💬 NLP

From tools to thieves: Measuring and understanding public perceptions of AI through crowdsourced metaphors

该研究通过分析来自美国全国代表性样本的 1.2 万余条隐喻数据，揭示了公众将人工智能视为“温暖且胜任”且拟人化程度日益增强的认知趋势，并发现这些隐喻感知能显著预测公众对 AI 的信任与采纳意愿，同时指出了不同人口群体在认知上的系统性差异。

原作者： Myra Cheng, Angela Y. Lee, Kristina Rapuano, Kate Niederhoffer, Alex Liebscher, Jeffrey Hancock

发布于 2026-04-06

📖 1 分钟阅读☕ 轻松阅读

原作者： Myra Cheng, Angela Y. Lee, Kristina Rapuano, Kate Niederhoffer, Alex Liebscher, Jeffrey Hancock

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇文章就像是一次**“给美国大众的大脑做了一次大规模的心理 CT 扫描”，只不过医生用的不是 X 光，而是“比喻”**。

想象一下，如果你问一个人：“人工智能（AI）是什么？”他可能会说“它是工具”或者“它是机器人”。但如果你问：“如果 AI 是一种动物、一种天气或者一个人，它像什么？”这时候，人们潜意识里的真实想法就会像泉水一样涌出来。

这篇论文就是收集了超过 12,000 个美国人在一年时间里对 AI 的比喻，然后像侦探一样分析这些比喻，看看大家心里到底是怎么看待 AI 的。

以下是这篇论文的“大白话”解读：

1. 为什么要用“比喻”？（就像给情绪找衣服）

传统的问卷调查就像问：“你信任 AI 吗？（1-5 分）”。这太生硬了，很多人自己也说不清为什么。
这就好比问一个人：“你现在的感受是什么？”他可能只会说“还行”。但如果你让他选一首歌代表心情，他可能会选一首悲伤的蓝调，或者一首激昂的摇滚。
比喻就是那首歌。 它能绕过大脑的理性防线，直接暴露人们潜意识里对 AI 的温度（Warmth）和能力（Competence）。

2. 他们发现了什么？（从“工具”变成了“朋友”）

研究人员把大家的比喻分成了 20 大类，就像把一堆杂乱的乐高积木分成了不同的盒子。

最常见的比喻：
- 工具类（10%）： 像计算器、瑞士军刀。这是最理性的看法。
- 大脑类（10%）： 像超级大脑，能思考。
- 搜索引擎（9%）： 像谷歌，能找答案。
- 但也有一些奇怪的： 有人觉得 AI 像**“小偷”（偷版权、偷工作），有人觉得像“神”（全知全能），还有人觉得像“孩子”**（需要学习，但很可爱）。
最惊人的变化（时间轴上的魔法）：
在短短一年内（2023 年 5 月到 2024 年 8 月），美国人对 AI 的看法发生了巨大的**“性格转变”**：
- 以前： 大家觉得 AI 像个冷冰冰的**“电脑”或“搜索引擎”**（很有能力，但没感情）。
- 现在： 大家越来越觉得 AI 像个**“朋友”、“老师”或“助手”**。
- 数据说话： 人们觉得 AI 像“人”的程度增加了 34%，觉得 AI 很“温暖”（亲切、友好）的程度增加了 41%！
- 副作用： 虽然大家觉得 AI 更亲切了，但觉得它“能力超群”的分数反而下降了。这有点像我们开始把 AI 当成一个“有点笨但很热心”的邻居，而不是一个“无所不能的超级英雄”。

3. 谁在信任 AI？（意想不到的反转）

通常我们以为，年轻人、男性或白人更信任高科技。但这篇论文发现了一个**“反直觉”**的现象：

女性 vs. 男性： 女性确实对 AI 更警惕，觉得它更像“机器人”或“精灵”（有点神秘且不可控），信任度较低。
种族差异（大反转）： 非白人（有色人种） 和 老年人 竟然比白人年轻人更信任 AI，也更愿意使用它！
- 为什么？ 研究发现，非白人群体更倾向于把 AI 比喻成**“精灵（Genie）”或“神（God）”**。这暗示他们可能把 AI 看作一种能带来奇迹、改变命运的“魔法力量”，而不仅仅是冷冰冰的工具。
- 老年人则更喜欢把 AI 比作**“朋友”**，可能因为他们更看重陪伴和辅助。

4. 这些比喻有什么用？（比喻决定了命运）

论文发现，你心里怎么比喻 AI，直接决定了你是否信任它，以及是否愿意用它。

正向循环： 如果你把 AI 看作“朋友”、“老师”或“图书馆”，你会更信任它，更愿意让它帮你写邮件、做决定。
负向循环： 如果你把 AI 看作“小偷”或“怪物”，你会本能地排斥它。
危险信号： 当人们觉得 AI 像“朋友”一样温暖时，信任度会飙升。但这可能很危险！因为 AI 毕竟不是真的朋友，它可能会胡说八道（幻觉），或者泄露隐私。如果我们把它当“朋友”太信任了，可能会在不知不觉中掉进坑里。

5. 总结：这对我们意味着什么？

这篇论文就像是一个**“社会温度计”**。它告诉我们：

AI 正在“拟人化”： 随着技术发展，大家不再把它当机器，而是当“人”看。这既带来了亲切感，也带来了过度依赖的风险。
不同人群有不同“滤镜”： 设计师和开发者不能只用一种眼光看世界。对老年人来说，AI 是“助手”；对某些少数族裔来说，AI 可能是“救世主”；对女性来说，可能是“需要警惕的陌生人”。
小心“温暖的陷阱”： 当 AI 变得越来越像“朋友”时，我们要保持清醒：它很温暖，但它不是真的。 我们既需要利用它的温暖来建立信任，又要时刻记得它本质上只是一个复杂的工具。

一句话总结：
这篇论文告诉我们，人们把 AI 想象成什么，AI 就会变成什么。 现在，美国人正把 AI 从“冷冰冰的机器”想象成“热乎乎的朋友”，这既让 AI 更受欢迎，也让我们需要更加小心地对待这份“信任”。

这是一篇关于通过众包隐喻（Crowdsourced Metaphors）来测量和理解公众对人工智能（AI）感知的学术论文。以下是该论文的详细技术总结：

1. 研究问题 (Problem)

随着大型语言模型（LLM）的普及，公众对 AI 的态度（从希望到恐惧，从信任到怀疑）正在迅速演变。然而，传统的问卷调查方法在捕捉公众对复杂社会技术系统（如 AI）的**隐性感知（Implicit Perceptions）**和细微差别方面存在局限性。人们往往难以用语言准确表达其深层的、非理性的态度。

核心挑战： 如何大规模、系统地量化公众对 AI 的隐性认知（如拟人化程度、温暖感、能力感），并理解这些认知如何随时间变化以及受人口统计学特征的影响？
研究目标： 利用隐喻作为窗口，揭示公众对 AI 的深层心理模型，分析这些感知如何预测对 AI 的信任和采用意愿，并识别不同人群（性别、种族、年龄）之间的感知差异。

2. 方法论 (Methodology)

研究团队采用混合方法（Mixed-Methods），结合了大规模数据收集、自然语言处理（NLP）技术和定性分析。

2.1 数据收集

样本： 从 2023 年 5 月至 2024 年 8 月（ChatGPT 主流化后的关键时期），通过 Prolific 平台招募了 12,933 名美国代表性样本参与者。
任务： 参与者被要求提供关于 AI 的开放式隐喻（格式为"AI 就像______，因为______"）。
数据清洗： 排除无效回答，并使用语义相似度检测剔除由 AI 生成的虚假回答，最终获得 11,790 个有效隐喻。
辅助测量： 收集了参与者对 AI 的信任度、采用意愿、使用频率及人口统计学数据。

2.2 分析框架

主导隐喻识别（Dominant Metaphors）：
- 使用 Sentence Embeddings (all-mpnet-base-v2) 将隐喻转化为向量。
- 利用 UMAP 降维和 HDBScan 聚类算法进行自动聚类。
- 结合研究团队的定性人工编码，将聚类结果精炼为 20 个主导隐喻（如：工具、大脑、助手、机器人、神、小偷等）。
- 对未自动分配的离群点，通过计算与聚类中心的余弦相似度进行重新归类。
隐性感知测量（Implicit Perceptions Measurement）：
构建了一个可扩展的框架，利用语言模型（LM）技术对每个隐喻进行量化评分：
- 拟人化 (Anthropomorphism)： 基于 AnthroScore 指标。使用 RoBERTa 模型计算将实体（AI）替换为人类代词（he/she）与非人类代词（it）的概率对数比值。
- 温暖感 (Warmth) 与能力感 (Competence)： 基于 刻板印象内容模型 (Stereotype Content Model)。利用经过验证的词汇表构建语义轴（Semantic Axes），计算隐喻向量与这些轴的余弦相似度，从而得出 -1 到 1 之间的分数。
预测模型：
- 使用分层回归分析 (Hierarchical Regression)，分三个块（Block）预测信任和采用意愿：
  - 第一块：人口统计学变量（性别、种族、年龄）和 AI 使用频率。
  - 第二块：20 个主导隐喻的虚拟变量。
  - 第三块：隐性感知分数（拟人化、温暖感、能力感）。

3. 关键贡献 (Key Contributions)

大规模隐喻数据集： 构建了包含 12,000+ 个隐喻的纵向数据集，覆盖了 AI 技术快速普及的关键一年。
20 种主导隐喻分类： 识别出公众理解 AI 的 20 种核心心理模型，从“工具/大脑”到“朋友/神”再到“小偷”。
可扩展的量化框架： 提出了一种结合语言模型（LM）的方法，能够从非结构化文本中自动、系统地测量拟人化、温暖感和能力感这三个关键维度，克服了传统自我报告法的偏差。
因果与相关性洞察： 揭示了隐喻和隐性感知如何显著预测公众对 AI 的态度，并发现了不同人口群体在感知上的系统性差异。

4. 主要结果 (Results)

4.1 主导隐喻的分布

公众对 AI 的看法极其多元。最常见的隐喻包括：

工具类 (10%)： 如计算器、瑞士军刀。
大脑类 (10%)： 具备推理能力的思维体。
搜索引擎 (9%)： 数据库导航器。
其他： 机器人 (8%)、助手 (8%)、电脑 (7%)、图书馆 (5%)、朋友 (2%)、神 (1%)、小偷 (0.5%) 等。

4.2 隐性感知的演变 (Temporal Shifts)

在 12 个月的观察期内，公众对 AI 的感知发生了显著变化：

拟人化显著增加 (+34%)： 人们越来越倾向于将 AI 视为具有人类特征的存在（如“老师”、“朋友”、“助手”的隐喻频率上升）。
温暖感显著增加 (+41%)： 对 AI 的友好、可信赖感知大幅上升。
能力感略有下降 (-8%)： 尽管 AI 能力在提升，但公众感知的“能力”分数反而下降，这可能与人们开始接受 AI 作为“助手”而非全能的“超级大脑”有关。
趋势关联： 随着 ChatGPT 等用户友好型工具的普及，隐喻从非人类的“计算机/搜索引擎”向拟人化的“朋友/老师/神”转变。

4.3 对信任和采用意愿的预测

最强预测因子： 温暖感和能力感是预测信任和采用意愿的最强指标（效应量与 AI 使用频率相当）。
隐喻的影响：
- 正向预测： 将 AI 视为“朋友”、“老师”、“助手”、“图书馆”或“神/大脑”能显著提高信任和采用意愿。
- 负向预测： 将 AI 视为“小偷”（涉及版权和剽窃担忧）显著降低信任和采用意愿。
解释力： 引入隐喻和隐性感知后，模型对信任和采用意愿的解释力（ $R^2$ ）分别提高了 75% 和 80%（从仅靠人口统计和使用的 12%/10% 提升至 21%/18%）。

4.4 人口统计学差异 (Demographic Disparities)

性别： 女性对 AI 的信任度较低，采用意愿较低。女性的隐喻更倾向于高拟人化（如“机器人”、“精灵”），但温暖感和能力感评分较低。
种族： 非白人群体（特别是黑人）对 AI 的信任度更高，采用意愿更强。他们更倾向于使用“精灵”、“神”等具有魔力和能动性的隐喻，表现出更高的温暖感、能力感和拟人化。
年龄： 老年人（>38 岁）比年轻人更信任 AI，且更倾向于将 AI 视为“朋友”（高拟人化），但感知其能力较低。

5. 意义与启示 (Significance)

重新定义信任风险： 研究发现，随着 AI 被感知为更“温暖”和“拟人化”（如朋友、助手），公众的**过度信任（Over-trust）**风险增加。这种信任可能掩盖 AI 的局限性（如幻觉、缺乏真实情感），导致对敏感信息的过度披露或错误依赖。
设计伦理与包容性：
- 不同群体对 AI 的感知存在显著差异。边缘化群体（女性、少数族裔、老年人）往往对 AI 有更高的拟人化倾向，这可能使他们更容易受到拟人化 AI 带来的欺骗、去人性化或刻板印象的危害。
- 设计者应避免使用可能引发过度依赖的隐喻（如“神”、“精灵”），转而采用更准确反映 AI 作为“工具”的隐喻，以促进适当的信任水平。
方法论创新： 该研究证明了利用众包隐喻结合 NLP 技术是监测公众舆论演变、识别社会技术系统潜在风险的有效手段，为未来的 AI 治理和政策制定提供了数据支持。

总结： 该论文通过创新的“隐喻分析”框架，揭示了公众对 AI 的认知正从“冷冰冰的工具”向“温暖的朋友”转变。这种转变虽然促进了 AI 的普及，但也带来了过度信任和潜在的社会风险，特别是对于容易受拟人化影响的弱势群体。研究呼吁在 AI 开发和传播中，需更加审慎地管理隐喻的使用，以引导公众建立理性、适度的信任关系。