论文讲解 · 约 9 分钟 · AI 合成配音

把 AI 叫作队友，团队就会更好吗？

Seeber et al. (2020) · Machines as teammates
Information & Management 57: 103174 · DOI ↗
开场 作者设想场景 · p. 1（转述）
台风过后 · 一个小国家
几十万人缺食物、缺水、缺电，也缺医疗
物资社会政治情感伦理…… 数百项因素
一位特别厉害的队友
她记得……
· 州长紧急权力的法律限制
· 关键物资放在哪里
· 医院、学校、甚至动物园的应急程序
帮团队救下成千上万的人
她不是人，而是一台机器
作者也说：这个场景仍是假设
INFORMATION & MANAGEMENT《信息与管理》· 57 (2020) 103174
Machines as teammates
A research agenda on AI in team collaboration
Isabella Seeber 与十一位合作者
Seeber
团队与众包创新 · 协作过程设计 · 对话式智能体参与团队工作
部分合作者
协作的认知基础 · 团队工作流程
AI：工具→队友？团队会怎样？
对个人组织社会又意味着什么？
作者简介：pp. 21–22
什么才算机器队友 pp. 1、3
机器队友 ＝ ？
论文发表时常见的
聊天机器人 · 社交机器人 · 数字助手
→
作者设想的机器队友：承担更多协作功能
界定问题提出和评估方案制定计划从互动中学习
看它实际参与了什么，而不只是被叫作什么
已有的零星证据 作者引用的两项研究 · 转引自 p. 3
可信度判断研究 · Elkins 等，2013
测谎专家 × 判断系统
系统建议与专家判断冲突
→ 专家可能感到专业能力受挑战
→ 对系统建议作出防御性回应
视觉判断实验 · Vollmer 等，2018
一组人形机器人给出答案
7–9 岁儿童：跟随机器人的答案
成人：没有表现出同样的从众
收益还是问题？取决于 机器能力 · 团队规范 · 组织安排
八百多条问题从哪来 pp. 3–4、11
答案还没有，先把问题收集起来
问卷 · 2018 年 2 月 28 日 – 3 月 19 日
对象：协作研究领域的学者
先看
一个虚构场景
→
再问
要走到那一天，必须回答哪些研究问题？
65份回应 ＝8 作者+42 受邀专家+15 会议作者
第一轮 · 自由头脑风暴
270
+
第二轮 · 情感、认知、伦理、组织、技术等提示
549
=
合计
819
质性内容分析
分类 · 合并 · 筛选
研究议程
研究者的想法和问题≠ 819 项研究 · ≠ 已在用 AI 的工作团队
三个设计领域 pp. 5–6、9；p. 3
三个设计领域
领域 1
机器本身
外观 · 感知
学习 · 对话
能否解释建议 · 可靠性
领域 2
协作
团队组成 · 规模
哪些任务交给机器
工作流程怎样重设
领域 3
制度
出了问题谁负责
培训与教育
⇄相互影响：一个领域的选择，牵动另外两个⇄
同一种机器队友 × 不同团队、不同规则 → 效果很可能不一样（p. 3）
什么样的机器？什么样的协作？什么样的制度？
十七组双重性 pp. 4–5、7–10；图 2
十七组双重性 可能带来好处，也可能带来坏处
① 同一个概念，两个方向 · 7 组
团队知识：增强 ⇄ 流失
信任：建立 ⇄ 丧失
机器队友：接受 ⇄ 拒绝
另有：情绪 · 群体氛围 · 健康 · 工作岗位
② 两个方面放在一起研究 · 10 组
决策质量待检验分析与质疑能力
工作节奏待检验认知负担
赋予机器人的特征待检验借信任操纵他人
是否存在、在什么条件下存在：都需要后续研究
一张问题地图，不是后果清单
选讲一 · 知识与判断 p. 7；附录 225_11
团队知识：增强 ⇄ 流失 §5.1.2
本意
把计算、检索、找规律这类繁琐工作交出去
前提
机器解释、展示自己的建议，才能增强人的判断
另一面
有些能力可能慢慢消失；人可能越来越依赖机器
回应者 225_11 的提问（附录）
当越来越多界面支持语音时，人的阅读和读写能力会受到什么影响？
作者把它归入：知识与能力可能流失的讨论
决策质量 ┈ 分析与质疑能力 §5.2.1
机器一直很有用，决策确实变好了
待研究
人可能变成被动接收信息的人，不再分析和质疑
议程里的问题
AI 怎样支持决策，同时不让人的知识流失？
等待研究的可能性 · 没有证明“交出去就会变笨”
选讲二 · 节奏、控制与可见性 p. 8、p. 10
工作节奏 ┈ 认知负担 §5.2.2
一边
一直在线、算得快
→ 可能加快某些任务
待检验
另一边
解释不够清楚 → 弄懂、澄清误会、适应新任务
→ 负担可能更重
更多责任 ┈ 失去控制 §5.2.7
如果机器表现比人好
雇主可能给它更多权力和责任
待检验
那人呢？
也许只剩名义上的控制
成员可能感到：实际的权力和领导权正在转移
更多可见性 ┈ 隐私 §5.2.8
为支持协作和个性化：机器可能收集成员和项目的数据
数据怎样被使用、形成了什么判断：要让人看得见、能控制
与此同时：成员也可能担心自己受到监视
作者说明（p. 10）
不主张这些关联有确定的因果方向
也可以反过来问
对隐私的更多需要 → 可见性降低？
议程能做什么，边界在哪 pp. 9–10
三个用法
① 案例研究
在已用这类技术的组织里，看双重性是否存在、何时出现
② 实验
按三个领域写清机器、协作和制度，便于重复验证
③ 理论
如用交互记忆系统理论，研究知识的增强与流失
作者坦白的局限（p. 10）
· 并不完整：是开始，不是终点
· 问题来自研究者，不是一线从业者；可能偏向研究者关心的事
· 关联部分是作者分析时的解读，并不一定由某一位回应者直接提出
带回今天 p. 10；四个检查点为编辑练习
2019 年在线发表2020 年卷期机器队友：当时仍是设想
“这是你的 AI 队友。”
先别急着判断：团队会更好，还是更差
作者的建议（p. 10）
管理者 ＝ 组织的设计者：团队怎么组成 · 任务怎么分 · 谁被纳入协作
编辑练习 · 四个检查点
交付
AI 具体接手哪一段工作？
理解
谁需要看懂结果？依据在哪里？
调整
谁能暂停、修改或退回建议？
回看
省下的时间、新增的负担、知识的变化，怎样记录？
“队友”：讨论的起点
把安排说清楚，才能判断这段协作在哪里帮到了团队
Seeber et al. (2020) · Information & Management 57: 103174
点播放开始，或者直接点下面的章节跳过去看
0:00

动手试试

跟着当前章节变化。点一点，看看条件一换，结果怎么变。

本章讲稿

点任意一句，从那里开始播放。