Resumo Técnico: Conceitualização e Validação da Escala de Empatia Humano–IA (HAES)

Problema

Apesar da crescente prevalência da inteligência artificial (IA) em papéis sociais, existe uma lacuna teórica e de mensuração significativa sobre se e por que os consumidores empatizam com agentes de IA. Embora a literatura existente cubra extensivamente o antropomorfismo (atribuição de traços humanos a não humanos) e a percepção de mente (atribuição de capacidades mentais), esses construtos não capturam totalmente o fenômeno psicológico de consumidores direcionando respostas empáticas — cognitivas, emocionais e morais — a entidades artificiais. As medidas de empatia tradicionais, como o Índice de Reatividade Interpessoal (IRI), foram desenhadas para alvos humanos e falham em considerar o contexto único onde os consumidores reconhecem a natureza artificial de uma entidade, mas ainda assim respondem a ela como um ser social. Os autores postulam que a empatia humano–IA é um traço psicológico distinto que requer uma conceitualização sistemática e uma ferramenta de mensuração dedicada para compreender seus antecedentes e consequências no comportamento do consumidor.

Metodologia

A pesquisa emprega um processo rigoroso de desenvolvimento e validação de escala em três estudos, seguindo diretrizes estabelecidas (Churchill, 1979; DeVellis, 2017; Hulland et al., 2026).

Estudo 1: Validade de Conteúdo e Redução de Itens

• Objetivo: Avaliar a validade de conteúdo de um conjunto inicial de 70 itens gerados a partir da literatura de empatia, antropomorfismo e percepção de mente.
• Procedimento: Um painel de 14 especialistas (pesquisadores de doutorado em Marketing, Gestão, SI e Ciência da Computação) avaliou os itens quanto à essencialidade, relevância, clareza e carga do respondente.
• Análise: O estudo utilizou a Razão de Validade de Conteúdo de Lawshe (CVR) e o Índice de Validade de Conteúdo ao nível do item (I-CVI). Os itens foram retidos se atendessem aos limiares estatísticos para essencialidade (CVR ≥ .571 para N=14) e relevância/clareza (I-CVI ≥ .78).
• Resultado: O conjunto foi reduzido de 70 para 26 itens, todos demonstrando forte validade de conteúdo.

Estudo 2: Dimensionalidade, Seleção Baseada em IRT e Validade Preliminar

• Amostra: 475 adultos baseados nos EUA recrutados via Prolific.
• Procedimento: Os participantes avaliaram os 26 itens, juntamente com medidas de Antropomorfismo e Confiança na IA.
• Análise:
  • Análise Fatorial Exploratória (EFA): Realizada usando Mplus com estimativa WLSMV e rotação Geomin. Uma solução de três fatores foi identificada como a estrutura mais teoricamente interpretável e estatisticamente sólida.
  • Teoria de Resposta ao Item (IRT): Modelos de Resposta Graduada (GRM) foram ajustados a cada dimensão para refinar a seleção de itens com base na discriminação ($a$), ajuste do item ($S-X^2$) e independência local (correlações residuais Q3).
  • Validade: A validade convergente e discriminante foram testadas contra Antropomorfismo e Confiança na IA usando modelos de variáveis latentes.
• Resultado: A escala foi refinada para uma medida final de 22 itens composta por três dimensões: Empatia Cognitiva, Conexão Emocional e Preocupação Moral. A análise preliminar confirmou que a escala é distinta de, embora correlacionada positivamente com, o antropomorfismo e a confiança.

Estudo 3: Validade Nomológica e Condições de Fronteira

• Amostra: 524 adultos baseados no Reino Unido recrutados via Prolific.
• Procedimento: Uma abordagem de modelagem de equações estruturais (SEM) testou uma rede nomológica onde a Tendência a Antropomorfizar e a Percepção de Mente serviram como antecedentes, e a Satisfação, o Apego à IA, a Disposição para Pagar e o Perdão (pós-falha de serviço) serviram como resultados. Um cenário de falha de serviço (severidade alta vs. baixa) foi usado para testar uma hipótese de moderação.
• Análise: Equações Estruturais Latentes Moderadas (LMS) foram usadas para testar a interação entre empatia e severidade da falha. Um modelo estrutural aparado foi estimado usando WLSMV. A validade discriminante adicional foi testada contra Inovação do Consumidor e Empatia Disposicional para humanos (Questionário de Empatia de Toronto).
• Resultado: O modelo confirmou as relações antecedente-consequência e estabeleceu que a empatia Humano–IA é distinta da empatia interpessoal geral.

Principais Resultados

1. Estrutura da Escala (HAES)
A Escala de Empatia Humano–IA (HAES) é um construto de 22 itens e três dimensões:

• Empatia Cognitiva: A tendência de compreender ou adotar a perspectiva de um agente de IA (ex: inferir como a IA "pensa" ou interpreta situações).
• Conexão Emocional: A tendência de perceber a IA como parceiros socialmente significativos e engajar-se emocionalmente com eles (ex: sentir calor ou apego).
• Preocupação Moral: A propensão de experimentar simpatia ou preocupação moral quando a IA é percebida como maltratada ou prejudicada.

2. Propriedades Psicométricas

• Confiabilidade e Validade: A escala demonstrou forte confiabilidade e solidez psicométrica entre os estudos.
• Validade Discriminante: A empatia Humano–IA foi empiricamente distinguível do antropomorfismo, confiança, apego e empatia disposicional para humanos. Notavelmente, a correlação com a empatia disposicional para humanos foi não significativa ($r = .07$), confirmando que a empatia para com a IA é um construto distinto direcionado à tecnologia, e não um traço geral de empatia interpessoal.

3. Antecedentes e Consequências

• Antecedentes: A percepção de mente foi identificada como um antecedente proximal forte da empatia Humano–IA ($\beta = .81$). Embora a tendência de antropomorfizar estivesse correlacionada com a empatia, seu efeito único não foi significativo ao controlar a percepção de mente, sugerindo que perceber a IA como possuidora de uma mente é o principal motor das respostas empáticas.
• Consequências: A empatia Humano–IA predisse positivamente:
  • Satisfação com interações de IA ($\beta = .50$).
  • Apego à IA ($\beta = .90$).
  • Disposição para pagar ($\beta = .51$).
  • Perdão após falha de serviço de IA ($\beta = .35$).
• Moderação: O estudo descobriu que a relação positiva entre a empatia Humano–IA e o perdão não variou significativamente com base na severidade da falha de serviço. Isso sugere que a tendência empática capturada pela HAES opera como uma diferença individual relativamente estável, em vez de uma resposta situacional dependente da magnitude da falha.

Significância e Contribuições

O artigo reivindica várias contribuições teóricas e práticas:

1. Avanço Conceitual: Introduz a empatia Humano–IA como um construto psicológico distinto, estendendo a pesquisa de empatia para além dos alvos humanos para agentes artificiais. Esclarece que este fenômeno envolve uma interação complexa onde os consumidores reconhecem a natureza artificial de uma entidade, mas respondem a ela com preocupação cognitiva, afetiva e moral.
2. Integração Teórica: Ao posicionar a percepção de mente como um antecedente proximal, a pesquisa fornece um relato matizado dos processos psicológicos que levam às respostas empáticas, distinguindo a percepção de uma mente da resposta empática a essa mente percebida.
3. Ferramenta de Mensuração: A validação da HAES de 22 itens fornece uma ferramenta psicometricamente rigorosa para pesquisadores examinarem as diferenças individuais nas respostas empáticas em relação à IA, abordando uma limitação em pesquisas anteriores que focavam principalmente em respostas emocionais situacionais a robôs específicos, em vez de traços estáveis.
4. Relevância Gerencial: Os achados sugerem que as empresas podem segmentar consumidores com base em sua orientação empática. Consumidores de alta empatia podem ser mais receptivos a designs de IA relacionais, exibir maior disposição para pagar e serem mais tolerantes a falhas de serviço. A escala oferece uma base para personalizar o design de serviços de IA, marketing direcionado e estratégias de recuperação de serviço para alinhar-se às orientações psicológicas dos consumidores em relação a agentes artificiais.

Os autores concluem que esta pesquisa lança uma base para trabalhos futuros que examinem a natureza social e relacional evolutiva das interações Humano–IA, ao mesmo tempo em que reconhecem limitações quanto aos tipos específicos de IA (ex: generativa vs. preditiva) e a falta de corporeidade física na atual operacionalização.