與人共創(chuàng)還是與AI 共創(chuàng)？共創(chuàng)主體類型對內(nèi)容共創(chuàng)意愿的影響研究

摘 要 人工智能（AI）在內(nèi)容共創(chuàng)中扮演重要角色。然而，相比于與人共創(chuàng)，與AI 共創(chuàng)時個體內(nèi)容共創(chuàng)意愿表現(xiàn)出何種差異？基于認知負荷理論和自我效能理論，通過4 項情景實驗，考察了不同共創(chuàng)主體對個體內(nèi)容共創(chuàng)意愿影響的心理機制及作用邊界。研究發(fā)現(xiàn)：（1）與AI 共創(chuàng)有助于降低個體的認知負荷，進而提升內(nèi)容共創(chuàng)意愿；與人共創(chuàng)有助于增強個體的創(chuàng)造自我效能，進而提升內(nèi)容共創(chuàng)意愿。（2）任務類型調(diào)節(jié)了共創(chuàng)主體類型對內(nèi)容共創(chuàng)意愿的影響，即對于認知分析型內(nèi)容共創(chuàng)任務，與AI 共創(chuàng)有助于提升內(nèi)容共創(chuàng)意愿，而對于情感社會型內(nèi)容共創(chuàng)任務，與人共創(chuàng)有助于提升內(nèi)容共創(chuàng)意愿。

關(guān)鍵詞 人機共創(chuàng) 內(nèi)容共創(chuàng) 認知負荷 創(chuàng)造自我效能 技術(shù)熟練度

1 前言

乘眾人之智，則無不任也。共創(chuàng)反映了不同主體的智慧和經(jīng)驗通過聚集與耦合從而實現(xiàn)價值共同創(chuàng)造的過程（Ostrom， 1996）。生成式人工智能（GenAI， 以下簡稱AI）突破長期依賴于人類作為共創(chuàng)主體的局限，成為內(nèi)容共創(chuàng)的重要參與者，展現(xiàn)出巨大價值（Nah et al.， 2023），例如，協(xié)同營銷人員設計廣告文案，輔助新聞工作者挖掘?qū)懽魉悸?，圍繞用戶需求創(chuàng)作小說、繪畫和音樂等作品。盡管AI 在內(nèi)容共創(chuàng)中的貢獻與日俱增，但人們對其仍持不同態(tài)度。據(jù)福布斯發(fā)布的數(shù)據(jù)顯示，超45% 的受訪者表示會采用AI 協(xié)助完成任務，如撰寫電子郵件和創(chuàng)建社交媒體帖子。此外，數(shù)據(jù)也指出有43% 的受訪者對AI 生成內(nèi)容表示強烈擔憂，11% 的受訪者不愿意與AI 進行合作（Haan，2023）。個體為何對AI 參與內(nèi)容共創(chuàng)表現(xiàn)出截然不同的認知反應？相比于與人共創(chuàng)，與AI 共創(chuàng)對個體內(nèi)容共創(chuàng)意愿的影響機制有何差異？回答這些問題對激發(fā)人機內(nèi)容共創(chuàng)價值具有重要意義。

現(xiàn)有人機內(nèi)容共創(chuàng)研究多聚集于其內(nèi)涵以及在廣告、新聞和藝術(shù)創(chuàng)作等領域的實踐探討（鄧建國，2023; Nah et al.， 2023），鮮有學者對人機內(nèi)容共創(chuàng)意愿進行考察。一方面，相關(guān)研究關(guān)注在工業(yè)生產(chǎn)、顧客服務和醫(yī)療診斷等任務情景，考察個體對工業(yè)機器人、服務機器人和臨床決策支持系統(tǒng)的協(xié)作意愿（Arntz et al.， 2022; Knop et al.， 2022; Paluch et al.，2022）。然而，與上述遵循固定規(guī)則和分工的任務不同，內(nèi)容共創(chuàng)任務強調(diào)人機互動的深度和靈活性，通過雙向互動和實時反饋持續(xù)創(chuàng)造內(nèi)容（Nah et al.，2023）。因此，相關(guān)成果難以有效解釋人機內(nèi)容共創(chuàng)意愿。另一方面，內(nèi)容共創(chuàng)領域研究多探討人類成員間的認知資源共享和人際互動對內(nèi)容共創(chuàng)意愿的影響（Shin et al.， 2020; Zhao et al.， 2015），缺乏對人機內(nèi)容共創(chuàng)意愿的關(guān)注，特別是不同共創(chuàng)主體對個體內(nèi)容共創(chuàng)意愿影響的研究存在不足。本文結(jié)合研究情境將內(nèi)容共創(chuàng)意愿定義為個體愿意投入自身資源和努力與相關(guān)主體合作完成內(nèi)容創(chuàng)作任務的程度（Song et al.， 2023），并考察不同共創(chuàng)主體下的個體內(nèi)容共創(chuàng)意愿。

作為數(shù)字機器，AI 具備與人類截然不同的生態(tài)系統(tǒng)（數(shù)字vs. 生物），因此，在內(nèi)容共創(chuàng)中展現(xiàn)出差異性的認知和情感能力（Korteling et al.，2021）。AI 是通過大規(guī)模數(shù)據(jù)訓練形成的數(shù)字智能，能迅速提取和分析大量信息，彌補個體在知識認知和生產(chǎn)效率上的不足，減輕認知壓力（Korteling etal.， 2021）。而人類的生物大腦在心理和情感互動方面表現(xiàn)出更高的效能（Nah et al.， 2023），促進共創(chuàng)主體間的心理互動與情感聯(lián)結(jié)，相互啟發(fā)以激活個體創(chuàng)作靈感。鑒于此，本文借鑒認知負荷理論和自我效能理論，提出不同共創(chuàng)主體通過影響個體的認知負荷和創(chuàng)造自我效能進而作用于內(nèi)容共創(chuàng)意愿。進一步，引入任務類型作為調(diào)節(jié)變量，揭示不同任務情景下不同共創(chuàng)主體對內(nèi)容共創(chuàng)意愿的作用差異。研究豐富了人機內(nèi)容共創(chuàng)的理論成果，對激發(fā)人機共創(chuàng)價值具有啟示意義。

1.1 共創(chuàng)主體與內(nèi)容共創(chuàng)意愿：認知負荷的中介作用

認知負荷是指個體在特定時間內(nèi)為完成任務而投入的認知資源總量（Sweller， 1988）。人類認知系統(tǒng)能夠處理的信息量較為有限，過高的認知負荷會導致認知超載，而有效分配認知資源有助于降低個體認知負荷，提升任務執(zhí)行的積極性（Sweller，1988）。在內(nèi)容共創(chuàng)情景中，本文認為，相比于與人共創(chuàng)，與AI 共創(chuàng)更能實現(xiàn)個體認知資源的優(yōu)化配置，降低認知負荷，提升內(nèi)容共創(chuàng)意愿。原因在于，AI 借助信息檢索和抓取算法從文本、圖像和音頻中提取關(guān)鍵信息，并利用自動化的內(nèi)容生成技術(shù)，迅速將多元信息整合成結(jié)構(gòu)化內(nèi)容（馮文琪等， 2024;Dwivedi et al.， 2023）。這種方式有助于減輕個體在海量數(shù)據(jù)中搜索可用信息的認知負荷，使個體更專注于創(chuàng)意和啟發(fā)性工作（裘江南等， 2024）。此外，研究證實，較低的認知負荷有利于緩解個體在執(zhí)行任務過程中的心理壓力和緊張感（Sweller， 1988），確保個體有相對充足的認知資源專注于任務本身，進而提升內(nèi)容共創(chuàng)的積極性。因此，我們提出如下假設。

H1：相比于與人共創(chuàng)，與AI 共創(chuàng)有助于降低個體的認知負荷，進而提升內(nèi)容共創(chuàng)意愿。

1.2 共創(chuàng)主體與內(nèi)容共創(chuàng)意愿：創(chuàng)造自我效能的中介作用

創(chuàng)造自我效能反映了個體根據(jù)任務要求提出新穎、原創(chuàng)和適宜的想法或解決方案的能力信念（趙建彬， 2023; Tierney amp; Farmer， 2002）。個體創(chuàng)造自我效能的形成與他人的情感支持緊密相關(guān)。例如，領導的自主支持（Tierney amp; Farmer， 2002）和團隊成員的言語鼓勵（Shin et al.， 2012）均有助于激發(fā)個體的創(chuàng)造自我效能。內(nèi)容共創(chuàng)反映了不同主體的知識聚集與創(chuàng)造過程，因此，共創(chuàng)主體的情感支持對增強個體的創(chuàng)造自我效能至關(guān)重要。盡管AI 能夠理解用戶指令并生成充滿情感的文字，但這僅是基于對大量情感性語料的學習和模仿，在心理互動和情感反應方面仍存在不足（Dwivedi et al.， 2023），難以提供個體有效的情感性支持。相比之下，人類在心理互動和情感表達上具有優(yōu)勢，這使得共創(chuàng)主體之間能夠更深入地分享彼此對內(nèi)容創(chuàng)作的觀點和建議，為對方提供有效的情感支持。這種情感性支持有助于個體從已有知識結(jié)構(gòu)中尋找關(guān)聯(lián)并產(chǎn)生新穎想法（De Dreu et al.， 2008）。此外，研究表明，當個體認為自身具有更高的創(chuàng)造力時，更能積極地應對挑戰(zhàn)并主動完成任務（Tierney amp; Farmer， 2002）。鑒于此，本文提出如下假設。

H2：相比于與AI 共創(chuàng)，與人共創(chuàng)有助于提高個體的創(chuàng)造自我效能，進而提升內(nèi)容共創(chuàng)意愿。

1.3 任務類型的調(diào)節(jié)作用

根據(jù)任務的認知分析和情感社會成分差異，學者們通常將任務類型劃分為認知分析型和情感社會型（尹萌， 牛雄鷹， 2024; Huang amp; Rust， 2018; Wirtzet al.， 2018）。認知分析型任務對復雜信息處理和數(shù)據(jù)計算能力具有較高要求，完成此類任務需要消耗大量認知性資源。而情感社會型任務對情緒智力和情感溝通能力具有較高要求，完成此類任務需要投入更多情感性資源（Huang amp; Rust， 2018; Wirtz etal.， 2018）。研究表明，在認知分析型任務中，以AI 為主導的人機協(xié)作模式能有效提高任務完成效率，而在情感社會型任務中，以人類為主導的人機協(xié)作模式，有助于發(fā)揮人類在情感表達和創(chuàng)造性思維上的優(yōu)勢以更好地滿足任務需求（尹萌， 牛雄鷹，2024）。參考已有研究成果，本文將內(nèi)容共創(chuàng)任務同樣劃分為認知分析型和情感社會型，認知分析型任務更強調(diào)以規(guī)則化和邏輯化為導向的內(nèi)容生成任務，而情感社會型更突出以體驗性和情境性為導向的內(nèi)容生成任務（Huang amp; Rust， 2018; Wirtz et al.，2018）。

對于認知分析型內(nèi)容共創(chuàng)任務，個體更關(guān)注于總結(jié)內(nèi)容創(chuàng)作的一般規(guī)律，以提升任務完成效率并減輕認知消耗（Huang amp; Rust， 2018）。與AI 共創(chuàng)，有助于個體充分利用AI 的規(guī)則執(zhí)行和邏輯推理能力，快速分析和處理結(jié)構(gòu)化數(shù)據(jù)（Nah et al.，2023），從而降低認知資源消耗，提升內(nèi)容共創(chuàng)意愿。此外，個體在認知分析型任務中較少需要投入情緒智力和創(chuàng)造性思維等資源（Huang amp; Rust，2018），因此，不同共創(chuàng)主體對個體創(chuàng)造自我效能的影響可能無顯著差異。對于情感社會型內(nèi)容共創(chuàng)任務，個體更關(guān)注于創(chuàng)作更加契合情境的新穎性內(nèi)容（Huang amp; Rust， 2018）。與人共創(chuàng)，有助于促進共創(chuàng)主體間的觀點分享和情感互動，提高創(chuàng)造自我效能，進而提升內(nèi)容共創(chuàng)意愿。此外，AI 在情境理解和互動能力上存在不足，難以在情感社會型任務中發(fā)揮其信息處理優(yōu)勢（Dwivedi et al.， 2023;Korteling et al.， 2021），因此，不同共創(chuàng)主體對個體認知負荷的影響可能無顯著差異。鑒于此，本文提出如下假設。

H3：任務類型調(diào)節(jié)了共創(chuàng)主體類型對內(nèi)容共創(chuàng)意愿的影響。

H3a：對于認知分析型內(nèi)容共創(chuàng)任務，相比于與人共創(chuàng)，與AI 共創(chuàng)有助于降低個體的認知負荷，進而提升內(nèi)容共創(chuàng)意愿，而不同共創(chuàng)主體對創(chuàng)造自我效能的影響差異不顯著。

H3b：對于情感社會型內(nèi)容共創(chuàng)任務，相比于與AI 共創(chuàng)，與人共創(chuàng)有助于提高個體的創(chuàng)造自我效能，進而提升內(nèi)容共創(chuàng)意愿，而不同共創(chuàng)主體對認知負荷的影響差異不顯著。

本文的研究框架如圖1 所示。

2 實驗1 共創(chuàng)主體類型對內(nèi)容共創(chuàng)意愿的影響

2.1 實驗設計與被試

實驗1 采用單因素組間設計（共創(chuàng)主體類型：人vs. AI），考察不同共創(chuàng)主體對個體內(nèi)容共創(chuàng)意愿的影響機制。采用G*Power 3.1 計算所需樣本量為128（組數(shù)為2、效應量為.25、顯著性水平為.05，power 值為.80）。某綜合性大學180 名具有生成式AI 使用經(jīng)歷的被試參與實驗，通過注意力篩查后得到168 份有效問卷（Mage = 20.95 歲， SD = 1.85 歲;男性47.02%）。

2.2 實驗程序與變量測量

首先，被試隨機分配到人人共創(chuàng)組和人機共創(chuàng)組，并請被試閱讀對應的情景材料并想象：“一年一度的中秋佳節(jié)即將來臨，學校計劃通過官方社交媒體平臺發(fā)布以“團圓月下，中秋心連”為主題的中秋專題報道活動，而你作為校學生會媒體宣傳部成員，需要你和你部門一位同學（vs. AI）共同合作完成推文的撰寫”。人人共創(chuàng)組和人機共創(chuàng)組分別強調(diào)與同學和生成式AI 進行合作。在閱讀情景材料后，被試填寫認知負荷、創(chuàng)造自我效能和內(nèi)容共創(chuàng)意愿等題項。此外，實驗測量了任務熟悉度和復雜度以控制外部因素干擾。最后，填寫個人信息。

認知負荷借鑒NASA-TLX 六項量表（Hart amp;Staveland， 1988），代表性題項為“在完成此任務過程中我需要投入很多的思考”。創(chuàng)造自我效能借鑒Tierney 和Farmer（2002）的三項量表，代表性題項為“我對創(chuàng)造性地完成此任務很有信心”。內(nèi)容共創(chuàng)意愿借鑒You 和Robert（2018）的三項量表，代表性題項為“我認為與AI（vs. 人類）共同完成此內(nèi)容創(chuàng)作任務是一個好的選擇”。任務熟悉度和復雜度各設計一個題項，“此任務對我而言是熟悉的”和“此任務對我而言是復雜的”。以上題項均采用7 點量表進行測量。

2.3 結(jié)果分析

信效度與共同方法偏差檢驗。各變量的Cronbach' s α 值介于.88～.98 之間，標準因子載荷系數(shù)均大于.60，AVE 值均大于.50 且平方根均顯著大于其與其他變量的相關(guān)系數(shù)，量表信效度較好。Harman 單因子檢驗結(jié)果表明，因子分析未旋轉(zhuǎn)時第一個主成分的載荷量為38.83%（lt; 50.00%），不存在嚴重的共同方法偏差問題。

基礎效應檢驗。以認知負荷和創(chuàng)造自我效能為因變量，共創(chuàng)主體類型為自變量，性別、年齡、任務熟悉度和復雜度為協(xié)變量進行方差分析。結(jié)果表明，與人共創(chuàng)相比，與AI 共創(chuàng)顯著降低個體認知負荷（MAI = 3.93， SD = 1.73， M 人 = 5.06， SD = 1.29，F(xiàn) （1， 162） = 23.47， p lt; .001， ηp2 = .13）。與AI 共創(chuàng)相比，與人共創(chuàng)顯著提升個體創(chuàng)造自我效能（MAI =4.39， SD = 1.41， M 人 = 5.79， SD = .85， F （1， 162） = 53.68，p lt; .001， ηp2 = .25）。認知負荷和創(chuàng)造自我效能與內(nèi)容共創(chuàng)意愿回歸分析顯示，認知負荷負向預測內(nèi)容共創(chuàng)意愿（β = -.50， t （167） = -15.07， p lt; .001），創(chuàng)造自我效能正向預測內(nèi)容共創(chuàng)意愿（β = .58， t （167）=14.19， p lt; .001）。

中介效應檢驗。借鑒Hayes（2017）的中介效應檢驗方法，以共創(chuàng)主體類型為自變量，內(nèi)容共創(chuàng)意愿為因變量，認知負荷和創(chuàng)造自我效能為中介變量共同代入中介檢驗模型（Model 4，Bootstrapping5000 次）。結(jié)果顯示，認知負荷和創(chuàng)造自我效能在共創(chuàng)主體類型對內(nèi)容共創(chuàng)意愿影響過程中發(fā)揮中介作用，中介效應值分別為.28（95% CI = [.14， .45]， 不包含0）和-.68（95% CI = [-.97， -.41]， 不包含0），詳細路徑系數(shù)如圖2 所示。

2.4 討論

實驗1 證實H1 和H2，即與AI 共創(chuàng)有助于降低認知負荷，進而提升內(nèi)容共創(chuàng)意愿；與人共創(chuàng)有助于提高創(chuàng)造自我效能，進而提升內(nèi)容共創(chuàng)意愿。此外，有研究指出新奇價值和心理慣性是影響個體AI 使用意愿的潛在因素，實驗2 對這一潛在影響進行分析。

3 實驗2 復驗共創(chuàng)主體類型對內(nèi)容共創(chuàng)意愿的影響

3.1 實驗設計與被試

實驗2 目的：一是更換研究的樣本群體和任務情景，增強研究普適性；二是檢驗替代性中介解釋。通過Credamo 平臺招募220 名具有生成式AI 使用經(jīng)歷的被試參與實驗，通過注意力篩查后得到216份有效問卷（Mage = 26.63 歲， SD = 5.27 歲; 男性46.76%）。

3.2 實驗程序與變量測量

首先，被試隨機分配到人人共創(chuàng)組和人機共創(chuàng)組，并請被試閱讀對應的情景材料并想象：“為充分響應綠色理念，以行動踐行“雙碳”戰(zhàn)略，本地環(huán)境保護協(xié)會計劃舉行以“減少碳排放、共享新生活”為主題的低碳宣傳活動，而你作為環(huán)境保護協(xié)會宣傳部成員，為了能夠更好地激發(fā)居民的低碳環(huán)保意識，需要你和你部門一位同事（vs. AI）共同合作，圍繞節(jié)約水資源、杜絕食物浪費和垃圾分類處理等內(nèi)容設計系列宣傳文案”。測量程序與實驗1 相同，增加新奇價值和心理慣性的測量，最后，被試填寫個人信息并領取1 元實驗報酬。

新奇價值借鑒Ma 和Huo（2023）的四項量表，代表性題項為“我認為和AI（人類）共創(chuàng)是一種新奇的體驗”。心理慣性借鑒Polites 和Karahanna（2012）的量表，設計3 個題項，代表性題項為“我認為和AI（人類）共創(chuàng)讓我感到很習慣”。

3.3 結(jié)果分析

信效度與共同方法偏差檢驗。各變量的Cronbach' s α 值介于.82 ～ .97 之間，標準因子載荷系數(shù)均大于.60，AVE 值均大于.50 且平方根顯著大于其與其他變量的相關(guān)系數(shù)，量表信效度較好。第一個主成分的載荷量為39.64%（lt;50.00%），不存在嚴重的共同方法偏差問題。

基礎效應檢驗。分析顯示，與人共創(chuàng)相比，與AI 共創(chuàng)降低個體的認知負荷（MAI = 4.07， SD = 1.77，M 人 = 5.22， SD = 1.18， F （1， 210） = 29.91， p lt; .001， ηp2=.13），也削弱了創(chuàng)造自我效能（MAI = 4.67， SD = 1.43，M 人 = 5.76， SD = .88， F （1， 210） = 46.05， p lt; .001， ηp2 =.18）。同時，個體感知到更高的新奇價值（MAI = 4.96，SD = 1.18， M 人 = 3.06， SD = 1.20， F （1， 210） = 129.93， plt; .001， ηp2= .38）和較低的心理慣性（MAI = 4.66， SD= 1.39， M 人 = 5.59， SD = .90， F （1， 210） = 31.68， p lt; .001，ηp2= .13）?；貧w分析結(jié)果顯示，認知負荷負向預測個體內(nèi)容共創(chuàng)意愿（β = -.47， t （215） = -17.18， p lt;.001），創(chuàng)造自我效能正向預測個體內(nèi)容共創(chuàng)意愿（β= .63， t （215） = 20.74， p lt; .001）。而新奇價值（β = -.04，t （215） = -.80， p gt; .05）和心理慣性（β = -.01， t （215） =-.10， p gt; .05）對內(nèi)容共創(chuàng)意愿影響不顯著。

中介效應檢驗。認知負荷和創(chuàng)造自我效能在共創(chuàng)主體類型對內(nèi)容共創(chuàng)意愿影響過程中的中介作用顯著，中介效應值分別為.17（95% CI = [.08， .28]， 不包含0）和-.63（95% CI = [-.86， -.43]， 不包含0）。新奇價值（b = -.14， 95% CI = [-.31， .02]， 包含0）和心理慣性（b = .06， 95% CI = [-.01， .14]， 包含0）的中介作用不顯著，替代性中介解釋排除。

3.4 討論

實驗2 再次證實H1 和H2，并排除了新奇價值和心理慣性的中介解釋。然而，不同共創(chuàng)主體對個體內(nèi)容共創(chuàng)意愿的影響在不同任務情景下是否一致？實驗3 對此進行檢驗。

4 實驗3 任務類型的調(diào)節(jié)作用

4.1 預實驗

預實驗旨在篩選和確定不同類型的內(nèi)容共創(chuàng)任務。在Credamo 平臺招募116 名被試參與預實驗（Mage= 25.78 歲， SD = 7.55 歲; 男性45.69%）。首先，向被試展示10 項常見的內(nèi)容共創(chuàng)任務。其次，請被試依次對10 項任務的認知分析和情感社會屬性及熟悉度和復雜度進行打分，任務類型測量題項為“我認為此任務是強調(diào)規(guī)則化和邏輯化的內(nèi)容創(chuàng)作任務”和“我認為此任務是強調(diào)體驗性和情境性的內(nèi)容創(chuàng)作任務”。任務熟悉度和復雜度測量題項與實驗1一致，均采用7 級量表測量。

統(tǒng)計結(jié)果顯示，軟件代碼（M 認知 = 6.17， M 情感 =1.35， p lt; .001）、市場調(diào)研報告（M 認知 = 5.72， M 情感 = 3.45， p lt; .001）和科普文章（M 認知 = 5.22， M 情感 =3.83， p lt; .001）等獲得較高的認知分析屬性得分。而小說故事（M 認知= 2.67， M 情感 = 5.88， p lt; .001）、美食推廣文案（M 認知 = 2.80， M 情感 = 5.78， p lt; .001）和團建活動策劃（M 認知 = 3.15， M 情感 = 5.55， p lt; .001）等獲得較高的情感社會屬性得分。為排除任務熟悉度和復雜度的影響，正式實驗選擇熟悉度（M 科普文章= 5.39， M 小說故事 = 5.18， p gt; .05）和復雜度（M 科普文章 =3.58， M 小說故事 = 3.53， p gt; .05）較為接近的科普文章和小說故事作為認知分析型和情感社會型內(nèi)容共創(chuàng)任務的情景材料。

4.2 正式實驗

4.2.1 實驗目的與被試

實驗3 采用2（共創(chuàng)主體類型：人vs. AI）×2（任務類型：認知分析vs. 情感社會）組間因子設計。采用G*Power 3.1 計算所需樣本量為180。通過Credamo 平臺招募280 名具有生成式AI 使用經(jīng)歷的被試參與實驗，通過注意力篩查后得到272份有效問卷（Mage = 23.77 歲， SD = 3.86 歲; 男性46.32%）。

4.2.2 實驗程序與變量測量

被試隨機分配到四組中的任意一組。在認知分析型任務組中，被試閱讀實驗材料并想象：“《健康》是一本聚焦于人類健康的科普類雜志，近期計劃出版一篇以健康飲食為主題的科普文章，而你作為該雜志的編輯部成員，需要你和你的部門一位同事（vs.AI）共同合作，圍繞健康飲食的內(nèi)涵、人體營養(yǎng)要素的構(gòu)成和均衡飲食的原則等內(nèi)容撰寫文章”。在情感社會型任務組中，被試閱讀實驗材料并想象：“《成長》是一本聚焦于成長故事的小說類雜志，近期計劃出版一篇以個體成長歷程為主題的小說故事，而你作為該雜志的編輯部成員，需要你和你的部門一位同事（vs. AI）共同合作，圍繞人物的生活背景、挫折困境和自我成長等內(nèi)容撰寫故事”。與實驗1 程序相同，請被試對測量題項進行打分，隨后提供個人信息并領取1 元實驗報酬。

4.2.3 結(jié)果分析

信效度與共同方法偏差檢驗。各變量的Cronbach's α 值介于.91～.97 之間，標準因子載荷系數(shù)均大于.60，AVE 值均大于.50 且平方根顯著大于其與其他變量的相關(guān)系數(shù)，量表信效度較好。第一個主成分的載荷量為41.40%（lt;50.00%），不存在嚴重的共同方法偏差問題。

操縱檢驗。任務類型操縱有效，科普文章組的認知分析屬性得分更高（M 認知分析 = 5.19， SD = 1.45，M 情感社會 = 2.66 ， SD = 1.34， t （270）= 14.95， p lt; .001，Cohen's d = 1.81），而小說故事組的情感社會屬性得分更高（M 認知分析 = 3.76， SD = 1.88， M 情感社會 = 5.71，SD = 1.04， t （270）= 10.54， p lt; .001， Cohen's d = 1.28）。

調(diào)節(jié)效應檢驗。雙因素方差分析表明，共創(chuàng)主體類型與任務類型對認知負荷的交互作用顯著，F(xiàn) （1， 264） = 20.39， p lt; .001。簡單效應分析表明（圖3），對于認知分析型任務，與AI 共創(chuàng)有助于降低認知負荷（M 人 = 4.93， SD = 1.10， M AI = 3.34， SD = 1.51，F(xiàn) （1， 130） = 49.08， p lt; .001， ηp2 = .27），而對于情感社會型任務，不同共創(chuàng)主體對認知負荷的影響無顯著差異（M 人 = 4.86， SD = 1.26， M AI = 4.73， SD = 1.45，F(xiàn) （1， 130） = .25， p gt; .05）。共創(chuàng)主體類型與任務類型對創(chuàng)造自我效能的交互作用顯著，F(xiàn) （1， 264） = 14.16，p lt; .001。簡單效應分析表明（圖4），對于認知分析型任務，不同共創(chuàng)主體對創(chuàng)造自我效能的影響無顯著差異（M 類 = 4.80， SD = 1.52， M AI = 4.66， SD =1.50， F （1， 130） = .37， p gt; .05。而對于情感社會型任務，與人共創(chuàng)有助于提升創(chuàng)造自我效能（M 人 = 5.27，SD = 1.18， M AI = 3.71， SD = 1.63， F （1， 130） = 40.72， plt; .001， ηp2 = .24）

有調(diào)節(jié)的中介檢驗。借鑒Hayes（2017）有調(diào)節(jié)的中介效應檢驗方法，以共創(chuàng)主體類型為自變量，內(nèi)容共創(chuàng)意愿為因變量，認知負荷和創(chuàng)造自我效能為中介變量，任務類型為調(diào)節(jié)變量共同代入中介檢驗模型（Model 7， Bootstrapping 5000 次）。結(jié)果表明，對于認知分析型任務，認知負荷中介作用顯著，中介效應值為.62，95% CI = [.39， .90]，不包含0，而創(chuàng)造自我效能中介作用不顯著，b = -.04， 95% CI =[-.12， .19]， 包含0。對于情感社會型任務，創(chuàng)造自我效能中介作用顯著，中介效應值為-.46，95% CI =[-.72， -.24]， 不包含0，而認知負荷中介作用不顯著，b = .05，95% CI = [-.14， .23]， 包含0，詳細路徑系數(shù)如圖5 所示。

4.2.4 討論

實驗3 證實H3、H3a 和H3b，即任務類型在共創(chuàng)主體類型對內(nèi)容共創(chuàng)意愿影響過程中發(fā)揮調(diào)節(jié)作用。研究指出，人機共創(chuàng)的內(nèi)容質(zhì)量與個體提問能力有關(guān)（鄧建國， 2023）。因此，本文推測個體內(nèi)容共創(chuàng)意愿可能受技術(shù)熟練度影響，補充性實驗4來驗證這一推論。

5 實驗4 技術(shù)熟練度的調(diào)節(jié)作用

5.1 實驗設計與被試

實驗4 采用組間與組內(nèi)混合設計，共創(chuàng)主體類型為組間變量，技術(shù)熟練度為組內(nèi)變量，旨在探討技術(shù)熟練度的調(diào)節(jié)作用。通過Credamo 平臺招募180 名有效被試參與實驗（Mage = 24.42 歲，SD = 4.91歲; 男性43.89%）。

5.2 實驗程序與變量測量

實驗程序與實驗2 一致，請被試閱讀情景材料并想象與AI（vs. 人類）合作完成以環(huán)境保護為主題的系列宣傳文案，并填寫認知負荷、創(chuàng)造自我效能、內(nèi)容共創(chuàng)意愿和技術(shù)熟練度等題項。技術(shù)熟練度借鑒Weigel 和Hazen（2014）的研究，圍繞生成式AI特點設計6 個題項，代表性題項為“我能夠準確地描述生成式AI 的提問指令”。其他測量題項與實驗2 一致。

5.3 結(jié)果分析

信效度與共同方法偏差檢驗。各變量的Cronbach's α 值介于.86～.94 之間，標準因子載荷系數(shù)均大于.60，AVE 值均大于.50 且平方根顯著大于其與其他變量的相關(guān)系數(shù)，量表信效度較好。第一個主成分的載荷量為49.74%（lt; 50.00%），不存在嚴重的共同方法偏差問題。

調(diào)節(jié)效應檢驗。采用PROCESS 3.2 插件中的模型1，以共創(chuàng)主體類型為自變量，技術(shù)熟練度為調(diào)節(jié)變量進行分析。結(jié)果表明，共創(chuàng)主體類型與技術(shù)熟練度對認知負荷的交互作用顯著，F(xiàn)（1， 176） = 116.61，p lt; .001。進一步分析，當個體技術(shù)熟練度較低時（M-SD ），與人共創(chuàng)有助于降低認知負荷（M 人= 4.99， SD = 1.25， MAI = 5.91， SD = .56， F（1， 53） =12.42， p lt; .01， ηp2 = .19）；當個體技術(shù)熟練度較高時（M+SD ），與AI 共創(chuàng)有助于降低認知負荷（M人 = 4.80， SD = 1.46， MAI = 1.87， SD = .37， F （1， 53）= 102.28， p lt; .001， ηp2 = .66）。共創(chuàng)主體類型與技術(shù)熟練度對創(chuàng)造自我效能的交互作用顯著，F(xiàn) （1，176） = 99.57， p lt; .001。進一步分析，當個體技術(shù)熟練度較低時（M-SD ），與人共創(chuàng)有助于提升創(chuàng)造自我效能（M 人 = 5.46， SD = 1.17， MAI= 2.84， SD =.78， F （1， 53） =95.01， p lt; .001， ηp2 = .64），當個體技術(shù)熟練度較高時（M+SD ），與AI 共創(chuàng)有助于提升創(chuàng)造自我效能（M 人 = 5.54， SD = .97， MAI= 6.07，SD = .31， F （1， 53） = 7.56， p lt; .01， ηp2 = .13）。

有調(diào)節(jié)的中介檢驗。以共創(chuàng)主體類型為自變量，內(nèi)容共創(chuàng)意愿為因變量，認知負荷和創(chuàng)造自我效能為中介變量，技術(shù)熟練度為調(diào)節(jié)變量共同代入PROCESS 3.2 插件中的模型7。分析表明，當個體技術(shù)熟練度較低時（M-SD ），認知負荷（b = -.08，95% CI = [-.16， -.02]， 不包含0）和創(chuàng)造自我效能（b= -1.91， 95% CI = [-2.30， -1.51]， 不包含0）的中介作用顯著；當個體技術(shù)熟練度較高時（M+SD ），認知負荷（b = .40， 95% CI = [.21， .65]， 不包含0）和創(chuàng)造自我效能（b = .34， 95% CI = [.08， .62]， 不包含0）的中介作用顯著但效應值方向發(fā)生轉(zhuǎn)變。研究證實，與AI 共創(chuàng)時，個體技術(shù)熟練度越高，越有助于通過降低認知負荷和提高創(chuàng)造自我效能，進而提升內(nèi)容共創(chuàng)意愿。

6 總討論

本文考察了不同共創(chuàng)主體對個體內(nèi)容共創(chuàng)意愿的影響機制及邊界條件。實驗1 和實驗2 證實，與AI 共創(chuàng)有助于降低個體認知負荷，進而提升內(nèi)容共創(chuàng)意愿，與人共創(chuàng)有助于增強個體創(chuàng)造自我效能，進而提升內(nèi)容共創(chuàng)意愿。這一發(fā)現(xiàn)可歸因于AI 和人類在內(nèi)容共創(chuàng)過程中的認知和情感能力差異，AI 彌補了個體在知識認知和生產(chǎn)效率上的不足（Kortelinget al.， 2021），而人類在情感層面提供更多支持（Nahet al.， 2023），進而通過不同路徑影響內(nèi)容共創(chuàng)意愿。實驗3 表明，任務類型調(diào)節(jié)了共創(chuàng)主體類型對內(nèi)容共創(chuàng)意愿的影響。即對于認知分析型任務，AI 能夠充分發(fā)揮其信息處理效率的優(yōu)勢，而對于情感社會型任務，人類在情感互動和創(chuàng)造性思維上的優(yōu)勢得以凸顯，以更好地提升內(nèi)容共創(chuàng)意愿。實驗4 進一步證實相關(guān)理論猜想（鄧建國， 2023），即與AI 共創(chuàng)時，個體技術(shù)熟練度越高，越有助于降低認知負荷和提高創(chuàng)造自我效能，進而提升內(nèi)容共創(chuàng)意愿。

6.1 理論貢獻

首先，聚焦于人機內(nèi)容共創(chuàng)意愿，豐富了相關(guān)理論研究成果。區(qū)別于以往對基于固定規(guī)則和分工的人機協(xié)作任務中個體協(xié)作意愿的探討（Arntz et al.，2022; Knop et al.， 2022; Paluch et al.， 2022），本文聚焦于人機互動更為緊密且具有創(chuàng)造性的內(nèi)容共創(chuàng)任務，并在現(xiàn)有人機內(nèi)容共創(chuàng)的概念和實踐研究基礎上（鄧建國， 2023），進一步探討了個體人機內(nèi)容共創(chuàng)意愿，彌補相關(guān)研究不足。其次，揭示了認知負荷和創(chuàng)造自我效能在共創(chuàng)主體類型對內(nèi)容共創(chuàng)意愿影響過程的中介作用。先前研究多關(guān)注于對人與人之間內(nèi)容共創(chuàng)意愿影響的內(nèi)在機制考察（Shin etal.， 2020; Zhao et al.， 2015），而本文比較了不同共創(chuàng)主體對個體內(nèi)容共創(chuàng)意愿影響的內(nèi)在機制差異，豐富了內(nèi)容共創(chuàng)意愿的理論研究成果。最后，明確了不同共創(chuàng)主體對個體內(nèi)容共創(chuàng)意愿影響的邊界條件。本文將內(nèi)容共創(chuàng)任務劃分為認知分析型和情感社會型，證實了任務類型在共創(chuàng)主體類型對內(nèi)容共創(chuàng)意愿影響過程的調(diào)節(jié)作用。此外，通過實證研究驗證了技術(shù)熟練度的邊界效應，拓展了人機內(nèi)容共創(chuàng)意愿的研究框架。

6.2 管理啟示

首先，企業(yè)需要注意的是，盡管AI 能夠顯著降低個體的認知負荷，但與人類相比，在情感互動方面仍存在不足，這可能削弱個體的內(nèi)容共創(chuàng)意愿。對此，企業(yè)可在技術(shù)層面注重情感設計，例如在互動界面中設計情感化的交互反饋，包括使用人類頭像和人聲提示等，強化個體對AI 情感互動能力的感知，提升人機內(nèi)容共創(chuàng)意愿。其次，個體應明確內(nèi)容共創(chuàng)的任務類型，選擇更匹配的共創(chuàng)主體。例如，對于認知分析型內(nèi)容共創(chuàng)任務，個體可優(yōu)先與AI 進行合作，充分利用AI 在規(guī)則執(zhí)行和邏輯推理等方面的優(yōu)勢，降低認知負荷。而對于情感社會型內(nèi)容共創(chuàng)任務，個體可優(yōu)先與人類進行合作，充分發(fā)揮人類豐富的創(chuàng)造性思維和情感互動能力，激發(fā)創(chuàng)造自我效能。最后，政府應鼓勵AI 技術(shù)的合理使用并不斷提升個體的技術(shù)熟練度。政府可通過建立官方技術(shù)交流平臺，促進個體創(chuàng)作者間的學習和合作，提升技術(shù)熟練度，激發(fā)人機內(nèi)容共創(chuàng)價值。

6.3 研究局限與展望

第一，本文通過不同實驗情景證實了研究假設，但與真實內(nèi)容共創(chuàng)任務仍存在一定差距，未來研究可采用真實的田野實驗進行驗證。第二，本文聚焦于AI 應用更為廣泛的文本型內(nèi)容創(chuàng)作任務，而對繪畫和視頻等形式關(guān)注較少，對不同形式的內(nèi)容共創(chuàng)任務，個體內(nèi)容共創(chuàng)意愿的形成機制值得深入探討。第三，可能存在一些外部因素會導致個體內(nèi)容共創(chuàng)意愿的動態(tài)變化，有待進一步研究。例如，個體感知的時間壓力越高，越傾向于關(guān)注提升任務完成的效率，因此，時間壓力可能會影響個體與AI 的內(nèi)容共創(chuàng)意愿。

7 結(jié)論

本研究通過四項實驗證實，對于認知分析型內(nèi)容共創(chuàng)任務，與AI 共創(chuàng)有助于降低個體認知負荷，進而提升內(nèi)容共創(chuàng)意愿。而對于情感社會型內(nèi)容共創(chuàng)任務，與人共創(chuàng)有助于提高個體創(chuàng)造自我效能，進而提升內(nèi)容共創(chuàng)意愿。此外，個體技術(shù)熟練度越高，越有助于降低認知負荷和提高創(chuàng)造自我效能，進而提升人機內(nèi)容共創(chuàng)意愿。

參考文獻

鄧建國. （2023）. 概率與反饋： ChatGPT 的智能原理與人機內(nèi)容共創(chuàng). 南京

社會科學， 3， 86-94， 142.

馮文琪， 宋曉兵， 董大海. （2024）. 人工智能生成內(nèi)容對消費者分享行為的

影響研究. 管理工程學報， 38 （6）， 25-40.

裘江南， 張方芳， 高雙燕， 王岍， 蔡承杰. （2024）. 在線知識社區(qū)知識社會建

構(gòu)中人機協(xié)作模式的形成機制研究——基于人機互補的視角. 南開

管理評論， 27 （5）， 117-128.

尹萌， 牛雄鷹. （2024）. 與AI“共舞”： 系統(tǒng)化視角下的AI- 員工協(xié)作. 心

理科學進展， 32 （1）， 162-176.

趙建彬. （2023）. 運氣感對創(chuàng)造力的影響： 創(chuàng)造自我效能的中介作用. 心理

科學， 46 （5）， 1173-1179.

Arntz， A.， Stra?mann， C.， V?lker， S.， amp; Eimler， S. C. （2022）. Collaborating

eye to eye： Effects of workplace design on the perception of dominance of

collaboration robots. Frontiers in Robotics and AI， 9， Article 999308.

De Dreu， C. K. W.， Baas， M.， amp; Nijstad， B. A. （2008）. Hedonic tone and activation

level in the mood-creativity link： Toward a dual pathway to creativity model.

Journal of Personality and Social Psychology， 94（5）， 739-756.

Dwivedi， Y. K.， Kshetri， N.， Hughes， L.， Slade， E. L.， Jeyaraj， A.， Kar， A. K.，

amp; Wright， R. （2023）. Opinion paper： “So what if ChatGPT wrote it？”

Multidisciplinary perspectives on opportunities， challenges and implications

of generative conversational AI for research， practice and policy. International

Journal of Information Management， 71， Article 102642.

Haan， K. （2023）. Over 75% of consumers are concerned about misinformation

from artificial intelligence. https：//www.forbes.com/advisor/business/artificialintelligence-

consumer-sentiment

Hart， S. G.， amp; Staveland， L. E. （1988）. Development of NASA-TLX （Task Load

Index）： Results of empirical and theoretical research. Advances in Psychology，

52， 139-183.

Hayes， A. F. （2017）. Introduction to mediation， moderation， and conditional process

analysis： A regression-based approach. Guilford Press.

Huang， M. H.， amp; Rust， R. T. （2018）. Artificial intelligence in service. Journal of

Service Research， 21 （2）， 155-172.

Knop， M.， Weber， S.， Mueller， M.， amp; Niehaves， B. （2022）. Human factors

and technological characteristics influencing the interaction of medical

professionals with artificial intelligence-enabled clinical decision support

systems： Literature review. JMIR Human Factors， 9（1）， Article e28639.

Korteling， J. E.， van de Boer-Visschedijk， G. C.， Blankendaal， R. A. M.，

Boonekamp， R. C.， amp; Eikelboom， A. R. （2021）. Human- versus artificial

intelligence. Frontiers in Artificial Intelligence， 4， Article 622364.

Ma， X. Y.， amp; Huo， Y. D. （2023）. Are users willing to embrace ChatGPT？ Exploring

the factors on the acceptance of chatbots from the perspective of AIDUA

framework. Technology in Society， 75， Article 102362.

Nah， F. F. H.， Zheng， R. L.， Cai， J. Y.， Siau， K.， amp; Chen， L. T. （2023）. Generative

AI and ChatGPT： Applications， challenges， and AI-human collaboration.

Journal of Information Technology Case and Application Research， 25 （3），

277-304.

Ostrom， E. （1996）. Crossing the great divide： Coproduction， synergy， and

development. World Development， 24 （6）， 1073-1087.

Paluch， S.， Tuzovic， S.， Holz， H. F.， Kies， A.， amp; J?rling， M. （2022）. “My colleague

is a robot”-exploring frontline employees' willingness to work with

collaborative service robots. Journal of Service Management， 33（2）， 363-388.

Polites， G. L.， amp; Karahanna， E. （2012）. Shackled to the status quo： The inhibiting

effects of incumbent system habit， switching costs， and inertia on new system

acceptance. MIS Quarterly， 36 （1）， 21-42.

Shin， H.， Perdue， R. R.， amp; Pandelaere， M. （2020）. Managing customer reviews for

value co-creation： An empowerment theory perspective. Journal of Travel

Research， 59 （5）， 792-810.

Shin， S. J.， Kim， T. Y.， Lee， J. Y.， amp; Bian， L. （2012）. Cognitive team diversity and

individual team member creativity： A cross-level interaction. Academy of

Management Journal， 55 （1）， 197-212.

Song， J.， Gao， Y.， Huang， Y.， amp; Chen， L. （2023）. Being friendly and competent：

Service robots' proactive behavior facilitates customer value co-creation.

Technological Forecasting and Social Change， 196， 122861.

Sweller， J. （1988）. Cognitive load during problem solving： Effects on learning.

Cognitive Science， 12 （2）， 257-285.

Tierney， P.， amp; Farmer， S. M. （2002）. Creative self-efficacy： Its potential antecedents

and relationship to creative performance. Academy of Management Journal，

45 （6）， 1137-1148.

Weigel， F. K.， amp; Hazen， B. T. （2014）. Technical proficiency for IS Success.

Computers in Human Behavior， 31， 27-36.

Wirtz， J.， Patterson， P. G.， Kunz， W. H.， Gruber， T.， Lu， V. N.， Paluch， S.， amp;

Martins， A. （2018）. Brave new world： Service robots in the frontline. Journal of

Service Management， 29 （5）， 907-931.

You， S.， amp; Robert， L. P. Jr. （2018）. Human-robot similarity and willingness to work

with a robotic co-worker. In Proceedings of the 2018 ACM/IEEE international

conference on human-robot interaction， Chicago， IL.

Zhao， J.， Wang， T.， amp; Fan， X. C. （2015）. Patient value co-creation in online health

communities： Social identity effects on customer knowledge contributions and

membership continuance intentions in online health communities. Journal of

Service Management， 26 （1）， 72-96.