摘 要
人工智能（AI）正在改变人类生活。尽管一些研究发现人们更倾向于人类而非AI（即“AI厌恶”），但其他研究却得出了相反的结论（即“AI欣赏”）。
为了调和这些矛盾发现，我们提出了“能力-个性化框架”。该理论框架认为，个体在特定情境中决定依赖AI还是人类时，会关注两个维度：(a) AI的感知能力(perceived capability of AI)；(b) 情境中对个性化的需求(perceived necessity for personalization.)。
我们的研究表明，当AI被认为比人类更具能力且个性化需求被认为不必要（即“能力高-个性化需求低”）时，会出现AI欣赏（效应量d=0.27）；否则会出现AI厌恶（d=-0.50）。通过一项涵盖163项研究（N=82,078）的元分析，我们验证了这一框架，并发现AI欣赏在实体机器人（vs.无形算法）、态度（vs.行为）结果、被试间设计（vs.被试内设计）以及低失业率国家中更为显著，而AI厌恶在教育水平和互联网使用率较高的国家中更为明显。这一综合框架为理解人机偏好提供了理论支持，并为AI开发者和用户提供了实践启示。
随着AI技术的快速发展，其在医疗、人力资源、金融等领域的应用日益广泛。然而，公众对AI的态度存在显著分歧：部分研究表明人们更信任人类决策（如医疗诊断或招聘），而另一些研究则发现AI在某些任务（如数据分析或游戏）中更受青睐。
这种矛盾现象引发了学术界的关注，但现有研究多从单一学科（如经济学、哲学或信息科学）出发，缺乏统一的理论框架。此外，此前综述多聚焦特定领域（如医疗或教育），未能跨领域整合AI厌恶与欣赏的机制。因此，本研究旨在提出一个普适性框架，系统解释人机偏好的边界条件。
双维度理论框架构建
本研究提出的"能力-个性化框架"（Capability-Personalization Framework）建立在多个理论基础之上：
功能态度理论（Functional Theories of Attitudes）：
该理论认为态度服务于个体的特定需求（Eagly & Chaiken, 1993）
在AI情境下，能力维度满足实用需求（任务完成），个性化维度满足心理需求（被认可为独特个体）
独特性需求理论（Need for Uniqueness）：
Snyder和Fromkin（1980）提出人类有保持独特性的基本需求
这解释了为何在高个性化需求情境中，即使AI能力更强，人们仍偏好人类
维度 | 定义 | 理论依据 |
感知能力 | AI在特定任务中相比人类的能力优势 | 功能态度理论（Eagly & Chaiken, 1993） |
个性化需求 | 决策是否需要考虑个体独特性 | 独特性需求理论（Snyder & Fromkin, 1980） |
基于功能态度理论（Katz, 1960），提出创新性的"能力-个性化"二维模型：
l 能力维度：解决功利性需求（任务完成效率）
l 个性化维度：满足心理性需求（独特性认同）
通过13名编码员对93个决策场景的独立评估（rwg=.89），将情境划分为四象限：
l 高能力+低个性化：AI欣赏（如如股票预测、艺术品鉴定）
l 高能力+高个性化：AI厌恶（如医疗诊断）
l 低能力+高个性化：AI厌恶（如恋爱建议）
l 低能力+低个性化：AI厌恶（如实验室操作）
基于AI厌恶与AI欣赏的能力-个性化框架的四个象限
本研究采用系统性文献检索与元分析方法，整合了163项研究（共442个效应量，N=82,078），以验证“能力-个性化框架”对AI厌恶与AI欣赏的解释力。具体步骤如下：
（1）文献检索与筛选数据库与关键词：
检索了Web of Science、APA PsycInfo、IEEE Xplore、ACM Digital、Engineering Village等数据库，并结合Google Scholar补充。
关键词组合包括：
AI相关（“artificial intelligence”“algorithm”“robot”等）
人类对比（“human”“people”“person”等）
偏好评估（“prefer”“trust”“fair”等）
筛选流程：
初步检索得到9,089篇文献，剔除重复后剩余7,394篇。
基于PRISMA 2020标准，最终纳入83篇论文（163项研究）。
排除标准：
未直接比较AI与人类决策的研究（如仅探讨AI特性）。
未提供可计算效应量的数据（如仅定性分析）。
AI能力：13名独立编码者评估各决策情境下“AI是否比人类更有能力”（1=远低于人类，6=远高于人类）。
个性化需求：评估“该情境是否需要个性化考量”（1=完全不必要，6=非常必要）。
一致性检验：
编码者间一致性（rwg）均高于0.85，表明评分高度可靠。
最终以3.5分（6分量表中点）作为划分高/低能力与个性化需求的标准。
（3）统计分析方法效应量计算：
所有结果统一转换为Cohen’s d（正值=AI偏好，负值=人类偏好）。
采用随机效应模型（考虑研究间异质性），并使用稳健方差估计（RVE）处理多重效应量依赖问题。
调节变量分析：
考察AI特性（实体机器人vs.算法）、研究设计（行为vs.态度测量）、国家特征（失业率、教育水平等）的影响。
采用Johnson & Huedo-Medina（2011）的移动常数技术可视化调节效应。
出版偏倚检验：
通过漏斗图、Egger检验、PET-PEESE回归验证，未发现显著偏倚。
AI欣赏（d=0.27）仅出现在高能力+低个性化需求情境（如数据分析、棋类游戏），说明AI的客观优势需结合低情感需求才能被接受。
AI厌恶（d=-0.50）在其他三种情境中均显著，尤其是高个性化需求领域（如医疗诊断、招聘），即使AI能力更强（如皮肤癌识别准确率90.2% vs. 医生77.5%）。
AI形态：实体机器人（如服务机器人）比无形算法（如诊断软件）更易获得信任（d差异=0.53），因其具身性增强社会存在感。
测量方式：态度测量（如“信任度”）比行为测量（如“实际使用”）更敏感，反映用户对AI的认知-行为差距。
国家差异：
高失业率国家AI欣赏较弱（经济威胁感知抑制接受度）。
高教育水平国家AI厌恶更强（可能因对个性化需求更敏感）。
调节变量 | AI欣赏增强条件 | AI厌恶增强条件 |
AI形态 | 实体机器人（vs. 无形算法） | 无显著影响 |
测量方式 | 态度指标（vs. 行为指标） | 无显著影响 |
国家特征 | 低失业率国家 | 高教育水平 & 高互联网使用国家 |
首次提出双维度框架，弥合了经济学（关注能力）、哲学（关注伦理）与信息科学（关注效用）的分歧。
证明个性化需求独立于能力（r=-0.29），挑战了“技术优势必然导致接受”的假设。
对开发者：
在低个性化任务（如物流调度）优先部署AI，或通过可解释性设计（如透明决策逻辑）降低厌恶。
通过拟人化交互（如机器人眼神接触）提升情感接受度。
对政策制定者：
在高失业地区需配套就业保障政策，缓解AI替代焦虑。
数据时效性：所有研究发表于ChatGPT（2022年）之前，未来需检验生成式AI的影响。
文化差异：样本多来自欧美（WEIRD国家），需扩展至非西方语境。
动态能力感知：AI技术迭代可能改变用户的能力评估，需纵向追踪。
