💻 computer science

Why That Robot? A Qualitative Analysis of Justification Strategies for Robot Color Selection Across Occupational Contexts

该研究通过对 1,038 名参与者的 4,146 条定性分析，揭示了用户在为不同职业场景选择机器人肤色时，虽主要采用功能主义理由，却系统性地将种族与职业刻板印象融入其合理化过程，且这种偏见常潜藏于意识之下，同时发现机器人拟人化程度越高，用户越倾向于通过“去种族化”的机器中心视角来规避功能推理。

原作者： Jiangen He, Wanqi Zhang, Jessica K. Barfield

发布于 2026-04-01

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Jiangen He, Wanqi Zhang, Jessica K. Barfield

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

这篇论文就像是在给未来的机器人世界做一场“心理体检”。研究人员想知道：当我们要给机器人选“皮肤颜色”时，我们脑子里到底在想什么？是真的在考虑工作需求，还是潜意识里把人类社会的种族偏见偷偷塞进了机器人的设计里？

为了让你更轻松地理解，我们可以把这项研究想象成一场关于“给机器人挑衣服”的超级大实验。

1. 实验背景：机器人也要“上班”

想象一下，未来机器人要像人类一样去工地搬砖、去医院照顾病人、去学校辅导功课，或者去体育场当教练。
研究人员找了一千多位志愿者，让他们在这些不同的工作场景中，从一堆不同颜色的机器人里挑一个最合适的。这些机器人有的像人（有肤色），有的像机器（银色、青色）。

关键点：参与者不仅要选，还要写下“为什么选这个颜色”。研究人员收集了 4000 多条理由，像侦探一样分析这些理由背后的真相。

2. 核心发现：大家嘴上说的 vs. 心里想的

A. “实用主义”是块完美的遮羞布

研究发现，超过一半的人（52%）都说：“我选这个颜色是因为它实用。”

比喻：这就像你给工地机器人选棕色，理由是“棕色耐脏，不容易显灰”；给医院机器人选白色，理由是“白色看起来干净、无菌”。
真相：虽然听起来很理性，但这其实是在给偏见找借口。就像人们潜意识里觉得“工地工人应该是深色皮肤的”、“医生应该是浅色皮肤的”，但他们不会直接说“因为种族刻板印象”，而是说“因为这样更耐脏/更干净”。这种“实用理由”就像一层糖衣，包裹着里面苦涩的偏见糖果。

B. 刻板印象像“隐形的手”

当研究人员在实验图片里放一个特定种族的人类（比如工地里放一个拉丁裔工人，医院里放一个白人医生）作为“提示”时，参与者选机器人的颜色会立刻跟着变。

比喻：这就像你看到图片里有个黑人运动员，你潜意识里就会觉得“那个深色皮肤的机器人教练才像样”。
有趣的现象：即使他们选了符合刻板印象的机器人，嘴上说的理由依然是“它看起来很强壮”或“它很专业”，完全没提种族。这说明偏见往往在潜意识里运作，而我们的理智大脑会忙着编造合理的理由来掩盖它。

C. “照镜子”效应并不公平

通常我们认为，人们喜欢选和自己长得像的机器人（比如白人选白色，亚裔选中等肤色），因为这样更有亲切感。

研究发现：这并不完全对。
- 白人和亚裔参与者：选和自己肤色相近的机器人时，理由多是“看起来很友好”、“让人安心”（情感连接）。
- 黑人参与者：即使选了和自己肤色相近（深色）的机器人，理由却大多是“它看起来很能干”、“适合干重活”（功能连接），而不是情感上的亲切。
比喻：这就像社会给不同肤色的人贴了不同的标签。对于某些群体，社会更强调他们的“情感温暖”；而对于另一些群体（特别是受系统性偏见影响的群体），社会更强调他们的“工作能力”。这种差异导致他们在面对机器人时，心理感受完全不同。

D. 机器人越像人，大家越害怕“种族化”

当机器人的样子越来越像真人（高拟人化）时，大家的反应变了。

比喻：如果机器人是个冷冰冰的金属盒子，你选银色会觉得“这是机器，无所谓”。但如果机器人长得像真人，你给它涂成某种肤色，大家就会觉得“这是在给机器人定种族”，这让人很尴尬，甚至引发焦虑。
结果：为了避开这种尴尬，当机器人长得太像人时，大家反而更倾向于选银色、青色这种“非人类”的颜色。大家试图通过选“机器色”来抹去种族特征，假装种族问题不存在（就像有些人说“我种族盲视”一样）。

3. 这对我们意味着什么？（给未来的建议）

这篇论文给未来的机器人设计师敲响了警钟：

别全信“实用理由”：当客户说“我要个棕色机器人，因为工地脏”时，设计师要警惕，这可能不是真的因为脏，而是潜意识里的偏见在作祟。
拟人化有门槛：如果你把机器人做得太像人，还给它涂肤色，就等于强行把它拉进了人类社会的种族分类里。如果你想做一个“中立”的机器人，不如直接做成金属色或蓝色，这样反而更安全、更公平。
没有“万能”的机器人：不能简单地认为“给所有种族都提供对应肤色的机器人”就能解决问题。因为社会偏见已经存在，不同种族的人对机器人的心理预期完全不同。设计机器人时，必须考虑到这些复杂的社会历史背景。

总结一句话：
给机器人选颜色，从来不仅仅是审美问题，而是一场社会心理的博弈。我们以为自己在选“好用的工具”，其实往往是在无意识地复制人类社会的偏见。未来的机器人设计，需要更聪明、更诚实，才能避免把人类的“老毛病”带进新世界里。

这是一份关于论文《Why That Robot? A Qualitative Analysis of Justification Strategies for Robot Color Selection Across Occupational Contexts》（为什么是那个机器人？跨职业情境下机器人颜色选择理由策略的定性分析）的详细技术总结。

1. 研究问题 (Problem)

随着机器人日益进入劳动力市场，人机交互（HRI）领域面临一个关键挑战：人类的隐性社会偏见如何影响用户对机器人的选择及其理由的构建？
尽管先前的研究（如作者之前的工作 [15]）已经证实了用户在医疗、教育、建筑和体育等不同职业场景中选择机器人时存在基于肤色和种族特征的显著偏见（例如，医疗和教育场景偏好浅色机器人，而建筑和体育场景偏好深色机器人），但现有文献缺乏对用户如何理性化（Rationalize）这些选择的深入理解。
本研究旨在解决以下核心问题：

用户采用何种推理框架来为机器人的颜色选择辩护？
情境因素（任务背景、机器人颜色、种族启动）如何塑造这些辩护模式？
人口统计学背景（种族）如何与机器人颜色相互作用以影响辩护策略？
机器人的拟人化程度（Human-likeness）如何调节外观与辩护理由之间的关系？

2. 方法论 (Methodology)

本研究采用混合方法，以定性分析为主，结合定量统计验证。

数据来源：
- 基于两项先前的实验研究（Study 1 和 Study 2），共收集了 1,038 名参与者 的 4,146 条开放式回答。
- 实验设计：涉及四个职业场景（建筑、医院、家庭辅导、运动场）和五种拟人化水平。Study 2 引入了“种族启动”（Racial Priming）操纵，通过展示特定种族的职业人员图像（符合或不符合刻板印象）来观察其对选择的影响。
- 任务：参与者从六种颜色选项（浅、中、棕、深肤色及银色、青色）中选择机器人，并书面解释选择理由。
编码方案开发 (Codebook Development)：
- 采用归纳主题分析法（Inductive Thematic Approach）。
- 通过三阶段迭代（分层抽样、开放式编码、主轴编码）建立了包含 5 个主类别和 15 个子类别 的综合编码方案。
- 主要类别包括：
  1. 功能主义 (Functionalism)：基于任务适用性、耐用性、清洁度等实用理由。
  2. 心理/情感影响 (Psych/Affective)：基于亲和力、信任、参与度等情感因素。
  3. 机器中心 (Machine-Centric)：强调机器人的非人类属性（如金属感、去种族化）。
  4. 偏好/回避 (Preference/Evasion)：个人审美或随机选择。
  5. 身份/社会映射 (Identity/Social)：基于种族刻板印象或自我投射。
AI 辅助编码与验证：
- 利用 Google Gemini API (gemini-3.1-pro-preview) 对大规模数据集进行结构化编码。
- 验证：通过三名人类编码员与 AI 进行对比，主类别的 Kappa 系数达到 0.73，表明 AI 编码与人类判断具有高度一致性，确保了分析的可信度。
分析方法：
- 结合频率分布、卡方检验（ $\chi^2$ ）和 Cramér's V 效应量进行定量分析。
- 针对特定子类别进行深入的定性主题分析，辅以参与者引语。

3. 主要发现 (Key Results)

A. 辩护理由的景观 (RQ1)

功能主义主导：52.2% 的回应属于“功能主义”类别。这是最普遍的辩护策略。
其他类别：心理/情感影响 (22.0%)、偏好/回避 (14.5%)、机器中心 (10.2%)、身份/社会映射 (仅 1.2%)。
关键洞察：虽然功能主义占主导，但它常被用作隐性偏见的“事后合理化”（Post-hoc rationalization）。

B. 情境因素的影响 (RQ2)

职业场景差异：
- 建筑：高度依赖功能主义（耐用性、隐蔽污渍），深色机器人常因“耐脏”被选中。
- 医院：强调“清洁度”和“专业感”，浅色机器人因“无菌”联想被偏好。
- 辅导：强调“参与度”和“亲和力”。
- 运动：功能主义与刻板印象对齐（如深色机器人被视为“强壮”）。
种族启动的效应：
- 虽然种族启动显著改变了选择结果（符合刻板印象的选择增加），但它对辩护理由的整体分布影响较弱。
- 关键发现：偏见往往在潜意识层面运作。当启动导致用户选择了符合刻板印象的机器人颜色时，他们依然使用标准的“功能”或“情感”理由来解释，从而掩盖了真实的刻板印象驱动。
- 例如，在建筑场景中，被“拉丁裔”启动的参与者选择棕色机器人时，会将其理由从抽象的“能力强”调整为具体的“耐脏/可见性”，使偏见看起来像合理的工程考量。

C. 人口统计学与交互 (RQ3)

种族差异：
- 非裔/黑人参与者：在深色机器人选择上表现出极高的功能主义（75.2%），而非情感共鸣。
- 白人/亚裔参与者：在选择与自身肤色相近的机器人（浅色/中色）时，表现出更高的心理/情感理由。
不对称性：这挑战了“种族镜像”（Racial Mirroring）理论的普适性。在存在系统性反黑人偏见的社会中，黑人参与者可能难以从深色机器人中获得情感上的“温暖”投射，而更倾向于强调“能力/功能”。

D. 拟人化程度的调节作用 (RQ4)

去种族化趋势：随着机器人拟人化程度（Human-likeness）从低到高增加：
- 功能主义理由显著下降。
- 机器中心（Machine-Centric）理由显著上升（特别是“中立性/去种族化”子类别，从 2.5% 升至 10.6%）。
解释：当机器人高度拟人化时，肤色直接关联到种族类别，引发用户的种族焦虑。为了回避这种社会分类，用户倾向于选择非肤色的金属色（银色/青色），试图通过“机器中心”的视角来“抹去”种族属性。

4. 主要贡献 (Key Contributions)

揭示了偏见的“合理化”机制：证明了用户并非总是诚实地表达偏见，而是利用“功能主义”作为掩护，将种族刻板印象转化为看似客观的任务需求（如“棕色耐脏”、“白色无菌”）。
修正了种族镜像理论：指出种族共鸣并非对所有群体都是对称的。边缘化群体（如黑人）在面对种族一致的机器人时，可能因社会历史背景而更多诉诸“能力”而非“情感”连接。
提出了“拟人化阈值”概念：随着机器人外观越像人，种族分类越不可避免。为了保持中立，设计者必须使用非人类的外观（如金属色），否则功能性理由将变得伦理上可疑。
方法论创新：成功验证了利用 AI 辅助大规模定性数据编码的可行性，并建立了高可靠性的编码体系。

5. 意义与启示 (Significance & Implications)

设计伦理：设计师不能盲目接受用户提出的“功能性”颜色需求（如“建筑机器人要是棕色的”），因为这可能隐含了种族偏见。
去种族化策略：对于高拟人化机器人，若要避免种族刻板印象，应明确采用非人类的外观（如银色金属），而非试图通过肤色匹配来模拟人类。
定制化陷阱：简单地提供多种肤色的机器人（类似数字表情符号）并不能保证所有用户都能建立情感连接。由于系统性偏见的存在，不同种族群体对“种族一致”机器人的反应截然不同。
未来方向：机器人外观的设计不仅仅是美学选择，而是一种深刻的社会技术干预，需要考虑到操作的社会历史背景，以主动减少社会偏见的固化。

总结：该论文通过深度定性分析，揭示了人类在选择工作机器人时，如何利用“实用主义”作为面具来掩盖深层的种族和职业刻板印象。研究强调了在 HRI 设计中，必须超越表面的功能理由，深入审视其背后的社会心理机制。