Less Afraid, Still Wary: Europeans’ Fear of AI-Driven Job Loss Before and After Generative AI

技术摘要：“恐惧减少，但仍保持警惕：生成式人工智能前后欧洲人对 AI 驱动型失业的恐惧变化”

问题陈述
尽管生成式人工智能（GenAI）已迅速融入日常工作，但这种技术变革究竟是加剧还是缓解了劳动者对职位取代的恐惧，目前尚不明确。以往关于自动化态度的研究（例如 Gnambs 和 Appel，2019）多处于生成式 AI 时代之前，且缺乏基准对比，或未能将感知到的职业威胁作为核心结果进行处理。此外，现有文献多依赖于小型便利样本而非代表性数据，且鲜有研究探讨雇主实践（透明度和培训）如何与数字技能相互作用，从而影响威胁感知与技术接受度。本研究旨在解决三个差距：（1）确定 2017 年至 2024 年间欧盟范围内感知的职业威胁是否发生了变化；（2）分析数字技能和雇主实践如何与威胁相关联；以及（3）理解威胁和感知收益如何驱动 AI 的接受度及对职场监管的支持。

研究方法
本研究采用三阶段定量设计，使用来自两个具有代表性的欧盟 27 国欧洲调查（Eurobarometer）的数据：

• 数据来源： Eurobarometer 87.1（2017 年 3 月，$N=26,555$）和 Eurobarometer 101.4/Special Eurobarometer 554（2024 年 4 月–5 月，$N=26,404$）。为确保 27 个成员国之间的可比性，2017 年的数据集排除了英国。
• 测量： 构建变量包括数字技能、数字技术评价、感知职业威胁、AI 感知收益、雇主透明度、雇主培训、对职场 AI 的看法以及对职场规则的支持。测量项采用 4 点量表。
• 分析方法：
  1. 测量不变性： 使用加权最小二乘均值-方差调整（WLSMV）估计量的序数验证性因子分析（CFA），测试了跨年份的构型、阈值、度量和标量不变性，以确保潜变量均值具有可比性。
  2. 结构方程模型（SEM）： 通过多组 SEM 测试了跨年份的假设，并在 2024 年员工子样本中进行了分析。固定效应回归模型控制了国家层面变量（失业率、不平等程度、GDP）和个人人口统计特征。
  3. 人工神经网络（ANN）： 使用带有一个隐藏层的多层感知器来检测非线性效应，并通过基于测试折叠的排列重要性（10 折交叉验证）来对预测因子进行排序。
• 理论框架： 本研究整合了评价理论（Appraisal Theory）、技术威胁规避理论（TTAT）和技术接受模型（TAM），将威胁和收益视为不同的评价维度。

核心结果

• 恐惧趋势（RQ1）： 感知的 AI 职业威胁在 2017 年至 2024 年间显著下降。潜变量威胁得分下降了 0.28 个标准差。这种下降在 25 个国家中均有观察到，并存在于所有社会群体（教育、年龄、职业）中。固定效应回归表明，失业率的下降仅解释了这一下降的一小部分（约八分之一），这表明该变化并非仅仅是劳动力市场改善的反映。
• 数字技能的角色（H1）： 数字技能与职业威胁之间的关系发生了逆转。在 2017 年，高技能与低威胁相关（$\beta = -0.09$）。到 2024 年，在控制技术评价不变的情况下，高技能与更高威胁相关（在合并模型中 $\beta = 0.06$；在员工模型中 $\beta = 0.37$）。这表明存在一种抑制效应，即高技能劳动者因意识到 AI 的能力而感知到更具体的风险。
• 雇主实践（H2, H3）：
  • 透明度： 雇主在 AI 使用方面的透明度与感知的职业威胁呈强负相关（$\beta = -0.21$），但对职场 AI 的整体看法没有直接的显著影响。
  • 培训： 雇主培训与对职场 AI 的正面看法呈正相关（$\beta = 0.13$），但并未显著降低感知的职业威胁。
• 接受度与监管的驱动因素（H4–H6）：
  • 对职场 AI 的接受度更多是由感知收益驱动的（$\beta = 0.64$），而非由威胁的消除驱动（$\beta = -0.22$）。
  • 感知的职业威胁与对职场规则的支持呈正相关（$\beta = 0.33$）。值得注意的是，在感知到收益的人群中，对规则的支持也处于高水平，这表明对监管的需求并非完全由恐惧驱动。
• ANN 发现： ANN 模型证实了感知收益是正面看待 AI 最强的预测因子，而透明度是降低威胁最重要的预测因子。模型未出现过拟合，且非线性效应并未显著优于线性 SEM。

主要贡献

1. 纵向比较： 本研究通过使用相同的题目和形式化的等价性检验，对比了生成式 AI 到来前后具有代表性的欧盟样本，填补了文献空白，证明了尽管技术发生了变化，但对失业的恐惧实际上有所下降。
2. 区分雇主实践： 研究区分了两种雇主实践，表明透明度主要减轻恐惧（减少不确定性），而培训主要促进接受（实现效用）。
3. 方法论严谨性： 采用了结合 SEM–ANN 的设计，利用大规模、具有代表性的国家样本，超越了技术采纳研究中常见的微型便利样本。
4. 技能-威胁关系的逆转： 研究发现，数字技能曾是抵御恐惧的缓冲器，现在却与更高的威胁感知相关（在控制通用技术评价后），这一发现挑战了关于技能在生成式 AI 时代具有保护作用的既有假设。

意义与主张
本文主张，生成式 AI 的到来并未加深欧洲人对失业的恐惧；相反，这些恐惧正在消退，这可能归功于熟悉感的增加和早期生产力提升的证据，而非大规模的职位取代。研究认为数字技能的角色已经发生转变：虽然它们以前象征着适应能力，但现在可能象征着对 AI 颠覆性潜力的更清晰理解。

从政策和管理角度来看，作者主张，解释 AI 的用途（透明度）对于减轻恐惧至关重要，而展示具体的收益并提供培训则是建立接受度的关键。至关重要的是，对职场 AI 监管的需求在不同观点之间表现得非常稳健，既受恐惧驱动，也受欢迎 AI 的人群驱动。因此，即使失业恐惧减退，监管框架（如《欧盟 AI 法案》）也不太可能面临公众反对。研究结论指出，对 AI 驱动型失业的恐惧更像是一种共同的社会信念而非个人的计算，这表明有关实际劳动力市场效应的公共信息可能与个人再培训计划同样重要。