近日，清华大学心理与认知科学系宛小昂课题组在应用心理学领域权威期刊《应用心理学：健康与幸福》（Applied Psychology: Health and Well-Being；5年影响因子4.3，JCR Q1）发表了题为“从人类集体观点到AI算法意见：建议源如何影响行为健康风险判断”（From collective human opinions to AI algorithms: How advice source influences judgment of behavioral health risks）的研究论文。该研究通过两项实验系统考察了AI算法与人类群体在日常行为健康风险评估上的差异，并深入揭示了情境威胁水平如何调节人们对AI建议的采纳行为及其认知整合，为设计情境敏感型AI健康决策支持系统提供了实证依据。
在日常生活中，人们经常面临各类具有潜在风险的行为决策。例如能否吃过期一天的面包，骑电动车能否不戴头盔。对这些行为的风险感知和评估在很大程度上决定个体的行为选择。然而，人们对日常行为的健康风险评估极易受到乐观偏差、即时收益偏好等认知偏误的干扰。近年来，随着AI系统的发展，尤其是生成式大语言模型的普及，人们越来越多的从AI处获取健康知识和建议。但截至目前，很少有研究系统探究AI对日常行为的健康风险评估模式，以及AI健康建议对个体的说服效果。
为此，研究团队开展了两项实验。实验一招募了60名健康成人（男女各半）并调用了30轮GPT-4o对话，针对60种常见健康相关行为，分别从感知风险、后果严重性和后果发生概率三个维度开展人类与AI风险评估模式的对比分析。实验二另招募60名被试（男女各半），采用法官-顾问范式，系统探究了个体在接收AI或人类群体健康建议时的决策更新与信念调整模式。研究发现，与人类相比，AI会高估行为的健康风险水平，且这种高估主要源于对后果严重性的夸大而非对发生概率的高估。这提示AI在行为的健康风险评估中存在更谨慎、更侧重风险规避的内在倾向。此外，研究表明，在低威胁判断情境下个体更倾向于采纳来自人类群体而非AI的健康建议；然而，这一算法歧视现象在高威胁判断情境中消失。在高威胁判断情境中个体采纳AI建议（vs.人类群体建议）后的决策信念更新程度甚至更大，这为理解高风险决策场景下的人机认知深度整合提供了新的证据。
本研究为理解AI健康建议的说服效果提供了实证证据，挑战了“AI是人类集体智慧的客观代理”的假设，也凸显了情境威胁程度在缓解算法歧视及促进有效AI建议整合方面的关键作用。
本文第一作者为我系博士生刘梦颖，通讯作者为我系宛小昂教授。
论文链接：https://doi.org/10.1111/aphw.70135
教师简介
宛小昂
心理与认知科学系教授、博士生导师
研究方向：预跨通道研究、人智交互、感官营销、人工智能营销
