还揭示了感知控制与感知协作是两个相关但概念不同的心理评价，不能简单地合并为一个整体的协作满意度。最后，高创造性自我效能对应多种配置，表明AI功能的价值具有配置依赖性，无法由单一特征概括。
结论部分翻译：
感知控制与感知协作均与创造性自我效能呈正相关，而不同的人工智能工具特征与这两种心理评价呈现出不同的关联模式。fsQCA结果进一步表明，高创造性自我效能对应于多种技术-心理配置。因此，人工智能工具特征与人机创意协作中设计师的心理体验并非均匀相关；控制、协作以及不同功能条件的配置共同为理解设计师的创造性自我效能提供了实证基础。这些发现涉及个体设计师的心理体验，并为补充人机团队成员体验的研究提供了微观层面的证据。由于本研究使用了横截面的自我报告数据，研究结果应被解释为统计关联和配置关系，而非确定的因果机制。在此基础上，提出了四个人机共创的设计原则：（1）透明与可理解性原则：使生成逻辑和修订依据可追溯；（2）人工干预原则：在关键创意点保留设计师的决策权；（3）协作响应性原则：通过任务相关反馈支持迭代设计；（4）情境敏感的支持原则：通过自适应响应维持适当限度的辅助。
