2024年4月11日下午六点，中国营销工程与创新研究中心(以下简称“MEI”)2023-2024年第二学期第7次研讨会(以下简称“Seminar”)在MEI如期举行，参与本次研讨会的有黄敏学老师、朱华伟老师及MEI各位成员。

　　本次Seminar由廖佐江研读文章《UnveilingtheMind of theMachine》。

　　一、研究概述

　　大量之前的研究表明，消费者对人类决策和算法决策的反应不同。然而，许多任务不再由人类执行，而是完全由算法执行。事实上，消费者会越来越多地遇到由算法控制的产品。随着消费者也越来越关注算法如何运行和控制产品，越来越多的公司开始向消费者展示算法思维。例如，三星宣传其智能冰箱使用“自适应算法”。尼康声称其新相机型号包含“使用深度学习技术开发的先进算法”。事实上，超过50% 的《财富》全球 500 强公司在销售科技消费产品时在其在线展示中提到了算法或人工智能。然而，并没有研究来研究消费者对作为产品一部分的算法的反应，也没有从消费者的角度区分低自适应算法和高自适应算法。

　　消费者如何对这些产品中不同类型的算法做出反应?这篇文章将为这个问题带来答案。

　　二、理论框架

　　1. 低适应性算法 vs. 高适应性算法：

　　自适应性是指算法可以独立于进程员改变其操作的程度。低自适应算法被称为预编程、硬连线或硬编码(Goodfellow, Bengio and Courville 2016; Rangaswamy er al. 1989 年; Schmidhuber 2005, 2010)。

　　高自适应算法可以自行学习。它们的规则主要由算法执行的数学计算确定，而不是由进程员预定义(Ghahramani 2015; Syam Sharma 2018)。尽管越来越多地使用高自适应算法，消费者往往对它们持怀疑态度。

　　2. POR（产品结果范围）：

　　POR 定义为产品在一项任务中或跨多项任务应提供的解决方案数量，指的是消费者在响应任务(要求产品执行的操作)中获得的结果。根据这个定义，POR可以指在单个任务中提供的解决方案(语音助手在负责讲笑话时可以破解多个笑话)和跨多个任务的解决方案(语音助手可以为有关天气预报、购物推荐或讲笑话的请求提供解决方案)。

　　3. 消费者对算法的感知

　　消费者认为算法的行为是合乎逻辑的、分析的、客观的和理性的，不太可能偏离现有的工作模式(Haslam 2006)。人们在客观可量化任务中更喜欢算法而不是人类决策者(Castelo et al. 2019)，并怀疑算法能否充分解释人类的独特性并创造性地行事(Haslam 2006)。

　　当算法提供意外或错误的结果时，尤其是当他们无法修改算法的输出时，个人很快就会失去对算法的信任(Dietvorst et al. 2015, 2016; Longoni er al. 2023)。

　　消费者倾向于根据他们所掌握的信息来推断产品特性和机器的“思想”。由于人类倾向于将思想归因于其他实体并将技术和产品拟人化(Aggarwal and McGill 2007; Epley 2018)，算法可以被视为产品的内部操作员，其技能、意图和能力将塑造产品的感知方式。

　　根据心智感知理论，算法的适应性可能会增加对创造力的感知，就像创造性技能归因于适应性更强的人类一样。因此，我们期望创造性技能归因于高自适应算法，而不是低自适应算法。

　　三、研究模型

　　本研究假设如下：

　　H1a：消费者对算法控制产品的偏好受到实现算法类型的影响。具体来说，高自适应(相对于低自适应)算法增加了算法控制产品的产品偏好。

　　H1b：高自适应算法(相对于低自适应算法)对产品偏好的积极影响是由感知算法创造力中介的。

　　H2a：POR调节算法类型对产品偏好的影响，使得高自适应算法降低了对窄(vs.宽)POR产品的偏好。

　　H2b：高自适应(相对于低自适应)算法对窄POR产品偏好的负面影响是由感知算法可预测性中介的。

　　四、研究过程

　　1. 实验1

　　实验目的：了解消费者对产品算法的认知以及他们对算法类型的了解。

　　实验设计：定性研究。邀请了 Prolific 的 15 位美国消费者参加有关科技产品的采访。由于访谈旨在深入了解消费者对这一主题的看法，每次采访持续24到57分钟。

　　实验结论：调查研究发现消费者：

　　(1)高度意识到算法和软件在技术产品中的重要性。

　　(2)将自适应性视为算法和产品的关键区分因素。

　　2. 实验2

　　实验目的： 测试了高适应性算法与低适应性算法对产品偏好的主要影响。

　　实验设计：单因素组间设计(低适应性算法 vs. 高适应性算法)。206 名参与者参加一个食谱写作比赛，除了参与费外，他们还可以赢得奖金。参与者被分配到低适应性和高适应性算法条件下，他们可以使用食谱生成器应用进程作为支持，然而这样做会使他们的奖金减少50%。

　　实验结论：高适应性算法增加了菜谱生成器的使用(H1a)。

　　3. 实验3

　　实验目的：测试了高适应性算法对产品偏好的积极影响是否可以通过感知创造力来解释。

　　实验结论：单因素组间设计(低适应性算法 vs. 高适应性算法)。207名哥伦比亚大学学生被分配到受试者间实验中的两种条件之一：低适应性与高适应性。低自适应性算法被描述为预编程算法的极端，该算法“使用指令手动编程”，并且只能通过“进程员预先编码的订单”来适应外部要求。高自适应算法被描述为一种自适应算法，它“能够自己学习”，并且“自我适应”。

　　实验结论：感知算法创造力充分中介算法类型对语音助手使用意愿的影响(H1a，H1b)。

　　4. 实验4

　　实验目的：了解消费者对整个POR范围内的算法控制产品的偏好。

　　实验设计：对POR和产品算法适应性偏好分别进行评估。研究人员编制了一份包含 55 种算法控制产品的清单，并要求两个独立的受访者样本对它们进行评分：

　　1) 第一个样本的参与者以随机顺序被告知高适应性和低适应性算法类型。然后，他们通过选择一种算法来表明他们对列表中每个产品的高适应性算法与低适应性算法的偏好。

　　2) 第二个样本的参与者以七分制对 55 种产品中的每一种产品的POR进行评分。

　　实验结论：对高自适应算法的偏好随着POR 越宽而增加，随着 POR 越窄而减少。

　　5. 实验5

　　实验目的：测试了 POR 对算法类型对使用意图的影响的调节作用。

　　实验设计：2(算法适应性高vs低)x2(POR宽vs窄)。参与者被要求想象他们想在烹饪应用的指导下为朋友烤蛋糕。在宽POR 条件下，参与者被告知想象他们的任务是烘烤“芝士蛋糕的变体“。因此这项任务有大量可能的解决方案(即芝士蛋糕的变体)。在窄POR条件下，他们的任务是烘烤“普通芝士蛋糕”，因此这项任务只有一种可能的解决方案(即普通芝士蛋糕)。接下来，参与者被告知烹饪应用使用了什么样的算法。在收到算法和任务描述后，参与者被要求用自己的话描述任务和烹饪应用进程。最后，参与者汇报了感知算法创造力、感知可预测性、烹饪应用的使用意愿。

　　实验结论：POR 调节算法类型对使用意图的影响(H1a、H1b、H2a、H2b)。

　　6. 实验6

　　实验目的：测试可解释性调节可预测性的中介效应。为可预测性机制的重要性提供了额外的证据。揭示了宽 POR 产品的高自适应算法的积极影响的边界条件。

　　实验设计：2(算法适应性高vs低)x2(可解释性高vs低)。首先，参与者收到了基于激光雷达算法系统的驾驶辅助系统(DAS)的算法类型信息。所有参与者被告知 DAS 的算法可以以 95% 的准确率预测最佳方向(在各种条件下固定性能)。在低可解释性条件下，参与者被告知无法解释算法所描述的预测。在高可解释性条件下，参与者收到了关于算法如何得出这一预测的额外解释。最后，参与者报告了他们的感知算法创造力、感知算法可预测、购买意愿。

　　实验结论：可解释性调节算法类型对可预测性和购买意向的影响 (H2b)。

　　五、研究结论

　　该研究通过比较不同的算法类型来扩展算法感知的文献(Garvey et al. 2023 ; Longoni and Cian 2022)。六项实证研究表明，算法控制产品的产品偏好受算法适应程度的影响。研究发现，消费者通常更喜欢高自适应算法，因为这种算法被认为更具创造性。然而，当缺乏可预测性被认为是负面的时，高适应性可能会适得其反，例如当产品只为任务提供狭窄范围的解决方案时。

　　至此，本次Seminar文章研读完毕。

　　之后，由彭沁缘、雷涵、王诗婧、左翎分享了最近的研究进展。针对研究中的问题，老师与同学们提出了建议，并且明确了进一步的研究计划。

　　至此，本学期第7次Seminar圆满结束。

　　文字 / 王诗婧

　　排版 / 王诗婧

　　审核 / 林曼菁