一项关于人与机器人顾问协作决策的多阶段混合方法研究提案
1.0 引言与问题陈述
机器人顾问（Robo-advisors, RAs）作为一种新兴的金融技术，为传统的人类财务顾问提供了一种极具吸引力的替代方案。它们不仅成本效益高，能够显著降低投资门槛，还能够通过算法驱动的决策减少因人类情感偏见所导致的管理失误。尽管机器人顾问具备这些显著优势，但其市场采纳率却出乎意料地低。一个引人注目的数据显示，截至2022年，由机器人顾问管理的全球资产尚不足1%。这一数字揭示了机器人顾问巨大的市场潜力与其在现实中低采纳率之间的核心矛盾。
这一矛盾在金融领域尤为突出。金融决策本质上是高风险、高不确定性的活动，与娱乐或在线购物等低风险领域截然不同。在高风险环境下，投资者对决策支持工具的可靠性与功能性会进行更为审慎和深度的考量，对建议来源的可信度也更为敏感。因此，深入理解用户在何种条件下会信任、接受或拒绝机器人顾问的建议，以及他们如何将这些算法建议整合到最终决策中，对于揭示并解决上述采纳差距至关重要。
因此，对现有研究进行批判性审视，是确立本研究独特切入点与贡献的必要前提。
2.0 文献综述与研究空白
本节将回顾现有关于机器人顾问采纳与使用的相关研究，并在此基础上识别出当前知识体系中存在的关键空白，以清晰地论证本提案所设计研究的独创性和学术价值。
2.1 现有研究基础
现有文献已从多个理论视角对机器人顾问的采纳意愿进行了解释，其中应用广泛的理论框架包括技术接受模型（Technology Acceptance Model）、计划行为理论（Theory of Planned Behavior）、价值基础采纳模型（Value-Based Adoption Model）、**创新扩散理论（Diffusion of Innovation）和社会响应理论（Social Response Theory）**等。基于这些理论，研究者们识别出了一系列影响用户接受度的关键因素，大致可归为用户层面和算法层面两大类：
* 用户层面因素:
* 人口统计学特征，如年龄和可投资资产。
* 心理与认知特征，如外向性、风险承受能力、金融知识水平。
* 技术感知，如感知有用性、感知易用性、感知风险与收益等。
* 算法层面因素:
* 界面设计，如拟人化设计、非人类化命名。
* 系统功能，如个性化程度、透明度、可靠性与数据隐私保护。
* 互动特性，如系统的可解释性与交互性。
这些研究为我们理解用户采纳机器人顾问的意向提供了宝贵的知识基础。然而，通过系统梳理，我们发现当前研究中依然存在若干亟待填补的空白。
2.2 关键研究空白
本研究旨在解决当前文献中存在的四个核心空白：
1. 关键设计元素影响不明: 尽管业绩信息（如历史准确率）和预测框架（如以乐观或悲观的方式呈现预测）被认为是影响用户信任的关键设计元素，但关于这两者如何具体影响用户对算法建议的依赖性，现有的实证研究非常有限，且结论尚不统一。这使得从业者在设计系统时缺乏明确的指导。
2. 机器人顾问的角色认知缺失: 现有研究普遍关注用户“是否”接受算法建议，却忽视了用户在决策过程中如何主观地解读机器人顾问所扮演的角色。例如，用户可能将机器人顾问视为其初始判断的“确认者”，或是促使其重新思考的“反思触发者”，亦或是提供补充信息的“信息补充者”。对这些主观角色认知的理解缺失，限制了我们对人机协作深层动态的洞察。
3. 实际行为整合证据不足: 大多数研究依赖于用户的采纳意向或自我报告的信任度来衡量接受度，这些指标未必能准确反映用户的实际行为。用户可能口头上表示信任，但在行动上并未采纳建议；也可能在心存疑虑的同时，行为上却依赖于算法。因此，当前学术界迫切需要关于用户如何将算法建议实际整合到最终决策中的直接行为证据。
4. 研究方法论的局限性: 目前的研究过度依赖理论驱动的定量方法，这些方法虽然结构清晰，但往往会忽略用户与机器人顾问互动过程中自然浮现的、丰富而细微的体验维度。为了捕捉这些被预设模型所忽视的深层洞见，探索性的定性研究方法显得尤为必要。
为了直接应对这四个关键空白，本研究设计了三个层层递进的研究问题：第一个问题旨在解决设计元素影响不明与行为证据不足的局限；第二个问题聚焦于角色认知缺失；第三个问题则通过整合性视角，为弥补方法论局限提供新的路径。
3.0 研究问题与假设
本研究旨在通过系统性地回答以下三个核心研究问题，来弥补前述文献中的知识空白，并为构建更有效的人与机器人顾问协作关系提供理论与实证支持。
3.1 研究问题
1. 个人在多大程度上依赖机器人顾问的建议？业绩信息和预测框架如何影响这种依赖性？
2. 个人如何解读机器人顾问的角色并将其建议整合到自己的决策过程中？
3. 哪些用户特定和机器人顾问特定的因素共同塑造了人与机器人顾问的协作关系？
3.2 研究假设
基于前景理论、信号理论等相关理论基础，并结合现有文献，本研究将检验以下三个核心假设：
1. H1: 在进行投资决策时，个人倾向于依赖机器人顾问的建议。
* 理论逻辑： 尽管机器人顾问的成本效益、便捷性和客观性等优势理论上使其成为有吸引力的决策辅助工具，但这种吸引力是否能转化为实际的依赖行为尚待验证。因此，本研究的第一个假设旨在提供关于这种依赖性的实证行为证据，从而超越以往研究中普遍关注的采纳意向。
2. H2a: 当提供业绩信息时，个人更倾向于依赖机器人顾问的建议。
* 理论逻辑： 根据信号理论，业绩信息（如历史准确率）可以作为算法能力的可靠信号，减少用户面对“黑箱”时的信息不对称，从而增强其信任与依赖。
3. H2b: 当预测前景为悲观而非乐观时，个人更倾向于依赖机器人顾问的建议。
* 理论逻辑： 根据前景理论，人们对损失的敏感度高于对同等收益的敏感度（即损失厌恶）。因此，一个悲观的、预示潜在损失的预测框架可能会被视为更审慎、更值得信赖的警示，从而促使用户更依赖建议以规避风险。
为了系统性地检验上述假设并深入回答研究问题，本研究将采用一种严谨的多阶段混合方法设计。
4.0 研究方法设计
本研究将采用一个多阶段混合方法实验设计。之所以选择此方法，是因为它能够克服单一方法论的局限性：纯粹的定量方法虽能衡量行为，却会错失用户关键的“诠释视角”；而纯粹的定性方法虽能捕捉主观体验，却缺乏行为验证与普适性。因此，本研究将定量实验、定性分析和后续定量验证有机结合，我们坚信这是全面回答本研究问题的最优策略，能够同时捕捉用户对算法建议的行为依赖度（回答“是什么”）及其背后的主观经验与深层动因（回答“为什么”与“怎么样”）。
4.1 总体研究设计
本研究将分三个阶段进行：
1. 第一阶段 (定量实验): 本阶段将通过一个受控的在线实验，在不同条件下（是否提供业绩信息、预测框架是乐观还是悲观），精准量化衡量用户对机器人顾问建议的行为依赖度（即用户在多大程度上根据算法建议调整其实际预测）。
2. 第二阶段 (定性分析): 本阶段将通过对参与者在实验后提供的开放式问题回答进行主题分析，深入探索用户解读机器人顾问角色的不同方式、整合算法建议的行为模式，以及影响其决策的深层促成因素与阻碍因素。
3. 第三阶段 (定量验证): 本阶段将回归定量方法，对第二阶段定性分析中识别出的关键概念（如不同的用户类型、顾问角色认知）进行定量检验，以验证这些主观分类是否对应着行为依赖度上的显著差异，从而增强研究结论的可靠性。
4.2 实验设计与流程 (第一阶段)
我们计划采用一个 2x2 的组间实验设计，通过操控两个自变量来创建四个实验组：业绩信息（提供 vs. 不提供）与预测框架（乐观 vs. 悲观）。
| 乐观前景 (Optimistic Outlook) | 悲观前景 (Pessimistic Outlook) | :--- | :--- | :--- | 无业绩信息 | 组 1 | 组 2 | 有业绩信息 (80%准确率) | 组 3 | 组 4 |
实验将采用一个基于标准普尔500指数（S&P 500 Index）的投资情景模拟（vignette-based experiment）来进行。
我们将使用**建议权重（Weight of Advice, WOA）**作为衡量用户行为依赖度的核心指标。WOA是一个在建议采纳研究领域被广泛应用的度量，其计算公式如下：
WOA = (调整后预测 − 初始预测) / (顾问预测 − 初始预测)
* 初始预测 (Initial Estimate): 参与者在看到机器人顾问建议前做出的预测。
* 顾问预测 (Advisor Estimate): 机器人顾问提供的预测。
* 调整后预测 (Adjusted Estimate): 参与者在看到顾问建议后提交的最终预测。
WOA的值理论上在0到1之间：值为1表示完全采纳顾问建议，值为0表示完全忽略顾问建议，介于0和1之间的值则表示部分采纳。为处理参与者调整幅度超出顾问建议范围的极端情况（WOA值小于0或大于1），本研究将采用Winsorization方法对数据进行稳健性处理，这是该领域研究的通行做法。
实验流程如下：参与者将被随机分配到上述四个实验组中的一组。他们首先需要根据提供的市场图表和数据提交一个对未来股指的初始预测。随后，他们将收到对应实验条件的机器人顾问建议。最后，他们将被要求提交其最终预测。
4.3 质性数据分析 (第二阶段)
在实验结束后，我们将通过一个开放式问题（“请简要说明您为何更改/未更改您的初始预测”）来收集质性数据。我们将采用严谨的 Gioia 方法论对这些文本回答进行结构化的主题分析。该方法能够确保从原始数据（第一阶概念）到研究者诠释（第二阶主题），再到高级理论构建（聚合维度）的整个过程具备高度的严谨性与透明度。
4.4 参与者招募
本研究计划通过在线众包平台 Prolific 招募参与者。选择该平台的主要原因是其以提供高质量的数据而闻名。参与者的唯一要求是年满18周岁，以确保样本来源的广泛性。
通过上述多阶段、多方法的严谨设计，本研究将能够为描绘人与机器人顾问协作的全貌提供行为、诠释和验证性的三重证据，并由此引出研究的预期贡献。
5.0 预期贡献与意义
本研究的预期成果将对学术理论和行业实践产生双重贡献，从而凸显其独特的价值与深远意义。
5.1 理论贡献
本研究预期将在以下几个方面推动相关领域的理论发展：
* 深化协作理解: 通过引入**建议权重（WOA）**作为衡量行为依赖的直接指标，本研究将把学术界的关注点从传统的“采纳意向”转向“实际整合行为”，从而为理解人机协作提供一个更精细、更贴近现实的视角。
* 扩展理论框架: 通过本研究，我们预期将首次系统性地揭示用户赋予机器人顾问的三种关键角色（确认型、反思型、补充型），并识别出四种全新的用户类型（保守型、怀疑型、折衷型、算法对齐型）。这些发现将极大地丰富和扩展现有的技术采纳理论与人机协作模型。
* 构建整合模型: 本研究预期将首次提出一个整合了个体层面和算法层面的**促成因素（enablers）与阻碍因素（inhibitors）**的2x2分类法。该模型将为理解算法建议的接受度提供一个更全面、更系统的分析框架，超越了以往研究中通常只关注单一维度（促成或阻碍）的局限。
5.2 实践意义
本研究的发现将为机器人顾问的设计者、管理者和推广者提供一系列具有高度可行性的实践指导：
* 优化系统设计: 通过实证检验业绩信息和预测框架对用户依赖度的影响，本研究将为如何通过增强透明度的设计来提升用户信任提供直接、可靠的证据。例如，向用户展示算法的历史表现可能是建立信任的有效途径。
* 实现个性化互动: 基于本研究将识别出的不同用户类型和机器人顾问角色，从业者可以开发出能够根据用户的行为模式和认知偏好自适应调整互动策略的智能系统。例如，系统可以对“怀疑型”用户提供更多的解释和证据，而对“算法对齐型”用户提供更简洁的建议。
* 制定有效策略: 本研究提出的促成与阻碍因素分类法可以作为一个强大的诊断工具，帮助从业者系统性地识别并解决用户在采纳过程中遇到的关键障碍，从而制定更有针对性的市场推广与用户教育策略。
综上所述，本研究将通过其严谨的多阶段混合方法设计和富有洞见的预期发现，为促进更有效、更值得信赖的人与机器人顾问协作关系铺平道路，从而推动金融科技领域的健康发展。
