对话式 AI 能否打破"我们 vs 他们"的边界？共同身份、双重身份与分离身份框架对亲移民群体间互助的影响

arXiv:2608.19220v1 公告类型：新论文

摘要：移民数量上升加剧了多国的群体间紧张关系。传统的偏见削减项目仍难以规模化，且日益受到美国政策限制。这项预注册实验测试了对话式 AI 是否能改变多数群体成员对拉丁裔移民的分类方式与关系认知。研究基于共同内群体认同模型（common ingroup identity model），采用配额代表性的全国样本，658 名非拉丁裔美国白人成年人与 LLM（GPT-4o）完成了五轮对话。模型被指示分别以共同内群体认同（共享的美国身份）、双重认同（既是拉丁裔也是美国人）或独立认同（ distinct 文化边界）框架来呈现拉丁裔移民，或以无关话题作为控制条件。实验操控改变了分类方式：相对于控制组，共同内群体认同和双重认同对话降低了独立分类，双重认同对话提升了双重分类。尽管对行为和亲多样性信念的直接影响不显著，但在强调上位认同（共同内群体认同和双重认同）的条件下，行动意愿显著更高。路径模型进一步揭示间接关联：两种条件均降低了独立分类，进而与更高的行动意愿相关。对话记录的语义相似性分析证实，对话内容遵循了指定的叙事框架；参与者与共享认同语言的趋同程度与行动意愿呈正相关，与独立认同语言的趋同程度呈负相关。这些效应在调节变量（闭合需求、经验开放性和政治倾向）中大体一致。研究结果表明，简短的 AI 对话能够松动"我们vs他们"的边界，同时也凸显了认知重分类与行为改变之间的差距。