夜雨聆风📌 论文信息速览
英文标题：How warm-versus competent-toned AI apologies affect trust and forgiveness through emotions and perceived sincerity
作者：Joon Soo Lim, Nalae Hong, Erika Schneider（雪城大学S.I. Newhouse公共传播学院）
发表期刊：Computers in Human Behavior（SSCI一区，心理学与传播学顶刊）
DOI：10.1016/j.chb.2025.108761
一句话总结：AI写的道歉信，如果语气“温暖”一点，能有效降低读者的负面情绪，提升信任和宽恕意愿；但要让道歉显得“真诚”，还是得靠人！
📖 文章结构全解析
1️⃣ 🔍 研究背景
随着ChatGPT等生成式AI（GenAI）的爆发，越来越多的企业开始用AI撰写危机公关声明，甚至道歉信。但问题来了——公众会接受一个AI写的道歉吗？
范德堡大学曾因用ChatGPT起草悼念邮件而引发舆论风暴，批评者认为这“缺乏真诚和人性温度”。类似的研究也发现：即使道歉内容完全一样，标上“AI生成”就比标上“人类撰写”的效果差很多。
但是！随着大语言模型（LLMs）的飞速进步，AI生成的文本已经越来越“像人”了。甚至有研究发现，AI生成的共情性回应被评价为比人类专家更富有同情心。
那么问题来了：AI道歉到底能不能行？如果能，怎么让它更有效？
2️⃣ 🎯 研究问题
本研究围绕一个核心问题展开：
AI生成的道歉，在明确标注（或被检测出）AI身份的情况下，能否有效修复信任、赢得宽恕？如果能，什么条件会让它更有效？
具体考察两个理论路径：
情绪路径：AI道歉 → 引发负面情绪？→ 降低信任 → 影响宽恕意愿
认知路径：AI道歉 → 感知真诚度不足？→ 降低信任 → 影响宽恕意愿
并进一步探讨：道歉的“关系语气”（温暖型 vs. 能力型）能否调节上述路径？
3️⃣ 🧠 理论基础
本研究融合了三大理论框架：
| 机器启发式（Machine Heuristic） | |
| 刻板印象内容模型（SCM） | |
| 算法厌恶（Algorithm Aversion） |
核心推论：AI天然被赋予“高能力、低温暖”的刻板印象。在道歉这种需要情感共鸣的场景中，这种刻板印象会成为劣势。但如果AI道歉采用“温暖”的语气，或许能部分弥补这一缺陷。
4️⃣ 📊 研究模型与假设
研究设计：3（来源归属：AI vs. 人类 vs. 无标注控制组）× 2（关系语气：温暖 vs. 能力）的被试间因子设计
调节变量：关系语气（温暖 vs. 能力）
六大核心假设：
| H1a | |
| H1b | |
| H1c | |
| H1d | |
| H2a | |
| H2b | |
| H3 | |
| H4 | |
| H5 | |
| H6 |
5️⃣ 🧪 实验设计详解
📐 实验方法
样本：464名美国成年人（平均年龄46.2岁，女性占51.5%），通过Prolific Academic平台招募
设计类型：3（来源归属）× 2（关系语气）被试间因子设计
统计方法：
操纵检验：卡方检验、独立样本t检验
主效应检验：单因素ANOVA + Tukey‘s b事后检验
交互效应检验：双因素ANOVA
有调节的中介模型：SmartPLS条件过程分析，采用5000次Bootstrap的BCa置信区间
📝 刺激材料
虚构手表品牌“Novera”因数据泄露事件发布道歉声明（模拟为X/Twitter帖子）。
来源归属操纵（模拟AI检测工具界面）：
关系语气操纵：在道歉内容中修改关键词汇，分别强调“温暖”或“能力”：
温暖语气：强调共情、关怀、善意、真诚
能力语气：强调专业技能、解决能力、效率、可控性
📏 测量工具详解
① 负面情绪（Negative Emotions） —— 来源：Mason (2019)，基于Dillard & Peck (2001)情感反应量表
② 感知真诚度（Perceived Sincerity） —— 来源：Hu et al. (2021) & Wenzel et al. (2017)
③ 宽恕意愿（Forgiveness Intention） —— 来源：Babin et al. (2021) & Tsarenko & Tojib (2015)
④ 信任（Trust） —— 来源：Lim & Jiang (2021)
⑤ 操纵检验：温暖与能力感知 —— 来源：Fiske et al. (2002)
操纵检验结果：三个操纵均成功（p < 0.001）
6️⃣ 🔬 核心发现
✅ H1系列：来源归属的主效应（全部成立）
关键发现：即使道歉内容完全一样，标上“AI”就比标上“人类”效果差！控制组（无来源标注）的评分介于两者之间，说明效果差异确实源于来源归属而非内容本身。
✅ H2系列：关系语气的主效应（全部成立）
关键发现：无论谁写的，语气“暖”一点，读者就少生气、多认可！
✅ H3 & H4：来源归属与关系语气的交互效应（全部成立）
| H3 | AI更需要“温暖”来消解公众的负面情绪！ | |
| H4 | “真诚”这个标签，还是人类更容易拿到！ |
交互效应可视化：
核心洞察：
对AI而言：温暖是“情绪灭火器”——能大幅降低负面情绪，但对提升“真诚感”作用有限
对人类而言：温暖是“真诚放大器”——能显著提升感知真诚度，但对负面情绪的额外缓解作用不大
✅ H5 & H6：有调节的中介效应（全部成立）
| 显著（p < .05） | |||
| 显著（p < .05） |
解读：
情绪路径：AI道歉如果用温暖语气，就能有效“阻断”负面情绪对信任和宽恕的损害
认知路径：但即使AI用了温暖语气，在“真诚度”上仍然输给人类——真诚的感知更“认人”
7️⃣ 💡 理论贡献
| 拓展SCM模型 | |
| 深化机器启发式理论 | |
| 提出双路径机制 | |
| 丰富HAII研究 |
8️⃣ 🏢 实践启示
对企业/PR从业者：
| 务必注入“温暖”语气 | |
⚠️ 伦理提醒：用AI模拟“共情”需谨慎。如果让公众误以为AI拥有真实情感，可能被视为“情感操纵”或“表演式道歉”，反而损害信誉。
9️⃣ ⚠️ 研究局限与未来方向
英文文献阅读全流程：从文献如何“搜”到怎么“管”再到“读”的一站式攻略
