文献赏析| 人类使用人工智能助手:损失厌恶对委托决策意愿的影响

尽管算法厌恶的缓解策略已有探索，但现有方法多依赖于AI系统的设计改造（如增加可编辑功能或解释模块），实施成本高、周期长，且部分组织因技术或资源限制难以实现。学界尚未系统探讨是否存在一种不涉及AI系统变更、由管理层直接实施的低成本策略。此外，损失框架能否从激发努力延伸到改变委托决策偏好，即能否通过改变任务结果的表述方式来缓解算法厌恶。这一问题尚无实证研究。损失框架与算法厌恶这两种认知偏差相遇时，是相互强化还是彼此抵消，亦属未知。

本研究借鉴信息系统委托理论框架与前景理论中的损失厌恶原理，提出任务激励框架从“获得”转为“损失”会增强决策者的情境意识进而使其在委托决策中更关注代理方的实际能力（而非情感偏好），最终缓解算法厌恶。研究通过三项实验验证了这一假设：研究1检验损失框架对算法厌恶的主效应；复制研究检验情境意识的中介作用；研究2引入更复杂的预测任务并提高激励金额以检验结论的普适性。

首先，本研究提出了一种不依赖AI系统重新设计的管理策略，即损失框架激励，丰富了算法厌恶缓解路径的研究，为管理实践提供了低成本、易实施的解决方案。其次，本研究将损失厌恶理论与IS委托理论整合，识别了情境意识作为底层机制，揭示了损失框架通过增强决策者对任务特征的敏感度来纠正评估偏差的内在路径，深化了对委托决策认知过程的理解。第三，本研究检验了两种认知偏差（损失厌恶与算法厌恶）的交互效应，发现损失厌恶可以有效抵消算法厌恶，为行为经济学中关于认知偏差互补效应的讨论提供了新的实证证据。最后，本研究通过引入更复杂任务与更高激励金额的实验设计，验证了损失框架效应的边界条件与普适性，为理论与实践推广提供了稳健性支撑。

（1）理论基础

本研究融合了两大理论框架。第一是信息系统委托理论。该框架指出，当存在至少两个代理方（人类或AI）对任务拥有决策权时，主导决策者需要通过“委托评估”，即对内部与外部任务知识、情境因素以及各代理方能力的评估，来决定是否委托以及委托给谁。委托评估依赖认知与情感过程，因此容易受认知偏差影响。第二是前景理论中的损失厌恶原理。该理论指出，个体对损失的敏感度高于对等量获得的敏感度，即“损失带来的痛苦大于获得带来的快乐”，因此面对损失框架时个体会产生更强的认知与情绪反应。

基于上述理论，本研究提出：损失框架通过增强决策者的情境意识，使其在委托评估中更聚焦于代理方的客观能力（如准确率）而非主观偏好（如对人类助手的天然倾向），从而缓解算法厌恶。情境意识被定义为“个体通过评估情境与任务特征，形成决策基础的能力”，其核心在于对环境线索的感知、理解与预测。

（2）研究模型

本研究的研究模型如图1所示：

（1）激励框架对算法厌恶的主效应

在获得框架下，个体以争取奖励为参考点，决策重心倾向于最小化认知成本与情感冲突。由于算法厌恶是一种基于情感与认知偏差的偏好（对人类助手的天然倾向），当获得框架未能充分激活个体对任务结果的审慎评估时，这种偏好便主导了委托决策。因此，即使AI已被证明表现优于或等于人类，个体仍更倾向于委托给人类专家。

在损失框架下，个体以避免损失为参考点，经济损失的威胁激活了更强的认知投入与负面情绪（如恐惧、压力）。这种状态促使个体在委托评估中更审慎地审视情境因素与代理方特征，因为错误的委托决策（选择了表现较差的助手）将直接导致金钱损失。因此，损失框架会削弱对人类助手的非理性偏好，使委托决策更基于代理方的客观能力。

（2）情境意识的中介作用

情境意识包含三个层次：对环境要素的感知、对当前情境的理解、对未来状态的预测。损失框架通过引发对损失的恐惧，增强了个体对任务细节、代理方能力及潜在后果的敏感度。在委托评估中，更高的情境意识意味着个体更关注“哪个代理方能最大化任务成功概率”这一核心问题，而非“代理方是人类还是AI”这一情感化标签。因此，损失框架通过提升情境意识，使得决策者更理性地依据准确率选择委托对象，从而缓解算法厌恶。

本研究在美国一所R1研究型大学的行为科学实验室招募参与者，均为在校商科本科生。所有参与者均未重复参加多项研究。参与者获得了与任务表现挂钩的真实金钱报酬。

样本：研究1共385名参与者（收益框架194人，损失框架191人）

程序：参与者首先完成20张练习图片的分类任务（无金钱激励）。每张图片呈现后，参与者需从5组关键词中选择最能描述该图片的一组。每道练习题完成后，系统会告知参与者AI专家与人类专家各自会选择哪组关键词；练习结束后，系统汇总展示三方的正确数量（即参与者的自身准确率、AI准确率、人类准确率）。AI与人类专家的准确率被随机设定在55%-90%之间，且两者差异不超过15%（5%为增量），以排除极端准确率差异导致的“强者压倒性主导”效应。

随后进入40张正式计费图片的分类任务。参与者每遇到一张图片，可选择（a）自己选择关键词组，（b）委托给AI专家，或（c）委托给人类专家。一旦委托，专家答案即为最终答案，不可撤回、不可修改。正式阶段不提供即时反馈，直至实验结束才显示总成绩，以避免学习效应干扰委托决策。

实验结束后，参与者填写人口统计学信息、满意度量表及对专家有效性的感知量表。

激励机制操纵：收益框架下，参与者从$0.00开始，每答对一题获得$0.10，最多$4.00；损失框架下，参与者先获得$4.00，每答错一题扣除$0.10。两种框架下最终经济收益完全等价，唯一区别在于“获得奖励”还是“避免损失”的表述。

测量：

委托行为：记录参与者在40次决策中委托给AI、委托给人类专家及自己完成的次数。

感知有效性：参与者对“人类专家/AI算法在图像分类中是有效的”进行5点李克特量表评分。

委托满意度：参与者对“我对委托图像分类决策感到满意”进行5点李克特量表评分。

控制变量：性别、种族、专家准确率、参与者自身准确率。

样本：复制研究共350名参与者

程序：完全复制研究1，唯一改动是在正式任务后增加了情境意识测量问卷。

测量：情境意识，改编自Situation Awareness Global Assessment Technique（SAGAT, Endsley, 1988）与Situation Present Assessment Method（SPAM, Durso et al., 1998）。参与者回答9个关于图片细节、委托行为及代理特征的开放式文本输入问题（如，有多少张图片包含动物？），每道题有客观数值答案。以平均绝对误差计分，误差越小情境意识越高。

样本：研究2共411名参与者。

程序：所有参与者依次完成图像分类任务（10张练习+20张计费）与NFL球员表现预测任务（10题练习+20题计费），任务顺序随机分配。两种任务的专家准确率保持一致。预测任务要求参与者基于某球员2018赛季的统计数据（接球数、接球总码数、接球达阵数、掉球数、四分卫传球者、年龄、出场数、首发数、目标传球数），预测该球员2019赛季的表现百分位（评分公式：总得分=1×接球数+0.1×码数+6×达阵数-2×掉球数）。预测正确标准为±10个百分位以内（与图像分类的20%随机成功率保持一致）。参与者被告知最终仅随机选择一个任务计算报酬，以防止跨任务的策略性行为。

激励机制操纵：收益框架下，参与者从$0.00开始，每答对一题获得$0.50，最多$10.00；损失框架下，参与者先获得$10.00，每答错一题扣除$0.50。两种框架下最终经济收益完全等价，唯一区别在于“获得奖励”还是“避免损失”的表述。

测量：

委托行为：记录参与者在20次决策中委托给AI、委托给人类专家及自己完成的次数。

自信心：参与者对“你对自己[图像分类/绩效预测]任务有多大信心？”进行5点李克特量表评分（研究结束后测量），后简化为二分类变量（“完全没有/一点”为低信心组；“中等/很多/完全”为高信心组）。

控制变量：在研究1控制变量的基础上，进一步控制了任务顺序。

（1）损失框架缓解算法厌恶的主效应。在获得框架下，参与者委托给人类专家的次数（M = 16.608）显著高于委托给AI的次数（M = 8.258），差值 = -8.351（t = -6.71, p < 0.01），证实算法厌恶存在。在损失框架下，委托给人类专家（M = 12.194）与委托给AI（M = 12.120）无显著差异，差值 = -0.073（t = -0.05, n.s.），表明算法厌恶被缓解。

（2）损失框架的效应量。回归分析显示，损失框架使AI委托量增加约44.9%（β = 3.708, p < 0.01），人类委托量减少约24.6%（β = -4.079, p < 0.01），而总委托量不变，表明损失框架仅重新分配了委托对象而非增加委托总量。

（3）相对准确率分析。在获得框架下，即使AI准确率比人类高15%，参与者仍显著更倾向委托给人类（差值=-8.500至-11.900，p<0.01）。在损失框架下，参与者的委托完全依据准确率，即当人类更准时长委托给人类，当AI更准时长委托给AI，准确率相同时无显著差异。

（4）绩效提升。损失框架使参与者的平均收益从$2.14提升至$2.35，增幅约10%（β = 0.214, p < 0.05），表明缓解算法厌恶直接转化为经济福利改善。

（5）委托满意度。损失框架降低了委托满意度（β = -0.126, p < 0.10），但损失框架与AI高准确率的交互项显著为正（β = 0.388, p < 0.05），表明当AI表现优异时，损失框架的满意度降低效应被抵消。这说明满意度下降主要源于对低绩效助手的失望，而非损失框架本身。

（1）情境意识差异。损失框架参与者的平均绝对误差（M = 2.817）显著小于获得框架参与者（M = 3.348，差值 = 0.530, p < 0.01），证明损失框架提升了情境意识。

（2）感知有效性的敏感性。在获得框架下，参与者对AI准确率差异敏感（低准确率组M = 0.704 vs. 高准确率组M = 0.814, t = -1.773, p < 0.10），但对人类准确率差异不敏感（低准确率组M = 0.635 vs. 高准确率组M = 0.722, t = -1.298, n.s.），印证了对AI苛刻、对人类宽容的算法厌恶特征。在损失框架下，参与者对两类专家的准确率差异均显著敏感（人类：M = 0.585 vs. 0.776, t = -2.843, p < 0.01；AI：M = 0.644 vs. 0.844, t = -3.221, p < 0.01），表明损失框架使参与者以统一标准评估所有代理方。

（1）结论普适性。在更复杂的预测任务与更高的激励金额下，获得框架仍存在显著算法厌恶（图像分类任务差值 = -3.897, t = -6.26；预测任务差值 = -3.842, t = -5.69, p < 0.01），而损失框架下无显著偏好（图像分类差值 = -0.529, t = -0.78, n.s.；预测任务差值 = 0.216, t = 0.33, n.s.），完全复现了研究1的结论。

（2）自信心的异质性调节。损失框架对低信心参与者效应最强（图像分类AI委托提升β = 3.483, p < 0.01；预测任务AI委托提升β = 2.876, p < 0.01），且伴随着对人类的委托减少。对高信心参与者，损失框架仍能提升AI委托量（图像分类β = 1.453, p < 0.10；预测任务β = 3.461, p < 0.10），但在图像分类任务中人类委托量未显著下降，表明高信心参与者在简单任务中可能存在“我能做得更好”的认知偏差，但在复杂任务中这一偏差被任务难度所削弱。

首先，激励金额的相对有限性。本研究的激励金额为$4.00至$10.00（研究1至研究2），尽管已经高于许多行为实验的标准，但与真实工作场景中的高额奖金或重大决策风险相比仍属小金额。损失框架在更大金额、更高风险情境下是否同样有效，尚需进一步验证。可能存在天花板效应：金额过高时恐惧情绪过载反而导致决策瘫痪。

其次，任务类型的代表性限制。本研究使用的图像分类与体育数据预测任务虽覆盖了客观性任务与统计分析型任务，但未涵盖需要深度创造性、道德判断或人际互动的高主观性任务（如法律裁决、心理咨询、创意设计）。Castelo et al.（2019）已证明任务主观性会加剧算法厌恶，因此损失框架在主观性任务中的有效性需要额外验证。

第三，实验情境与真实工作环境的差异。本研究在实验室环境中进行，参与者是本科生而非职业工作者，任务决策是一次性的而非持续性的，且缺乏真实组织情境中的社会互动（如同事影响、组织文化、上级压力）。这些因素可能限制研究结论向真实组织情境的推广。

首先，更高激励金额与实地实验研究。未来研究可以在真实工作环境中设计更大金额的激励方案（如数千美元级别的年度奖金），或与企业合作开展随机实地实验，检验损失框架在长期、持续性工作场景中的效应。同时可探索非金钱激励（如表彰、晋升机会）的损失框架能否起到类似作用。

其次，损失框架与其他缓解策略的组合效应。本研究将损失框架视为独立策略，但实践中可与其他策略（如允许编辑AI方案、可解释AI）组合使用。未来研究可设计析因实验，探索不同策略间的互补与替代关系。例如：损失框架可能强化可解释AI的效果（因为情境意识提升使员工更愿深入理解解释内容），也可能与可编辑AI产生冲突（因为损失框架下的审慎评估可能使员工过度干预AI方案）。

第三，任务类型与情境的边界条件。未来研究应系统考察任务特征（主观性、创造性、道德性、时间压力）与个体特征（技术素养、AI经验、风险偏好、认知风格）对损失框架效应的调节作用。尤其值得关注的是高风险职业（如医疗诊断、航空管制、金融交易）中损失框架的双刃剑效应：一方面可能提升AI使用率，另一方面可能因过度压力导致决策质量下降。

撰稿 | 刘   洋

编辑 | 宋雅馨

校稿 | 王   娟

审核 | 贾   明