■陈阳 李宛真 张喆喆　　
　　【本文提要】AI写作技术在数字新闻业中的运用，使得机器人新闻消费成为日常生活中人机互动的重要组成部分。本文通过在线实验探究了外部信息接触、用户对AI新闻技术的态度、“机器启发式”认知机制和新奇感水平对其阅读机器人新闻体验的影响。结果表明，“机器启发式”的存在和对AI新闻技术的态度可以解释个体用户对机器人新闻认知和评价的差异；在实验中采用外部信息刺激可显著改变读者对AI新闻技术的态度，但无法改变“机器启发式”的触发水平。本研究发现，从提高公众对机器人新闻接受度的实践层面出发，强调机器人新闻具体技术带来的优势和便利，其说服效果优于强调AI技术的无个人情感和客观性；唤起公众的情感参与是提升公众对AI新闻接受度、喜爱度和互动行为的重要路径。
　　【关键词】机器启发式 新奇感 新闻可信度 自动化新闻 人机互动
　　【中图分类号】G210
　　
一、引言
　　机器人新闻写作（automated journalistic writing）是一项具有前景的应用技术，尤其是在强调速度与准确性的新闻领域。相比记者的写作能力，这一技术能够在简单新闻写作和数据处理等方面表现更优异。这一类型新闻被称为自动化新闻（automated news）、机器人新闻（robot news）（Wu， 2020）或智能新闻（artificial intelligence news）（Lee et al.， 2020）。虽然目前的机器人新闻写作技术更多是由数据驱动生成的，但未来有望发展出以新闻事件为导向，叙事结构更为复杂的写作技术（Caswell & Dorr， 2018）。因此可以预见的是，在数字新闻业中机器人写作将拥有广阔的发展空间（Carlson， 2014）。
　　人工智能技术在数字新闻业中的运用，使得机器人新闻消费成为日常生活中人机互动的重要组成部分，探索新闻业中正在发展的人机关系有助于我们理解在更大社会文化语境之下人工智能带给人们的影响和意义。在此背景下，人们究竟如何认识和评价机器人新闻及相关技术，以及人们如何在阅读机器人新闻的过程中发展数字化时代的人机关系的问题被提了出来。在过往研究中，国内外不少学者测量了用户对机器写作和人工写作的认知和态度差异（Graefe & Bohlken， 2020），但研究结论却存在不同（郑越，杨帆，2019；刘茜，2020；Wu， 2020；Liu & Wei， 2018）。有研究认为读者对机器写作的评价高于人类写作，有研究认为读者更偏爱人类写作的新闻，还有研究表示两者没有明显区分。研究结果产生差异的原因可能有如下几种：研究者所采取的研究方法不同，例如采用自我报告法或者实验操作得出的数据结果往往存在差异；样本对象所处的国别或文化环境对新闻的评价标准有所不同；个体对人工智能技术的认知存在差异（也可能受文化环境的影响）（Lewis， Guzman & Schmidt， 2019）。
　　　　为了解答上述困惑和矛盾之处，探究是什么因素影响了用户对机器人新闻的感知差异，本文引入“机器启发式（machine heuristic）”和“对AI新闻写作技术的态度”的测量指标，以积极/消极文本刺激的实验设计，试图解释个体用户阅读机器人新闻的体验和认知差异，并以此为切入点来理解数字新闻业中的新闻消费和人机关系。
　　　　过往研究已证实读者对人类/机器写作新闻文本的评估得分差距不大，且大多数受访者难以分辨人类/机器写作的新闻文本，主要是依据研究者给出的线索再进行判断（Graefe & Bohlken，2020），同时考虑到AI写作水平仍在不断发展之中，因此本研究不再关注机器写作与人类写作的细微差异，而将注意力转向数字新闻时代的典型特征，例如互动性和情感参与，探究潜在可能因素对用户评价机器人新闻的影响，探索机器人新闻与用户之间尚未明了的认知关系，补充数字新闻业的理论运用。
　　　　
二、研究综述
　　（一）数字化时代下的人机互动关系
　　如今我们接收以及传递信息的活动都必须经由各种数字技术才得以实现。数字技术更新迭代之快，让我们得以不断尝试新的数字技术形式。与过去的媒介形式最不相同的是，人们能够与数字媒介进行互动，或者通过数字媒介进行互动。在数字新闻业亦是如此，互动行为是维系记者与读者之间关系的重要因素（Robinson， 2010）。在数字化时代，相比海量的资讯内容来说，人们愈来愈看重的是充满无限可能的、多样化的数字化媒介形式（Sundar， 2008）。因此，读者对机器/人类写作新闻的评价存在差异，更多是因为机器人新闻的形式而非新闻内容，毕竟机器人新闻报道的题材仍然是过去最常见的天气、财经和体育新闻（Caswell & Dorr， 2018）。因此，本研究将关注重点放在读者阅读机器人新闻时对这一数字技术的态度上。
　　随着人工智能技术在数字新闻中的深入应用，我们的新闻阅读体验越来越由算法和代码所决定，这也意味着人工智能技术的能动性在增加。学者们将目光投向研究用户与技术的互动，包括与以算法为主导的媒体（技术）进行互动，在这类研究中，机器逐步被视为自主的社会行动者，这一研究领域也被归为人机交互（human-computer interaction， HCI）。随着技术的发展，未来的HCI研究更多会是关于人-AI交互的研究（human-AI interaction， HAII）。Sundar（2020）提到，将AI技术视为互动的来源就能激发一系列关于机器的刻板印象：准确、中立、客观、无差错等。这一类预设的心理图式被称为“机器启发式”。
　　“机器启发式”是用于解释人们如何认知与机器的交互行为的重要心理图式之一。Sundar（2008）在提出MAIN模型（Modality-Agency-Interactivity-Navigability model）时对此有所解释：当人们需要通过详尽分析来对事物进行判断时，就会使用已存在记忆中的相关判断规则，这种心理捷径（mental shortcuts）被称为启发式（heuristic）。在过去，人们阅读真实记者写作的新闻时，更容易受权威启发式（authority heuristic）和社会临场感启发式（social presence heuristic）的影响，会将作者视为某个领域/事务方面的专家，以及视为一个真实的人。而在阅读机器写作的新闻时，更容易受机器启发式的影响，这种思维模式则倾向于认为机器写作是客观的、不带偏见的。
　　因此，人们在阅读记者/机器人写作的新闻时，会根据信源线索启动不同的认知模式，从而导致对人类/机器写作新闻的感知评价有所不同。有研究发现，越是坚信“机器启发式”认知模式的受访者在阅读机器写作文本时，越会更少地调动情感投入，因此在新闻文本中感知到的偏见会更少（Liu & Wei， 2018）。可见，“机器启发式”的心理图式可以影响到读者对新闻文本的感知和评价。此外，Jung等人（2017）提出不同文化（或国家）对于科技（尤其是人工智能技术）的态度影响了他们对机器人新闻的评价，他们基于在韩国的实证研究提出了一种可能的解释，韩国文化中对算法的态度相当积极，而对新闻业的看法相对消极，这导致受访者对机器人新闻的评价普遍较高。
　　为了探索“机器启发式”是否是一种稳定的心理图式，并进一步明确“机器启发式”的影响机制和读者对人工智能/机器人写作技术的态度是如何影响到他们对新闻的感知评价，本文使用积极/消极外部信息刺激的方式来进行检验。“机器启发式”这一指标在国内语境下的适用程度还未有定论，因此本研究将对这一点进行验证。引入“机器启发式”和“对AI新闻技术的态度”的测量，有助于解决前人研究在分析受访者对人工/机器人新闻文本的感知差异时，在结论部分的矛盾之处。
　　（二）数字新闻与情感参与
　　随着移动互联网的兴起，数字化新闻占据了人们的主要信息通道，数字化新闻文本逐渐出现情感化和个人化的趋势，近年来，“情感转向”成为数字新闻学研究中一个重要主题（凯伦·沃尔-乔根森，田浩，2021）。数字技术在为新闻业重建基础设施的同时，其技术属性和特征使得“情感”成为新闻行动者的基本逻辑（常江，何仁亿，2022）。正因为新闻生产者和消费者对“情感”的普遍关注，本文拓展了对“情感”因素的考察。
　　在过去机器通常被视为无情感的、中立的，但现在的人工智能拥有了更多自主性和个性化特征，以及“拟人化”的属性，人机交流与人际沟通拥有愈来愈多相似的特征。已有研究充分考察了用户如何感知机器人新闻中的新闻可信度（Gambino & Kim， 2015；Lee et al.， 2020；姚琦，周赟，2022），但对人机交流中情感参与的关注尚不充分。这是因为受理性主义研究取向的影响，在传统新闻中“情感”与新闻客观处于相对立的位置；然而在数字新闻生产中，用户的“分享”、“点赞”、“评论”等数字化情感元素早已被纳入新闻生产的绩效考核（王亚莘，单琪，庞瑞灿，2022），因此进一步重塑了新闻生产者与用户之间的关系。情感与认知通常被认为是相互依存的（Gross， 1998），数字新闻业中的“情感转向”趋势也同样呼吁着我们关注机器人新闻消费中的情感元素。因此在机器人新闻的评价体系中，本文加入对“新闻喜爱度”和“分享评论意愿”的考察。
　　此外，任何信息技术的创新都有可能给使用者带来新奇感体验（novelty），进而促进其对相关信息技术的积极态度（Wells et al.， 2010）。对公众来说，机器人新闻作为一种新的技术体验（Latar， 2015）也可能会带来新奇感，从而产生积极的心理体验，因此本文同样将“新奇感”这一情感元素纳入研究。
　　基于以上讨论，本文就用户对机器人新闻的认知和理解机制提出以下研究假设。
　　H1a：积极/消极的外部信息刺激会影响“机器启发式”的触发水平。
　　H1b：积极/消极的外部信息刺激会影响读者对AI新闻技术的态度。
　　H2a：“机器启发式”的存在提高了读者对AI新闻技术的态度，从而提升了其对新闻可信度的评价。
　　H2b：“机器启发式”的存在提高了读者对AI新闻技术的态度，从而提升了其对新闻质量的评价。
　　H3a：新奇感调节了“机器启发式”与新闻可信度评价的关系。
　　H3b：新奇感调节了“机器启发式”与新闻质量评价的关系。
　　H4a：感知到的新闻可信度提高了读者对新闻的喜爱度，从而提升了其转发评论意愿。
　　H4b：感知到的新闻质量评价提高了读者对新闻的喜爱度，从而提升了其转发评论意愿。
　　　　
三、研究方法
　　（一）操作变量
　　机器启发式。参照Liu & Wei（2018）的量表，题目包括“与人类相比，机器人（a）没有个人意图，（b）更客观，（c）没有偏见”。所有量表都采用五级量表，下同。
　　对AI写作技术的态度。主要测量对AI新闻技术的态度倾向，参照Gillissen等（2022）的题目框架进行改写，“你是否认同机器人写作在新闻写作中可有可无”，以及Stapels和Eyssel（2021）量表中的题目“总体来说，你是否对机器人新闻持积极态度”、“你是否看好机器人写作在新闻领域的运用”。
　　机器人新闻内容的评价。参照Sundar（1999）关于新闻可信度的测量，包括以下维度：“我认为这段新闻的内容（a）没有偏见，（b）是公正的，（c）是客观的”；新闻质量的评价维度包括“我认为这段新闻（a）内容表述清楚，（b）逻辑连贯，（c）内容详尽”。
　　新闻喜爱度。参照Sundar和Nass（2001）对于新闻喜爱度的评价标准：“我认为这段新闻（a）内容十分生动，（b）内容有趣，（c）读起来非常享受”。
　　新奇感。参照Wells等人（2010）和Sundar等人（2014）的研究设计，题目设置为“我发现（a）阅读机器人写的新闻是一种新奇的体验，（b）机器人新闻是一项有创新的技术，（c）机器人新闻提供了一种全新的新闻生产方式”。
　　分享评论意愿。参照Christopher（2019）的框架，题目包括“读完这篇文章，我有意愿（a）在社交平台进行转发，（b）转发给我的亲人朋友，（c）在留言区进行评论”。
　 （二）研究设计
　　本研究于2022年9月在北京、四川及湖南高校招募被试者，开展在线问卷和实验，通过问卷星平台（https://www.wjx.cn）发放文本材料。研究分为两个设计，研究1进行组间对比，测试不同被试者接受外部积极/消极信息刺激的效果；研究2进一步探究机器启发式水平和对技术的态度如何影响用户的新闻消费行为，为了保证样本对象报告数据的可靠性，排除新闻文本选择方面的干扰，要求同一被试者额外阅读一篇新闻文本并评估，作为对照组。
　　在进行正式问卷之前，发放了25份问卷作为预测验，根据填答情况进一步修改了问卷内容。为保证实验数据的质量，问卷设置了3道反向选择题，并关闭了断点续答功能(回答部分内容退出后下次登录可继续回答)，每个IP地址仅限填答一次。填答时间在两分钟以上的问卷被视为有效问卷。
　　（三）实验材料
　　关于信息刺激材料，研究中分别准备了一段关于人工智能新闻技术的积极描述或者消极描述，积极描述文本只探讨该项技术带给人们的积极影响，消极描述文本只探讨技术的负面影响。两段材料行文风格、观点数量和字数都保持一致。
　　关于新闻文本材料，本研究探索性地选用了健康题材的新闻，因为健康题材新闻同样依赖于大规模的数据分析，未来可能成为机器人新闻写作的优势领域。但不同的是，健康新闻更看重对读者的传播和说服效果，有助于探索AI生成新闻是否能如记者写作的新闻一样，激起读者的情感共鸣、评论和转发意愿。为了保证新闻文本的选择不会造成干扰，在研究2中要求每位被试者增加测试一篇过往机器人写作最常应用的题材——财经新闻（Wu，2020）作为对照。
　　研究中选择的新闻文本以引证官方数据和材料为主，立场较为中立，无明显主观描述。为了更方便地控制文本的内容，本研究使用的新闻资料由研究者筛选加工而成。由于研究并不涉及对机器人写作的实质评价以及与人类写作的比较研究，而是要探究一系列潜在因素对于读者对机器人新闻态度的影响机制，因此新闻文本是否完全由人工智能创作并不重要。目前AI写作能力的迭代速度远超出人们预期，正因为机器人新闻可预见的广阔未来，才更有必要前瞻性地检验更多元化的机器人新闻题材对消费者的影响。
　　　　
四、研究过程
　　（一）研究1：积极/消极信息接触对用户认知态度的影响
　　研究1中先请被试者阅读并签署研究知情同意书，随后向被试者随机发送一个问卷链接。被试者被随机分配阅读一段关于人工智能新闻技术的积极/消极描述文本，然后测量其对AI新闻技术的态度和“机器启发式”触发水平。随后他们被安排阅读一篇机器人新闻文本，对新闻的可信度和内容质量进行评分。研究1共收集问卷182份，有效问卷149份，其中接受积极文本刺激的占43.0%，消极文本刺激的57.0%；男性占30.2%，女性占69.8%；年龄范围从18至36岁（M = 24.07， SD = 4.21）；受访者中大学本科占51.7%，研究生及以上占45.6%。
　　针对本文设计的两种关于AI新闻技术的背景材料（积极/消极），两组数据独立样本T检验结果显示，阅读关于AI新闻技术的积极描述文本的被试者对于AI写作技术的态度（M = 3.47， SE = .72）显著高于阅读消极文本的被试者（M = 3.07，SE = .73）（t = 3.35， p = . 001）；被试者中阅读积极文本的组别（M = 3.43， SE = .78）与阅读消极文本的组别（M = 3.46， SE = .85）在“机器启发式”思维路径的测量中没有明显差别（t =-.27， p = . 79）。说明外部的信息摄入有助于改变读者对于机器人新闻技术的态度，且接受积极信息的（介绍机器人新闻技术的优点）相较于接受负面信息的（介绍相关技术的缺点）被试者，对于机器人写作技术的接受度和好感度更高。
　　在感知新闻质量和可信度方面，阅读积极描述文本的被试者对新闻质量的评价（M = 3.60， SE = .61）略高于阅读消极文本的被试者（M = 3.50， SE = .64），但未达统计意义上显著（t =.98， p = .33）；阅读积极描述文本的被试者对新闻可信度的评价（M = 3.60， SE = .64）略高于阅读消极文本的被试者（M = 3.50， SE = .69），同样未达统计意义上显著（t =.96， p = .34）。
　　数据分析的结果证实H1a不成立。“机器启发式”的触发不受实验中积极/消极信息刺激的影响，保持稳定状态；H1b成立，被试者对于AI写作技术的态度可以在短时间内由外部信息刺激而改变。
　　（二）研究2：对智能新闻的感知评价和互动意愿的作用机制
　　接下来在研究2中进一步探究被试者对技术的态度如何影响其对机器人新闻的感知、评价及互动意愿。由于外部积极/消极信息刺激只影响被试者对新闻写作技术的态度，但不影响他们对新闻文本的评价，因此在研究2对新闻文本评价的中介效应分析中不再纳入“外部积极/消极信息接触”这一变量。同时为了保证新闻文本的选择不会对研究造成干扰，要求每位被试者增加测试一篇机器人写作常用的财经题材新闻作为对照。
　　研究2中先请被试者阅读并签署研究知情同意书，随后向被试者发送一个问卷链接。首先测量被试者对AI新闻技术的态度和“机器启发式”触发水平，随后安排被试者阅读一段来自健康领域的机器人新闻并对各个维度进行评分，最后每位被试者加试一篇常见的财经领域的AI新闻文本。研究2共收集问卷383份，有效问卷355份，其中男性占49.9%，女性占50.1%；年龄范围从18至35岁（M = 20.8， SD = 4.0）；受访者中大学本科占74.1%，研究生及以上占22.3%。
　　首先对被试者阅读健康题材新闻/财经题材新闻的报告数据进行配对样本T检验。财经题材新闻的新闻可信度（M = 3.58， SE = .67）与健康题材新闻（M = 3.55， SE = .74）无明显差异（t = .74， p = .46）；财经题材新闻的新闻质量（M = 3.58， SE = .67）略高于健康题材新闻（M = 3.48， SE = .71） （t = 3.25， p = .001）。总体而言说明新闻文本的题材选择不同对于被试者感知新闻可信度和新闻质量的干扰程度较小。
　　本文使用PROCESS Marco的模型来验证由新闻内容评估、对AI新闻技术的好感度、机器启发式、新奇感等变量构成的中介及调节作用模型。采用自主抽样法（Bootstrap），样本量5000，95%置信区间。
　　1.读者对智能新闻感知评价的影响机制
　　为了探究机器启发式与新闻可信度之间的关系，以机器启发式作为自变量，新闻可信度作为因变量，对AI新闻技术的态度作为中介变量的路径图如图2所示，H2a可通过中介效应得以支持。“机器启发式”的触发既能直接影响读者对新闻可信度的感知，也可通过对AI新闻技术态度的中介路径，进一步提高读者感知到的可信度，这一路径的中介效应显著（B = .05， SE = .01，95% CI [.02，.08]）。
　　再以机器启发式作为自变量，新闻质量评价作为因变量，对AI新闻技术的态度作为中介变量的路径图如图3所示，H2b得到验证。“机器启发式”的触发也可通过对AI新闻技术态度的中介路径，进一步提高读者感知到的新闻文本质量，这一路径的中介效应同样显著（B = .07， SE = .02， 95% CI [.04，.11]）。
　　接着探究新奇感在读者对智能新闻感知评价中的调节作用。首先以机器启发式作为自变量，新闻可信度作为因变量，采用Johnson-Neyman方法（Hayes & Matthes， 2009）计算新奇感作为调节变量的显著水平。如图4所示，当新奇感水平<2.40，交互效应不显著；当新奇感水平>2.40，交互效应显著，新奇感起正向调节作用，支持H3a。
　　再以新闻质量评价作为因变量，计算“机器启发式”与新奇感的交互项对其的影响。如图5所示，当新奇感水平<3.23，交互效应不显著；当新奇感水平>3.23，交互效应显著，新奇感起正向调节作用，支持H3b。
　　2.读者对智能新闻分享评论意愿的影响机制
　　　　为了验证H4，依次将新闻质量评价和新闻可信度代入为自变量，新闻喜爱度为中介变量，读者的分享评论意愿为因变量。如图6所示，新闻可信度对分享评论意愿的直接效应不显著，间接效应显著（B = .09， SE = .04， 95% CI [.01，.19]），H4a成立；对新闻质量的积极评价提升了读者对新闻的喜爱度，从而提高了其分享评论意愿，且为完全中介效应（B = .30， SE = .05，95% CI [.21，.40]），H4b成立。“感知的新闻质量”所在路径间接效应的标准化系数（B = .19， SE = .03， 95% CI [.13，.25]）大于“感知的新闻可信度”所在路径间接效应的标准化系数（B = .06， SE =.03， 95% CI [.01，.12]）。
　　　　
五、讨论
　　（一）外部信息刺激与对照实验
　　从研究1的数据结果可以发现“机器启发式”的认知模式较为稳定，不易在短期内为外界信息接触所改变，而“对AI新闻技术的态度”可以通过实验操作实现显著改变，从而对读者感知机器人新闻产生积极影响。
　　而外部积极/消极信息接触并未显著改变用户对新闻文本的评价，虽然接受积极信息刺激的被试者在新闻文本质量和新闻可信度评价上的平均得分略高于接受消极信息刺激的被试者。这说明即使是对AI写作技术持消极态度的用户，他们对技术的消极态度未必会直接影响到其对机器人新闻的消费和接受度。这或许有助于减少我们对AI新闻技术负面看法的担忧，从一个侧面支持了我们对AI新闻技术的推广和应用。
　　从研究2的对照组可以发现，在格式、行文风格等其他因素基本一致的前提下，不同新闻题材的选用对用户报告的新闻评价分数影响不大，健康题材和财经题材新闻在可信度方面基本一致，在新闻质量方面仅有细微差别。目前在机器人新闻的受众实验中最常采用的是体育新闻、财经新闻等类别，本文选择的健康题材文本较为少见，但在研究2中显示被试者的报告数据具有一致性，这一结果支持了AI新闻技术在更广阔的报道领域的运用。
　　（二）用户对机器人新闻感知差异的影响因素
　　本研究发现影响读者对机器人新闻文本感知差异的有两个重要因素：“机器启发式”和“对AI新闻技术的态度”。从图2和图3可以看到，“机器启发式”的触发程度有利于提升用户对机器人新闻可信度和新闻质量评价的感知。“机器启发式”的影响机制分为两条路径：一是直接影响用户对新闻可信度和文本质量的评价；二是通过“对AI新闻技术的态度”这一中介变量影响用户对机器人新闻的评价感知。
　　从现实意义出发，如何提升公众对机器人新闻的认可度？在第一种路径中，“机器启发式”解释了用户对机器人新闻的感知差异。但用户个体的“机器启发式”认知水平较为稳定，在短期内难以实现明显改变，且其触发机制目前尚未完全明确，无法确定是否还有潜在因素会引发这一认知模式，例如阅读环境、新闻文本等。在第二种路径中，“对AI新闻技术的态度”在用户阅读机器人新闻的感知评价中起正向中介作用，且实验中证实用户对技术的态度可以在短期内显著提升。因此，该中介路径更具有实际应用的意义。如果有意提升机器人新闻在受众中的接受度和影响力，强调机器人新闻这一具体技术带来的优势和便利，效果优于宣传人工智能技术的无偏见和客观性。
　　（三）提升机器人新闻互动意愿的影响因素
　　本研究验证了感知的新闻文本质量与新闻可信度对用户阅读机器人新闻喜爱度和互动意愿的影响。如图6所示，感知的新闻文本质量与新闻可信度对用户分享互动意愿的直接效应均不显著；但可通过提升新闻喜爱度的中介路径，对用户的分享互动意愿产生积极影响。
　　“感知的新闻质量”所在路径的间接效应大于“感知的新闻可信度”所在路径的间接效应。用户感知的新闻质量相比新闻可信度而言，是用于衡量用户新闻喜爱度与互动意愿的更有效指标，或者可以说，读者是否对一篇机器人新闻产生好感，更多来自于对内容质量的判断。因此，如果想要提升机器人新闻的流量和数据表现，除了强调AI写作技术在保持新闻客观性、中立无偏见等方面的技术优势，更应当着重提升AI写作的质量。这一研究结果也为未来的机器人新闻发展拓宽了空间，说明AI新闻技术除了应用于数据分析、简单新闻写作等方面，还可用于更复杂的新闻结构和内容创作，同样具备广阔的用户市场。
　 （四）“阅读机器人新闻”体验中的情感参与
　　本研究发现，“新奇感”在用户感知新闻质量水平和新闻可信度两方面都发挥显著作用。首先在用户对智能新闻的感知评价环节，当新奇感水平>2.40，新奇感与机器启发式的交互效应可显著增强用户对新闻可信度的评价；当新奇感水平>3.23，新奇感的调节作用同样显著增强用户对新闻文本质量的评价。因此，当新奇感水平处于较高水平时，会整体提升用户对机器人新闻的评价。因此，对于体验机器人新闻的用户来说，应尽可能地利用新奇感等情感因素来增加和动员其对AI新闻技术的接受度。具体来说，可以在页面设计和阅读文本上定期提供更新体验来加强读者的新奇感。
　　目前在机器人新闻中很少提及情感参与及情感体验这一维度。“情感”元素在机器人新闻研究中往往是被忽视的，因为机器人新闻本身一般被默认为是没有个人情感的，并且目前由机器人创作的新闻大多数是以数据为基础的硬核题材，具有情感性的文字或修辞很少，唤起读者情感共鸣的机会也较少。但本研究发现在提升用户对机器人新闻评价方面，“新奇感”发挥了促进作用，而新奇感正是属于情感维度的变量，会刺激涉及杏仁核激活的情感反应（Weierich et al.，2010）。此外，本文发现用户对机器人新闻的喜爱度是决定其互动意愿的直接影响因素。这启发我们在后续研究中进一步增加对机器人新闻情感参与的相关考察。
　　唤起公众的情感参与同样也是提升其对机器人新闻接受度、喜爱度和互动行为的重要路径。机器人新闻可以运用“情感”元素来增添一些人情味，而不是仅仅强调AI写作相比人类写作的客观性、公正性。这也是未来发展AI写作技术可以考虑的因素，在内容制作上以及宣传方式上多加入可能引起情感共鸣/参与的元素。
　　最后值得注意的是，新奇感对“机器启发式”与新闻可信度关系的正向调节效应显著，这似乎打破了过去“情感参与”与客观性相对立的观点，新奇感有助于提升读者对新闻客观和信任度的评价。这一发现有助于我们重新理解数字新闻时代关于“情感”的定义，以及重建新闻客观与“情感”之间的关系。
　　（五）数字化时代“新闻可信度”的再讨论
　　从国外对机器人新闻的早期研究开始（Sundar，2008），学者们就将“新闻可信度”作为理解和考察机器人新闻的一个重要变量。但本研究发现“新闻可信度”并非决定读者对新闻的喜爱度和分享互动意愿的首要因素。也可能是因为随着时代发展公众对新闻的消费和解读有了改变。例如路透社的一项调查提到，多个国家的受访者表示新闻的可信赖程度并不总是重要的考虑因素（王茜，本杰明·托夫，2021）。
　　新闻可信度这类衡量新闻客观性、信任度的指标在本研究中的作用被削弱，其可能的解释有二：首先，在社交媒体时代，公众对新闻客观性的重视程度不如其他指标，如情感性因素“新奇感”，用户不再将新闻客观性、信任度看作是评价新闻好坏的首要标准，即使对于机器人新闻也是如此。从新闻生产的角度来说，“点赞”、“转发”、“评论”等数据指标成了考核新闻的主要指标，用户对新闻的喜爱程度和互动意愿被放在了重要考虑位置，而此类行为都被视为与情感参与密切相关（田浩，2021）；其次是由于本次研究中阅读的是机器人新闻，这类新闻对于大多数受访者来说可能是平时未注意到的或未体验过的，当新奇感等情感因素占主导地位时，他们对新闻客观性、可信度的关注度相对下降了。
　　本文中对各变量的比较研究有助于拓宽人们对机器人新闻的理解，给予相关研究更多可能性，而不局限于对机器人新闻信任度的探讨，或者人类/机器文本的优劣比较。因此“新闻可信度”重要性的下降或许也是一种启示，在数字化新闻时代，将目光转向关注“新闻信任度”之外的领域，将有助于数字时代新闻学理论的创新。
　　（六）创新及未来研究趋势
　　本研究中引入“机器启发式”、“对AI新闻技术的态度”变量，目的即是探索已有研究成果中读者对人类/机器写作文本感知差异的背后原因，并且发现这种感知差异可以通过说服信息刺激发生改变。这项研究也拓宽了过往对机器人新闻进行研究的框架，对被试者感知新闻质量、喜爱度和互动意愿的测量，有助于理解数字化时代的新闻形式和用户的新闻消费行为。另外，从机器人新闻的角度切入研究人机关系，相比其他人工智能技术更易进行控制实验操作，同时为人机传播研究提供了数字新闻领域的视角。
　　在研究操作层面上，本研究拓宽了机器人新闻的选用题材，考察了更有应用潜力的健康新闻题材，并且发现题材选择的差异不影响用户在新闻感知评价方面的一致性。而过往研究使用的文本材料多是已有成熟运用的AI新闻题材，例如天气预报、体育新闻、财经新闻等，但AI新闻技术正经历着飞速发展，有望在更多元的报道领域进行应用，因此后续研究可与时俱进地拓展更多题材的机器人新闻文本，以此切入口来理解数字新闻消费的新型体验和用户关系。
　　在应用价值层面，本文发现用户“对AI新闻技术的态度”和“新奇感”触发水平有可能经由外部介入而发生改变，从而对其新闻阅读体验和互动意愿产生显著影响。尤其是“对AI新闻技术的态度”能在短时间内因外界信息接触而发生改变，这对媒体机构未来如何建立发展机器人新闻的策略有借鉴意义。
　　本研究亦存在着缺陷。研究中选用的具体新闻文本，如题材的感兴趣度、行文方式、写作手法等都可能干扰到部分受访者的回答。本文采用的文本信息刺激未能显著改变受访者的“机器启发式”触发水平，但不排除有其他未测量或潜在因素会影响到读者的这一认知模式。未来研究可在实验设计上进一步完善，对读者阅读机器人新闻时机器启发式的触发机制进行更为细致的探索，有助于进一步加深对数字用户阅读机器人新闻体验的认识。此外，本文虽然考察了“情感”对读者阅读体验的影响，且验证了某些情感元素对用户的阅读过程产生了积极影响，但对情感元素的发掘和测量还远远不够，未来研究同样可深入探索情感在机器人新闻领域的可能作用。■
　　
参考文献：
常江，何仁亿（2022）。物质·情感·网络：数字新闻业的流程再造。《中国编辑》，（4），29-35。
凯伦·沃尔-乔根森，田浩（2021）。数字新闻学的情感转向：迈向新的研究议程。《新闻界》，（7），25-32。
刘茜（2020）。人工智能机器写作受众态度实验研究。《 西南民族大学学报（人文社科版）》，（3），157-162。
田浩（2021）。反思性情感：数字新闻用户的情感实践机制研究。《新闻大学》，（7），33-45+120。
王茜，本杰明·托夫（2021）。新闻信任对用户意味着什么。《青年记者》，（9），94-96。
王亚莘，单琪，庞瑞灿（2022）。“新闻回应”的情感转向：基于数字新闻学的审视。《传媒》，（8），87-89。
姚琦，周赟（2022）。主观还是客观：AI写作对新闻可信度的影响机制研究。《现代传播（中国传媒大学学报）》，（10），127-135+145。
郑越，杨帆（2019）。记者和算法谁更值得信任：“机器人新闻”可信度的影响因素探析。《现代传播（中国传媒大学学报）》，（6），63-67。
Carlson,M.(2014).The Robotic Reporter:Automated journalism and the redefinition of laborcompositional forms and journalistic authority.Digital Journalism.3(3).416-431.
Caswell, D.& Dorr, K. (2018). Automated journalism 2. 0: Event-driven narratives. Journalism Practice, 12 (4)477-496.
Christopher, J. C. (2019). An assessment of the measurement validity of the value-relevant involvement scale. Western Journal of Communication83(3)345-364.
Gambino, A.KimJ. (2015). An algorithm wrote this? Psychological responses to AI news writers: Eeriness, branding, and credibility. Poster presented at the 2015 Human-Computer Interaction Consortium (HCIC): Theory, WatsonvilleCA.
Gillissen, A.Kochanek, T.ZupanicM.& Ehlers, J. (2022). Medical students’ perceptions towards digitization and artificial intelligence: A mixed-methods study. Healthcare (Basel, Switzerland)10(4)723.
GraefeA.& BohlkenN. (2020). Automated journalism: A meta-analysis of readers’ perceptions of human-written in comparison to automated news. Media and Communication8(3)50-59.
Gross J. J. (1998). The emerging field of emotion regulation: An integrative review. Review of General Psychology, 2(3)271-299.
Hayes, A. F.& MatthesJ. (2009). Computational procedures for probing interactions in OLS and logistic regression: SPSS and SAS implementations. Behavior Research Methods41pp. 924-936.
JungJ.Song, H.Im, H.KimY.& Oh, S. (2017). Intrusion of software robots into journalism: The public’s and journalists’ perceptions of news written by algorithms and human journalists. Computers in Human Behavior, 71291-298.
Latar, N. L. (2015). The robot journalist in the age of social physics: the end of human journalism? In: EinavG. (Eds. ) The New World of Transitioned Media. TEICE (pp. 65-80). Springer, Cham.
Lee, S.NahS.ChungD. S.& KimJ. (2020). Predicting AI news credibility: Communicative or social capital or both? Communication Studies71(3)428-447.
Lewis, S. C.Guzman, A. L.& SchmidtT. R. (2019). Automation, journalism, and human-machine communication: Rethinking roles and relationships of humans and machines in news. Digital Journalism, 7(4)409-427.
Liu, B.& WeiL. (2018). Reading machine-written news: Effect of machine heuristic and novelty on hostile media perception. In: Kurosu, M. (Eds. ) Human-Computer Interaction. Theories, Methodsand Human Issues (pp. 307-324). Switzerland: Springer.
RobinsonS. (2010). Traditionalists vs. convergers: Textual privilegeboundary work, and the journalist-audience relationship in the commenting policies of online news sites. Convergence16(1)125-143.
Stapels, J. G.& Eyssel, F. (2021). Let’s not be indifferent about robots: Neutral ratings on bipolar measures mask ambivalence in attitudes towards robots. Plods ONE16(1)e0244697.
SundarS. S. (1999). Exploring receivers’ criteria for perception of print and online news. Journalism & Mass Communication Quarterly76(2)373-386.
SundarS. S. (2008). The MAIN Model: A heuristic approach to understanding technology effects on credibility. In: M. J. Metzger and A. J. Flanagin, (Eds. )Digital Media and Learning (pp. 73-100). CambridgeMA: The MIT Press.
SundarS. S. (2020). Rise of machine agency: a framework for studying the psychology of human-AI interaction (HAII). Journal of Computer Mediated Communication25(1)74-88.
SundarS. S.& Nass, C. (2001). Conceptualizing sources in online news. Journal of Communication51(1)52 -72.
SundarS. S.TamulD. J.Wu, M. (2014). Capturing “cool”: measures for assessing coolness of technological products. Int. J. Human-Computer Studies72169-180.
WeierichM. R.Wright, C. I.Negreira, A.DickersonB. C.BarrettL. F. (2010). Novelty as a dimension in the affective brain. Neuroimage, 49pp. 2871-2878.
Wells, J. D.Campbell, D. E.Valacich, J. S.Featherman, M. (2010). The effect of perceived novelty on the adoption of information technology innovations: A risk/reward perspective. Decision Sciences, 41(4)813-843.
WuY. (2020). Is automated journalistic writing less biased? An experimental test of auto-written and human-written news stories. Journalism Practice, 14(8)1008-1028.
　　
陈阳系中国人民大学新闻与社会发展研究中心研究员，中国人民大学新闻学院副教授。李宛真系中国人民大学新闻学院博士研究生，张喆喆系中国人民大学新闻学院博士研究生。本成果受中国人民大学2023年度“中央高校建设世界一流大学（学科）和特色发展引导专项资金、中央高校基本科研业务费”支持（项目课题号：2023XWTD002）。