Technische Samenvatting: Conceptualisering en Validatie van de Human–AI Empathie Schaal (HAES)

Probleemstelling

Ondanks de toenemende prevalentie van kunstmatige intelligentie (AI) in sociale rollen, bestaat er een significante theoretische en meetkundige kloof met betrekking tot de vraag of en waarom consumenten empathie voelen voor AI-agenten. Terwijl de bestaande literatuur uitgebreid behandelt over antropomorfisme (het toeschrijven van menselijke eigenschappen aan niet-menselijke entiteiten) en mind perception (het toeschrijven van mentale capaciteiten), vatten deze constructen het psychologische fenomeen niet volledig waarbij consumenten empathische reacties — cognitief, emotioneel en moreel — richten op kunstmatige entiteiten. Traditionele empathiemeetinstrumenten, zoals de Interpersonal Reactivity Index (IRI), zijn ontworpen voor menselijke doelwitten en houden geen rekening met de unieke context waarin consumenten de kunstmatige aard van een entiteit herkennen, maar er toch als een sociaal wezen op reageren. De auteurs stellen dat mens–AI-empathie een onderscheidend psychologisch kenmerk is dat een systematische conceptualisering en een specifieke meetinstrument vereist om de antecedenten en consequenties ervan in consumentengedrag te begrijpen.

Methodologie

Het onderzoek maakt gebruik van een rigoureus proces van schaalontwikkeling en -validatie over drie studies, volgens gevestigde richtlijnen (Churchill, 1979; DeVellis, 2017; Hulland et al., 2026).

Studie 1: Inhoudsvaliditeit en Itemreductie

• Doel: Het beoordelen van de inhoudsvaliditeit van een initiële pool van 70 items gegenereerd uit de literatuur over empathie, antropomorfisme en mind perception.
• Procedure: Een panel van 14 experts (Ph.D.-onderzoekers in Marketing, Management, IS en Computerwetenschappen) evalueerde items op essentie, relevantie, duidelijkheid en respondentbelasting.
• Analyse: De studie maakte gebruik van Lawshe's Content Validity Ratio (CVR) en de Item-level Content Validity Index (I-CVI). Items werden behouden als ze voldeden aan statistische drempelwaarden voor essentie (CVR ≥ .571 voor N=14) en relevantie/duidelijkheid (I-CVI ≥ .78).
• Resultaat: De pool werd gereduceerd van 70 naar 26 items, die allemaal een sterke inhoudsvaliditeit vertoonden.

Studie 2: Dimensionaliteit, IRT-gebaseerde Selectie en Preliminaire Validiteit

• Steekproef: 475 volwassenen uit de VS, gerekruteerd via Prolific.
• Procedure: Deelnemers beoordeelden de 26 items, samen met maten voor Antropomorfisme en Vertrouwen in AI.
• Analyse:
  • Exploratieve Factoranalyse (EFA): Uitgevoerd met Mplus met WLSMV-schatting en Geomin-rotatie. Een driefactorenoplossing werd geïdentificeerd als de meest theoretisch interpreteerbare en statistisch solide structuur.
  • Item Response Theory (IRT): Graded Response Models (GRM) werden op elke dimensie toegepast om itemselectie te verfijnen op basis van discriminatie ($a$), itemfit ($S-X^2$) en lokale onafhankelijkheid (Q3 residu-correlaties).
  • Validiteit: Convergente en discriminerende validiteit werden getest tegen Antropomorfisme en Vertrouwen in AI met behulp van latente variabele modellen.
• Resultaat: De schaal werd verfijnd tot een definitieve 22-item maatstaf bestaande uit drie dimensies: Cognitieve Empathie, Emotionele Verbinding en Morele Zorg. Preliminaire analyse bevestigde dat de schaal onderscheidend is van, maar positief correleert met, antropomorfisme en vertrouwen.

Studie 3: Nomologische Validiteit en Randvoorwaarden

• Steekproef: 524 volwassenen uit het VK, gerekruteerd via Prolific.
• Procedure: Een structural equation modeling (SEM) benadering testte een nomologisch netwerk waarbij de Neiging tot Antropomorfiseren en Mind Perception dienden als antecedenten, en Tevredenheid, Hechting aan AI, Bereidheid tot Betalen en Vergeving (na een servicefout) als consequenties. Een scenario van een servicefout (hoge vs. lage ernst) werd gebruikt om een moderatiehypothese te testen.
• Analyse: Latent Moderated Structural Equations (LMS) werden gebruikt om de interactie tussen empathie en de ernst van de fout te testen. Een getrimde structurele model werd geschat met WLSMV. Aanvullende discriminerende validiteit werd getest tegen Consumenteninnovativiteit en Dispositionele Empathie jegens mensen (Toronto Empathy Questionnaire).
• Resultaat: Het model bevestigde de antecedent-consequent relaties en stelde vast dat mens–AI-empathie onderscheidend is van algemene interpersoonlijke empathie.

Belangrijkste Resultaten

1. Schaalstructuur (HAES)
De Human–AI Empathie Schaal (HAES) is een 22-item, driedimensionale construct:

• Cognitieve Empathie: De neiging om een AI-agent te begrijpen of vanuit hun perspectief te bekijken (bijv. afleiden hoe het "denkt" of situaties interpreteert).
• Emotionele Verbinding: De neiging om AI als sociaal betekenisvolle partners te zien en er emotioneel mee betrokken te zijn (bijv. warmte of hechting voelen).
• Morele Zorg: De dispositie om sympathie of morele bezorgdheid te ervaren wanneer AI als onrechtvaardig behandeld of geschaad wordt ervaren.

2. Psychometrische Eigenschappen

• Betrouwbaarheid en Validiteit: De schaal vertoonde sterke betrouwbaarheid en psychometrische degelijkheid over de verschillende studies.
• Discriminante Validiteit: Mens–AI-empathie was empirisch onderscheidbaar van antropomorfisme, vertrouwen, hechting en dispositionele empathie jegens mensen. Opvallend genoeg was de correlatie met dispositionele empathie jegens mensen niet-significant ($r = .07$), wat bevestigt dat empathie naar AI een onderscheidend, op technologie gericht construct is en geen algemene eigenschap van interpersoonlijke empathie.

3. Antecedenten en Consequenties

• Antecedenten: Mind perception werd geïdentificeerd als een sterke, proximale antecedent van mens–AI-empathie ($\beta = .81$). Hoewel de neiging tot antropomorfiseren gecorreleerd was met empathie, was het unieke effect niet significant wanneer gecontroleerd werd voor mind perception, wat suggereert dat het waarnemen van een geest de primaire drijfveer is van empathische reacties.
• Consequenties: Mens–AI-empathie voorspelde positief:
  • Tevredenheid met AI-interacties ($\beta = .50$).
  • Hechting aan AI ($\beta = .90$).
  • Bereidheid tot betalen ($\beta = .51$).
  • Vergeving na een AI-servicefout ($\beta = .35$).
• Moderatie: De studie vond dat de positieve relatie tussen mens–AI-empathie en vergeving niet significant varieerde op basis van de ernst van de servicefout. Dit suggereert dat de door HAES gevangen empathische neiging functioneert als een relatief stabiel individueel verschil in plaats van een situationele reactie die afhankelijk is van de omvang van de fout.

Betekenis en Bijdragen

Het artikel claimt verschillende theoretische en praktische bijdragen:

1. Conceptuele Vooruitgang: Het introduceert mens–AI-empathie als een onderscheidend psychologisch construct, waarmee het onderzoek naar empathie wordt uitgebreid voorbij menselijke doelwitten naar kunstmatige agenten. Het verheldert dat dit fenomeen een complexe wisselwerking inhoudt waarbij consumenten de kunstmatige aard van een entiteit erkennen, maar er toch met cognitieve, affectieve en morele zorg op reageren.
2. Theoretische Integratie: Door mind perception als een proximale antecedent te positioneren, biedt het onderzoek een genuanceerd verslag van de psychologische processen die leiden tot empathische reacties, waarbij het onderscheid maakt tussen de perceptie van een geest en de empathische reactie op die waargenomen geest.
3. Meetinstrument: De validatie van de 22-item HAES biedt een psychometrisch rigoureus instrument voor onderzoekers om individuele verschillen in empathische reacties op AI te onderzoeken, wat een beperking wegneemt in eerder onderzoek dat zich primair richtte op situationele emotionele reacties op specifieke robots in plaats van op stabiele trekken.
4. Manageriale Relevantie: De bevindingen suggereren dat bedrijven consumenten kunnen segmenteren op basis van hun empathische oriëntatie. Consumenten met een hoge mate van empathie kunnen meer ontvankelijk zijn voor relationele AI-ontwerpen, een hogere bereidheid tot betalen vertonen en toleranter zijn bij servicefouten. De schaal biedt een basis voor het afstemmen van AI-servicedesign, gerichte marketing en serviceherstelstrategieën op de psychologische oriëntaties van consumenten naar kunstmatige agenten.

De auteurs concluderen dat dit onderzoek een fundament legt voor toekomstig werk dat de evoluerende sociale en relationele aard van mens–AI-interacties onderzoekt, waarbij zij tegelijkertheid de beperkingen erkennen met betrekking tot specifieke typen AI (bijv. generatieve versus predictieve) en het gebrek aan fysieke belichaming in de huidige operationalisering.