1 引言 在数字化时代，AI辅助决策日益普及，人机协作环境中的认知偏差变化逐渐成为研究热点(Bashkirova & Krpan，2024；O' Connor & Liu，2024；Vicente & Matute，2023)。其中，验证性信息偏差作为经典的认知偏差之一，是指个体倾向于选择与已有态度相一致的信息，损害了决策质量(凌斌，2013；Fischer，2011)。探究AI参与能否改善这一偏差，具有重要的理论意义(Bashkirova & Krpan，2024)。 验证偏差的传统研究多集中于个体独立决策场景(凌斌，王重鸣，2014；Hart et al.，2009)，但决策并非孤立发生，而是会受到外部建议的影响，尤其是建议来源与建议质量等因素(惠青山等，2024)。随着AI辅助决策的常态化，决策模式正从人类主导转向人机协同，建议来源变得更加丰富与重要(何赛克等，2023；惠青山等，2024)。研究表明，人类专家建议能够通过引导信息获取降低决策偏差(申先军，2021；Dalal & Bonaccio，2010)。但AI算法作为新兴建议源，其对验证偏差的影响仍然缺乏系统研究。因此，本文聚焦于两个关键问题：(1)AI算法视域下，决策建议来源是否影响验证偏差?(2)其作用机制与边界条件是什么? 个体对决策建议来源(人类专家vs.AI算法)的感知会直接影响其对建议的信任水平。研究表明，这种信任水平在人类专家与AI算法建议之间存在显著差异，并可能导致个体决策确定性的不同(Prahl & Van Swol，2021)。以往研究指出，在认知经济模型框架下，决策确定性作为个体决策信心的体现，具有重要的理论价值(凌斌，2013；Fischer，2011)。因为它不仅是信任的直接反映，还与信息加工过程中的认知资源的分配密切相关。特别值得强调的是，决策确定性对验证偏差具有强解释力。根据该模型，决策确定性与验证偏差呈正相关，即个体对其决策信心越高，他们越倾向于减少认知资源的投入，从而在信息加工中表现出更强的验证偏差(Fischer，2011)。因此，本文将决策确定性作为中介变量，探讨决策建议来源对验证偏差的影响。 根据精细加工可能性模型(elaboration likelihood model，ELM)，信息透明度被视为影响个体认知加工能力与动机的重要情境因素，进而调节决策建议来源与决策确定性的关系。具体而言，ELM理论强调个体对信息的加工路径选择取决于其认知资源的可用性与加工动机(柯青等，2024；Chen et al.，2025；Petty & Cacioppo，1986)，而信息透明度则是塑造这一过程的关键条件。信息透明度高时，决策建议的逻辑与依据清晰，个体具备较强的能力与动机通过中心路径加工信息，更倾向于根据建议质量做出判断(段锦云，孙露莹，2016)。此时，个体对建议来源(人类专家vs.AI算法)的依赖程度降低，决策确定性主要被建议本身的说服力所驱动。相反，信息透明度低时，决策建议逻辑不明、依据模糊，个体难以评估其合理性，为减少认知努力，更倾向于转向边缘路径，依赖来源可信度做出决策(段锦云，孙露莹，2016)。此时，建议来源对决策确定性产生更强的影响。因此，信息透明度通过调节个体对建议质量与来源的相对倚重程度，构成决策建议来源影响决策确定性的关键边界条件。 综上所述，本文整合认知经济模型与精细加工可能性模型的理论框架，以决策确定性为中介，以信息透明度为调节，探讨AI算法视域下决策建议来源对验证偏差的影响机制，为减少人机协作中的验证偏差提供理论和实践指导。 2 文献回顾及研究假设 2.1 决策建议来源对验证性信息偏差的影响 验证性信息偏差是指个体在搜寻和评估外界信息时更偏好与初始选择、态度、信念相一致的信息，并忽视不一致信息的倾向，严重损害决策质量(Fischer，2011)。但决策质量不仅取决于个体自身的信息处理能力，还与外部建议的采纳密切相关(惠青山等，2024)。然而，个体对外部建议的感知存在不对称性：相较于自我决策，个体对外部建议的感知偏见更为敏感(Celiktutan et al.，2024)。这种敏感促使个体在接受建议时投入更多认知资源进行交叉验证，抑制验证偏差。此外，个体总是相信自我决策优于他人(Li，2022)，为维持这种良好的自我感觉，他们会更偏好决策一致性信息(段锦云等，2021)，增加验证偏差。 相较于人类建议，AI算法建议引发更低的验证偏差，这一差异源于个体在认知、情感与行为上对AI算法决策的拒绝(张语嫣，许丽颖，2022)。认知拒绝方面，个体不认同AI算法决策。研究表明，即使AI算法建议明显优于人类建议，但个体仍然信任人类(Burton et al.，2019)。情感拒绝方面，个体不喜欢AI算法决策。研究表明，当人类与AI算法同时犯错时，个体对AI算法产生的负面情绪和反应更为强烈(Ireland，2020)。行为拒绝方面，个体不遵循AI算法决策。研究表明，个体很少采纳AI算法建议，甚至通过实际行为抵触其建议结果(Rabinovitch et al.，2024)。综上所述，相较于人类建议，个体对AI算法建议会实施更严格的信息验证，进而降低验证偏差，故提出以下假设。 H1a：接受决策建议的个体要比自我决策的个体产生更低的验证性信息偏差。 H1b：与人类专家建议相比，AI算法建议让个体产生更低的验证性信息偏差。 2.2 决策确定性的中介作用 决策确定性是指个体对其决策、观点和态度持有信心(Fischer，2011)。即使AI算法与人类建议相同，个体仍然愿意信任人类(Prahl & Van Swol，2021)。例如，个体更愿意遵循医生建议而非算法诊断(Longoni et al.，2019)，这表明个体对AI算法建议的信心低于专家，即对AI算法建议的确定性更低。这是因为个体在决策时往往依赖权威，而专家被视为具备丰富知识和判断力的权威信息源(Dalal & Bonaccio，2010；Schrah et al.，2006)。因此，个体更信任专家建议，即决策确定性更高。尽管AI算法能够提供客观建议，但其复杂性和不可解释性使得个体难以理解其决策逻辑，损害决策信任。因此，个体对AI算法建议感到更多的不安与不确定性(张语嫣，许丽颖，2022)。
