Each language version is independently generated for its own context, not a direct translation.
这篇论文探讨了一个非常有趣且普遍的现象：当我们和人工智能（AI）一起工作时，我们“心里怎么想”和“实际怎么做”之间往往存在巨大的脱节。
简单来说，就是**“相信”与“做到”之间的错位**。
为了让你更容易理解，我们可以把这篇研究想象成一场**“人类与 AI 的篮球比赛”**。
1. 核心故事：我们以为我们懂，其实我们没懂
想象一下，你（人类）和一个超级厉害的 AI 教练组队打篮球。比赛规则很简单：每遇到一个对手，你们俩必须决定**“谁来投这个球”**。是你自己投，还是把球传给 AI 投？
- 赛前（一般效能信念）： 比赛开始前，你会对自己说：“我觉得我投篮挺准的（自我效能）”，也会觉得"AI 教练虽然强，但也不是万能的（AI 效能）”。这是你的**“总体印象”**。
- 赛中（实例判断）： 比赛开始了，面对每一个具体的对手（比如一个矮个子防守者），你需要瞬间决定：“这次我能投进吗？”或者“这次 AI 投更稳吗？”这是你的**“临场判断”**。
研究发现了一个惊人的现象：
虽然你在赛前对自己和 AI 有清晰的“总体印象”，但在面对每一个具体的球时，你的临场判断完全变了样：
- 对自己： 你觉得自己“临场”的表现和“总体”印象差不多，很稳定。
- 对 AI： 你发现了一个奇怪的**"AI 乐观主义”。每当面对具体的球时，你总觉得“这次 AI 肯定能投进！”**，哪怕你之前觉得 AI 也就那样。你总是高估 AI 在具体时刻的能力。
2. 实验是怎么做的？（简单的“投篮游戏”）
研究人员找来了 240 个人，让他们玩一个**“猜收入”**的游戏（判断一个人年收入是否超过 5 万美元）。
- 任务： 每次看到一个新人的资料（年龄、学历、工作等），你要决定：是自己猜，还是让 AI 猜？
- 变量（给不同的“情报”）：
- A 组（无情报）： 啥也不给，凭感觉。
- B 组（数据情报）： 告诉你这类人的收入分布规律（比如“高学历的人通常收入高”）。
- C 组（AI 情报）： 告诉你 AI 在什么情况下猜得准，什么情况下会翻车。
- D 组（全情报）： 上面都给。
3. 他们发现了什么？（三个关键发现）
发现一：心里的“锚”太沉了
你的**“总体印象”就像船上的“锚”**。
- 当你面对具体任务时，你的自我感觉（我觉得我行）非常顽固，很难被新情报改变。哪怕给了你数据，你依然觉得“我肯定行”。
- 但是，你对AI 的感觉却很容易变。特别是当你看到 AI 的具体表现数据时，你的“总体印象”会被修正。
发现二：奇怪的"AI 乐观症”
这是最有趣的部分。
- 在没有具体情报时，大家普遍觉得 AI 在每一次具体任务中都比总体上更强。
- 比喻： 就像你觉得“这个 AI 教练平时也就 80 分”，但每次他上场前，你都觉得“这次他肯定能拿 100 分！”
- 只有当你看到了 AI 具体的失败案例（AI 情报）时，这种盲目的乐观才会消失。如果你只看到数据规律（数据情报），这种乐观依然存在。
发现三：情报越多，动作越“飘”，但成绩没变好
这是最反直觉的结论。
- 当你有了情报（无论是数据还是 AI 表现），你做决定的速度和对 AI 的信任度变化得更剧烈了。
- 如果你觉得自己这次不行，你会更果断地把球传给 AI。
- 如果你觉得自己这次行，你会更固执地自己投。
- 但是！ 这种“果断”并没有让你们的**团队得分（准确率）**变高。
- 比喻： 就像教练给了你战术板（情报），你变得更有主见了，传球更果断，或者自己投得更坚决了。结果呢？球进得还是那么多，甚至因为你的“过度自信”或“过度依赖”，反而没比瞎猜好多少。
4. 这意味着什么？（给设计师的启示）
这篇论文告诉我们，现在的 AI 设计太迷信**“透明度”**了。
- 现状： 设计师认为，只要把 AI 怎么工作的、数据长什么样都展示给用户（给情报），用户就会做出最完美的决定。
- 真相： 并不是。给情报确实能改变你的行为（让你更频繁地切换谁来做决定），但并没有让你变聪明。你依然会被心里的“锚”和"AI 乐观症”带偏。
论文提出的建议（给未来的 AI 设计师）：
- 别只盯着单次决定： 不要只想着怎么帮用户做“这一个”决定。要帮用户调整**“长期的心态”**。比如，告诉用户：“你刚才太自信了，其实你经常看走眼。”
- 戳破"AI 乐观”的泡沫： 当用户觉得"AI 这次肯定行”的时候，系统要提醒：“等等，AI 在这种情况下的历史表现其实一般。”
- 把“理解”和“行动”分开： 给用户看复杂的数据是为了让他们理解AI 的局限性（校准心态），但在真正做决定时，要给他们更简单、更直接的指引，而不是让他们在复杂的信息里自己瞎琢磨。
总结
这篇论文就像是在说：
“我们人类太容易在关键时刻高估 AI 的能力，同时又太固执地相信自己的直觉。哪怕给了你再多说明书（情报），你依然会按照自己的老习惯行事，而且这种行事方式并不一定能带来最好的结果。”
所以，未来的 AI 不仅要**“透明”（把底牌亮出来），更要“引导”**（帮你纠正那些根深蒂固的错觉），才能让我们和 AI 真正成为默契的队友。
Each language version is independently generated for its own context, not a direct translation.
这是一份关于论文《Believing vs. Achieving — The Disconnect between Efficacy Beliefs and Collaborative Outcomes》（相信与达成——效能信念与协作结果之间的脱节）的详细技术总结。
1. 研究问题 (Problem)
随着人工智能（AI）日益融入工作流，人类需要决定何时依赖 AI 建议。现有的研究多关注信任（Trust）或信心（Confidence），但较少深入探讨**效能信念（Efficacy Beliefs）**在协作中的具体作用机制。
本研究旨在解决以下核心问题：
- 信念锚定效应： 人类在任务前形成的一般效能信念（General Efficacy Beliefs，即对自己能力的自我效能感和对 AI 能力的 AI 效能感）如何作为认知锚点，影响任务执行过程中的实例级效能判断（Instance-wise Efficacy Judgments）？
- 情境信息的调节作用： 不同类型的情境信息（如数据分布信息、AI 性能信息）如何调节一般信念向实例判断的转化？
- 行为与绩效的脱节： 效能信念的差异（Discrepancies）如何影响人类的委托行为（Delegation Behavior），这种影响是否真正转化为人机团队绩效（Collaborative Outcomes）的提升？
2. 方法论 (Methodology)
研究采用了一项受控的行为实验（N=240），通过 2x2 因子设计来操纵情境信息。
3. 主要发现与结果 (Key Results)
3.1 一般信念对实例判断的锚定作用 (RQ1)
- 自我效能 (Self-Efficacy)： 表现出高度校准。实例级自我效能判断与一般自我信念高度一致，没有显著偏差。自我效能信念充当了稳定的认知锚点。
- AI 效能 (AI Efficacy)： 表现出系统性乐观偏差 (Systematic AI Optimism)。在大多数条件下，参与者对具体实例的 AI 能力评估显著高于其一般信念（平均高出约 10%）。
- 例外： 只有AI 性能信息组成功消除了这种乐观偏差；数据组和组合组仅减弱但未消除该偏差。
3.2 情境信息的调节作用 (RQ2)
- 自我效能： 情境信息无法显著调节一般自我信念对实例判断的影响。无论提供何种信息，自我效能信念都保持稳定并预测实例判断。
- AI 效能： 组合信息（数据+AI 性能）显著减弱了一般 AI 信念对实例判断的预测力，表明丰富的信息有助于人们根据具体情况调整对 AI 的看法，而非依赖先验假设。
3.3 委托行为与绩效的脱节 (RQ3)
- 对委托行为的影响： 效能差异对委托决策有显著影响。
- 当实例级自我效能低于一般信念时，人们更倾向于委托。
- 当实例级 AI 效能高于一般信念时，人们更倾向于委托。
- 不对称放大效应： 情境信息放大了效能差异对委托行为的影响。即，有了信息后，人们更敏感地根据效能差异调整委托策略。
- 对团队绩效的影响： 关键发现是“脱节”。
- 效能差异对委托行为的影响幅度远大于对实际绩效的影响。
- 虽然情境信息改变了人们的委托策略（行为），但这种改变并未转化为绩效的显著提升。
- 自我效能差异甚至与较差的团队绩效相关（表明人们在不该保留控制权时保留了控制权）。
4. 核心贡献 (Key Contributions)
- 理论框架创新： 首次明确区分并实证研究了一般效能信念（任务前）向实例级效能判断（任务中）的动态转化过程，揭示了这种转化中的“锚定效应”和“不对称性”。
- 揭示“实例级 AI 乐观”偏差： 发现人类在评估具体任务实例时，倾向于高估 AI 的能力，这种偏差不同于一般的信任问题，且难以通过单纯的数据信息消除，唯有具体的 AI 性能反馈有效。
- 挑战透明度范式： 挑战了 HCI 领域普遍认为“提供更多情境信息（透明度）就能改善协作”的假设。研究发现，信息虽然能校准信念并改变行为，但往往放大了基于直觉的偏差，导致行为改变并未带来绩效提升（即“相信”与“达成”的脱节）。
- 设计指南： 提出了针对人机协作系统的设计建议，强调不仅要关注单次决策的透明度，更要关注如何校准用户的基础信念。
5. 意义与设计建议 (Significance & Implications)
该研究对 AI 辅助决策系统的设计具有深远意义，提出了以下设计原则：
- 使锚定偏差可见 (Make Anchoring Bias Visible)： 系统应帮助用户识别他们对自己能力的过度自信或低估，通过反馈展示其效能模式与实际结果的对比。
- 针对基础信念而非仅针对决策 (Target Foundational Beliefs)： 传统的透明度设计（如解释单个决策）可能治标不治本。干预措施应在任务开始前针对用户的一般自我效能和AI 效能信念进行校准。
- 暴露 AI 乐观模式 (Expose AI Optimism Patterns)： 系统应明确指出用户在特定实例中对 AI 能力的评估是否系统性地高于 AI 的实际表现，以纠正“实例级乐观”。
- 对齐决策与结果 (Align Decisions with Outcomes)： 建立反馈机制，让用户看到其基于效能的委托行为是否偏离了最优绩效路径，从而校准元认知评估。
- 分离校准与决策支持 (Separate Calibration from Decision Support)： 区分用于“理解系统”的丰富信息（用于校准信念）和用于“实际决策”的简化辅助工具。避免过多的信息导致用户过度依赖直觉偏差。
总结：
这篇论文揭示了人类在与 AI 协作时，其信念系统（相信）与实际表现（达成）之间存在深刻的脱节。人类倾向于将一般信念作为锚点，且对 AI 在具体实例上的能力存在系统性高估。虽然提供情境信息可以改变人们的委托行为，但这种改变往往是基于被放大的直觉偏差，并未带来实质性的绩效提升。未来的 AI 系统设计不能仅停留在提供透明度，而需要主动引导用户校准其基础信念，以实现真正有效的人机协作。