在人工智能时代,信息行为的内涵经历了深刻转变,从传统的“人找信息”逐步拓展到“人与智能体共塑的信息交互过程”。随着人工智能的发展路径从“算力驱动”向“认知驱动”演进,信息行为研究在精准性、可解释性与过程动态刻画等方面也面临更高要求,人智交互情境下的信息行为研究将遵循“发现规律—找寻动因—揭示机制—构建理论”发展脉络。本文系统梳理了人工智能时代人智交互情境下的信息行为研究方法,提出了与之相适应的研究新范式,并结合脑机协同信息行为的跨学科探索,进一步展望研究内容的核心变迁与未来议题,为构建面向数字文明的信息行为研究体系提供参考。
图1 人工智能时代的信息行为研究发展 本文旨在系统阐述人工智能时代人智交互情境下信息行为研究的继承、发展与创新。首先,剖析AI技术演进如何对信息行为研究提出新要求;其次,梳理并整合适应复杂人机交互的研究方法与融合范式;最后,结合脑机协同信息行为的跨学科探索,展望研究内容的核心变迁与未来议题,以期为构建面向数字文明的信息行为研究体系提供参考。 2 信息行为研究的方法与范式 2.1 多维方法体系:从宏观规律到微观机理 (1)大数据方法 大数据能从宏观信息行为数据中发现“规律/特征”,该方法实现了从宏观信息行为数据到一般规律的提取和整合。例如Vosoughi等[3]依托Twitter平台的126万条新闻、300万用户以及450万次传播记录,发现虚假新闻在信息扩散、信息级联效率上显著优于真实新闻,其高新颖性及引发的特定情绪反应,推动人类更主动地进行信息分享与谣言传播,且该信息传播动力学差异由人类而非机器人驱动,虚假政治新闻的信息病毒式传播特征尤为突出。 (2)行为实验方法 行为实验方法能从微观信息行为互动中揭示“机制/动因”,从而实现了从微观行为互动到理论假设的检验和建构。例如Hawkins等[4]通过三项集体感知实验(实验1探索群体规模对信息利用效率的影响,实验2通过人工智能体验证个体选择性依赖社会信息的行为,实验3拓展至复杂奖励环境),结合社会推理模型与非推理启发式模型的对比,揭示了关键信息行为机制:个体能通过观察他人行为轨迹(如停留、减速等“利用行为”)推断其隐藏的成功或知识。具体而言,之前的研究大多认为,人们要想通过模仿他人提升自己的表现,得能直接看到别人是否成功(比如知道别人的分数、收益等“奖励”)。但现实中很多场景里,别人的成功是无法直接观察到的(比如不知道别人找没找到好工作、选没选到好项目),这就给“向他人学习”带来了难题。Hawkins等[4]的研究证明了即便没法直接看到他人的“奖励”,人们的社会推断能力也能帮大家精准向他人学习,进而提升整个群体的变现。 (3)神经科学方法与设备 神经科学方法借助功能性磁共振成像(Functional Magnetic Resonance Imaging,fMRI)、脑电图(Electroencephalogram,EEG)、眼动追踪等设备,直接探测信息行为过程中的大脑活动与生理指标,从神经机制层面为行为现象提供生物学解释。Hu等[5]通过纵向行为实验与自然情境fMRI,发现群体决策(朋友间的产品评价与购买意图)表现出显著的行为与神经同步性,相关脑区包括眶额皮层、海马旁回与杏仁核等,揭示了信息行为中个体间“内源性相似性”的神经基础。Pan等[6]的研究采用眼动实验方法,以可穿戴设备安装过程中的隐私政策阅读行为为场景,发现感知必要性与威胁线索会显著影响用户对隐私政策的关注程度及认知加工模式,高感知必要性会降低用户对隐私政策的视觉关注(以注视时长为衡量指标),且减少分析性加工的倾向;强威胁线索会放大这一效应,而弱威胁线索则会削弱该效应。