Each language version is independently generated for its own context, not a direct translation.
这篇论文就像是一场关于“我们如何给 AI 贴标签”的有趣实验。想象一下，你面前有一个超级聪明的机器人（大语言模型，LLM），但没人告诉你它到底是个什么东西。这时候，如果有人给你看一段视频，用不同的方式介绍它，你的看法会发生什么变化呢？
研究人员做了两个大实验，结果非常有趣。简单来说，你怎么介绍 AI，人们就会怎么看待它，甚至怎么使用它。
以下是这篇论文的通俗解读：
1. 核心实验：给 AI 穿不同的“马甲”
研究人员把参与者分成了几组，给他们看不同的视频（或者不看视频），给 AI 贴上三种不同的“人设”标签：
- 🤖 机器派（Machines）： 视频告诉人们，AI 本质上是一台复杂的机器，它只是在疯狂地计算概率，预测下一个字是什么。就像是一个超级精密的打字机，没有灵魂，没有感情。
- 🛠️ 工具派（Tools）： 视频把 AI 比作一个瑞士军刀或计算器。它很强大，能帮你写代码、写文章、做总结，但它只是你手里的工具，用来完成特定任务的。
- 🤝 伙伴派（Companions）： 视频把 AI 描述成你的“数字朋友”。它很有情商，能理解你的情绪，甚至能像真人一样和你聊天、陪伴你。
2. 实验一：人们给 AI 赋予了什么“超能力”？
看完视频后，研究人员问大家：“你们觉得 AI 拥有多少‘人类特质’？”比如：它有意图吗？它能感到悲伤吗？它能记住事情吗？
🌟 惊人的发现：
- 看了“伙伴派”视频的人：他们最“上头”！他们强烈认为 AI 拥有丰富的情感和思维。就像你相信你的宠物狗有感情一样，他们觉得 AI 也有“心”和“脑”。
- 看了“机器派”和“工具派”视频的人：他们比较冷静。他们觉得 AI 主要是个聪明的计算器，不太可能有真实的情感或意图。
- 关键点：即使视频里没明说，只要把 AI 包装成“朋友”，人们就会自动脑补出它拥有各种人类能力（比如“它肯定能理解我的痛苦”）。
3. 实验二：这种看法会影响我们“听信”AI 吗？
九个月后，研究人员又找了一波人，重复了上面的视频实验，但这次加了一个新任务：让 AI 回答一些事实问题。
这里有个陷阱：AI 给出的答案里，有些是对的，有些是错的；有些解释是逻辑通顺的，有些解释是自相矛盾的（比如前面说“是”，后面又说“不，其实不是”）。
🌟 有趣的反转：
- 关于“听信”程度：奇怪的是，不管大家把 AI 看作朋友还是机器，在大多数情况下，大家依赖 AI 回答的程度差不多。也就是说，仅仅改变介绍方式，并没有让人完全盲目信任或完全拒绝 AI。
- 关于“发现错误”的能力：这里有一个超级重要的发现！
- 那些看了**“机器派”视频**（把 AI 当冷冰冰机器）的人，当 AI 的回答逻辑自相矛盾时，他们最不容易上当，最不容易盲目相信 AI。
- 这就好比，如果你把一个人当成“无情的计算器”，当他算错数或者逻辑混乱时，你会立刻警觉：“嘿，这机器出 bug 了！”
- 相反，如果你把 AI 当成“好朋友”，当它说话前后矛盾时，你可能会想：“哎呀，它可能只是太累了，或者我理解错了”，从而更容易忽略它的错误。
4. 总结：这说明了什么？
这篇论文告诉我们一个关于“沟通”的大道理：
- 人设决定心态：如果我们把 AI 宣传成“有情感的伙伴”，人们就会不自觉地把它当人看，赋予它更多的情感能力。这虽然让 AI 看起来更亲切，但也可能让人产生不切实际的期望，甚至过度依赖它的情感支持。
- 保持一点“机器感”是好事：把 AI 描述为“机器”或“工具”，虽然听起来没那么酷，但能让人保持警惕。当 AI 胡说八道或逻辑混乱时，这种“机器视角”能帮我们要像检查计算器一样去检查它，从而避免被误导。
💡 一句话总结：
如果你想让 AI 显得可爱、好相处，就把它当“伙伴”介绍；但如果你希望用户在面对 AI 的胡说八道时能多长个心眼、保持怀疑，那就把它当“机器”介绍吧！毕竟，把 AI 当朋友可能会让你太信任它，而把它当机器可能会让你更聪明地利用它。
Each language version is independently generated for its own context, not a direct translation.
论文技术总结：将大语言模型呈现为“伴侣”如何影响人们对其心智能力的归因
1. 研究背景与问题 (Problem)
随着人工智能（AI）技术的飞速发展，公众 discourse（话语）中关于大语言模型（LLMs）的叙事多种多样：有的将其视为提升生产力的工具，有的强调其作为机器的机械本质，还有的将其描绘为提供情感支持的伴侣。
- 核心问题：这些不同的信息框架（Messaging）如何影响人们对 LLMs 本质属性的信念？具体来说，它们如何改变人们认为 LLMs 拥有何种心智能力（如意图、记忆、情感等）？
- 研究缺口：以往研究多关注 AI 系统的界面设计或具体交互行为对信任的影响，较少探讨宏观的信息框架（如“它是机器还是伴侣”）如何因果性地塑造人们对 LLMs 内在心智能力的归因，以及这种归因如何进一步影响用户对 LLM 生成内容的依赖行为。
2. 研究方法 (Methodology)
本研究通过两项预注册的实验研究（Study 1 和 Study 2）来回答上述问题。
实验设计概览
- 自变量（干预措施）：参与者被随机分配到四个组：
- 机器组 (Machines)：视频强调 LLM 是基于物理机制（如概率预测、注意力机制）的复杂工程系统（基于丹尼特的“物理立场”）。
- 工具组 (Tools)：视频强调 LLM 是用于完成特定人类定义目标的实用工具（基于“设计立场”）。
- 伴侣组 (Companions)：视频强调 LLM 具有社会智能、意图和情感，是真正的社会伙伴（基于“意向立场”）。
- 无视频组 (No Video)：对照组，不观看任何视频。
- 因变量：
- 心智能力归因：参与者对 40 种心智能力（分为情感、认知、生理三类）的评分（1-7 分 Likert 量表）。
- 态度与信念：对 LLM 的人性化程度、信任度、使用信心及整体感受的评分。
- 依赖行为 (Study 2)：在事实问答任务中，用户采纳 LLM 错误或不一致答案的倾向。
Study 1: 信念归因 (N=470)
- 时间：2024 年 11 月。
- 流程：观看视频 -> 填写关于 LLM 心智能力归因的问卷。
- 统计方法：线性混合效应模型（Linear Mixed-Effects Regression），使用探索性因子分析（EFA）将 40 个能力归纳为三个因子：情感 (Emotional)、认知 (Cognitive) 和 生理 (Physiological)。
Study 2: 依赖行为与时间稳定性 (N=604)
- 时间：2025 年 8 月（距 Study 1 约 9 个月），以验证效应的鲁棒性。
- 流程：观看视频 -> 完成 8 个事实问答任务（使用虚构 LLM "Theta" 生成的回答）-> 再次填写部分心智能力归因问卷。
- 任务设计：Theta 的回答被系统性地操纵为四种类型：正确且一致、正确但不一致、错误但一致、错误且不一致。
- 目标：考察信息框架是否影响用户对 LLM 回答的依赖（即是否采纳 LLM 的答案），特别是在面对逻辑不一致时的表现。
3. 主要发现 (Key Results)
3.1 心智能力归因 (Study 1 & Study 2)
- 伴侣效应显著：观看“伴侣”视频组的参与者，显著更倾向于认为 LLMs 拥有更完善的认知能力（如推理、记忆）和情感能力（如感受快乐、拥有意图）。
- 这种效应不仅限于视频中明确提到的能力，还泛化到了未提及的能力上。
- 该效应在 Study 2（9 个月后）中依然稳健，表明信息框架的影响具有持久性。
- 机器/工具效应：
- “机器”和“工具”视频虽然改变了人们对 LLM 的信任度（工具组信任度更高）和整体感受（机器组更积极），但并未显著改变人们对 LLM 潜在心智能力的归因（即没有像“伴侣”组那样提升归因）。
- 所有组别对“生理能力”（如感到饥饿、疲劳）的归因均较低且无显著差异。
- 时间演变：Study 2 发现，随着时间推移（9 个月），参与者对 LLM 认知能力的基线归因略有下降，但“伴侣”框架的增强效应依然存在。
3.2 对依赖行为的影响 (Study 2)
- 总体依赖：视频框架本身（机器/工具/伴侣）对用户在事实问答中采纳 LLM 答案的总体概率没有显著影响。
- 对不一致性的敏感度：
- 所有用户在面对逻辑不一致的 LLM 回答时，采纳率都会下降。
- 关键交互效应：观看“机器”视频的用户，在面对不一致回答时，采纳率显著低于其他组。这表明将 LLM 视为“机器”可能促使用户保持更高的警惕性，更容易识别并拒绝逻辑矛盾的输出。
- 任务体验的调节作用：在 Study 2 中，如果参与者在观看视频后实际使用了 LLM 完成任务，他们对 LLM 认知能力的归因会有所下降（尤其是“伴侣”组和“工具”组），说明实际交互体验会部分抵消信息框架带来的过度拟人化信念。
4. 核心贡献 (Key Contributions)
- 因果证据：首次通过实验证明了关于 LLM 的信息框架（特别是“伴侣”叙事）会因果性地增强人们对 LLM 拥有复杂心智能力（情感和认知）的信念。
- 区分归因与行为：揭示了“信念”与“行为”之间的复杂关系。虽然“伴侣”框架显著改变了人们对 LLM 心智能力的信念，但这种信念改变并未直接转化为对 LLM 输出的盲目依赖；相反，“机器”框架在特定情境下（面对不一致信息）反而促进了更谨慎的依赖行为。
- 时间稳定性验证：在 AI 技术快速迭代的背景下，通过 9 个月后的重复实验，证实了这些心理效应具有跨时间的稳定性。
- 理论框架应用：将丹尼特（Dennett）的立场理论（物理、设计、意向立场）应用于 AI 沟通研究，为理解公众如何构建 AI 心智模型提供了理论支撑。
5. 意义与启示 (Significance)
- 对 AI 沟通策略的警示：将 LLM 营销或描述为“伴侣”或“朋友”虽然可能增加用户的亲切感，但会显著导致用户过度拟人化（Anthropomorphism），错误地认为 AI 拥有真实的情感和意图。这可能引发不切实际的期望、情感依赖或信任危机。
- 对安全与信任的启示：将 AI 描述为“机器”或强调其机械本质，虽然可能降低情感连接，但有助于培养用户的批判性思维和警惕性，特别是在面对 AI 产生逻辑矛盾或幻觉时，用户更不容易盲目相信。
- 未来方向：研究指出，未来的 AI 教育材料应谨慎使用拟人化语言。在需要高可靠性（如医疗、法律）的场景中，采用非拟人化的“机器/工具”叙事可能更有利于建立适当的信任（Appropriate Reliance），防止过度依赖。
总结：这篇论文通过严谨的实验表明，我们如何向公众讲述AI 的故事（是机器、工具还是伴侣），直接决定了公众相信AI 拥有什么样的“灵魂”，并微妙地影响他们在面对 AI 错误时的行为反应。