Sintesi Tecnica: Concettualizzazione e Validazione della Scala di Empatia Uomo-IA (HAES)

Definizione del Problema

Nonostante la crescente prevalenza dell'intelligenza artificiale (IA) nei ruoli sociali, esiste una significativa lacuna teorica e di misurazione riguardo al fatto che i consumatori provino empatia verso gli agenti IA e perché ciò accada. Mentre la letteratura esistente copre ampiamente l'antropomorfismo (attribuire tratti umani a entità non umane) e la percezione della mente (attribuire capacità mentali), questi costrutti non catturano pienamente il fenomeno psicologico dei consumatori che dirigono risposte empatiche — cognitive, emotive e morali — verso entità artificiali. Le misure di empatia tradizionali, come l'Interpersonal Reactivity Index (IRI), sono progettate per target umani e non tengono conto del contesto unico in cui i consumatori riconoscono la natura artificiale di un'entità pur rispondendo ad essa come a un essere sociale. Gli autori postulano che l'empatia uomo-IA sia un tratto psicologico distinto che richiede una concettualizzazione sistematica e uno strumento di misurazione dedicato per comprenderne gli antecedenti e le conseguenze nel comportamento del consumatore.

Metodologia

La ricerca impiega un rigoroso processo di sviluppo e validazione della scala in tre studi, seguendo linee guida consolidate (Churchill, 1979; DeVellis, 2017; Hulland et al., 2026).

Studio 1: Validità di Contenuto e Riduzione degli Item

• Obiettivo: Valutare la validità di contenuto di un pool iniziale di 70 item generati dalla letteratura su empatia, antropomorfismo e percezione della mente.
• Procedura: Un panel di 14 esperti (ricercatori dottorandi in Marketing, Management, IS e Informatica) ha valutato gli item in base a essenzialità, rilevanza, chiarezza e carico per il rispondente.
• Analisi: Lo studio ha utilizzato il Lawshe's Content Validity Ratio (CVR) e l'Item-level Content Validity Index (I-CVI). Gli item sono stati mantenuti se soddisfacevano le soglie statistiche per l'essenzialità (CVR ≥ .571 per N=14) e la rilevanza/chiarezza (I-CVI ≥ .78).
• Risultato: Il pool è stato ridotto da 70 a 26 item, tutti dotati di forte validità di contenuto.

Studio 2: Dimensionalità, Selezione basata su IRT e Validità Preliminare

• Campione: 475 adulti residenti negli Stati Uniti reclutati tramite Prolific.
• Procedura: I partecipanti hanno valutato i 26 item, insieme a misure di Antropomorfismo e Fiducia nell'IA.
• Analisi:
  • Analisi Fattoriale Esplorativa (EFA): Condotta utilizzando Mplus con stima WLSMV e rotazione Geomin. È stata identificata una soluzione a tre fattori come la più interpretabile dal punto di vista teorico e statisticamente solida.
  • Teoria della Risposta all'Item (IRT): Modelli di Graded Response Model (GRM) sono stati applicati a ogni dimensione per raffinare la selezione degli item in base alla discriminazione ($a$), al fit dell'item ($S-X^2$) e all'indipendenza locale (correlazioni residue Q3).
  • Validità: La validità convergente e discriminante sono state testate rispetto ad Antropomorfismo e Fiducia nell'IA utilizzando modelli a variabili latenti.
• Risultato: La scala è stata raffinata in una misura finale di 22 item composta da tre dimensioni: Empatia Cognitiva, Connessione Emotiva e Preoccupazione Morale. L'analisi preliminare ha confermato che la scala è distinta da, pur essendo positivamente correlata con, l'antropomorfismo e la fiducia.

Studio 3: Validità Nomologica e Condizioni di Confine

• Campione: 524 adulti residenti nel Regno Unico reclutati tramite Prolific.
• Procedura: Un approccio di modellazione delle equazioni strutturali (SEM) ha testato una rete nomologica in cui la Tendenza ad Antropomorfizzare e la Percezione della Mente fungevano da antecedenti, mentre Soddisfazione, Attaccamento all'IA, Disponibilità a Pagare e Perdono (post-fallimento del servizio) fungevano da conseguenze. Uno scenario di fallimento del servizio (alta vs bassa gravità) è stato utilizzato per testare un'ipotesi di moderazione.
• Analisi: Sono state utilizzate le Latent Moderated Structural Equations (LMS) per testare l'interazione tra empatia e gravità del fallimento. È stato stimato un modello strutturale depurato utilizzando WLSMV. La validità discriminante aggiuntiva è stata testata rispetto all'Innovatività del Consumatore e all'Empatia Disposizionale verso gli esseri umani (Toronto Empathy Questionnaire).
• Risultato: Il modello ha confermato le relazioni antecedente-conseguenza e ha stabilito che l'empatia uomo-IA è distinta dall'empatia interpersonale generale.

Risultati Chiave

1. Struttura della Scala (HAES)
La Human–AI Empathy Scale (HAES) è una misura di 22 item e tre dimensioni:

• Empatia Cognitiva: La tendenza a comprendere o prendere la prospettiva di un agente IA (ad es., inferire come l'IA "pensa" o interpreta le situazioni).
• Connessione Emotiva: La tendenza a percepire l'IA come un partner socialmente significativo e a interagire emotivamente con essa (ad es., provare calore o attaccamento).
• Preoccupazione Morale: La propensione a provare simpatia o preoccupazione morale quando l'IA viene percepita come maltrattata o danneggiata.

2. Proprietà Psicometriche

• Affidabilità e Validità: La scala ha dimostrato una forte affidabilità e solidità psicometrica attraverso gli studi.
• Validità Discriminante: L'empatia uomo-IA è empiricamente distinguibile da antropomorfismo, fiducia, attaccamento ed empatia disposizionale verso gli esseri umani. In particolare, la correlazione con l'empatia disposizionale verso gli esseri umani è stata non significativa ($r = .07$), confermando che l'empatia verso l'IA è un costrutto distinto diretto alla tecnologia piuttosto che un tratto generale di empatia interpersonale.

3. Antecedenti e Conseguenze

• Antecedenti: La percezione della mente è stata identificata come un antecedente forte e prossimale dell'empatia uomo-IA ($\beta = .81$). Sebbene la tendenza ad antropomorfizzare fosse correlata all'empatia, il suo effetto unico non è stato significativo controllando la percezione della mente, suggerendo che percepire l'IA come dotata di una mente sia il driver primario delle risposte empatiche.
• Conseguenze: L'empatia uomo-IA ha predetto positivamente:
  • Soddisfazione nelle interazioni con l'IA ($\beta = .50$).
  • Attaccamento all'IA ($\beta = .90$).
  • Disponibilità a pagare ($\beta = .51$).
  • Perdono a seguito di un fallimento del servizio dell'IA ($\beta = .35$).
• Moderazione: Lo studio ha rilevato che la relazione positiva tra l'empatia uomo-IA e il perdono non variava significativamente in base alla gravità del fallimento del servizio. Ciò suggerisce che la tendenza empatica catturata dalla HAES operi come una differenza individuale relativamente stabile piuttosto che come una risposta situazionale dipendente dall'entità del fallimento.

Significato e Contributi

Il documento rivendica diversi contributi teorici e pratici:

1. Avanzamento Concettuale: Introduce l'empatia uomo-IA come un costrutto psicologico distinto, estendendo la ricerca sull'empatia oltre i target umani verso gli agenti artificiali. Chiarisce che questo fenomeno coinvolge un'interazione complessa in cui i consumatori riconoscono la natura artificiale di un'entità pur rispondendo ad essa con preoccupazione cognitiva, affettiva e morale.
2. Integrazione Teorica: Posizionando la percezione della mente come un antecedente prossimale, la ricerca fornisce un resoconto sfumato dei processi psicologici che portano alle risposte empatiche, distinguendo la percezione di una mente dalla risposta empatica a tale mente percepita.
3. Strumento di Misurazione: La validazione della HAES a 22 item fornisce uno strumento psicometricamente rigoroso per i ricercatori per esaminare le differenze individuali nelle risposte empatiche verso l'IA, affrontando una limitazione della ricerca precedente che si concentrava principalmente sulle risposte emotive situazionali a specifici robot piuttosto che su tratti stabili.
4. Rilevanza Manageriale: I risultati suggeriscono che le aziende possono segmentare i consumatori in base alla loro orientazione empatica. I consumatori ad alta empatia possono essere più ricettivi ai design di IA relazionali, mostrare una maggiore disponibilità a pagare ed essere più tolleranti nei confronti dei fallimenti del servizio. La scala offre una base per personalizzare il design dei servizi IA, il marketing mirato e le strategie di recupero del servizio per allinearli alle orientazioni psicologiche dei consumatori verso gli agenti artificiali.

Gli autori concludono che questa ricerca pone le fondamenta per lavori futuri che esaminano la natura sociale e relazionale in evoluzione delle interazioni uomo-IA, pur riconoscendo i limiti relativi ai tipi specifici di IA (ad es., generativa vs predittiva) e la mancanza di incarnazione fisica nella corrente operazionalizzazione.