夜雨聆风摘要本文构建了“技术介入—主观感知—决策评价”分析框架，系统探讨AI决策参与程度对公众决策实用性、公平性和可信性评价的影响，以及可解释性感知的中介作用。基于被试间情景实验设计，共收集有效样本345份。实证结果显示，不同的AI决策参与程度对公众决策评价的影响存在显著差异。相较于低、高程度的AI决策参与，中等程度的AI决策参与更有助于提升公众的实用性、公平性以及可信性评价。进一步的因果中介分析与敏感性检验表明，在中等参与情景下，可解释性感知并未发挥显著中介作用；而在高参与情景下，AI决策参与程度显著降低可解释性感知，进而削弱公众决策评价。可见可解释性感知下降是解释高AI决策参与削弱公众决策评价的重要机制。本研究不仅揭示了AI决策参与程度对公众决策评价的非单调效应，也为深入理解二者间的内在机制提供了新视角。
关键词AI决策参与程度公众决策评价可解释性感知情景实验非单调效应
本文引用格式参考：[1]张雅萍,蒋硕亮.AI决策参与程度对公众决策评价的非单调效应——可解释性感知的中介作用与情景实验证据[J/OL].新媒体与社会,1-18[2026-08-25].https://link.cnki.net/urlid/CN.20260819.0931.002.
知网链接：《“用户参与形态与中国民歌短视频的跨文化传播效果——基于抖音平台与东南亚受众调查的实证分析》
一 引言
AI技术正快速应用至社会福利、刑事司法、医疗保健、移民管理以及教育服务等多个场景[1-3]，尤其是在优化公共决策中的潜在价值，已引起实务界与学术界的广泛关注[4-5]。具体而言，AI技术所具备的数据处理能力以及中立性特征，有助于克服人工决策所存在的认知偏见与效率局限[6-7]，为组织决策模式变革提供技术机遇。但其在运用过程中所产生的技术风险以及伦理争议等问题也日益凸显，由此引发学界对于AI决策参与利弊的广泛争论。Clarke和Margetts指出智能技术可帮助政府更为准确地掌握公民意愿与诉求，进而制定更符合公众偏好的政策措施[8]。Rodriguez等认为AI技术既能辅助处理数理建模等短期任务，亦能为长期存在的行政难题提供创新性解决方案[9]。尽管前景辽阔，但仍有学者对AI技术在公共部门的应用表示担忧[10-11]。
纵观现有文献，主要聚焦AI技术的任务替代效应，即强调组织利用AI技术替代人类完成特定任务[12]。这类研究更多关注于技术自动化带来的效率提升，较少探讨不同AI决策参与程度可能引发的差异化公众评价与治理效果。在公共行政领域，不同AI决策参与程度会引发何种差异化公众决策评价？其内在作用机制又是什么？厘清上述问题，不仅能为公共部门优化AI技术应用路径提供理论支撑，亦能帮助决策者精准把握公众诉求，进而提升公共决策的公信力与有效性。鉴于此，本文构建了“技术介入—主观感知—决策评价”理论分析框架。并通过被试间随机情景实验探讨了AI决策参与程度对公众决策评价的影响，以及可解释性感知的中介作用。研究表明，不同AI决策参与程度对公众决策实用性、公平性以及可信性评价的影响存在显著差异，中等程度AI决策参与更有助于提升公众决策评价，而高程度AI决策参与会显著降低可解释性感知，进而削弱公众决策评价。
二 理论框架与研究假设
（一）理论框架
有限理性理论指出，个体在决策过程中受信息与认知双重约束[13]，往往难以突破有限理性的桎梏[14]。AI决策参与虽能提升决策者的理性水平并优化决策效率[15-16]，但技术异化后所引发的数据泄露、权责模糊以及伦理争议等问题，表明AI技术同样存在适用边界[17-18]。可见，AI决策参与程度并非越高越好，过低的AI决策参与难以有效弥补人类决策者的固有短板，而过高的AI决策参与则容易引发技术黑箱效应，最终削弱公众对于决策的正向评价。因此，在现实公共决策场景中，把握AI决策参与尺度并厘清其与公众决策评价间的内在机制尤为重要。
值得注意的是，本文所关注的AI决策参与程度是涵盖AI系统的任务自主性水平、AI建议在最终决策中的影响权重、AI涉入的决策环节范围以及人类决策者在其中的角色性质等多重维度的整体构念。在下文情景材料设计时，也将考虑到多个维度的整体操纵，而非考察各维度的独立效应。原因在于，整体操纵的方式更贴近真实场景中公众的决策体验，有助于增强本研究的外部效度。综上，本文构建了“技术介入—主观感知—决策评价”理论分析框架，旨在系统考察AI决策参与程度对公众决策评价的非单调效应，以及可解释性感知在其中发挥的中介作用（参见图1）。
（二）研究假设
1.AI决策参与程度对公众决策实用性、公平性以及可信性评价的影响
根据认知负荷理论[19]，个体认知资源是有限的。当信息容量过多引发认知超载，将严重抑制个体的正向态度与评价。据此，AI决策参与程度将通过影响公众的认知负荷水平，最终形塑其决策评价。具体而言，过低的AI决策参与难以有效降低决策过程的复杂性与模糊性，公众在理解决策依据时仍面临较高的认知负担。而在过高的AI决策参与下，AI系统的大量技术性输出远超公众理解范畴，亦会加重个体认知负担。唯有适度的AI决策参与，其所呈现的信息量恰好处于公众认知能力范畴内，与此同时，根据信号传递理论，适度的AI决策参与能够实现能力信号与价值信号的最优传递，可提升公众对决策者的综合形象感知，进而提升公众对公共决策的正面评价。在本文中，重点探讨公众对于决策实用性、公平性以及可信性评价。
在实用性评价维度，Davis针对智能系统研究场景，提出感知实用性是指个体相信使用某一特定系统能够提升其工作绩效的主观感知[20]。将这一概念延伸至公共决策场景，公众感知实用性可被定义为公众对某项公共决策能否有效回应社会发展需求、有效解决公共问题并提升社会整体福利水平的主观认知与评价。其不仅直接影响公众对公共决策的接受度，更是衡量该决策现实适配性的重要维度[21]。结合上述认知负荷理论以及信号传递理论的分析，过低或过高的AI决策参与均会打破公众的认知均衡并增添其认知负担，进而削弱其决策实用性评价。基于此，本文提出以下假设：
H1：不同的AI决策参与程度对公众决策实用性评价的影响存在差异，相较于低、高程度的AI决策参与，中等程度的AI决策参与更有助于提升公众的决策实用性评价。
此外，AI决策参与已深度嵌入组织管理与社会治理等诸多场景，由此引发的公平性问题正受到普遍关注[22]。精准捕捉公众对决策公平性的认知评价，不仅能为公共决策优化提供实证依据，也有助于提升公共决策的社会接受度和执行效果[23]。根据有限理性理论与认知负荷理论，公众对决策公平性的评价在不同AI决策参与程度下呈现差异化特征。当AI决策参与程度较低时，虽能提供一定的辅助参考，但无法有效缓解人类决策的认知局限，从而会削弱公众的公平性认知[24-26]。而AI决策参与程度过高也会打破原有的补位平衡，数据偏差以及模型缺陷等风险或将被放大[27]。此时，公众对技术失控的疑虑增强，叠加信息过载所致的认知超载，公平性质疑随之上升。唯有中等程度AI决策参与所传递的能力信号与价值信号有助于提升公众的决策公平性评价。基于此，本文提出以下假设：
H2：不同AI决策参与程度对公众决策公平性评价的影响存在差异，相较于低、高程度的AI决策参与，中等程度的AI决策参与更有助于提升公众的决策公平性评价。
再者，信任是指个体对他人行为、意图或承诺所持有的积极预期，即便存在一定的风险或不确定性，个体依然选择相信对方会以其预期行事[28]。对于组织发展而言，信任构成组织内以及组织间沟通与合作的基础。随着AI技术深度嵌入公共治理场景，AI决策参与正在悄然改变公众对公共决策信任的认知基础。若AI决策参与程度过高，信息过载与算法黑箱效应将加重公众的认知负担，加之算法错误的放大效应，公众对技术的疑虑随之上升，信任判断转而受挫。而在适宜的AI决策参与程度下，算法技术输出的复杂程度未超出公众认知容纳能力，同时所传递的积极信号有助于提升公众信任。综上，本文提出：
H3：不同的AI决策参与程度对公众决策可信性评价的影响存在差异，相较于低、高程度的AI决策参与，中等程度的AI决策参与更有助于提升公众的决策可信性评价。
2.可解释性感知的中介作用
可解释性原指AI系统能够以人类可理解的方式，对其内部运行逻辑、推理过程以及决策依据进行说明[29]。具体到公共决策领域，可解释性感知是指公众所感知到的一项决策在逻辑依据、形成过程以及责任来源等方面的清晰性、可理解性以及可追溯的程度。根据本文理论分析框架，在中等AI决策参与情境下，既能发挥AI技术的数据分析与信息处理优势，又能保留人类决策者在价值判断与情境理解中的主体作用，这一分工模式本身具有较高的直观可理解性，公众无需深入理解算法细节即可大致把握决策形成过程。此时，可解释性感知的信息价值被充分释放，而认知成本几乎为零。因此，有利于提升公众对公共决策的整体评价。但当AI决策参与程度过高时，公共决策过程高度依赖不透明的算法，公众即使被告知决策依据也往往因缺乏审查算法模型以及技术运行细节的专业能力而难以真正理解[30]，此时可解释性感知所传递的信息价值受限，反而加重其认知负担[31]，最终不利于决策评价。综上，本文提出如下假设：
H4a：在中等程度AI决策参与情境下，可解释性感知在AI决策参与程度与公众决策实用性评价之间发挥正向中介作用；
H4b：在高程度AI决策参与情境下，可解释性感知在AI决策参与程度与公众决策实用性评价之间发挥负向中介作用。
H5a：在中等程度AI决策参与情境下，可解释性感知在AI决策参与程度与公众决策公平性评价之间发挥正向中介作用；
H5b：在高程度AI决策参与情境下，可解释性感知在AI决策参与程度与公众决策公平性评价之间发挥负向中介作用。
H6a：在中等程度AI决策参与情境下，可解释性感知在AI决策参与程度与公众决策可信性评价之间发挥正向中介作用；
H6b：在高程度AI决策参与情境下，可解释性感知在AI决策参与程度与公众决策可信性评价之间发挥负向中介作用。
三 研究方法
（一）情景设置与实验流程
本文采用调查实验法开展实证研究，调查实验通过研究者对核心变量进行操纵，能够清晰地分辨自变量水平的差异对因变量的影响，亦可有效降低其他派生或额外因素对实验结果的干扰[32]。
再者，本文选取养老服务改革作为实验情境，该选择主要基于以下几点理由。第一，养老服务改革直接关系到公众自身及其家庭成员的切身利益与权益保障。公众对该领域的决策具有较高的关注度，从而有利于激发公众的参与意愿；第二，养老服务改革涉及多维信息，既需要充分发挥AI技术在数据收集与处理上的优势，又需要人类决策者在其中发挥伦理考量、价值权衡等作用，与本文的AI决策参与程度操纵具备较强的适配性。第三，当前AI参与养老服务改革决策的实践仍处于初步探索阶段，社会公众对AI决策参与程度的认知亦尚未形成统一范式。本文研究结果可为现实场景中的制度设计与优化提供参考。
具体实验流程如下：首先被试阅读AI决策参与的定义与相关背景信息；其次，被试被随机分配至不同实验组别，并阅读对应的情景材料（参见表1）。
在情景材料的设置上，本文对可能干扰被试评价的无关因素进行了系统控制。三组材料在篇幅上基本保持一致，由此避免因材料字数差异过大导致被试的认知与选择偏差。情景刺激材料的结构尽量保持一致，且在政策背景等信息上保持完全一致。此外，三组材料皆统一采用第三人称以及客观中性的陈述风格，以避免给被试不必要的引导或干扰。再者，被试对公共决策潜在的实用性、公平性以及可信性进行评价。随后，被试完成可解释性感知、操纵检验以及注意力检验题项的选择，其中具体操纵题目为：您认为在上述决策制定过程中，AI系统的参与程度如何？具体采用1-5点记分。最后，被试填写人口统计学信息。具体实验流程如图2所示。
（二）测量工具
1.因变量
本文因变量为公众决策实用性、公平性以及可信性评价。其中实用性评价借鉴Davis等人[33-34]的做法，样题如：实施该方案后，公众享受到的服务质量能得到提升。该量表的Cronbach’s α 系数为0.798。公平性评价则参考Lee做法[35]，样题如：这一方案，对公众来说是否公平？可信性评价亦参考Lee的做法，样题如：您对该方案的信任程度如何？本文公平性与可信性评价均属于单一且明确的评价性判断，适合采用这一测量方法[36-37]。
2.中介变量
中介变量为公众可解释性感知，参考Shin的测量题项[38]，根据本文研究内容进行情境化改编。样题如：我认为这一决策过程是易于理解的。Cronbach’s α系数为0.791。
3.人口统计学变量
本文将性别、年龄、学历、收入、是否购买养老保险等作为控制变量。
（三）事前预测试
在开展正式实验之前，本文进行了预实验调查，目的在于预先检验通过三种情景刺激材料，是否能够激发被试低、中、高三种不同AI决策参与程度的感知。具体而言，本文招募45名社区居民作为被试，其中男性24人、女性21人。被试被随机分配至低、中、高三组之一，每组15人，其在阅读对应情景刺激材料后开始作答。每位被试在实验结束后都可领取纸巾、洗洁精、小风扇等礼品作为报酬。研究结果显示，在不同组别情景刺激下，被试所感知的AI决策参与程度均值存在显著差异，M高参与组=4.067 > M中参与组=2.933>M低参与组=2.000。并且三者之间存在统计学差异（F（2，42）=26.088，p<0.001），说明实验设计可满足本研究的操纵要求。
四 研究结果
本实验共招募390名被试，在剔除未通过注意力测试的45名被试后，最终获得有效样本345份，有效率为88.5%。
（一）平衡性检验
在检验假设之前，首先进行平衡性检验，以考察各实验组在人口学特征方面是否均匀平衡。结果显示，三组被试在年龄、学历、收入、是否购买保险上均未观察到显著差异（p>0.05），表明各组在上述特征上具有较好的可比性。但性别分布存在显著组间差异（p=0.001），后续回归分析中将严格控制性别变量以控制其潜在混杂效应。
另外，本文进一步开展性别分层亚组分析以检验结论稳健性，分别在男性、女性被试中检验实验组操纵对三个评价维度的影响趋势。结果显示，无论男性还是女性样本，三个决策评价维度均值均在中等AI决策参与程度组达到峰值，两组样本均呈现先升后降的非单调趋势。从分布模式来看，暂未观测到明显的性别分化迹象。
（二）操纵效果检验与共同方法偏差
本文通过单因素方差分析来检测实验操纵是否有效，结果显示在不同组别情景刺激下，被试所感知的AI决策参与程度均值如下，M高参与组=4.139> M中参与组=3.157>M低参与组=1.739。并且三者之间存在统计学差异（F（2，342）=334.568，p<0.001），说明在实验中对AI决策参与程度的操纵有效。另外，本研究的核心自变量AI决策参与程度经由随机化实验操纵，受共同方法偏差影响的可能性相对较低。通过Harman单因素检验法进行诊断，数值在可接受范围内，可以认为共同方法偏差对本研究结论的稳健性不构成实质性威胁。
（三）变量描述性统计
本研究变量描述性统计结果参见表2。
（四）AI决策参与程度对公众决策评价的影响
本文通过单因素方差分析检测公众在不同AI决策参与程度下对决策实用性、公平性以及可信性的评价是否存在显著差异。结果显示，在不同AI决策参与程度下，公众对决策实用性的评价存在显著差异（M中参与组=3.837>M低参与组=2.414>M高参与组=2.113，F（2，342）=243.438，p<0.001），H1得到支持。在决策公平性评价方面，不同实验组之间同样存在显著差异（M中参与组=3.939>M低参与组=2.322>M高参与组=2.087，F（2，342）=146.613，p<0.001），H2得到支持。最后，在决策可信性评价方面，不同AI决策参与程度之间亦存在显著差异（M中参与组=3.991>M高参与组=2.122>M低参与组=2.052，F（2，342）=158.125，p<0.001），H3得到支持。
本研究在单因素方差分析的基础上进行了计划对比分析，将中等参与组赋权重为1，低参与组与高参与组各赋权重为-0.5，以检验中等组的得分是否显著偏离另外两组的加权均值。结果显示，中等AI决策参与组的公众决策实用性评价显著高于低参与组和高参与组的平均水平（对比值=1.574，t=18.755，df=159.181，p<0.001），再次为H1提供了统计支持。此外，中等AI决策参与组的公众决策公平性评价显著高于低参与组和高参与组的平均水平（对比值=1.735，t=15.697，df=185.626，p<0.001），再次为H2提供了统计支持。最后，中等AI决策参与组的公众决策可信性评价显著高于低参与组和高参与组的平均水平（对比值=1.904，t=16.413，df=186.058，p<0.001），再次为H3提供了统计支持。
为更好地控制人口统计学特征可能引发的稳健性偏误，本研究采用协方差分析（ANCOVA），将性别、年龄、学历、收入、养老保险纳入模型予以统计控制。结果显示，控制人口统计学变量后，实验组别在实用性（F（2，337）=237.694，p<0.001，偏η²=0.585）、公平性（F（2，337）=150.844，p<0.001，偏η²=0.472）以及可信性（F（2，337）=151.295，p<0.001，偏η²=0.473）三个维度上均存在显著的主效应。这表明，控制混淆变量后，实验操纵对公众决策评价的影响依旧稳健。
（五）可解释性感知的因果中介效应
在不同AI决策参与程度下，公众的可解释性感知存在显著差异（M中参与组=3.559>M低参与组=2.634>M高参与组=1.971，F（2，342）=175.699，p<0.001）。在此基础上，本文进行中介效应分析。Imai等指出，以往常用的因果中介分析方法依赖于难以验证的假设条件，且研究者往往未充分意识到这些识别条件的重要性[39]。尽管处理变量可以通过随机化分配，但中介变量通常无法被随机化，这使得中介变量与结果变量之间的关系仍然可能受到未观测混杂的干扰[40-41]。针对上述问题，Imai等开发了一套估算因果中介效应的通用算法[42]，与传统回归模型不同，Imai等将处理的总因果效应进行分解[43]。在LSEM框架下，分别对中介变量和结果变量建立回归方程，ACME的点估计即为两条回归系数的乘积。
本文借鉴Imai等人的方法进行因果中介效应分析。在进行因果中介效应之前，本文首先构建两个虚拟变量D1、D2，其中，D1代表中等AI决策参与组相对于低AI决策参与组的比较，中等AI决策参与组赋值为1，其余组赋值为0；D2用于表示高AI决策参与组相对于低AI决策参与组的比较，高AI决策参与组赋值为1，其余组赋值为0。
再者，模拟可解释性感知在AI决策参与程度与公众决策实用性评价间的因果中介效应，结果显示，D1组的ACME值为0.104，其95%置信区间为[-0.162,0.233]，其间包含0，说明中介效应未达到统计显著水平，H4a未得到支持；D2组的ACME值为-0.457，其95%置信区间为[-0.618,-0.309]，未包含0，表明可解释性感知在高AI决策参与影响公众决策实用性评价过程中存在显著中介作用，H4b得到支持。
在决策公平性评价方面，D1组的ACME值为0.080，其95%置信区间为[-0.085,0.255]，其间包含0，说明中介效应未达到统计显著水平，H5a未得到支持；D2组的ACME值为-0.522，其95%置信区间为[-0.725,-0.335]，说明可解释性感知在高AI决策参与影响公众决策公平性评价过程中的中介效应显著，H5b得到支持。
最后，模拟可解释性感知在AI决策参与程度与公众决策可信性评价间的因果中介效应，结果显示，D1组的ACME值为0.018，其95%置信区间为[-0.156,0.203]，未达到统计显著水平，H6a未得到支持；D2组的ACME值为-0.628，其95%置信区间为[-0.856,-0.416]，H6b得到支持。可见，在高AI决策参与相较于低参与情景下，可解释性感知在决策实用性、公平性及可信性评价中的间接效应均为负向，且间接效应绝对值占总效应绝对值之比分别为48%、50%与70%，说明可解释性感知的下降是传递高AI决策参与对公众决策评价负向影响的关键路径。
（六）敏感性分析
识别因果机制需要满足序贯可忽略性假设（sequential ignorability），而这一假设无法通过观测数据直接检验。鉴于因果机制的识别依赖于这一不可检验的假设，评估实证结果对该假设潜在违背情形的稳健性就至关重要。本文的处理变量通过情景实验予以操纵，序贯可忽略性假设中处理分配可忽略的第一层条件得到较好满足。为进一步减少混杂因素的干扰，本文将性别、年龄、学历、个人收入以及是否购买养老保险等作为控制变量纳入模型分析。但即使在给定处理变量与协变量的条件下，仍无法完全排除中介变量与结果变量之间存在未观测混杂因素的可能性。
为解决这一问题，Imai等人提出了敏感性分析（sensitivity analysis）方法。该方法以标准线性结构方程模型（LSEM）设定及若干常用非线性模型为基础，聚焦于中介模型误差项与结果模型误差项间的相关性展开分析。具体而言，Imai等用ρ表示这两个误差项的相关系数，若序贯可忽略性假设成立，ρ的理论取值为0。但如果ρ不为0，则说明存在某些未观测的混杂因素，可能导致基于序贯可忽略性假设的ACME估计值出现偏倚[44]。
图3展现了基于残差相关性的敏感性分析结果。结果表明，仅当ρ大于0.38时，ACME由负转正、效应方向发生反转。根据Imai等人提出的转换公式，将参数ρ转化为更为直观的判定系数。结果发现未观测混杂需同时解释中介变量和结果变量残差方差约38%，这一强度在经验层面难以达到，故核心结论稳健。当ρ取值0.3-0.4之间时，95%置信区间包含0，中介效应不再具备统计显著性。只要ρ小于0.3，序贯可忽略性假设下关于ACME方向的原始结论将保持成立，且具备统计显著性。这表明，即使中介变量的可忽略性出现一定程度的偏离，本文核心结论仍然稳健。另外，在公平性以及可信性评价维度，敏感性分析结果与实用性维度基本一致。综合上述结果，可解释性感知在本模型中所传递的中介效应具备较好的稳健性。
注：横轴为敏感性参数ρ，代表中介模型误差项与结果模型误差项的相关性，即未观测混杂因素对中介、结果变量的影响关联度。纵轴表示对应不同ρ值时，平均因果中介效应（ACME）的估算结果。弯曲实线表示不同ρ下的ACME估计值。阴影区域代表95%置信区间。虚线表示当序贯可忽略性假设成立（即ρ=0）时的ACME估计值。
五 结论与启示
（一）结论
本文构建了“技术介入—主观感知—决策评价”理论分析框架，探讨不同AI决策参与程度对公众决策评价的影响，以及可解释性感知在其间起到的中介作用。研究发现：（1）不同AI决策参与程度对公众决策实用性、公平性以及可信性评价的影响存在差异，相较于低、高程度的AI决策参与，中等程度的AI决策参与更有助于提升公众决策评价。（2）尽管中等程度AI决策参与能够显著提升可解释性感知，并同时提升公众决策实用性、公平性以及可信性评价，但可解释性感知在该路径中未表现出显著的中介作用。（3）高程度AI决策参与显著降低可解释性感知，并通过该路径间接降低公众的决策实用性、公平性以及可信性评价，其中介效应绝对值占总效应绝对值之比分别为48%、50%以及70%，并均通过敏感性分析，结果具有较好稳健性。
（二）理论贡献
首先，本文通过实验设计，系统比较了低、中、高不同AI决策参与程度下，公众对决策实用性、公平性与可信性评价的差异，揭示了AI决策参与程度对公众决策评价的非单调效应，为公共决策中AI决策参与程度的精细化治理提供了经验支持。再者，研究识别并验证了信号传递以及认知负荷两条解释通道，拓展了AI治理领域公众评价研究的理论视角。根据信号传递理论，不同程度的AI决策参与向公众传递了差异化的决策者信号，过低的AI决策参与使能力信号过于微弱，而过高的AI决策参与则削弱了价值信号，唯有中等程度的参与能够实现双重信号的最优传递。具体而言，决策者主动引入AI技术辅助决策，构成了能力信号。另一方面，决策者在最终环节保留人类判断权，则构成了价值信号。当两类信号同时在场，公众形成了对决策者既有能力又有温度的整体印象，决策评价得到直接提升，无须经由可解释性感知这一认知中介。另外，认知负荷理论为理解高程度AI决策参与下可解释性感知的中介路径提供了重要理论支撑。综上，认知负荷与信号传递机制共同构成非单调效应的理论解释。
（三）实践启示
第一，决策者应根据具体决策情境特征，动态匹配与之相适的AI决策参与程度，而非机械地追求更高程度的技术替代。具体而言，可依据决策任务的结构化程度及议题的争议性程度划分决策情境，并据此确定相应的AI决策参与程度。对于高结构化、低争议性的任务情境，可在确保责任归属的前提下采用较高程度的AI决策参与，以充分发挥算法的效率优势。对于低结构化、涉及多元价值冲突的任务情境，则应确保人类决策者在价值权衡与伦理判断中的主体地位，保持较低的AI决策参与程度。介于二者之间，兼具中等结构化与适度争议性特征的任务情境，可匹配中等程度的AI决策参与，以兼顾决策效率与公众信任感知的动态平衡。需要说明的是，上述对应关系概括的是典型组合情形，当结构化程度与争议性程度呈现非典型组合时，决策者应结合具体议题审慎权衡，而非机械套用。
第二，重视公共决策过程的可解释性，提升公众认知水平。过高的AI决策参与程度会显著削弱公众的决策可解释性感知，进而影响到其对决策的积极评价。公共部门应当通过多种途径提升决策过程的可解释性，以缓解算法黑箱所导致的不确定性。例如，公共部门可建立决策结果解释机制，对影响决策结果的主要判断依据与关键决策逻辑给予适度说明。还可借助图表等可视化手段更为清晰地呈现决策过程，从而增强公共决策过程的可解释性。另外，还应通过制度设计，将可解释性作为评判标准之一纳入公共决策评估与审查指标体系，进而提升AI技术赋能的科学性与精准性。
（四）不足与展望
首先，本研究未在实验前测量被试对决策议题的既有态度。未来研究可在实验前测阶段系统测量被试对目标决策议题的先验态度，从而更有效地控制其对实验结果的影响。其次，本研究将AI决策参与程度视为整体构念，各参与水平的差异源于多维度的协同变动。因此，本研究所揭示的非单调效应并非某一特定技术维度的独立贡献。未来可针对各维度进行交叉设计，以辨析各维度的独立贡献及其交互效应。最后，本研究结论主要基于城市居民样本获得，向高龄老年群体及农村地区的推广须审慎。鉴于高龄老年群体以及偏远地区可能对AI介入持更为审慎的态度，后续研究应拓展样本的年龄结构与地域分布，增强结论的普遍适用性。
*基金项目：国家自然科学基金青年项目“公务员感知问责研究：结构维度、双刃剑效应与治理路径”（项目编号：72304238）；上海市哲学社会科学规划项目“数智技术推动事中事后监管的运行机制与实践路径研究”（项目编号：2024BGL006）。
**张雅萍，上海财经大学公共管理学院博士研究生（通讯作者）；蒋硕亮，上海财经大学公共管理学院教授、博士生导师。