💻 computer science

Media Framing Moderates Risk-Benefit Perceptions and Value Tradeoffs in Human-Robot Collaboration

这项针对 1150 名参与者的预注册研究表明，媒体框架不仅直接影响人们对人机协作（HRC）的绝对评价，还调节了风险与收益感知的整合方式：负面框架下风险与收益呈现更强的相互依赖效应（即高风险会削弱收益的正面作用），而正面框架则支持更稳定的加性评估，从而凸显了战略沟通在促进人机协作接受度中的关键作用。

原作者： Philipp Brauner, Felix Glawe, Luisa Vervier, Martina Ziefle

发布于 2026-02-16

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Philipp Brauner, Felix Glawe, Luisa Vervier, Martina Ziefle

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

这篇论文就像是在研究**“我们如何看待机器人同事”这件事，其实很大程度上取决于“别人是怎么介绍它们的”**。

想象一下，你刚听说公司要引进一群新的“机器人同事”。这时候，你心里会想：“它们会不会抢我饭碗？”或者“它们会不会很危险？”

这篇研究就做了个有趣的实验：他们找了一千多名德国工人，给他们看同一种关于机器人的新闻，但是把新闻写得完全不一样。

1. 实验：两种“滤镜”看世界

研究者给参与者看了两类新闻文章（就像给照片加了两种不同的滤镜）：

🟢 绿色滤镜（正面报道）： 文章说机器人能帮人类做枯燥的工作，让人类更自由，还能减少工伤，甚至创造新工作。
- 比喻： 就像推销员说：“买了这个新工具，你的工作会变轻松，还能多赚点钱！”
🔴 红色滤镜（负面报道）： 文章说机器人可能会抢走工作，让人类失去控制权，甚至增加受伤的风险。
- 比喻： 就像推销员说：“买了这个新工具，你可能会失业，而且它可能会伤到你。”

结果发现： 这招非常管用！看了绿色滤镜的人，觉得机器人很安全、很有用；看了红色滤镜的人，觉得机器人很危险、很讨厌。这说明媒体怎么说话，直接决定了我们怎么想。

2. 核心发现：大脑的“加减法”不一样

这才是这篇论文最精彩的地方。研究者发现，不仅大家的情绪变了，大家大脑处理信息的方式也变了。

🟢 当看到“好消息”时（正面框架）：大脑在做“加法”

心态： “虽然机器人有点风险（比如可能会坏），但它带来的好处（比如效率高）太大了，所以总体还是赚的！”
比喻： 就像你在吃火锅。虽然有点辣（风险），但肉很好吃（好处）。你觉得“辣”和“好吃”是两回事，只要肉够好吃，辣点也能接受。
结论： 在正面报道下，人们觉得风险和好处是可以互相抵消的。好处多一点，就能盖过风险。

🔴 当看到“坏消息”时（负面框架）：大脑在做“乘法”甚至“归零”

心态： “等等，你说它可能会伤人？那它再高效也没用！太危险了，直接拉黑！”
比喻： 就像你在坐过山车。如果工作人员告诉你“这车可能会脱轨”（风险），哪怕它说“这车能带你飞得比鸟还快”（好处），你也会觉得：只要有一丝脱轨的可能，速度再快也是零分！
结论： 在负面报道下，风险变成了“一票否决权”。一旦觉得有风险，之前说的那些好处就瞬间失效了，甚至起反作用。

3. 这意味着什么？

这篇论文告诉我们，在推广像机器人、人工智能这样的新技术时，怎么说话比说什么更重要。

如果你只强调好处（正面框架）： 人们会比较理性，觉得“虽然有缺点，但利大于弊”，愿意接受。
如果你强调风险（负面框架）： 人们会变得非常敏感。哪怕你列举了一百个好处，只要有一个关于“危险”的暗示，大家就会觉得“这玩意儿不行”，直接拒绝。

总结

这就好比装修房子：

如果你跟业主说：“这房子虽然有点旧（风险），但采光特别好，而且能省很多电费（好处）。”业主可能会想：“嗯，采光好能抵消旧一点，可以买。”（这是正面框架，好处和风险在相加）。
如果你跟业主说：“这房子虽然采光好，但地基可能会裂（风险）。”业主会想：“不管采光多好，地基裂了房子就塌了，绝对不买！”（这是负面框架，风险直接否决了所有好处）。

一句话总结： 媒体和宣传者如果不小心把“风险”放大，哪怕技术再好，大家也会因为害怕而拒绝它；但如果用积极的方式引导，大家就能更客观地权衡利弊，更容易接受新技术。

这是一份关于媒体框架如何调节人机协作（HRC）中风险 - 收益感知及价值权衡的学术论文的详细技术总结。

1. 研究问题 (Problem)

随着工业 4.0 和智能制造的发展，人机协作（Human-Robot Collaboration, HRC）已成为生产环境中的关键要素。然而，HRC 的成功不仅取决于技术性能，更取决于公众和员工的接受度。

核心挑战：员工对机器人的接受度受到感知风险（如安全、失业）和感知收益（如效率、自主性）的影响。
研究缺口：虽然已知媒体框架（正面 vs. 负面）能影响公众态度，但尚不清楚媒体框架如何调节风险与收益之间的权衡关系，即框架是否改变了人们如何整合风险与收益以形成对 HRC 的整体价值判断。
研究目标：探究媒体框架（正面/负面）如何调节感知风险和感知收益对 HRC 整体归因价值（Attributed Value）的影响，特别是在不同的工业情境（自主性、就业安全、安全性）下。

2. 方法论 (Methodology)

本研究采用**预注册（Pre-registered）**的在线实验设计，具有严格的统计控制。

样本：
- 最终有效样本量 N = 1150（来自德国劳动力人口的代表性样本）。
- 人口统计学特征：年龄 18-67 岁（中位数 44 岁），男女比例均衡，涵盖不同教育背景和就业状态。
实验设计：
- 2 × 3 被试间设计（Between-subject design）：
  - 自变量 1：媒体框架（正面框架 vs. 负面框架）。
  - 自变量 2：情境（自主性、就业安全、工作安全）。
- 刺激材料：参与者被随机分配阅读一篇关于 HRC 的模拟报纸文章。文章针对三个情境分别进行了正面（强调收益/机会）或负面（强调风险/损失）的框架处理。
测量工具：
- 操纵检验：使用 8 个语义差异量表（情感与认知维度）评估参与者对文章的感知。
- 因变量：
  1. 感知风险（Perceived Risks）：3 个题项。
  2. 感知收益（Perceived Benefits）：3 个题项。
  3. 整体归因价值（Overall Attributed Value）：3 个题项。
- 控制/解释变量：人口统计学（年龄、性别）、技术自我效能感（SET）、对机器人的信任度（TIR）。
统计分析：
- 使用多元方差分析（MANOVA）检验框架的主效应。
- 分别对正面和负面框架组进行多重线性回归分析，以检验风险、收益及其交互项对整体价值的影响。
- 探索性分析：考察个体差异（如信任度、自我效能感）与框架的交互作用。

3. 关键结果 (Key Results)

A. 框架操纵的有效性

媒体框架显著影响了参与者对文章的评价（ $p < .001$ ）。
情感维度（如“令人恐惧 - 令人安心”、“消极 - 积极”）受框架影响最大（差异达 33%-69%），认知维度也有显著差异但幅度较小。这证明框架成功改变了参与者的情绪和认知状态。

B. 框架对绝对评价的影响

正面框架导致更高的感知收益、更低的感知风险以及更高的整体归因价值。
负面框架导致更高的感知风险、较低的感知收益和较低的整体价值。
情境（自主性、就业、安全）本身对整体评价的主效应不显著，主要影响来自框架。

C. 风险 - 收益权衡的调节效应（核心发现）

研究通过分别对正面和负面框架组进行回归分析，发现了截然不同的认知整合模式：

正面框架（Positive Framing）：加性/补偿性模型
- 模型拟合度：较高 ( $R^2 = .715$ )。
- 主效应：感知风险 ( $\beta \approx -0.52$ ) 和感知收益 ( $\beta \approx 0.45$ ) 均显著预测整体价值。
- 交互作用：不显著 ( $\beta \approx 0.006, p = .941$ )。
- 解释：在正面框架下，风险和收益被视为独立且可补偿的因素。高收益可以抵消高风险，反之亦然。人们倾向于进行启发式（System 1）处理，独立评估每个属性。
负面框架（Negative Framing）：非线性/交互模型
- 模型拟合度：较低 ( $R^2 = .583$ )。
- 主效应：感知风险 ( $\beta \approx -0.69$ ) 和感知收益 ( $\beta \approx 0.63$ ) 的预测力更强（绝对值更大）。
- 交互作用：存在显著的负向交互作用 ( $\beta \approx -0.32, p = .009$ )。
- 解释：在负面框架下，高风险会削弱高收益的正面影响。即使收益很高，如果感知风险也很高，整体价值会急剧下降（收益无法完全补偿风险）。这表明负面框架触发了更复杂的系统性处理（System 2），风险成为了“否决项”（Dealbreaker）。

D. 个体差异的调节

信任度（Trust in Robots）是跨框架的最强预测因子：高信任度显著降低感知风险并提高感知收益。
性别在正面框架下对感知收益有显著影响（男性感知收益更高）。
年龄在负面框架下对感知收益有显著影响（年长者感知收益更高）。

4. 主要贡献 (Key Contributions)

理论贡献：
- 揭示了媒体框架不仅改变态度的强度（绝对值），还改变了态度形成的结构（认知整合机制）。
- 挑战了传统的静态技术接受模型（如 TAM），证明风险与收益的权衡关系是动态的，受情境框架调节。
- 验证了双过程模型（Dual Process Model）在 HRC 语境下的适用性：正面框架引发启发式处理（加性），负面框架引发系统性处理（非线性交互）。
实证贡献：
- 提供了大规模代表性样本的实证数据，量化了框架对工业 HRC 接受度的具体影响。
- 区分了“强调框架”（Emphasis Framing）与“等价框架”（Equivalence Framing）在风险沟通中的不同效应。
实践意义：
- 沟通策略：在推广 HRC 时，若采用负面框架（强调风险），必须极度谨慎，因为高风险会“扼杀”高收益的说服力。
- 正面策略：正面框架下，可以并列强调多个收益维度（如效率 + 安全），因为它们具有累加效应。
- 政策制定：在涉及高风险行业（如核能、航空、医疗）时，单纯强调收益可能无效，必须将收益与安全性深度绑定，避免触发“风险否决”机制。

5. 局限性与未来展望 (Limitations & Future Work)

样本局限性：基于德国样本，文化差异可能影响结果（如日本与西方对机器人的态度不同），建议进行跨文化复制。
刺激材料：仅使用报纸文章，未涵盖视频、交互式内容等其他媒体形式。
行为数据：研究基于自我报告（感知），缺乏实际行为数据（如真实操作机器人的表现），可能存在共同方法偏差。
未来方向：建议研究长期媒体叙事的影响，以及在虚拟现实（VR）或真实生产线上的生态效度验证。

总结

该论文有力地证明了媒体框架是塑造人机协作接受度的关键调节变量。它不仅仅改变了人们对风险或收益的看法，更从根本上改变了人们权衡这些因素的方式。在负面框架下，风险具有不成比例的破坏力；而在正面框架下，收益与风险可以相互补偿。这一发现为工业界制定有效的技术沟通策略提供了重要的科学依据。