技术摘要：人类—人工智能共情量表（HAES）的概念化与验证

问题陈述

尽管人工智能（AI）在社会角色中的普遍性日益增加，但在消费者为何以及是否会对 AI 代理产生共情方面，仍存在显著的理论和测量空白。虽然现有文献广泛涵盖了拟人化（将人类特征归于非人类）和心智知觉（将心理能力归于非人类），但这些构念并不能完全捕捉消费者向人工实体投射共情反应（认知、情感和道德层面）这一心理现象。传统的共情测量工具（如人际反应指数，IRI）是为人类目标设计的，无法解释消费者在识别出实体人工本质的同时，仍将其视为社会存在进行响应的独特情境。作者认为，人类—AI 共情是一种独特的心理特质，需要系统的概念化和专门的测量工具来理解其前因与后果。

研究方法

本研究遵循成熟的指南（Churchill, 1979; DeVellis, 2017; Hulland et al., 2026），采用了严谨的三项研究规模开发与验证流程。

研究 1：内容效度与条目缩减

• 目标： 评估从共情、拟人化和心智知觉文献中生成的 70 个初始条目的内容效度。
• 程序： 一个由 14 名专家（营销学、管理学、信息系统及计算机科学领域的博士研究员）组成的专家小组对条目的必要性、相关性、清晰度和受访者负担进行了评估。
• 分析： 研究利用 Lawshe 的内容效度比（CVR）和条目级内容效度指数（I-CVI）。只有当条目满足统计阈值（对于 N=14，CVR ≥ .571；对于相关性/清晰度，I-CVI ≥ .78）时才予以保留。
• 结果： 条目池从 70 个减少到 26 个，且均表现出强效的内容效度。

研究 2：维度性、基于 IRT 的筛选及初步效度

• 样本： 通过 Prolific 招募的 475 名美国成年人。
• 程序： 参与者对 26 个条目以及拟人化程度和对 AI 的信任度进行了评分。
• 分析：
  • 探索性因子分析 (EFA)： 使用 Mplus 进行 WLSMV 估计和 Geomin 旋转。研究确定了一个在理论上最具解释力且在统计上最稳健的三因子结构。
  • 项目反应理论 (IRT)： 对每个维度应用等级响应模型 (GRM)，根据区分度 ($a$)、条目拟合度 ($S-X^2$) 和局部独立性（Q3 残差相关性）进行条目筛选。
  • 效度： 利用潜变量模型，针对拟人化和对 AI 的信任度测试了收敛效度和判别效度。
• 结果： 量表被精炼为包含三个维度的 22 个条目：认知共情、情感连接和道德关注。初步分析证实，该量表与拟人化和信任度是相互独立的，但存在正相关关系。

研究 3：标本效度与边界条件

• 样本： 通过 Prolific 招募的 524 名英国成年人。
• 程序： 采用结构方程模型 (SEM) 方法测试了一个标本网络，其中拟人化倾向和心智知觉作为前因，而满意度、对 AI 的依恋、支付意愿以及（服务失败后的）宽恕作为后果。研究使用服务失败场景（高严重性 vs 低严重性）来测试调节假设。
• 分析： 使用潜在调节结构方程 (LMS) 来测试共情与失败严重性之间的交互作用。使用 WLSMV 对修剪后的结构模型进行估计。此外，还针对消费者创新性和对人类的特质共情（多伦多共情问卷）测试了判别效度。
• 结果： 模型证实了前因—后果的关系，并确立了人类—AI 共情与一般人际共情是不同的。

关键结果

1. 量表结构 (HAES)
人类—AI 共情量表 (HAES) 是一个 22 项、三维度的构念：

• 认知共情： 理解或站在 AI 代理视角看问题的倾向（例如，推断其如何“思考”或解读情境）。
• 情感连接： 将 AI 视为具有社会意义的伙伴并与之产生情感互动的倾向（例如，感受到温暖或依恋）。
• 道德关注： 当 AI 被感知到受到虐待或伤害时，产生同情或道德关切的倾向。

2. 心理测量特性

• 信度与效度： 该量表在各研究中均表现出强健的信度和心理测量稳健性。
• 判别效度： 人类—AI 共情在实证上可与拟人化、信任、依恋以及对人类的特质共情相区分。值得注意的是，它与对人类的特质共情的关联不显著 ($r = .07$)，这证实了人类—AI 共情是一个独特的、指向技术的构念，而非一种通用的特质性人际共情。

3. 前因与后果

• 前因： 心智知觉被确定为人类—AI 共情的一个强有力且近端的驱动因素 ($\beta = .81$)。虽然拟人化倾向与共情相关，但在控制心智知觉后，其独特效应并不显著，这表明感知 AI 拥有“心智”是产生共情反应的主要驱动力。
• 后果： 人类—AI 共情正向预测了：
  • 与 AI 交互的满意度 ($\beta = .50$)。
  • 对 AI 的依恋 ($\beta = .90$)。
  • 支付意愿 ($\beta = .51$)。
  • 服务失败后的宽恕 ($\beta = .35$)。
• 调节作用： 研究发现，人类—AI 共情与宽恕之间的正向关系并不会随服务失败严重性的不同而发生显著变化。这表明 HAES 所捕捉的人类—AI 共情倾向属于一种相对稳定的个体差异，而非依赖于失败程度的情境性反应。

意义与贡献

本文声称具有以下理论和实践贡献：

1. 概念推进： 它引入了人类—AI 共情作为一个独特的心理构念，将共情研究从人类目标扩展到了人工代理。它阐明了这一现象涉及一种复杂的相互作用，即消费者在识别实体人工本质的同时，仍对其产生认知、情感和道德层面的关注。
2. 理论整合： 通过将心智知觉定位为近端前因，本研究提供了一个关于导致共情反应的心理过程的细致解释，区分了“对心智的感知”与“对该感知心智产生的共情反应”。
3. 测量工具： 通过验证 22 项 HAES，为研究者提供了一个心理测量严谨的工具，用以考察对 AI 共情反应的个体差异，解决了以往研究主要关注对特定机器人瞬时情绪反应而非稳定特质的局限性。
4. 管理启示： 研究结果表明，企业可以根据消费者的共情取向进行细分。高共情消费者可能对关系型 AI 设计更具接受度，表现出更高的支付意愿，并在服务失败后更易于宽恕。该量表为设计符合消费者对人工代理心理取向的 AI 服务设计、定向营销和补救策略提供了基础。

作者总结道，本研究为未来研究探讨不断演进的人类—AI 社会性与关系性互动奠定了基础，同时也承认了在特定 AI 类型（如生成式 vs 预测式）以及当前操作化定义缺乏物理实体化方面的局限性。