人机协作决策的效能异质性：聚焦主体性的四阶段过程影响模型

/人机协作决策的效能异质性：聚焦主体性的四阶段过程影响模型【摘要】人机协作决策在各领域广泛应用，但其效能表现出显著异质性——既可能提升也可能降低决策质量与效率。为解释效能异质性的来源，本研究基于人机共生理论视角，聚焦人类主体性，构建了一个人机协作决策的四阶段过程影响模型。该模型揭示了人机协作效能形成于四个相互关联的动态环节：(1)人机优劣势与偏见的识别；(2)基于任务特性与情境的动态任务分配；(3)对AI建议质量的辨别与信任校准；(4)合理人机依赖模式的形成与调整。在深入探讨了人机协作面临的核心挑战，并重点剖析了人类主体性与决策能力弱化的风险后，本研究展望了未来构建人机共享认知以实现深度协同的前景，从而为理解和优化人机协作决策提供了新的理论框架与思考维度。 1引言 人工智能正以前所未有的速度重塑人类社会的决策范式。从金融风险评估到医疗诊断，从人才选拔到供应链管理，AI通过实时数据处理与模式识别能力，逐步从工具性辅助转向与人类的深度协作(黄海丰等，2022)。人-机协作决策(human-AIcollaborativedecision-making，HAIC-DM)是一个动态交互的过程，在这个过程中，人与AI通过整合各自优势形成一个相互依赖的决策系统。人与AI在决策制定过程中任何形式的实质性互动与相互依赖，只要旨在共同达成决策目标，都应被视为协作决策的范畴。人-机协作决策强调双方的互补性与相互影响。与人类或者AI单独完成相比，人机协作决策提升还是降低了决策效能呢？目前研究结果尚不一致，人机协作决策的实际效能呈现出显著的异质性。 有些研究发现人机协同决策提升决策效能。例如，AI辅助使非专家医生的诊断准确率接近专家水平(Tschandletal.，2020)；乳腺癌诊断准确率的提升并非源于病理学家或AI模型的独立能力，而是二者通过联合优化框架实现的“涌现效应”(Wilderetal.，2020)。在金融领域，AI通过处理海量数据构建动态风险模型，能够实时识别传统规则引擎难以捕捉的欺诈模式，银行可以利用AI提高信用卡欺诈检测速度和准确性(Wilson&Daugherty，2018)。在新闻传播领域，大型语言模型(LLMs)可以帮助记者从新闻稿中生成报道视角，以减轻其认知负担，且比传统的工具更有优势(Petridisetal.，2023)。 也有研究发现人机协同决策并没有提升决策效能，甚至降低了决策效能。例如，简单任务中过度依赖AI可能导致决策准确率下降(Liangetal.，2022)，甚至因认知偏差引发“双输”局面(Jussupowetal.，2021)。在犯罪风险评估中，Vaccaro等人(2019)采用预测一致性分析，比较人类与AI的决策模式，发现两者均过度依赖显性特征(如犯罪次数、年龄)，导致错误类型高度重合，这种认知冗余使人机协作组的准确率未能显著超越单独AI或人类的表现。这些相互矛盾的研究结果表明，人机协作的效能并非源于双方能力的简单叠加。现有研究往往关注最终结果，而对导致决策效能差异的动态交互过程与认知机制缺乏系统性探讨。 本文从人机共生的理论视角出发，聚焦人类主体性，提出了一个包含四个关键阶段的人机协作决策的四阶段过程影响模型，旨在揭示人机协作决策效能异质性的影响机制。基于该模型，本文深入探讨了人机协作面临的核心挑战，展望了未来研究方向，旨在为优化人机协作、促进理论发展提供系统性的分析框架与启示。 2人机协作决策的理论基础 人机协作决策的效能并非仅仅取决于人工智能的技术能力或人类的固有智慧，而是源于两者的复杂互动。为了深入理解并优化这一互动过程，揭示其效能表现出显著异质性的深层原因，本节将首先梳理人机协作决策的核心理论基石，在评述现有相关理论模型的贡献与局限基础上，强调从用户心理认知(用户取向)与系统技术实现(技术取向)相结合的整合视角出发，构建人机协作决策理论框架的必要性。 2.1人机共生理论 人机协作决策的研究根植于人机共生(man-computersymbiosis)的思想。该理念由约瑟夫·利克莱德(JosephLicklider)于1960年首次提出，他预见到人与计算机将形成一种“两个不同生物体以亲密合作的方式生活在一起，甚至结成紧密联盟”的紧密耦合、互利共生的关系。Engelbart(1962)随后发展了智能增强(intelligenceaugmentation)的概念，强调人工智能是人类智能的补充而非替代，关注信息技术在增强人类智能中的作用。人机共生理论的核心在于实现人类与机器的协同增效。这要求我们深刻理解并有效结合双方的独特优势：人类不仅拥有创造力、高级情境理解、直觉判断和复杂的伦理权衡能力等心理与认知层面的特长，还具备在模糊和不确定情境下进行适应性决策的能力；而机器则在海量数据处理、高速计算、精确模式识别等方面展现出强大的技术潜能。真正的共生并非简单叠加，而是通过精心设计的互动机制，实现“1+1＞2”的涌现效应(朱奥等，2025)。 依据人机互动的性质与结果，共生关系可体现为不同模式，如偏利共生、偏害共生与互利共生(于雪，2022)。其中，偏利共生模式中的“偏利”指的是人或机器中的一方获得了正向发展和提升，既包括对偏利于人的一面，也包括偏利于机器的一面；偏害共生模式中的“偏害”是指损害和抑制人或机器其中一方的发展和提升；互利共生模式中的“互利”指的是人和机器都得到了发展和提升，即旨在利用人类智能和机器智能的互补优势，使两者通过双向适应，发挥出优于各自独立的表现，是人机协作决策追求的理想状态。 本文认为，人机共生理论为构建有效的人机协作决策框架提供了两大核心指导原则：优势互补原则的心理-技术整合、双向适应原则的动态交互实现。这两大原则是理解和提升人机协作效能的关键。优势互补原则的心理-技术整合强调，协作效能源于对人与AI异质能力的深度理解和有效整合，而非简单相加。从用户取向看，这要求准确识别并尊重人类在复杂问题解决中的认知优势，如战略性思考、创造性洞察以及处理社会和伦理维度的能力。从技术取向看，则需明晰AI在特定任务上的性能边界和潜在偏见(如算法偏见)，并通过技术设计(如用户友好的信息呈现、AI能力的可视化)辅助人类理解这些优劣势。合理的任务分配应基于这种整合性识别：将重复性高、计算密集、模式识别明确的任务倾向于AI处理，而将需要深层情境理解、动态策略调整及伦理决策的任务由人主导或人机共议。例如，在金融风控中，AI分析海量交易数据识别异常模式，而人类专家则结合行业经验和伦理准则评估风险权重并作出最终决策(Wilson&Daugherty，2018)。又如，在情感支持领域，对话式AI通过开放式对话提供了对用户的整体理解，减轻了工作量，用户感受到孤独感和情感负担得到缓解(Joetal.，2023)。 双向适应原则的动态交互实现则揭示了协作效能是一个持续演化的过程，而非静态组合。它依赖于人与AI在互动中的不断学习与相互调整。从用户取向看，人类用户通过与AI的交互，逐步学习AI的行为模式，校准对其能力的信任，发展出有效的认知策略(如从直觉判断转向验证式思维；Rastogietal.，2022)，并调整自身的依赖程度以避免过度依赖或依赖不足的风险。这个过程涉及复杂的心理机制，如心智模型的构建、认知负荷的调控和决策偏见的克服。从技术取向看，AI系统也必须具备适应人类用户的能力。这不仅包括通过提升透明度和可解释性来满足人类的认知需求(例如通过提供基于实例的解释帮助医生识别AI的潜在误判；Chenetal.，2023)，更包括通过先进的人机交互设计、用户建模技术和个性化算法，使AI能够理解用户意图、预测用户需求，甚至根据用户的认知状态和任务情境动态调整其行为和信息呈现方式。理想的双向适应将形成人机共同进化的良性循环：人类通过实践经验帮助AI优化性能，AI则通过智能反馈提升人类的决策能力和体验，最终实现人机共生所追求的“1+1＞2”的协同效应。 因此，人机共生理论及其强调的优势互补与双向适应原则，不仅为人机协作决策研究提供了哲学基础，更为重要的是，它们共同揭示了在分析协作过程、提升协作效能时，必须坚持用户心理认知与AI技术实现并重的整合思路。这为本研究后续构建的四阶段过程影响模型提供了核心的理论基石。 2.2人机协作决策相关的理论模型 在人机协同决策领域，Rastogi等人(2023)着眼于人机协作决策中人类和机器的优势互补机制，提出包含四个关键阶段的优劣势分类法，即任务定义、输入、内部处理和输出。在任务定义中人类和机器对于任务的目标存在差异，关注的点不同；在输入环节，二者获得的信息和过去经验存在不同；在内部处理中二者的世界观模型以及对输入内容的加工和感知方式存在差异；在输出环节，二者可采取的行为，对决策的解释和时效性上存在不同。该模型聚焦于人机协作中的优劣势识别，指出在以上四个环节中人类和机器均存在不同方面的优劣势。 He等人(2023)聚焦于人机协作中的任务分配，提出能力感知共享心智模型(capability-awaresharedmentalmodel，CASMM)。该模型考虑了人类与AI的不同能力在协作任务分配中的作用。首先统计人类和AI在预实验中不同任务的准确率，形成初始数据集；根据初始数据集的信息判断人类和AI在哪种任务下的准确率更高，并进行合理的任务分配；按照任务完成的结果进行信任校准，即判断任务分配是否合理，从而更新初始数据集，通过多次校准构建稳定的模型。该模型聚焦于人机协作中的任务分配，依据人机能力的不同进行合理任务分配，再按照结果反馈校准分配的合理性。 虽然上述模型为理解人机协作的特定方面(如优劣势识别或任务分配)提供了有价值的洞见，但它们往往侧重于决策过程的某一阶段或技术实现路径，而在系统性地整合影响用户认知、行为及主观体验的关键心理因素方面尚显不足，因而难以全面解释人机协作效能显著异质性的复杂现象。例如，任务分配模型(如CASMM)虽关注能力匹配，但可能未充分探讨分配方式对用户信任感、控制感及认知负荷的具体心理影响。正如Vaccaro等人(2024)所指出的，人机协作的实际成效受到任务类型、人与AI相对表现等多种因素的复杂调节，这提示我们需要一个更全面的理论框架，该框架应能融合对用户心理过程的深刻理解与对技术系统设计的周全考量。本研究正是在此背景下，力求提出一个更具整合性的、系统性的四阶段过程影响模型，以期更好地阐释人机协作决策的动态机制。 2.3人机协作中的主体性：理论视角 传统哲学对主体性的探讨，自笛卡尔以“我思”奠定意识的基础，至康德对理性主体自主性与自由意志的强调，通常侧重于个体的内在意识、意图与自由意志(笛卡尔，1986；康德，2004，2010)。中文语境下的“主体性”一词，在英文中常对应“subjectivity”与“agency”两个概念：“subjectivity”强调的是与人相关的自我和意识等方面的形而上学内涵；“agency”的语义则更加宽泛复杂，表达的是一些实体(也就是主体)行动和做事的能力。不同于“subjectivity”聚焦人的主体性，“agency”既表示人类的行动能力，也包含非人类实体具有的与人类主体相类似的一些行动能力(殷杰，2024)。本文所探讨的“主体性”更强调了“agency”所蕴含的行动发起、影响环境和实现目标的能力。具体而言，在人机协作决策中，它关注个体(主要是人类用户)的自主决策、责任承担和价值判断等特质在与AI交互过程中的维持、演变与受影响情况。 人机协作中的主体性具体表现为若干关键构成要素。经典的理解包括个体在行动中的自主性(autonomy)，即自我导向与决策的能力；对行为及其后果的责任归属(responsibility/accountability)，强调清晰的权责承担以及在决策中运用个人或社会伦理、道德进行评价和选择的价值判断(valuejudgment)能力。这些要素共同构成了人机协作中人类主体性的基石(Christman，2020；Eshleman，2024)。 随着人工智能技术的演进，特别是生成式AI所展现出的复杂交互能力，主体性的理解也需融入新的理论视角。殷杰(2024)提出的“交互主体性”概念颇具启发，他认为主体性可被视为“参与交互实体的潜在行动能力，由交互的驱动力因素所决定”。这一观点提示我们，在人机协作中，AI系统凭借其算法驱动的交互行为，可能不仅仅是被动的工具，更在一定程度上成为共同塑造协作情境、影响人类主体性实践的一个能动行动者(anactiveagent)。与此同时，韩敏与赵海明(2020)对智能时代“身体主体性”的重构以及人与AI之间可能形成的“主体间性”的探讨，也促使我们思考：在深度人机融合的场景下，人类的主体性边界是否会因技术中介而发生变化？人与AI之间是否会形成一种新的、相互依存且共同演化的主体间关系？这些前沿思考促使我们不能孤立地看待人类主体性，而应将其置于具体的人机交互网络和关系中进行动态考察。 本文主张，对人机协作决策效能的系统性探究，需要将AI系统视为一个与人类用户深度耦合的社会-技术系统(socio-technicalsystem)。在该系统中，技术的设计与实现应以人为中心，充分考虑用户的认知局限(如注意力、记忆、决策偏见)、心理需求(如控制感、成就感、信任感)和学习适应过程。同时，对用户心理与行为规律的洞察，也应反过来指导AI技术(如人机界面、交互逻辑、算法透明度、个性化支持)的迭代优化。只有实现用户取向与技术取向的深度融合与协同进化，才能为人机协作决策的效能提升和人类主体性的维系提供可靠的理论指导。 图1人机协作决策效能的四阶段过程影响模型 3人机协作决策效能的四阶段过程影响模型 基于以上考量，本文提出人机协作决策效能的四阶段过程影响模型(见图1)。该模型认为，人机协作决策效能的提升或降低，取决于四个相互关联、动态演进的关键阶段：(1)人与AI的优劣势及偏见识别，(2)基于情境的动态任务分配，(3)AI建议质量的辨别与信任校准，(4)合理人机依赖模式的形成与调整。 本文在分析人机协作决策效能四阶段过程影响模型时，将从以下几个核心维度来理解和考察“主体性”的动态展现与演化：(1)人类的自主性与控制力：用户在协作的各个阶段，对任务目标、流程、AI建议的采纳与否以及最终决策的掌控程度。(2)责任的明确性与可承担性：在协作过程中，各方(人、AI系统及其设计者)的责任边界是否清晰以及人类用户是否能够并愿意承担其应有的责任。(3)价值判断的主导性与一致性：人类用户如何在协作中运用自身的价值观进行判断和选择以及如何确保协作过程与结果符合伦理和社会期望。(4)人机交互与主体间关系：人机之间的交互如何影响上述主体性要素的表达与演变以及在协作中形成何种性质的主体间关系。 3.1阶段一：人与AI的优劣势及偏见识别 人机协作的效能首先取决于能否在协作初始阶段，对参与各方(人类与AI)的能力边界、潜在优势与局限性以及可能存在的各类偏见，进行精准、客观的评估。这不仅是对事实的认知过程，更是人类主体性初步激活并发挥关键作用的环节。 在此阶段，用户的自主性与控制力的有效行使尤为关键。用户需要自主地整合来自AI系统的信息(例如其宣称的能力、提供的解释或分析结果)与自身的经验、直觉和专业知识，进行批判性的比较与权衡，而非被动接受或全盘否定。例如，在Chen等人(2023)的研究中，参与者会运用其关于任务结果、特征以及AI局限性的直觉来决定是否推翻AI的预测；具体到收入预测任务，当AI预测结果(在该研究中，AI的“经验准确率”设定为62.5%)与参与者基于自身对卡车司机职业收入背景知识的强直觉判断相悖时，他便选择了相信自己的经验而非AI。然而，AI系统凭借其复杂的算法和数据呈现，可能展现出一定的“交互主体性”特征，其输出的自信度或解释的“合理性”都可能对用户的自主判断构成微妙的引导或干扰。例如，在AI预测错误时，提供特征解释的参与者在收入预测任务中的准确率(约20%)显著低于无AI辅助时的准确率(约40%)。这就要求用户在交互中保持高度的警觉和独立的思考能力，以维护其判断的自主性。 同时，人类的价值判断在偏见识别中扮演着核心角色。例如，有研究测试了77个大型语言模型，发现在默认提示下，AI生成的内群体句子被分类为积极的可能性比外群体句子高出93%，而外群体句子被分类为消极的可能性比内群体句子高出115%，清晰地揭示了AI模型中的社会身份偏见(Huetal.，2025)。AI信息可能诱发的强烈认知偏见，如锚定效应。Vaccaro和Waldo(2019)的实验显示，仅调整COMPAS风险评分锚点就能使参与者对相同被告的风险评分平均产生42.3%的差异，锚定指数高达56.71%；而Rastogi等人(2022)的研究进一步发现，通过延长决策时间(从10秒增至25秒)，可以将参与者对错误AI建议的“去锚定”成功率从48%提升至67%。 有效的优劣势及偏见识别，建立在对AI技术特性与人类认知能力差异的深刻理解之上。AI在技术层面展现显著优势：例如，某银行的聊天机器人能独立处理约70%的日常客户交互(Wilson&Daugherty，2018)；某公司引入生成式AI后，客户问询的30秒内响应率从几乎为零跃升至96%以上，远超此前人工24小时内仅54%的响应水平(Baieretal.，2024)。在特定预测任务中，如再犯罪风险评估，COMPAS算法的准确率(65.0%)亦高于普通人类参与者(54.2%)(Vaccaro&Waldo，2019)。此外，AI在实时视觉辅助等领域也表现突出(Liuetal.，2023)。相较而言，人类的认知优势则集中于情境化直觉判断、复杂伦理权衡、创造力及社交互动等方面(Chenetal.，2023；Wilson&Daugherty，2018)。人类能基于经验和对AI局限性的直觉评估并干预AI预测(Chenetal.，2023)，并在领导力与团队协作中发挥AI难以替代的关键作用(Wilson&Daugherty，2018)。因此，清晰辨识上述AI技术潜能与人类认知特长，并警惕两者各自偏见来源(算法局限、训练数据偏误及人类认知惯性)的潜在共振，是防止协作效能受损的核心。此阶段形成的人机初步“主体间性”关系，虽尚不稳定且信任基础薄弱，但对双方能力与偏见的准确认知，已为后续任务分配的合理性与责任界定奠定了基础。 综上所述，阶段一的过程增益，在于用户通过积极行使自主性与价值判断，精准评估人机优劣势，在任务偏向情景化和复杂伦理时以人类为主导，并有意识地识别与应对AI与自身偏见。反之，若自主性发挥不足、价值判断缺位，则易导致识别失准，从而造成过程损失，为协作引入风险，甚至可能引发后续效能的“双输”困境。 3.2阶段二：基于情境的动态任务分配 在完成对人机优劣势及潜在偏见的初步识别后，人机协作流程进入基于情境的动态任务分配阶段。此阶段的本质是将前一阶段的识别结果转化为可操作的协作规则与分工模式。其核心挑战在于如何在具体的任务情境下，合理划分人与AI的行动领域与决策权限，这直接关系到人类主体性中自主性与控制权的实践以及责任归属的明确化。 在此阶段，人类主体性的核心体现首先在于任务分配的自主权与控制力。用户需要基于对任务特性、自身能力以及AI潜能的综合评估，主导任务分配策略和权限边界的设定。然而，当AI展现出强大的自动化处理能力时，用户可能会在“授权AI以提升效率”与“保持人类控制以规避风险”之间面临权衡，这种权衡本身就是主体性在复杂情境下的能动体现。理想的任务分配并非简单的单向指令，而应是人机协同理解与协商的结果。例如，Noti和Chen(2022)提出了一种响应式建议系统，其AI通过学习人类决策者的行为模式，仅在判定AI建议可能最有益时(其实验中，该策略判断的准确率为74.1%)才提供干预，从而在提升决策的同时更好地尊重用户自主性；与之对比，持续的AI建议在某些情况下反而可能因不当干预导致人类决策效能下降。一项研究指出，在人类初始预测已优于算法的36%案例中，算法的介入导致了其中32%案例的最终表现恶化。人机之间的“主体间性”在此阶段也因此得到进一步发展(Green&Chen，2019)。 其次，任务分配方案直接且深刻地关联到责任归属的明确化，不同的分工模式意味着后续行动中责任链条的显著差异。例如，由人类主导并承担核心决策责任的任务，与AI自主执行但人类负责监督与复核的任务(如Wilder等人(2020)中系统决定何时寻求人类帮助的模式)，其潜在的责任焦点和承担方式截然不同。因此，在任务分配时，预先考虑并清晰界定各方的责任，是保障协作安全、可靠，并在出现问题时能够有效追溯与问责的前提。 再次，价值判断在任务分配中，尤其是在涉及伦理考量、社会公平或高风险决策的领域，起着至关重要的导航作用。例如，在医疗诊断或司法判决等特殊领域，哪些核心判断与决策权必须由具备专业伦理素养的人类掌握，哪些辅助性信息处理任务可以审慎地分配给AI，这背后反映了深层的社会价值观和伦理优先序。Reverberi等人(2022)的研究显示，在AI辅助内镜医师进行息肉光学诊断时，尽管医师会受到AI建议的影响(总体影响的优势比OR=3.05)，但他们仍保有最终诊断权和责任，并且倾向于在AI建议正确时更多采纳(AI建议正确时的采纳优势比OR=3.48)，这种选择性采纳使得人机团队的整体诊断准确性相较于无AI辅助时也得到了提升(准确性提升的OR=1.39)。过度或不当的授权，尤其是在缺乏透明度和人类有效监督的情境下，则可能引发严重的伦理风险。 为实现主体性在任务分配中的有效发挥，并达成合理的动态分工，需要综合考量以下关键因素： (1)任务的结构化程度，即任务目标是否明确、决策流程是否有固定规律可循(付泉，2013)。结构化程度高的任务，如结构化数据分类，AI往往能更高效地承担执行角色；Wilder等人(2020)的研究表明，通过让人类专家专注于处理AI难以处理的“模糊边界”实例，而让AI处理其余大部分实例，可以在乳腺癌转移检测任务中将整体错误率降低2%。而在低结构化、依赖具体情境的任务中，如复杂的医学诊断，人类的直觉、经验和价值判断应占据主导。Vaccaro等人(2024)的元分析也间接支持了这一点，其研究发现人机协作在更具开放性和创造性的任务中(通常结构化程度较低)比较刻板的决策任务(通常结构化程度较高，但AI可能因无法充分理解情境而表现不佳)更容易产生增益。 (2)任务复杂度，即任务对信息加工能力的要求程度。Almaatouq等人(2021)通过房间分配实验系统地研究了任务复杂度(通过改变房间数量、分配人员数量及约束条件等方式衡量)的影响，发现当任务复杂度从“极低”提升至“极高”时，个体的标准化得分从约95%降至约85%，完成时间从约2分钟增至约6分钟，表明高复杂度对个体能力构成显著挑战。该研究进一步指出，对于复杂任务，互动小组(可类比为人机团队)比表现最好的个体更有效率；当任务复杂性高时，协作带来的收益(如更快找到最佳方案)超过了其固有的流程成本(如沟通协调时间)，反之在低复杂度任务中则不然。因此，在人类认知负荷可能成为瓶颈的复杂任务中，例如复杂的写作任务——Noy和Zhang(2023)的研究显示ChatGPT辅助能使平均任务完成时间减少40%，产出质量提升18%——或高难度的安全检查(Boskemper，2022)，将部分子任务(如初稿撰写、初步筛选)分配给AI可以提升整体效能，但这要求人类将控制焦点转向对AI辅助结果的整合与最终决策。 (3)决策领域特殊性。在伦理道德规范起关键作用的领域，如前述的医疗(Reverberietal.，2022)和司法(Noti&Chen，2022)，必须在决策权分配中对人类的最终决策权和责任予以最高程度的重视，确保关键性价值判断由人类做出。 因此，阶段二的过程增益在于根据任务特性(如结构化程度)、复杂度及领域要求，进行动态、合理的任务分配与权限划分，在任务结构化程度高、任务复杂度高、伦理道德不起关键作用领域中，AI任务分配更多；反之，则分配人类更多任务。过程损失则在于任务分配与任务特性不匹配(如让AI主导需要高度人类价值判断的低结构化任务)，或在特殊领域过度授予AI决策权，从而损害人类主体性并可能引发伦理风险。 3.3阶段三：Al建议质量的辨别与信任校准 当AI在人机协作过程中提供决策建议后，流程便进入了对人类主体性提出关键挑战的AI建议质量辨别与信任校准阶段。此阶段的核心在于人类用户能否准确评估AI建议的可靠性与适用性，尤其是在AI建议与用户自身判断相左之时。能否有效行使辨别能力并进行合理的信任校准，直接决定了人机协作能否真正提升决策效能，而非引入新的错误或风险。 在此阶段，用户的自主性与控制力集中体现为其独立的批判性评估能力。用户需要主动辨别AI建议的优劣，而非被动接受或盲目依赖。人类对AI建议质量的辨别能力越强，越能有效地将AI作为辅助工具。反之，若缺乏辨别能力，则可能陷入被AI建议左右的被动局面，即便AI建议存在谬误也难以察觉。例如，Bansal等人(2021)在包含LSAT逻辑推理任务的研究中发现，AI的解释往往会增加人类对其建议的接受度，而不管其建议是否正确；具体来说，解释在AI正确时常能提升团队准确性，但在AI错误时反而会降低准确性，这表明用户可能难以仅凭解释快速精准地识别AI推理的正确与否，从而可能导致对错误建议的盲目采纳。 AI提供建议的形式对用户自主判断的有效性具有显著影响。那些更具体、更符合用户专业认知水平和自然认知习惯的建议形式，更能促进人类对AI建议质量的准确辨别。Lai&Tan(2019)在一项欺骗性酒店评论识别任务中对此进行了研究。他们发现，仅提供解释(如热力图高亮评论中的词语)对人类判断准确率的提升有限(热力图解释下准确率为57.6%，略高于控制组的51.1%)。然而，当直接给出AI的预测标签时，人类的准确率得到显著提升(从控制组的51.1%提升至AI预测标签无准确率提示时的61.9%，相对提升约21%；若同时明确告知AI具有87%的高准确率，则人类准确率进一步提升至74.6%，相对控制组提升约46%)。有趣的是，当同时提供AI预测标签和特征解释(如热力图)时，其效果(准确率72.5%)与明确告知AI具有高准确率(准确率74.6%)的效果相当。这表明，某些解释形式在与预测标签结合时，其作用可能更多地体现在增强用户对AI预测的信任，而非直接提升对AI推理过程的辨别力。相比之下，Chen等人(2023)的研究则更细致地区分了不同解释类型对辨别能力的影响。他们发现，在AI预测错误时，需要用户抽象理解特征权重的“特征解释”可能导致用户决策准确率从无AI时的约40%(收入预测任务)显著降至约20%；而更贴合人类归纳推理习惯的“示例解释”则帮助用户在AI预测错误时维持了与无AI时相当的准确率，并在AI预测正确时显著提升了整体协作效能，例如在收入预测任务中，示例解释下的整体准确率达到约71.1%，高于AI单独的62.5%和人类单独的61.1%。这充分说明，AI建议的呈现方式若能更好地适配人类的认知机制，就能更有效地支持用户行使其自主评估的权利，并促进“人机互补型表现”的达成。 因此，阶段三的过程增益在于：人类凭借较强的自主辨别能力，结合AI提供的清晰、具体、可理解且有助于价值判断的建议和解释(如Chen等人(2023)证明有效的示例解释能将协作准确率提升至约71.1%)，实现对AI的有效信任校准。过程损失则在于：人类辨别能力不足，或AI建议形式抽象、模糊、具有误导性(如Chen等人(2023)指出某些特征解释可能导致在AI错误时准确率降至约20%，Bansal等人(2021)也提示不当的解释可能增加对错误AI的依赖)，导致用户自主性受损、信任无法有效校准，从而损害整体决策效能。 3.4阶段四：合理人机依赖模式的形成与调整 随着人机协作过程的持续推进和经验积累，用户与AI之间会逐渐形成相对稳定的人机协作与依赖模式。此阶段并非简单的终点，而是对前述优劣势识别、任务分配、信任校准等环节互动结果的集中体现，更是对人类主体性能否在长期协作中得到健康维持与发展的关键考验。人工智能依赖程度，即决策者在面临AI与自身意见不一致时选择AI建议的条件概率(Guoetal.，2024)，其本质并非AI自主性与人类自主性的零和博弈，而是两者在动态协同中寻求的平衡与互补。 对AI的依赖程度是人机交互经验不断塑造的结果。无论是过高还是过低的依赖，都可能损害人机协作的质量与长远效能(Parasuraman&Riley，1997)。 其一，对AI的依赖不足(under-reliance)会直接削弱人机决策效能。当用户因算法的黑箱特性或不可解释性而无法有效验证AI输出的可靠性时，可能会陷入依赖不足的困境，导致协作断裂或错失AI的有效辅助(Maadietal.，2021)。例如，在医疗诊断中，医生若在面对与自身判断冲突但可能更准确的AI诊断建议时，仅仅因为不完全理解AI的推理过程或过度自信而倾向于固守己见(Reverberietal.，2022)，则可能错失AI提供的有益洞察。Schemmer等人(2022)的元分析虽然观察到可解释AI(XAI)对用户表现有积极影响，但也指出这种影响并非在所有情境下都显著，暗示了用户可能并未充分利用AI的解释来校准其依赖。这种对AI的不信任或不充分利用，反映了用户在行使其自主性时，未能充分整合AI的潜能，也可能源于前期信任校准的不足。 其二，过度依赖(over-reliance)AI同样会削弱人机决策效能，甚至引发认知替代效应，使人类决策能力反而下降。非专业用户可能因锚定效应而盲从算法信息(Vaccaro&Waldo，2019)。即使是专家用户，也可能因AI建议呈现出高置信度或看似合理的解释而放松警惕，导致对错误建议的接受率上升。例如，Jacobs等人(2021)的研究发现，在抗抑郁药物选择任务中，临床医生在有AI推荐(无论正确与否)时，其治疗选择与专家共识的一致性并未显著优于无AI推荐的基线情况；而当AI推荐错误且配有解释时，临床医生的选择准确性甚至显著低于基线水平，错误接受AI建议的比例从无解释时的17%上升到有解释时的26%(针对特定解释类型)。这种过度依赖，尤其是在任务复杂度较高，使得用户难以独立评估AI建议的质量(Liangetal.，2022)或用户专业水平不足以进行有效动态校准(Reverberietal.，2022)的情况下，实质上是对人类自主判断能力的放弃，并可能模糊最终决策的责任归属。 因此，唯有形成并维持适度的AI依赖(appropriatereliance)，才能真正提高人机协作决策的效能。这意味着在协作中既要充分发挥AI的高自动化处理能力，又要保留和强化人类的高自主性与核心控制力(Shneiderman，2020)。Liang等人(2022)的研究表明，当用户能够明确比较自身与算法的准确性时，更倾向于采取选择性依赖策略：在任务较简单时依赖自己，在任务较困难时依赖算法。这种策略的形成，得益于有效的反馈和学习机会。成功的适度依赖模式，均建立在用户能够基于对AI能力(包括其错误边界)的准确理解和自身经验进行选择性采纳之上(Bansaletal.，2019)。同时，通过透明的AI解释，如等人(2020)所强调的，不应仅用代理任务(如预测AI行为)或主观偏好来评估解释的有效性，而应关注其是否能在真实决策任务中帮助用户更好地区分AI建议的正确与否，从而降低认知门槛，辅助用户在保留自主判断和价值判断主导性的基础上，实现“1+1＞2”的人机协作效益。 在此阶段，人机“主体间性”(韩敏，赵海明，2020)关系趋于稳定或固化。一个健康的、赋能型的主体间性关系，应能促进人类用户认知能力与算法素养的提升，使其学会批判性地依靠与质疑AI，而不是被动地接受或排斥。这需要构建双向校准机制：AI系统需提升透明度与可解释性(其效果需在真实决策任务中得到验证)以支持人类的信任调节与自主控制；人类用户则需发展出与AI有效协作的素养，包括理解AI的能力边界和潜在偏见。 综上，阶段四的过程增益在于通过有效的反馈与学习以及双向校准机制，帮助用户形成对AI稳固且高效的适度依赖模式，使得人类的自主性、责任感和价值判断在长期协作中得到保障与提升。过程损失则在于因信任校准失效或主体性认知偏差，导致持续的依赖不足(错失AI的有效辅助)或过度依赖(盲从错误建议，如Jacobs等人(2021)中观察到的错误接受率上升的现象)，从而引发协作效能低下、人类技能退化或伦理责任模糊等负面后果。 3.5人机协作决策效能的四阶段过程影响模型的独特价值及局限 本文提出的人机协作决策效能的四阶段过程影响模型的核心独特性在于，它是一个明确的“四阶段过程影响模型”。该模型解释了人机协作效能表现出显著异质性这一关键矛盾现象，同时回答了“人和AI怎么协作能达成最好效果”这个问题。理想状况下，只有每个阶段都做出正确的选择，最后的结果才有可能是最优的。该模型的独特价值在于：第一，它提供了系统性的解释力，通过解构人机协作决策过程的关键阶段，帮助我们理解和定位导致效能异质性的具体来源。第二，它具有一定的诊断性价值，通过对优劣势识别、任务分配、信任校准及依赖模式调整这四个关键环节运转状态的分析，能够为判断特定协作场景下可能出现的问题或失败原因提供线索。第三，它体现了实证研究的整合性与理论的可解释性，将影响协作的多个关键心理与行为因素(如偏见识别的准确性、任务分配策略的合理性、信任校准的有效性、依赖程度的适宜性)纳入一个动态的、相互关联的流程中进行系统考察。第四，更为核心的是，本模型深入探讨并凸显了人的主体性在人机协作决策全过程中的核心地位与动态演化。它不仅强调了主体性的贯穿作用，更提供了一个分析框架，用以理解人类的关键主体性要素(如自主性、责任承担与价值判断)如何在与AI交互及持续演化的主体间关系中，于协作的各阶段被激活、受到挑战并寻求动态平衡。这为从主体性视角深化人机协作研究提供了新的理论切入点。 尽管本研究构建的人机协作决策效能四阶段过程影响模型为理解与优化人机协同决策提供了系统性框架，但仍存在局限性。 首先，本模型侧重于人机协作决策的一般性过程抽象。虽然这种抽象有助于揭示普适性的规律，但在实践中，具体的决策情景(如任务特性、环境动态性、组织文化等)会显著影响协作过程的实际形态与阶段构成。这意味着在某些特定情景下，模型中的某些阶段可能需要依据具体情境进行调整、合并甚至增减，以增强其解释力与指导性。 第二，本模型对实现人机双向适应的具体技术路径探讨尚不够深入，对双向适应机制中的人机接口设计、实时信任校准算法、动态权限分配系统等工程化问题阐述得较少。在模型的后两个关键阶段，即实时信任校准与依赖模式调整中，如何通过有效的算法设计与人机界面优化来实现低延迟、高透明度的深度交互与动态协同，仍是当前面临的重要技术挑战与瓶颈，这在一定程度上制约了模型向实践应用的转化。 第三，本模型在现阶段主要基于对结构化或半结构化决策场景(如文中所述的医疗辅助诊断、金融欺诈检测等)的分析与提炼而构建。在这些场景中，决策流程和人机交互节点通常相对明确，使得本四阶段模型的解释力得以较好体现。然而，当模型应用于其他复杂决策场景时，其适用性与解释力则面临新的挑战。例如，对于诸如艺术设计等创造性协作这类高度非线性、探索性强的过程，人机之间的“优劣势识别”可能超越简单的能力划分，更多地表现为灵感激发、风格互补等复杂动态交互；“任务分配”可能并非预设固定，而是人与AI在创作流程中不断共同演化和即时调整的流动态势；“信任校准”则可能更紧密地关联到对AI生成内容的新颖性、艺术契合度及启发价值的感知与判断。同样，在自动驾驶等实时动态决策场景中，环境信息瞬息万变，人机之间的信息交互、决策权转移以及信任的建立与校准等环节往往需要在极短的时间内高效完成，且四个阶段可能呈现高度重叠、并行处理或以极高频率迭代的复杂动态。例如，在自动驾驶汽车面临突发危险状况时，从AI的感知、判断、建议到人类驾驶员的接管决策，整个交互闭环可能需要在数秒甚至毫秒级别内完成。因此，未来的研究可深入探讨如何将本模型的核心阶段要素进行解构与重组，或发展出更为柔性的动态框架，以更好地融入并解释这些复杂协作过程。 4未来展望：迈向人机双主体协作 4.1人机协作的核心张力：效能与主体性 人机协作决策效能研究呈现的显著异质性，揭示了当前技术应用与人类认知及社会系统间复杂的适配关系。深入分析发现，人机协作面临一个核心的内在张力：如何在追求决策效能提升的同时，维护人类的主体性。一方面，AI作为协作“伙伴”需具备一定的自主性以充分发挥其计算优势(如动态优化、实时反馈)，但其固有的“黑箱”特性(Jacobsetal.，2021)与不可解释性(Heetal.，2023)往往削弱人类对协作过程的控制感，导致责任归属模糊，并引发认知依赖风险(如自动化偏见使人类决策能力退化)(Vasconcelosetal.，2023)与社会公平性危机(如算法偏见加剧群体歧视)(Chenetal.，2023；Wilson&Daugherty，2018)。另一方面，若过度聚焦人类控制而未能有效利用AI能力，则可能牺牲协作本应带来的效能增益。 这一核心张力贯穿于本文提出的四阶段过程影响模型的各个环节：第一，在优劣势识别阶段，侧重人类能否精准、客观地识别AI和自身的优势、劣势及潜在偏见，人的主体性体现在不盲目轻信AI或自身直觉；第二，在任务分配阶段，侧重如何根据任务特性、情境和伦理要求进行合理的任务分配与权限划分，人的主体性体现在对任务分配的主导权和责任感，而对控制权的担忧可能导致不合理的分工(如人类保留过多本可由AI高效完成的任务，或相反)；第三，在建议质量辨别与信任校准阶段，侧重能否有效辨别AI建议的质量，并据此动态校准信任水平，主体性体现在人不被动接受AI建议，而是主动评估和校准，而AI的不透明性增加了认知负荷，影响人类准确评估其建议并进行有效信任校准的能力；第四，在协作模式形成阶段，侧重能否形成并维持适度的依赖模式，避免过度依赖导致的技能退化或依赖不足导致的效率损失，主体性体现在人能够自主调节与AI的互动模式，而主体性与控制感的缺失或模糊可能最终导致对AI的过度依赖或弃用。因此，理解并解决这一核心张力，是优化人机协作过程、实现理想效能的关键。 Shneiderman(2020)提出的“以人为中心的人工智能(human-centeredAI，HCAI)”框架，为我们理解并解决这一核心张力提供了有力的理论支撑。HCAI的核心理念在于，高效能的人机协作系统并非追求单一的机器自主或人类完全掌控，而是力求实现高水平计算机自动化与高水平人类控制的协同增效。在此框架下，人类主体性的有效发挥，关键在于确保用户对协作系统及其行为拥有充分的控制力(humancontrol)，并能够清晰地承担其伦理与实践责任(responsibility)。这种以人为中心的设计取向，旨在通过技术赋能，提升人类的自我效能感、掌控感和创造力，从而使主体性在人机协作中得到维护与彰显。因此，本文认为，要有效解决人机协作中效能与主体性的核心张力，就必须细致分析主体性的核心要素(如自主性、责任归属、价值判断)在协作的各个阶段是如何被具体情境和人机交互动态所影响、塑造乃至挑战的。 4.2人类主体性困境 人机共生理论的核心在于通过互补实现协同增效(Licklider，1960)，但随着AI日益增长的自主性，如何在技术赋能与维护人类核心能动性(包括自主决策权、道德判断力和情感体验)之间取得平衡，构成了“主体性困境”。当前，AI决策能力已广泛渗透，但其法律和伦理地位的模糊性带来了现实挑战。例如，医疗AI生成的诊疗建议法律证据效力存疑(Wilcoxetal.，2023)，使得人类医生需承担解释与最终责任，却往往缺乏有效的工具支持来理解AI的决策逻辑。这种算法黑箱特性导致的错误案例责任归属不清(Heetal.，2023)，凸显制度滞后于技术发展的现实矛盾。 在此背景下，维护人类主体性不仅是伦理要求，也是实现高质量人机共生的存续根基。人类不可替代的核心价值在于其情境化理解、深度共情与复杂道德权衡的能力。AI虽能高效处理诸如影像分类等复杂数据(Tschandletal.，2020)，却无法模拟医患沟通中的共情(Joetal.，2023)；在自动驾驶领域，即便是达到L5级别的全自动驾驶系统(如FSD)，在面对诸如司机与乘客生命权衡中的“双避冲突”这类道德两难问题时，由于风险决策的复杂性以及道德判断标准的非唯一性，也难以做出明确的伦理抉择(Krügel&Uhl，2024)，生命权优先级的确定仍需人类主导(Wilcoxetal.，2023)。这种基于能力互补的分工模式揭示了人机协作的理想状态：AI应作为增强人类能力的“认知外骨骼(cognitiveexoskeleton)”，辅助而非取代人类的核心价值判断与最终决策权。 解决主体性困境，需要在技术、制度和个体层面进行系统性应对：技术上需提升AI的透明度与可解释性(如通过多模态解释、置信度可视化)，让人类更好地理解和信任AI；制度上需明确人机协作中的责任分配规则，建立“人-AI”责任共担机制；个体层面则需提升用户的算法素养(algorithmicliteracy；Cox，2024)与批判性思维能力，使其能在交互中保持自主判断，有效行使主体性。 4.3人类决策能力弱化的认知与情感风险 人机协作为决策带来便捷的同时，也潜藏着重塑甚至削弱人类核心能力的风险，可能形成“依赖-弱化-失效”的负向循环。AI既可作为认知增强的工具(如激发创意、分担重复计算)，也可能因不当使用而成为能力削弱器。当前协作模式中，这种风险主要体现在认知与情感两个层面。例如，AI通过激发设计灵感与分担重复任务，显著提升人类的创造力与问题解决效率(Mirowskietal.，2023；Wilson&Daugherty，2018)；但过度依赖AI可能导致自主推理能力退化(Jussupowetal.，2021)或认知偏见固化(Bansaletal.，2021；Vaccaro&Waldo，2019)。 首先是认知技能退化的风险。过度依赖AI进行信息处理和判断，可能导致人类用户的自动化顺从(automationcomplacency)和元认知监控(metacognitivemonitoring)能力下降。当用户倾向于将AI建议视为权威答案而非参考依据(Bansaletal.，2021)时，就发生了“认知外包(cognitiveoffloading)”。这种外包如果长期化、常态化，缺乏主动的深度信息加工和批判性评估过程，可能导致相关认知技能(如自主推理、信息整合、风险评估能力)的闲置性退化(disuseatrophy)。比如，医生对AI诊断建议的盲从导致元认知监控弱化，仅少数通过双重校验等策略维持自主判断(Jussupowetal.，2021)。特别是AI的“解释遮蔽效应(explanation-shieldingeffect)”——即AI的黑箱特