感知機器人威脅降低親社會傾向*

摘 "要""機器人進入社會可能會對人類造成心理威脅， 而這種威脅會給人際關系帶來挑戰。通過8個研究， 結合檔案數據庫回溯、問卷調查、情境實驗和線下調查， 文章探討了感知機器人威脅對親社會傾向的影響及其內在機制和邊界條件。結果發現： 感知機器人威脅會降低人們的親社會傾向（研究1～7）; 其機制為集體焦慮的中介作用， 即感知機器人威脅會增加集體焦慮， 從而降低親社會傾向（研究2～4）; 此效應受到內外群體的調節， 即感知機器人威脅主要會降低對于外群體成員的親社會傾向（研究5）; 同時， 此效應受到道德比較傾向的調節， 即感知機器人威脅主要會降低下行道德比較者的親社會傾向（研究6）。研究結果揭示了感知機器人威脅對人際關系的負面影響， 拓展了現有關于機器人社會影響的研究。

關鍵詞""親社會傾向， 感知機器人威脅， 集體焦慮， 外群體， 道德比較

分類號""B849： C91

1 "引言

人們對技術失業（technological unemployment）的擔心自工業革命開始便從未消失， 從過去的機器到現在的人工智能機器人， 人們一直擔心其通過習得人類技能而取代人類勞動（Susskind amp; Susskind， 2015）。現今人工智能技術發展對于特定模式的常規工作任務沖擊更大（Neufeind et al.， 2018）， 若僅看數據， 人工智能在就業市場上已經對人類產生嚴重威脅， 甚至有預測表明， 美國47%的現有工作將被人工智能取代， 這一比例在歐洲的研究中更高達54% （Frey amp; Osborne， 2017）。人工智能帶來的勞動力變革會使簡單無認知滲入的重復勞動成為機器人的最佳適用場景， 從而導致大部分工人成為“無用階層” （Harari， 2017）。關于人工智能對不同職業取代程度的討論不絕于耳， 甚至有學者計算出各行業被人工智能替代的不同比例供求職者參考（Frey amp; Osborne， 2017）。然而， 機器人可能對人類造成的威脅還不止于此。除了搶占人類工作崗位等所造成的現實威脅（realistic threat）， 在外觀、能力等方面日趨擬人化的機器人還可能會對人類造成認同威脅（identity threat）， 即模糊人與機器之間的界限， 從而威脅人類身份認同以及人之為人的獨特性（Yogeeswaran et al.， 2016）。

盡管機器人技術的發展正在深刻改變全球經濟（Agrawal et al.， 2019; Ford， 2009）， 但人們對機器人威脅的感知可能會產生重要的社會影響， 尤其是在影響人際關系方面， 類似于早期工業發展所引發的社會混亂?，F實群際沖突理論認為， 日益自動化將加劇群體間的緊張關系， 因為它增加了群體之間對資源爭奪的競爭（Bobo， 1983; Jackson， 1993）。例如， 工業革命放大了歐洲和美國基于種族和階級的敵對情緒（Mathias， 2013）。在這些歷史與理論背景下， 最近的研究開始關注機器人威脅對人際社會的影響。例如， 與機器人的接觸增加對反移民政策的支持（Frey et al.， 2018）; 對自動化威脅的感知會增加人們對限制性移民政策的支持， 導致對移民更多的歧視行為（Gamez-Djokic amp; Waytz， 2020）。近期也有研究者發現了機器人在工作場所的負面人際影響， 如， 工作場所機器人的增加會造成人們更強的工作不安全感， 這與工作倦怠及職場不文明行為呈顯著正相關（Yam et al.， 2023）; 人工智能的部署增加了工作場所員工的不道德行為（Bai et al.， 2025）; 感知機器人威脅增加職場物化（許麗穎"等， 2024）等。這些都反映了機器人技術不僅會影響人際社會， 還可能帶來負面后果。

在這樣的背景下， 研究機器人威脅對人們親社會傾向的影響變得尤為重要。親社會行為是指個體主動做出使他人、團體或社會受益的行為， 旨在促進他人而非自身利益（Batson amp; Powell， 2003）。親社會行為因其對人際關系和社會整體福祉的重要意義受到廣泛關注（Penner et al.， 2005）?，F有文獻探討了個體內部因素（如人格、情緒、動機和偏好）與外部因素（如規范、聲譽和關系）對親社會行為的影響（Simpson amp; Willer， 2015）。然而， 隨著人工智能技術的迅猛發展和普及， 機器人逐漸出現在各種環境中， 如工作、家庭和服務場所等。其對人們產生的威脅感知可能成為影響親社會行為的新的外部因素， 并導致人際關系惡化和社會冷漠?；诖?， 本研究意在探討感知機器人威脅對親社會傾向的影響， 并試圖揭示其背后的潛在機制和邊界條件。這將有助于在機器人技術日益普及的背景下， 更好地理解和應對機器人帶來的對人際關系的挑戰。

1.1""感知機器人威脅如何影響親社會傾向

機器人技術的發展給社會帶來了深刻的變革（Agrawal et al.， 2019; Ford， 2009）， 但同時也引發了人們對機器人威脅的深切焦慮。關于機器人威脅， 人們常常描繪著一幅黯淡的未來圖景。例如， 人們擔心機器人會取代自己的工作， 或導致人類的未來變得不確定和充滿危機（Asimov， 1950; Gray et al.， 2023）。這些擔憂不僅存在于個體層面， 也在集體層面引發廣泛焦慮。

個體層面的焦慮通常指對個人生活和未來的不確定性（Mann et al.， 2020; Miloyan et al.， 2018）， 例如對職業生涯和經濟安全的擔憂（Li et al.， 2019）。集體層面的焦慮則涉及對整個群體未來的廣泛危機感（Wohl amp; Branscombe， 2008）。關于機器人威脅導致個體焦慮及其對人際關系的影響已經得到了廣泛研究（Frey et al.， 2017; Im et al.， 2019; Wu"et al.， 2024; Yam et al.， 2023）。例如， 在職場中接觸機器人會引發工作不安全感， 并導致對同事的不文明行為（Yam et al.， 2023）。自動化對未來就業的威脅會增加人們的物質不安全感， 并增加他們對反移民政策的支持（Frey et al.， 2017; Im et al.， 2019）。目前， 關于機器人威脅引發的個體相關焦慮及其負面人際后果的研究已經較為清晰（Frey et al.， 2017; Im et al.， 2019; Wu"et al.， 2024; Yam et al.， 2023）。然而， 與其他威脅來源類似（Kahn et al.， 2022）， 機器人威脅也可能引發集體焦慮。集體焦慮（collective angst）是一種對群體未來命運的擔憂， 反映出群體成員對未來的不安情緒（Wohl amp; Branscombe，"2008）。

集體焦慮有兩種來源， 即群體的獨特性威脅和滅絕威脅（Wohl et al.， 2012）， 這類似機器人給人帶來的認同威脅與現實威脅（Yogeeswaran et al.， 2016）。首先， 根據社會認同理論（social identity theory）， 群體成員有保持自身群體獨特性的動機（Brewer， 2001; Tajfel amp; Turner， 1986）， 當人們認為自己所在群體在未來可能會失去與另一個群體相比較時的獨特性時， 就會產生集體焦慮。這表現在人們擔心慶祝他族節日及采用他族儀式和術語會喪失傳統、少數民族認為與他族通婚會導致文化泯滅， 加拿大人擔心在全球化浪潮中變得過于英美化等（Lalonde， 2002; Roccas amp; Amit， 2011; Wohl et al.， 2011）。這種獨特性威脅類似機器人造成的認同威脅， 人們會因擔心未來機器和人之間的界限模糊而產生集體焦慮。其次， 群體滅絕在歷史上并非新鮮事， 當人們想象自然災害可能使其群體滅絕， 甚至只是象征性地讓其群體的標識永久消失時， 他們都會陷入群體焦慮（Wohl et al.， 2010）。對于機器人的迅速發展， 人們也存在一定的滅絕威脅擔憂。例如， 一些學者和專家認為， 機器智能等徹底變革性技術給人類帶來了前所未有的風險， 可能導致人類滅絕或摧毀地球孕育智慧生命的潛力（Bostrom， 2002; Khasawneh， 2018; Li amp; Huang， 2020; Yudkowsky， 2008）。科幻小說中也常描述機器人對人類的殘酷傷害， 以及今年在ChatGPT等大語言模型開始涌現出可能的類人行為時， 各種科技領袖呼吁暫停相關研究， 以避免人類陷入萬劫不復的境地（Kahn， 2023）。這些幾乎都是機器人威脅導致集體焦慮的現實版本。更為直接的證據在于， 經濟不平等會產生集體焦慮， 尤其是對于低收入人群而言（Jetten et al.，"2017）; 而由基尼系數體現的國家不平等與人們對人工智能或機器人構成普遍失業威脅的看法呈顯著正相關（Shoss amp; Ciarlante， 2022）?；诖?， 我們可推測， 感知機器人威脅會增加集體焦慮。

與個體焦慮通常產生的負面人際后果不同， 集體焦慮產生的人際后果可能是建設性的（即親社會的）， 也可能是破壞性的（即反社會的） （Wohl et al.， 2012）。人類社會一直充滿全球性危機， 如流行病、地震、氣候變化和恐怖主義（Kahn et al， 2022）。這些危機使人們產生了對整個群體未來的焦慮與擔心。一方面， 這種集體焦慮會促進群體間合作， 如協作解決問題、投資公共設施或向其他群體提供幫助（Fuesting et al.， 2019; Kung et al.， 2018; R?mpke et al.， 2019）。而另一方面， 這種群體焦慮也被認為會導致社會紐帶的解體（Drury， 2018）， 反而加劇個人主義與自私行為。如， 全球流行病加劇了群體間的競爭感知、歧視與不信任（Gordils et al.， 2021）。自然災害后人們表現出明顯更少的信任行為（Fleming et al.， 2014）。機器人威脅作為一種隨技術進步而出現的新的集體焦慮來源， 其對人類親社會行為的影響尚未得到實證檢驗。

基于機器人威脅不同于其他威脅的獨特特征， 本研究認為機器人威脅引發的集體焦慮應會降低人類之間的親社會行為， 而非促進親社會行為。首先， 感知到的資源稀缺使人們對威脅產生了不同的關注點（Miao et al.， 2023）。當人們認為資源足夠應對威脅時， 會產生跨群體間共享命運的感覺， 并促進群體間的合作共同應對威脅（Cortland et al， 2017; Dovidio et al， 2004）。然而， 當現有資源被認為不足以共同應對威脅時， 這會破壞集體焦慮下的共同目的感（Bavel et al.， 2020）， 并阻礙人際及群體間的互惠（Butz amp; Yogeeswaran， 2011; Frankenberg et al， 2012; Gamez-Djokic amp; Waytz， 2020; Uenal et al， 2021）。機器人威脅則具備后者的特征。如， 來自33個OECD國家的面板數據發現， 機器人和人工智能導致了就業崗位不足， 增加了失業率（Bordot， 2022）。因此， 雖然機器人引發人們的集體焦慮——人們將機器人視為人類集體的共同威脅而擔心人類群體的未來， 但機器人搶奪資源的客觀現實或主觀信念使人們面對這種共同威脅和集體焦慮時， 更傾向于尋找“替罪羊”， 即降低親社會傾向。其次， 集體焦慮下人們合作與互惠的前提之一是將彼此視為單一的、共同的群體， 即不同的社會群體同等地成為共同威脅的目標， 從而產生“我們共同受苦”的感覺（Drury， 2018）。然而， 在存在明顯不平等的情況下， 即使面對相同的威脅， 人們也不愿將所有人視為一個單一群體， 無論是優勢群體還是劣勢群體（Drury， 2018; Vezzali et al.， 2017）。機器人的發展可能加劇社會不平等（Howard amp; Borenstein， 2018）， 例如， 機器人可能存在種族與性別偏見（Howard amp; Borenstein， 2018）， 更可能先替代中低技能的崗位（Goyal amp; Aneja， 2020）， 加劇經濟不平等（Goyal amp; Aneja， 2020）。這使得因機器人產生的集體焦慮難以促使人們將彼此視為一個單一群體， 相反， 更可能引發敵意， 降低親社會性。

基于以上視角， 感知機器人威脅導致的集體焦慮可能會對人際關系造成負面影響， 導致親社會傾向的降低。也就是說， 機器人威脅使人們產生了更高的集體焦慮——對人類未來的擔憂， 但卻并未將人類團結在一起， 因此集體焦慮反而降低了人們的親社會傾向。以往關于集體焦慮與人際影響的研究多以流行病、自然災害、恐怖主義或外群體威脅作為集體焦慮的來源（如Jetten et al.， 2021; Wohl et al.， 2011）。而隨著技術的發展， 機器人和人工智能可能對人類造成的現實和獨特性威脅也受到越來越多的關注（Yogeeswaran et al.， 2016; Z?otowski et al.， 2017）， 成為引發人們群體焦慮的來源之一。但這種威脅造成的集體焦慮所產生的后續人際影響卻暫未得到證實。人們究竟會愈將人類視為整體內群體而更加團結， 還是在集體焦慮下尋找替罪羊而更顯隔閡？本研究聚焦此問題， 試圖探索感知機器人威脅經由集體焦慮對親社會傾向的可能影響。

1.2""感知機器人威脅影響親社會傾向有何邊界條件

感知機器人威脅對親社會行為的影響會因內外群體關系的不同而有所變化。根據群際威脅理論， 在缺乏沖突的情況下， 既不會出現強烈的內群體依戀， 也不會出現外群體敵意（Brewer， 1999， p. 431; Sherif， 1966; Sumner， 1906）。而威脅是凸顯和強化外群體劃分的一個重要因素（Stephan et al.， 2009）， 并會進一步引發對外群體的敵意（Riek et al.， 2006）。即使是與外群體共同面對的威脅也會導致消極態度（Gordils et al.， 2021; Miao et al.， 2023）。例如， 全球流行病增加了對白人與黑人間競爭的感知， 以及隨后的對外群體的歧視、行為回避、群體間焦慮和種族間不信任（Gordils et al.， 2021）; 自然災害后反移民情緒增加（Andrighetto et al.， 2016）; 宏觀經濟威脅僅導致對亞裔美國人的偏見增加（Butz amp; Yogeeswaran， 2011）。集體焦慮會增加對穆斯林的偏見（Tabri et al.， 2018）、對移民的反對和偏見、不容忍民族間通婚（Jetten et al.， 2021; Jetten amp; Wohl， 2012; Lucas et al.， 2014; Roccas amp; Amit， 2011）等。因此， 與其他威脅類似， 機器人威脅可能強化人際關系中內外群體的界限與對立。一些研究提供了初步的證據。例如， 對自動化的擔憂增加人們對外群體的反對和歧視（Gamez-Djokic amp; Waytz， 2020）。自動化威脅使人們反對移民并支持限制移民和外國商品的政策（Wu， 2022a， 2022b）?；诖耍?我們假設內外群體的劃分會調節感知機器人威脅對親社會傾向的影響， 即感知機器人威脅降低親社會傾向的效應對外群體成員更強， 而對內群體成員更弱。

內外群體的區分使個體在群體橫向比較中調整對幫助他人的態度。作為一種與道德相關的行為， 機器人威脅對親社會行為的影響可能會受到道德比較的影響。既往研究表明， 共同的外部威脅既可能促進合作與互助， 從而增加親社會行為（Fuesting et al.， 2019; Kung et al.， 2018; R?mpke et al.， 2019）， 也可能助長自私行為， 降低親社會性（Fleming et al.， 2014; Gordils et al.， 2021）。這種雙重效應可能源于人們在面對威脅時的動機差異： 一方面， 個體可能被鼓勵超越自我關注， 考慮“他者”的處境; 另一方面， 個體可能通過正當性辯護來維護危機下自我和群體的地位。這涉及到向上還是向下的道德比較傾向。首先， 傳統的現實群體沖突觀點認為， 威脅會增加群體間的偏見與沖突， 而道德優越感可以為發生沖突時對外群體的支配或主動征服提供理由或正當化（Sidanius， 1993）。道德優越也為危機關頭是誰有權得到這些資源， 誰應該得到這些資源， 以及這些資源如何分配提供了辯護（Hirschberger amp; Pyszczynski， 2011）。因此， 下行道德比較產生的自己相對于他人的優越感可能導致人們在面對機器人威脅時表現得更自利。此外， 向下的道德比較可能使個體感到道德上的許可（moral license; Lasarov amp; Hoffmann， 2020; Merritt et al.， 2010）， 從而允許他們在應對機器人威脅時放縱自己， 采取一些不道德的行為或減少親社會行為以維護個人利益。例如， 在大屠殺誘導的威脅下， 道德許可增加了人們對傷害平民的接受度（Hirschberger amp; Pyszczynski， 2011）?；谝陨弦暯牵?下行道德比較者在面對威脅時優先考慮自我而非他人的處境， 通過道德優越和道德許可為自己辯護?；诖?， 我們假設感知機器人威脅對親社會傾向的影響會受到道德比較方向的調節， 即感知機器人威脅降低親社會傾向的效應在下行道德比較者中更強， 而在上行道德比較者中更弱。

1.3""研究概覽

本文由8個遞進研究組成（表1）， 主要研究目的是探究感知機器人威脅對親社會傾向的影響， 其中集體焦慮作為中介機制， 而內外群體和道德比較傾向則會調節其效應。研究1a和1b用已有檔案數據庫發現了感知機器人威脅與親社會行為之間的基本關系。研究2和研究3則分別以問卷研究和實驗研究來探究感知機器人威脅如何影響親社會傾向， 即驗證集體焦慮的中介機制。研究4排除了其他可能中介的影響。研究5和研究6分別探討感知機器人威脅降低親社會傾向的邊界條件， 即驗證內外群體與道德比較傾向的調節作用。研究7探討了感知機器人對真實親社會行為的影響。

2 "研究1a： 感知機器人威脅與親社會傾向（捐贈指數）的關系

研究1a從已有檔案數據出發， 初步確定感知

機器人威脅與親社會行為之間的關系。在本研究中， 以國家捐贈指數作為親社會行為的指標。

2.1""樣本

本研究的數據分為個體層面和群體層面。個體層面的數據來自歐洲晴雨表87.1 （the Eurobarometer"87.1， 2017）， 其專題之一“數字化和自動化對日常生活的影響”涵蓋了有關感知機器人威脅的內容。歐洲晴雨表87.1數據是2017年3月18日至2017年3月27日對具有代表性的歐洲公民（15歲及以上）進行面對面訪談收集的， 總樣本包括來自28個歐盟成員國的27 901名被試的回復。國家層面的人口統計學信息見表2。

在本研究中， 我們將歐洲晴雨表87.1中的總計27 901名被試的回復全部納入樣本1的個體層面數據中（女性占比55.0%， M_年齡"= 51.38歲， SD"= 18.25歲）， 以期進行全面的和大規模的分析; 同時， 我們將樣本2限制在13 294名在職被試（女性占比51.5%， M_年齡"= 44.06歲， SD"= 12.20歲）， 以期對勞動力樣本進行單獨分析， 因為以往研究在進行類似分析時認為， 機器人的發展對勞動力產生的威脅更大（Shoss amp; Ciarlante， 2022）。在樣本1和樣本2中（詳見表2）， 我們都將歐洲晴雨表中西德和東德的樣本合并作為德國樣本（total N₁ = 1537， total N₂ = 650）分析， 將北愛爾蘭和大不列顛的樣本合并作為英國樣本（total N₁ = 1346， total N₂ = 620）分析。表2包含樣本1和樣本2的國家層面的樣本量以及各國家基本人口統計數據， 即性別、年齡和樣本量。

2.2""測量與分析

2.2.1""個體層面的變量

感知機器人威脅。歐洲晴雨表中與感知機器人威脅相關的題目包括6道題： 1）“由于機器人和人工智能的使用， 更多的工作崗位將消失， 而不會創造更多的新工作崗位”; 2）“機器人和人工智能對社會來說是一件好事， 因為它們幫助人們完成工作或在家里完成日常任務”; 3）“機器人和人工智能是需要謹慎管理的技術”; 4）“機器人是必要的， 因為它們可以做對人類來說太困難或太危險的工作”; 5）“在工業數字化轉型方面， 歐盟走在世界其他地區的前面”; 6）“機器人和人工智能搶走了人們的工作” （其中條目2和4為反向計分）。Shoss和Ciarlante （2022）認為機器人主要對勞動力產生威脅， 因此他們將樣本限制在在職人員， 并在以上條目中選取了與感知工作威脅最相關的兩個條目（即條目1與條目6）作為感知機器人威脅。我們參照Shoss和Ciarlante （2022）的做法將這兩個條目的得分平均后作為感知機器人威脅指標1。但我們認為機器人帶來的威脅不局限于工作場所， 因此我們再選取條目1、2、3、4和6共5個條目， 將這5個條目得分平均后作為感知機器人威脅指標2。以上條目均為李克特4點計分（1 = 完全不同意， 4 = 完全同意）， 得分越高表明被試感知到機器人威脅程度更高。

個體層面的控制變量。本研究考慮了幾個可能預測人們感知機器人威脅的個人層面的人口統計學和技術相關變量。人口統計變量包括教育、性別、年齡、社區規模和政治信念（McClure， 2018）; 在技術相關變量上， 歐洲晴雨表調查了人們對先進技術的經驗和知識， 包括被試的數字技術技能（即“掌握的這些技能是否足以支撐當前或未來的工作）、被試對人工智能的知識（即， 是否在過去一年中閱讀過或看到過有關人工智能的東西）以及在工作中使用機器人的情況（即， 他們目前是否使用或曾經在工作中使用機器人）。以往的研究表明， 這類變量也可能影響人們對機器人威脅的感知（Vu amp; Lim， 2021）。并且先前對歐洲晴雨表數據集的分析也發現， 這些變量與人們對技術影響的看法和接受度有關（Carradore， 2022; Rughini? et al.， 2018）。最后， 個體對于人工智能或機器人是否能在未來完成自己當前的工作的看法也受到了控制， 因為先進技術取代自己工作的威脅可能會影響個人對這項技術威脅性的一般看法（Shoss amp; Ciarlante， 2022）。納入這些控制變量可以減少由于不同國家在這些因素上的系統性差異對結果所造成的影響。

2.2.2""國家層面的變量

個體層面的數據（包括機器人威脅和其他控制變量）均來源于歐洲晴雨表87.1， 鑒于該數據截至2017年3月收集， 于是國家層面的數據（包括親社會行為與其他控制變量）采用2016年的指標更能與歐洲晴雨表87.1的數據在時間上保持一致。

親社會行為。親社會的數據來源于世界慈善援助基金會（Charities Aid Foundation， CAF）的世界捐贈指數2017版（CAF World Giving Index 2017）， 該版本反映的是2016年的世界捐贈指數。世界捐贈指數關注世界各地的人們的慈善捐贈事業， 包含三種不同類型的捐贈行為： 幫助陌生人（是否幫助陌生人或不認識但需要幫助的人？）、金錢捐贈（是否向慈善機構捐贈金錢？）和時間付出（是否志愿向某個組織服務？）。這三種不同的捐贈行為分別形成了幫助陌生人指數、金錢捐贈指數和時間付出指數， 將這三個指數平均后得到捐贈指數， 得分越高表明親社會行為越多。該報告收集了來自139個國家的數據， 我們從中采用了與歐洲晴雨表87.1對應的28個歐盟國家的數據進行分析。

國家層面的控制變量。由于親社會行為可能受到經濟發展水平的影響， 我們控制了2016年各國的人均國內生產總值（gross domestic product per capita， GDP per capita）， 即一個國家的經濟產出除以其人口的年度估計值。這一數據來自世界發展指標（World Bank， 2016）。為了確保數據的正態， 我們取人均國內生產總值的對數（lnGDP）， 并在所有分析中使用這些對數轉換后的值。由于親社會行為也與公平相關， 我們還控制了2016年的國家基尼系數（Gini index）。本研究國家層面的經濟指標來自世界銀行（the World Bank）的世界發展指標（World Development Indicators， WDI; World Bank， 2016）。國家層面的親社會行為數據與控制變量指數見表3。

2.2.3""分析方法

本研究以親社會傾向（捐贈指數）為因變量， 感知機器人威脅為自變量， 性別、年齡、社區、教育、政治取向、技術技能、對機器人的相關了解、機器人使用、社會階層、國家Gini系數和國家GDP為控制變量， 使用SPSS 25 進行層次線性回歸分析?；貧w公式如下：

其中i表示個體， j表示國家， j （i）表示個體i所處的國家， 是2016年的捐贈指數， x_i是機器人威脅指標， Control_i表示個體層面的控制變量， Control_j表示國家層面的控制變量， 表示隨機誤差。

2.3""結果

2.3.1""所有樣本

表4提供了所有樣本描述性統計數據和相關性。從表4中可以看出， 由2條目合成的機器人威脅指標1與幫助他人指數（r = ?0.065， p lt; 0.001）、金錢捐贈指數（r = ?0.151， p lt; 0.001）、時間付出指數（r = ?0.083， p"lt; 0.001）以及總的捐贈指數（r = ?0.125， p lt; 0.001）都顯著負相關。由"5 條目合成的機器人威脅指標2也與幫助他人指數（r = ?0.014，""p = 0.017）、金錢捐贈指數（r = ?0.102， p lt; 0.001）、時間付出指數（r = ?0.017， p lt; 0.001）以及總的捐贈指數（r = ?0.063， p lt; 0.001）都顯著負相關。

由于許多控制變量與捐贈指數相關， 因此我們以捐贈指數為因變量， 2條目合成的機器人威脅指標1為自變量， 并將控制變量納入模型進行分層線性回歸分析。結果發現， 在排除了人口統計相關的控制變量（即性別、年齡、社區、教育和政治取向）、技術相關控制變量（即技術技能、相關了解和機器人使用）以及國家層面相關控制變量（Gini系數和國家GDP）的影響后， 機器人威脅指標1仍負向影響親社會行為， B"= ?0.51， p lt; 0.001， 詳見表5。

同樣， 以捐贈指數為因變量， 5條目合成的機器人威脅指標2為自變量， 并將控制變量納入模型進行分層線性回歸分析發現， 在排除了人口統計相關的控制變量（即性別、年齡、社區、教育和政治取向）、技術相關控制變量（即技術技能、相關了解和機器人使用）和國家層面相關控制變量（Gini系數和國家GDP）的影響后， 機器人威脅指標2仍負向影響親社會行為， B"= ?0.60， p lt; 0.001， 詳見表5。

2.3.2""勞動力樣本

表6提供了勞動力樣本的描述性統計數據和相關性。從表6中可以看出， 由2條目合成的機器人威脅指標1與幫助他人指數（r = ?0.069， p lt; 0.001）、金錢捐贈指數（r = ?0.172， p lt; 0.001）、時間付出指數（r = ?0.098， p"lt; 0.001）以及總的捐贈指數（r = ?0.141， p lt; 0.001）都顯著負相關。而由"5 條目合成的機器人威脅指標2只與金錢捐贈指數（r = ?0.096， p lt; 0.001）和總的捐贈指數（r = ?0.057， p lt; 0.001）顯著負相關。

同樣， 我們以捐贈指數為因變量， 2 條目合成的機器人威脅指標1為自變量， 并將控制變量納入模型進行分層線性回歸分析。結果發現， 在排除了人口統計相關的控制變量（即性別、社區、政治取向與社會階層）、技術相關控制變量（即技術技能、相關了解和機器人使用）和國家層面相關控制變量（Gini 系數和國家GDP）的影響后， 機器人威脅指標1仍負向影響親社會行為， B"= ?0.60， p lt; 0.001， 詳見表7。

同樣， 以捐贈指數為因變量， 5條目合成的機器人威脅指標2為自變量， 并將控制變量納入模型進行分層線性回歸分析發現， 在排除了人口統計相關的控制變量（即性別、社區、政治取向與社會階層）、技術相關控制變量（即技術技能、工作被替代性和機器人使用）和國家層面相關控制變量（Gini系數和國家GDP）的影響后， 機器人威脅指標2仍負向影響親社會行為， B"= ?0.63， p lt; 0.001， 詳見表7。

2.4""討論

研究1a通過檔案數據庫回溯的方法初步發現了感知機器人威脅和親社會行為的負向關系。然而， 研究1a存在一些局限。使用國家層面的捐贈指數與個體層面的感知機器人威脅進行分析可能忽略了個體間的差異， 使得結果存在偏差或造成區群謬誤。此外， 親社會行為使用的國家層面的數據（捐贈指數）， 這可能導致因變量受到國家經濟、風俗和觀念的較大影響。因此， 研究1b將使用個體層面數據進行檔案數據庫回溯分析， 并控制國家固定效應。

3 "研究1b： 感知機器人威脅與親社會傾向（對人道主義援助的支持）的關系

為了提高檔案分析研究結果的穩健性， 研究1b在研究1a的基礎上進行了改進。首先， 研究1b采用了個體層面的感知機器人威脅和親社會傾向進行分析， 以減少由研究1a中跨層次分析所引起的結果偏差家間不可觀測因素（如風俗、觀念）對結果的影響。最后， 研究1b采用了與1a不同時間點的數據， 以驗證研究結果在不同時間的穩定性。

3.1""樣本

本研究的數據來自歐洲晴雨表77.1（the Eurobarometer 77.1， 2012）， 其專題“公眾對機器人的態度”涵蓋了有關感知機器人威脅的內容; 專題“人道主義援助”涵蓋了有關親社會傾向的內容。歐洲晴雨表77.1數據是2012年2月25日至2012年3月12日對具有代表性的歐洲公民（15歲及以上）進行面對面訪談收集的， 總樣本包括來自27個歐

盟成員國的26751名被試的回復。

與研究1a一樣， 我們將歐洲晴雨表中西德和東德的樣本合并作為德國樣本分析， 將北愛爾蘭和大不列顛的樣本合并作為英國樣本分析。表8包含國家層面的樣本量以及各國家基本人口統計數據， 即性別、年齡和樣本量。

3.2""測量

3.2.1""感知機器人威脅

歐洲晴雨表77.1中與感知機器人威脅相關的題目包括5道題： （1）“機器人對社會是件好事， 因為它們幫助人們”; （2）“機器人搶走了人們的工作”; （3）“機器人是必要的， 因為它們可以做對人類來說太困難或太危險的工作”; （4）“機器人是一種需要謹慎管理的技術”; （5）“機器人的廣泛應用可以增加歐盟的工作機會”。我們將5個條目得分平均后作為感知機器人威脅的分數。以上條目均為李克特4點計分（1 = 完全不同意， 4 = 完全同意）， 其中， 條目1、3和5為反向計分。得分越高表明被試感知到機器人威脅程度更高。

3.2.2""親社會傾向

歐洲晴雨表77.1中與親社會傾向相關的題目包括4道題： “人道主義援助是向歐盟以外國家在危機和緊急情況下需要幫助的人提供的援助。主要目標是挽救生命和減輕受影響人民的痛苦： （1）你認為歐盟資助這些人道主義援助活動有多重要？; （2）歐洲正處于經濟危機之中， 公共財政面臨著巨大壓力。盡管如此， 歐盟仍然繼續資助人道主義援助， 以向世界各地急需援助的人們提供幫助。你對此有多支持？; （3）你對歐盟的人道主義援助活動有多了解？; （4）歐洲委員會正在建立一個‘歐洲自愿人道援助隊’。來自歐盟國家的志愿者將被選拔、培訓并部署到世界其他地區進行人道主義援助活動。你對此有多支持？”以上條目均為李克特4點計分。將4條目得分平均后得到親社會指數， 得分越高表明被試親社會傾向更高。

3.2.3""個體層面的控制變量

本研究考慮了幾個可能預測人們感知機器人威脅的個人層面的人口統計學和技術相關變量。人口統計變量包括性別、年齡、教育、社區規模、政治信念和社會階層（McClure， 2018）; 在技術相關變量上， 歐洲晴雨表調查了人們對先進技術的經驗和知識， 包括被試對科學技術的興趣（即“你對科學發現和技術發展的興趣如何”）、使用機器人的情況（即“你是否曾經在家里或工作中使用過機器人， 如家用的掃地機器人或工作中的工業機器人”）， 以及被試對機器人的一般態度（即“一般來說， 你對機器人的態度如何？”）。以往的研究表明， 這類變量也可能影響人們對機器人威脅的感知（Carradore， 2022; Rughini? et al.， 2018; Vu amp; Lim， 2021）。以上個體層面的控制變量的數據均來自歐洲晴雨表77.1。納入這些控制變量可以減少由于不同國家在這些因素上的系統性差異對結果所造成的影響。

3.2.4""國家層面的控制變量

由于親社會行為可能受到經濟發展水平的影響， 我們控制了2011年各國的人均國內生產總值（gross domestic product per capita， GDP per capita）， 即一個國家的經濟產出除以其人口的年度估計值。這一數據來自世界發展指標（World Bank， 2011）。為了確保數據的正態， 我們取人均國內生產總值的對數（lnGDP）， 并在所有分析中使用這些對數轉換后的值（見表8）。

3.2.5""分析方法

本研究以親社會傾向（對人道主義援助支持）為

因變量， 感知機器人威脅為自變量， 性別、年齡、社區、教育、社會階層、科學興趣、機器人使用、對機器人的一般態度和國家GDP為控制變量。使用STATA 進行HDFE （High dimensional fixed effects）線性回歸分析， 控制國家固定效應。回歸公式如下：

其中i表示個體， j表示國家， y_i是親社會指標， x_i是機器人威脅指標， Control_i表示個體層面的控制變量， Control_j表示國家層面的控制變量， 表示國家固定效應， 表示隨機誤差。

3.3""結果

表9提供了描述性統計數據和相關性。從表9中可以看出， 感知機器人威脅與親社會傾向負相關（r = ?0.154， p lt; 0.001）。

由于許多控制變量與感知機器人威脅或親社會傾向相關， 以及國家固定效應也可能影響二者。我們以親社會傾向為因變量， 感知機器人威脅為自變量， 并將控制變量與國家固定效應納入模型進行HDFE線性回歸分析。

結果發現， 在排除了人口統計相關的控制變量（即性別、年齡、社區、教育和社會階層）、技術相關控制變量（即對科學技術的興趣、機器人使用和對機器人的一般態度）、國家層面相關控制變量（國家GDP）， 以及國家固定效應的影響后， 感知機器人威脅仍負向影響親社會傾向， B"= ?0.077， p lt; 0.001， 詳見表10。

3.4""討論

研究1b使用檔案回溯的方法再次支持了感知機器人威脅和親社會行為的負向關系。但與大多數檔案研究一樣， 具有一些局限性（Barnes et al.， 2018）。首先， 檔案分析不能揭示變量之間的因果關系。第二， 用以檔案分析的數據易受其他干擾因素的影響， 如經濟環境等。第三， 包含感知機器人威脅與親社會傾向相關的個體數據有限， 如果有更近期的數據， 研究結果也可能存在差異（Yam et al.， 2023）。第四， 我們采用的數據庫僅限于單一時間點的采集。然而， 若能夠獲取包含更多時間段的數據， 將有助于提高研究結果在時間維度上的穩健性。

4 "研究2： 集體焦慮的中介作用（相關）

研究2以問卷調查的方式（截面研究）探討感知機器人威脅與親社會傾向的關系及集體焦慮在其中的中介作用。

4.1""被試

本研究采用G*Power 3.1軟件（Faul et al.， 2007）確定所需樣本量， 對于本實驗適用的相關分析， 參考研究1的相關分析結果取中等效應量f"= 0.30，"顯著性水平α = 0.05， 要達到95%的統計檢驗力至少需要134名被試。考慮到可能有被試中途退出或未通過注意檢查， 在Credamo平臺上共計招募了150名被試。其中2名被試沒有通過注意檢查， 最終被試量為148人。被試平均年齡為30.11歲（SD"= 5.71）， 其中女性84名（占56.8%）。

4.2""材料

感知機器人威脅。采用Yogeeswaran等人（2016）編制的感知機器人威脅量表。該量表有兩個維度： 感知機器人現實威脅和感知機器人認同威脅， 每個維度包含5個條目。感知機器人現實威脅的條目如下： （1）“我們日常生活中機器人使用的增加正在導致人類失業”; （2）“機器人無法代替人們的工作”; （3）“從長遠來看， 機器人對人類的安全和福祉構成直接威脅”; （4）“機器人技術的發展會威脅人類的就業和機會”; （5）“機器人在日常生活中的日益普及對人類安全構成了威脅”。其中條目2為反向計分。感知機器人認同威脅的條目如下： （1）機器人在日常生活中的廣泛應用使我感到困擾， 因為它模糊了人類和機器之間的界限; （2）看起來有生命的機器人是

令人不安的， 因為它們與人類幾乎無法區分; （3）技術的最新進步對人類的本質提出了挑戰; （4）機器人領域的技術進步正威脅著人類的獨特性; （5）機器人開始模糊人類與機器之間的界限。量表為Likert7點量表， 1為非常不同意， 7為非常同意。本研究中感知機器人現實威脅維度的Cronbach’s α系數為0.87， 感知機器人認同威脅維度的Cronbach’s α系數為0.93， 全部項目的Cronbach’s α系數為0.95。

親社會傾向。對親社會傾向的測量采用Osgood和Muraven （2015）的親社會傾向問卷。問卷包含6個條目： （1）幫助需要幫助的人是很重要的; （2）我想要幫助別人; （3）他人的幸福與福祉很重要; （4）讓他人感到快樂是很重要的; （5）讓所有人都感到快樂是很重要的; （6）他人的需求是重要的。問卷使用Likert7點計分， 1為非常不同意， 7為非常同意。得分越高表明親社會傾向越強。本研究中該量表的Cronbach’s α系數為0.79。

集體焦慮。對集體焦慮的測量采用Wohl等人（2010）的集體焦慮量表。該量表包含5個條目： （1）我對人類的生存充滿信心; （2）我對人類的未來有信心; （3）我對人類的未來感到擔憂; （4）我認為人類將永遠繁榮下去; （5）我擔心人類未來的活力岌岌可危。其中條目1、2、4為反向計分。量表使用Likert7點計分， 1為完全不同意， 7為完全同意。得分越高表明集體焦慮越強。在本研究中， 全部條目的Cronbach’s α系數為0.92。

為了進一步增強研究結果的穩健性， 研究還加入了以下控制變量： （1）對機器人的熟悉程度（Leo amp; Huh， 2020）： 你對機器人等人工智能的熟悉程度是？（1 = 完全不熟悉， 7 = 非常熟悉）; （2）你對機器人等人工智能的喜愛程度是？（1 = 完全不喜歡， 7 = 非常喜歡）; （3）主觀社會階層（Adler et al.， 2000）。以及性別、年齡兩項人口統計學變量。

4.3""結果

相關分析結果表明， 親社會傾向與感知機器人威脅及其兩個維度均呈顯著負相關（r_威脅"= ?0.41， p"lt;"0.001; r_現實"= ?0.40， p"lt; 0.001; r_認同"= ?0.40， p"lt; 0.001）， 親社會傾向與集體焦慮呈顯著負相關（r"= ?0.46， p"lt; 0.001）。集體焦慮與感知機器人威脅及其兩個維度均呈顯著正相關（r_威脅"= 0.75， p"lt; 0.001; "r_現實"= 0.73， p"lt; 0.001; r_認同"= 0.73， p"lt; 0.001）。將機器人熟悉度、喜愛度、主觀社會階層和人口統計學變量作為控制變量進行偏相關分析， 結果發現各項相關仍然顯著， 親社會傾向與感知機器人威脅及其兩個維度均呈顯著負相關（r_威脅"= ?0.23， p"= 0.005; r_現實"= ?0.22， p"= 0.008; r_認同"= ?0.23， p"= 0.006）， 親社會傾向與集體焦慮呈顯著負相關（r"= ?0.26， p"= 0.002）。集體焦慮與感知機器人威脅及其兩個維度均呈顯著正相關（r_威脅"= 0.60， p"lt; 0.001; r_現實"= 0.59， p"lt; 0.001; r_認同"= 0.57， p"lt; 0.001）。

為了驗證集體焦慮是否在感知機器人威脅對親社會傾向的影響中起中介作用， 使用SPSS的PROCESS 程序進行偏差校正的Bootstrap檢驗（Hayes et al.， 2013）， 選擇模型4， 反復抽樣5000次。在95%的置信區間下， 將感知機器人威脅作為自變量， 將親社會傾向作為因變量， 將集體焦慮作為中介變量， 做中介效應分析。中介效應檢驗結果顯示， 95%的Bootstrap置信區間不包含0， 因此集體焦慮中介了感知機器人威脅對親社會傾向的影響（間接效應"= ?0.12， SE"= 0.05， 95% CI [?0.218， ?0.024]）， 在控制了集體焦慮后， 感知機器人威脅對親社會傾向的直接影響不再顯著（直接效應"= ?0.06， SE"= 0.05， 95% CI [?0.161， 0.034]）， 說明集體焦慮起完全中介作用。

4.4""討論

研究2以問卷調查的方式進一步證明了感知機器人威脅與親社會傾向的負向關系。此外， 研究2還支持了集體焦慮在感知機器人威脅與親社會傾向的關系中的中介作用。但研究2也存在局限性， 問卷調查的結果可能受到共同因素干擾而無法確定因果關系。采用驗證性因素分析考察共同方法偏差， 結果發現控制模型的χ2 = 334.5， df"= 185， 與基線模型的χ2 = 362.5， df = 186， 差值為28.000 （df = 1）， 達到顯著水平（p"lt; 0.05）， 說明存在一定的共同方法偏差問題。因此， 研究3將以實驗研究的方法檢驗感知機器人威脅對親社會傾向的影響及集體焦慮的中介作用。

5 "研究3： 集體焦慮的中介作用（實驗）

研究3用實驗的方式操縱被試感知機器人威脅的水平， 一方面驗證感知機器人威脅影響親社會傾向的因果效應， 另一方面也再次驗證集體焦慮的中介作用。

5.1""被試

本研究通過軟件G*Power 3.1來確定所需樣本量， 取中等效應量f"= 0.2， 顯著性水平α = 0.05， 單因素兩水平被試間設計需要共266名被試才能達到90%的統計檢驗力。在Credamo平臺實時剔除沒有通過注意檢查的被試數據并滾動采集， 剩余有效數據共270人。被試平均年齡為29.01歲（SD"= 7.07）， 女性166名（占61.5%）。所有被試在實驗開始之前均仔細閱讀了實驗說明并知情同意， 有效數據被試在實驗結束后獲得一定實驗報酬。

5.2""程序

本研究為單因素兩水平被試間設計， 被試被隨機分配到高感知機器人威脅組或低感知機器人威脅組， 在最終有效被試中， 高感知機器人威脅組和低感知機器人威脅組分別135人。通過讓兩組被試觀看不同的機器人視頻操縱其感知機器人威脅的高低水平（Yogeeswaran et al.， 2016; Z?otowski et al.， 2017）： 高感知機器人威脅組被試觀看的視頻中， 機器人在現實世界中的表現十分優異， 其行走、開門、搬運箱子等運動能力以及與人類傳遞物品、對話等交互能力均很強， 能夠很好地完成各項任務; 而低感知機器人威脅組被試觀看的視頻則相反， 視頻中機器人在現實世界中的表現非常糟糕， 能力低下， 無法很好地完成各項任務。被試觀看完視頻后填寫了感知機器人威脅量表（感知機器人威脅的測量同研究2， 在本實驗中， 現實威脅維度的Cronbach’s α系數為0.84， 認同威脅維度的Cronbach’s α系數為0.91， 全部項目的Cronbach’s α系數為0.93）作為操縱檢查。

由于機器人視頻尤其是低威脅組機器人失敗的視頻可能會讓被試感到比較有趣， 從而對實驗結果產生一定影響， 因此被試接下來填寫了感知視頻樂趣量表， 該量表改編自Agarwat和Karahanna （2000）的研究， 共包含以下4個條目： （1）看這個視頻讓我充滿樂趣; （2）看這個視頻給我提供了很多快樂; （3）我很享受這個視頻; （4）看這個視頻讓我感到無聊。其中條目4為反向計分。量表使用Likert7點計分， 1為非常不同意， 7為非常同意。得分越高表明感知視頻樂趣越強。在本研究中， 全部條目的Cronbach’s α系數為0.89。

然后進行集體焦慮測量（測量工具同研究2， 在本實驗中， 全部條目的Cronbach’s α系數為0.92）和親社會傾向測量（測量工具同研究2， 本實驗中該量表的Cronbach’s α系數為0.89）。測量條目中穿插有注意檢查題目， 最后填寫人口統計學信息。

5.3""結果

單因素方差分析結果顯示， 高威脅組的感知機器人威脅（M"= 4.09， SD"= 1.31， 95% CI [3.86， 4.31]）顯著高于低威脅組（M"= 3.51， SD"= 1.32， 95% CI [3.28， 3.73]）， F（1， 268） = 13.16， p"lt; 0.001， η2 p"= 0.47， 90% CI [0.014， 0.093]， 表明操縱有效。

單因素方差分析結果顯示， 高威脅組的集體焦慮（M"= 3.15， SD"= 1.32， 95% CI [2.93， 3.37]）顯著高于低威脅組（M"= 2.84， SD"= 1.26， 95% CI [2.62， 3.06]）， F（1， 268） = 4.01， p"= 0.046， η2 p"= 0.02， 90% CI [0.000， 0.055]。

單因素方差分析結果顯示， 高威脅組的親社會傾向（M"= 5.20， SD"= 0.96， 95% CI [5.04， 5.37]）顯著低于低威脅組（M"= 5.44， SD"= 0.73， 95% CI [5.32， 5.57]）， F（1， 268） = 5.21， p"= 0.023， η2 p"= 0.02， 90% CI [0.001， 0.054]。相關分析結果表明， 感知機器人威脅程度（低威脅組"= 0， 高威脅組"= 1）與集體焦慮呈顯著正相關（r"= 0.12， p"= 0.046）， 與親社會傾向呈顯著負相關（r"= ?0.14， p"= 0.023）， 集體焦慮與親社會傾向呈顯著負相關（r_控制"= ?0.39， p"lt; 0.001）。將感知視頻樂趣作為控制變量進行協方差分析， 結果表明高威脅組的親社會傾向仍然低于低威脅組， 差異呈邊緣顯著， F（1， 267） = 3.58， p"= 0.059， η2 p"= 0.01。

為了驗證集體焦慮是否在感知機器人威脅對親社會傾向的影響中起中介作用， 使用SPSS的PROCESS 程序進行偏差校正的Bootstrap檢驗（Hayes et al.， 2013）， 選擇模型4， 反復抽樣5000次。在95%的置信區間下， 將感知機器人威脅作為自變量（低威脅組"= 0， 高威脅組"= 1）， 將親社會傾向作為因變量， 將集體焦慮作為中介變量， 做中介效應分析。中介效應檢驗結果顯示， 95%的置信區間不包含0， 因此集體焦慮中介了感知機器人威脅對親社會傾向的影響（間接效應"= ?0.08， SE"= 0.04， 95% CI [?0.178， ?0.004]）， 在控制了集體焦慮后， 感知機器人威脅對親社會傾向的直接影響不再顯著（直接效應"= ?0.16， SE"= 0.10， 95% CI [?0.348， 0.033]）， 說明集體焦慮起完全中介作用。以上結果表明， 感知機器人威脅會降低親社會傾向， 這是由于感知機器人威脅會增強人們的集體焦慮， 進而使人更不傾向于做出親社會行為。

5.4""討論

研究3通過實驗研究的方式支持了感知機器人威脅影響親社會傾向的因果效應， 也再次支持了集體焦慮的中介作用。但感知機器人威脅對親社會傾向的影響也可能受到其他可能中介的影響， 如泛人類主義（Jackson et al.， 2020）、工作不安全感/事業焦慮（Yam et al.， 2023）和負面情緒（Yam et al.， 2023）。因此， 研究4將檢驗其他可能中介的影響。

6 "研究4： 排除其它中介機制

為了進一步增強研究3實驗結果的魯棒性， 研究4更換了自變量的操縱方式和因變量的測量方式， 并且加入了其它可能中介變量的測量， 以期再次驗證集體焦慮的中介作用。研究4測量了泛人類主義、工作不安全感/事業焦慮和負面情緒（Yam et al.， 2023）。泛人類主義是指人們感知到的與所有其他人類群體的親近關系， 無論種族、宗教或國籍， 以往研究發現， 機器人凸顯通過泛人類主義減少群體間偏見（Jackson et al.， 2020）。工作不安全感/失業焦慮指員工對其工作和職業未來的穩定性和安全性感到擔憂或不安， 以往研究發現， 工作中接觸機器人通過工作不安全感增加員工的工作倦怠與職場不文明行為（Yam et al.， 2023）。

6.1""被試

本研究通過軟件G*Power 3.1來確定所需樣本量， 取中等效應量f"= 0.2， 顯著性水平α = 0.05， 單因素兩水平被試間設計需要共266名被試才能達到90%的統計檢驗力。在Credamo平臺實時剔除沒有通過注意檢查的被試數據并滾動采集， 剩余有效數據共270人。被試平均年齡為29.99歲（SD"= 7.48）， 女性197名（占73.0%）。所有被試在實驗開始之前均仔細閱讀了實驗說明并知情同意， 有效數據被試在實驗結束后獲得一定實驗報酬。

6.2""程序

本研究為單因素兩水平被試間設計， 被試被隨機分配到機器人威脅組或對照組， 在最終有效被試中， 威脅組和對照組分別135人。為了對感知機器人威脅程度進行操縱， 被試首先被要求根據一段指導語進行寫作（許麗穎"等， 2024）， 其中威脅組的指導語如下：

“隨著人工智能的飛速發展， 機器人將會給人類帶來許多潛在威脅（如失業、不安全、挑戰人類本質等）。請想象并描述你現在或將來可能面臨的機器人威脅， 以及被威脅之后你將會面臨的情況（不少于100字）。”

對照組的指導語如下：

“隨著人工智能的飛速發展， 機器人將會協助人類進行許多社會活動（如送餐服務、物流運輸、教育輔助等）。請想象并描述一個未來機器人協助人類的場景（不少于100字）?！?/p>

被試在完成寫作任務后填寫了感知機器人威脅量表（感知機器人威脅的測量同研究2， 在本實驗中， 現實威脅維度的Cronbach’s α系數為0.87， 認同威脅維度的Cronbach’s α系數為0.90， 全部項目的Cronbach’s α系數為0.93）作為操縱檢查。

然后進行可能中介變量的測量。集體焦慮的測量同研究2， 在本實驗中， 全部條目的Cronbach’s α系數為0.90。對泛人類主義的測量采用McFarland等（2012）編制的泛人類主義量表： 呈現給被試5組圖形， 每組圖形都有兩個圓圈， 但圓圈的重疊程度各不相同; 其中一個圓圈代表“我”， 另一個圓圈則代表“人類”; 被試需要選擇最能代表他們如何看待他們自身與整個人類群體之間關系的圖形; 例如， 選擇兩個完全獨立的圓圈表示被試認為自身與作為一個整體的人類隔絕， 而選擇兩個完全重疊的圓圈則表示被試與所有其他人類的極度親密。對工作不安全感/事業焦慮的測量采用Yam等人（2023）的量表， 該量表包括3個條目： （1）我覺得我很快會失去我的工作; （2）我對我的工作前景感到不安; （3）我覺得我可能在不久的將來失去工作。量表使用Likert 7點計分， 1為完全不同意， 7為完全同意。得分越高表明工作不安全感/事業焦慮越強。在本研究中， 全部條目的Cronbach’s α系數為0.90。對負面情感的測量包括6個條目： （1）害怕; （2）沮喪; （3）焦慮; （4）恐懼; （5）憂慮; （6）生氣。量表使用Likert 7點計分， 1為完全沒有， 7為非常強烈， 得分越高表明負面情感越強。在本研究中， 全部條目的Cronbach’s α系數為0.92。

接下來測量被試的親社會傾向， 本研究的親社會傾向測量采用Touré-Tillery和Light （2018）的場景測量量表， 被試需要閱讀8個簡短場景， 并表明其有多大可能參與描述的行為（1 = 絕對不會， 7 = 絕對會）， 例如： “你正在赴約路上， 快遲到了， 這時有人走過來問你去一個你知道的地方的路。你會停下來給這個人指路嗎？”。得分越高表明親社會傾向越強。在本研究中， 全部條目的Cronbach’s α系數為0.79。中介變量和因變量的測量條目中穿插有注意檢查題目， 最后填寫人口統計學信息。

6.3""結果

單因素方差分析結果顯示， 威脅組的感知機器人威脅（M"= 4.83， SD"= 0.97， 95% CI [4.65， 5.01]）顯著高于對照組（M"= 3.36， SD"= 1.14， 95% CI [3.18， 3.54]）， F（1， 268） = 130.51， p"lt; 0.001， η2 p"= 0.33， 90% CI [0.254， 0.394]， 表明操縱有效。

單因素方差分析結果顯示， 威脅組的親社會傾向（M"= 4.86， SD"= 0.96， 95% CI [4.71， 5.01]）顯著低于對照組（M"= 5.11， SD"= 0.82， 95% CI [4.95， 5.26]）， F（1， 268） = 5.25， p"= 0.023， η2 p"= 0.02， 90% CI [0.001， 0.054]。相關分析結果表明， 感知機器人威脅程度（對照組"= 1， 威脅組"= 2）與集體焦慮呈顯著正相關（r"= 0.40， p"lt; 0.001）， 與親社會傾向呈顯著負相關（r"= ?0.14， p"= 0.023）， 集體焦慮與親社會傾向呈顯著負相關（r_控制"= ?0.39， p"lt; 0.001）。

為了驗證集體焦慮是否在感知機器人威脅對親社會傾向的影響中起中介作用， 使用SPSS的PROCESS 程序進行偏差校正的Bootstrap檢驗（Hayes et al.， 2013）， 選擇模型4， 反復抽樣5000次。在95%的置信區間下， 將感知機器人威脅作為自變量（對照組"= 1， 威脅組"= 2）， 將親社會傾向作為因變量， 將集體焦慮作為中介變量， 做中介效應分析。中介效應檢驗結果顯示， 95%的置信區間不包含0， 因此集體焦慮中介了感知機器人威脅對親社會傾向的影響（間接效應"= ?0.29， SE"= 0.06， 95% CI [?0.427， ?0.190]）， 在控制了集體焦慮后， 感知機器人威脅對親社會傾向的直接影響不再顯著（直接效應"= ?0.04， SE"= 0.11， 95% CI [?0.175， 0.260]）， 說明集體焦慮起完全中介作用。以上結果再次支持了集體焦慮的中介作用， 即感知機器人威脅降低親社會傾向是由于增強了人們的集體焦慮。為了排除其它可能中介變量， 用同上方式對泛人類主義、工作不安全感/事業焦慮、負面情感做中介效應分析。泛人類主義的中介效應檢驗結果顯示， 95%的置信區間包含0， 因此泛人類主義無法中介感知機器人威脅對親社會傾向的影響（間接效應"= ?0.05， SE"= 0.03， 95% CI [?0.132， 0.004]）。工作不安全感的中介效應檢驗結果顯示， 95%的置信區間不包含0， 因此工作不安全感中介了感知機器人威脅對親社會傾向的影響（間接效應"= ?0.13， SE"= 0.05， 95% CI [?0.235， ?0.052]）， 在控制了工作不安全感后， 感知機器人威脅對親社會傾向的直接影響不再顯著（直接效應"= ?0.12， SE"= 0.12， 95% CI [?0.344， 0.111]）， 說明工作不安全感起完全中介作用。負面情感的中介效應檢驗結果顯示， 95%的置信區間包含0， 因此負面情感無法中介感知機器人威脅對親社會傾向的影響（間接效應"= ?0.07， SE"= 0.05， 95% CI [?0.167， 0.019]）。

由于工作不安全感的中介效應顯著， 但其間接效應（?0.13）小于集體焦慮（?0.29）， 因此其中介的程度比集體焦慮更小。為了進一步比較工作不安全感和集體焦慮在感知機器人威脅和親社會傾向之間的中介效應， 首先， 采用回歸分析方式考察二者的區別。以親社會傾向作為因變量， 感知機器人威脅（第一層）、工作不安全感和集體焦慮（第二層）作為自變量進行分層線性回歸， 結果發現， 集體焦慮對親社會傾向的預測作用顯著（標準化β = ?0.45， t"= ?5.80， p"lt; 0.001）， 而工作不安全感對親社會傾向的預測作用不顯著（標準化β = 0.08， t"= 1.02， p"= 0.307）。以親社會傾向為因變量， 感知機器人威脅為自變量， 集體焦慮和工作不安全感為中介進行路徑分析發現， 模型中集體焦慮對親社會傾向的路徑系數為?0.325 （SE = 0.044， CR = ?7.421， p lt; 0.001）， 工作不安全感影響親社會傾向的路徑系數為0.049 （SE = 0.038， CR = 1.310， p = 0.190）。在同一模型中對比可見， 工作不安全感對親社會傾向的影響比集體焦慮對親社會傾向的影響更弱。

6.4""討論

研究4進一步支持了感知機器人威脅影響親社會傾向的因果效應， 也再次支持了集體焦慮的中介作用。此外， 研究4排除了泛人類主義和負面情感在感知機器人威脅對親社會傾向的影響中的中介作用。雖然以往研究發現機器人凸顯可以促進人們的泛人類主義（Jackson et al.， 2020）， 但這可能建立在威脅不突出的情況下。然而， 當機器人所帶來的威脅變得明顯時， 這種效應可能不存在。此外， 研究4發現工作不安全感也能中介感知機器人威脅對親社會傾向的影響， 這與以往研究是一致的（Yam et al.， 2023）。

7 "研究5： 內外群體的調節作用

研究5通過對內外群體的操縱探究其在感知機

器人威脅影響親社會傾向中的調節作用。

7.1""被試

采用G*Power 3.1軟件（Faul et al.， 2007）計算本實驗所需樣本量， 對于本實驗適用的雙因素方差分析， 取中等效應量f"= 0.2， 顯著性水平α = 0.05， 組數為4， 要達到90%的統計檢驗力至少需要359名被試。通過Credamo平臺招募被試， 隨機分配至內群體高威脅組、內群體低威脅組、外群體高威脅組和外群體低威脅組， 實時剔除沒有通過注意檢查的被試數據并滾動采集， 剩余有效數據共400名（女性264名）被試年齡在19～60歲（M"= 30.95， SD"= 6.99）之間， 其中每組均為100人。所有被試在實驗開始之前均仔細閱讀了實驗說明并知情同意， 有效數據被試在實驗結束后獲得一定實驗報酬。

7.2""程序

實驗5為2 （感知機器人威脅： 高vs.低） × 2 （內外群體： 內vs.外）被試間實驗設計， 所有被試被隨機分配到4個組的其中一組。

首先對被試的感知機器人威脅水平進行操縱， 參考相關研究（Jackson et al.， 2020; 許麗穎"等， 2024）的操縱材料， 制作了兩張不同的新聞網頁圖片（如圖1）。在高感知機器人威脅組， 被試閱讀了一篇名為“機器人： 取代人類勞動力？”的科技新聞， 新聞描述了機器人將會搶走人類的工作， 對人類構成真正的威脅。在低感知機器人威脅組， 被試閱讀了一篇名為“機器人： 只是一時流行？”的科技新聞， 文章描述了機器人搶占人類工作的可能性很小， 不會對人類構成真正的威脅。兩個新聞網頁的布局、新聞的長度和格式都基本相同。被試看完新聞材料后填寫了機器人威脅量表作為操縱檢查（測量同研究2， 在本研究中， 感知機器人現實威脅維度的Cronbach’s α系數為0.94， 感知機器人認同威脅維度的Cronbach’s α系數為0.94， 全部項目的Cronbach’s α系數為0.96）。

接下來測量被試對于內群體或外群體成員的親社會傾向。內外群體組的被試都閱讀了以下對于內外群體的概念解釋： “在社會心理學中， 內群體是指一個人經常參與的或在其間生活、或在其間工作、或在其間進行其他活動的群體。在群體中的成員會感到自己與群體的關系十分密切， 并對群體有強烈的歸屬感。與其相對應的是外群體， 外群體泛指人們沒有參與也沒有歸屬感的群體。” （Brewer， 1999） 內群體組的被試被要求寫下一個他們認為屬于其內群體的人的名字， 而外群體組的被試被要求寫下一個他們認為屬于其外群體的人的名字（均為首字母縮寫即可）。然后， 請被試將寫下的人名代入對于親社會傾向的測量（測量工具同研究2， 本實驗中該量表的Cronbach’s α系數為0.97）， 例如“幫助需要幫助的他/她（你在上題中所填的人）是很重要的?！辈⑶?， 為了檢驗內外群體的操縱是否成功， 被試還填寫了內外群體測量， 采用改編后的自我他人相容性量表（Aron et al.， 1992）。被試被呈現7組圖形， 每組圖形都有兩個圓圈， 但圓圈的重疊程度各不相同。其中一個圓圈代表“自己”， 另一個圓圈則代表被試在上題中寫下的“他/她”。被試被要求選擇最能代表他們如何看待他們自己與所寫之人之間關系的圖形， 兩個圓圈重疊的程度越高， 說明被試認為他們和所寫之人的關系越近。

接著進行注意檢查， 以上量表中穿插了兩道注意檢查題目， 如“本題請選擇非常同意”。此外， 還對操縱材料的內容進行了注意檢查， 題目如下： （1）根據研究， 現在機器人占據的工作崗位比例（1為很大， 2為很小）; （2）根據這項研究作者的說法， 機器人能力和智能的進步所需的時間將比預期（1為更長，"2為更短）。最后， 被試報告年齡和性別兩項人口統計學信息。

7.3""結果

單因素方差分析結果顯示， 高威脅組的感知機器人威脅（M"= 4.93， SD"= 1.33， 95% CI [4.74， 5.11]）顯著高于低威脅組（M"= 2.76， SD"= 1.21， 95% CI [2.59， 2.93]）， F（1， 398） = 292.47， p"lt; 0.001， η2 p"= 0.42; 內群體組的自我他人相容性（M"= 5.49， SD"= 1.12， 95% CI [5.33， 5.65]）顯著高于外群體組（M"= 2.93， SD"= 1.96， 95% CI [2.65， 3.20]）， F（1， 398） = 257.77， p"lt; 0.001， η2 p"= 0.39， 表明操縱均有效。

以感知機器人威脅（低威脅組"= 0， 高威脅組"="1）和內外群體（內群體組"= 0， 外群體組"= 1）作為自變量， 以親社會傾向作為因變量進行方差分析。數據結果表明， 內群體組的親社會傾向評分（M"="5.80， SD"= 0.69， 95% CI [5.70， 5.90]）顯著高于外群體組（M"= 4.01， SD"= 1.73， 95% CI [3.76， 4.25]）， F（1， 396） = 188.16， p"lt; 0.001， η2 p"= 0.32， 低威脅組的親社會傾向評分（M"= 5.02， SD"= 1.51， 95% CI [4.81， 5.23]）高于高威脅組（M"= 4.78， SD"= 1.67， 95% CI [4.55， 5.02]）， 差異呈邊緣顯著， F（1， 396） = 3.31， p"= 0.070， η2 p"= 0.01， 感知機器人威脅和內外群體的交互作用顯著， F（1， 396） = 3.99， p"= 0.046， η2 p"= 0.01。簡單效應分析發現， 在外群體組， 高威脅組的親社會傾向評分（M"= 3.76， SD"= 1.71， 95% CI [3.50， 4.01]）顯著低于低威脅組（M"= 4.26， SD"= 1.72， 95% CI [4.00， 4.51]）， F（1， 396） = 7.29， p"= 0.007， η2 p"= 0.02; 在內群體組， 高低威脅組的親社會傾向評分無顯著差異， F（1， 396） = 0.02， p"= 0.900， η2 p"lt; 0.001 （見圖2）。

7.4""討論

研究5進一步支持了感知機器人威脅對親社會傾向的影響。此外， 研究5還支持了內外群體的調節作用。對于外群體成員， 機器人威脅顯著降低了親社會傾向， 然而， 機器人威脅并未提升對內群體成員的親社會傾向。這可能是因為我們對內群體的操縱為讓被試寫下一個屬于內群體的名字而非一個群體， 所以被試可能寫下了自己最親近的人， 從而無論是否受到機器人威脅， 都具有很高的親社會傾向。

8 "研究6： 道德比較傾向的調節作用

研究6通過對向上和向下道德比較傾向的測量探究道德比較傾向在感知機器人威脅影響親社會傾向中的調節作用。

8.1""被試

本研究通過軟件G*Power 3.1來確定所需樣本量， 取中等效應量f"= 0.2， 顯著性水平α = 0.05， 單因素兩水平被試間設計需要共266名被試才能達到90%的統計檢驗力?？紤]到可能會有被試無法完成實驗或沒有通過注意檢查， 在Credamo平臺上共計招募了297名被試。其中27名被試沒有通過注意檢查， 最終被試量為270人。被試平均年齡為32.62歲（SD"= 8.79）， 女性155名（占57.4%）。

8.2""程序

本研究為單因素兩水平被試間設計， 被試被隨機分配到高威脅組和低威脅組， 在最終有效被試中， 高威脅組和低威脅組的被試均為135人。對于感知機器人威脅的操縱方式同研究5。被試看完新聞材料后填寫了機器人威脅量表作為操縱檢查（測量同研究2， 在本研究中， 感知機器人現實威脅維度的Cronbach’s α系數為0.95， 感知機器人認同威脅維度的Cronbach’s α系數為0.95， 全部項目的Cronbach’s α系數為0.97）。

接下來， 依次測量了被試的親社會傾向（測量工具同研究2， 本實驗中該量表的Cronbach’s α系數為0.82）和道德比較傾向。對道德比較傾向的測量采用Fleischmann等人（2021）的道德比較傾向問卷， 該問卷包括6個小故事， 其中有三個故事是測量向上道德比較傾向： （1）給奶奶驚喜; （2）幫助無家可歸的年輕人; （3）在醫院做志愿者。另外三個故事是測量向下道德比較傾向： （1）考試作弊; （2）欺騙妻子; （3）對朋友撒謊。對被試以隨機順序呈現6個小故事的標題， 然后請被試選擇他們對這些小故事感興趣的程度。測量采用Likert 7點量表， 1為一點也不感興趣， 7為非常感興趣。將測量向下道德比較傾向的三個條目反向計分， 問卷得分越高表明越傾向于向上道德比較， 得分越低表明越傾向于向下道德比較。本研究中該問卷的Cronbach’s α系數為0.80。最后， 被試進行了注意檢查（同研究3）并報告了人口統計學信息。

8.3""結果

單因素方差分析結果顯示， 高威脅組的感知機器人威脅（M"= 5.14， SD"= 1.29， 95% CI [4.92， 5.36]）顯著高于低威脅組（Mnbsp;= 2.68， SD"= 1.26， 95% CI [2.46， 2.89]）， F（1， 268） = 251.53， p"lt; 0.001， η2 p"= 0.48， 表明操縱有效。高威脅組的親社會傾向（M"= 5.60， SD"= 0.79， 95% CI [5.47， 5.74]）顯著低于低威脅組（M"= 5.79， SD"= 0.64， 95% CI [5.68， 5.90]）， F（1， 268） = 4.82， p"= 0.029， η2 p"= 0.02。

以親社會傾向為因變量考察感知機器人威脅（低威脅組"= ?1， 高威脅組"= 1）與道德比較傾向的交互作用， 結果表明感知機器人威脅和道德比較傾向對親社會傾向存在邊緣顯著的交互作用（b"= 0.07， SE"= 0.04， t = 1.89， p"= 0.060）， 高威脅組的親社會傾向低于低威脅組（b"= ?0.12， SE"= 0.04， t = ?3.47， p"= 0.001）， 向上道德比較傾向越強， 親社會傾向越強（b"= 0.44， SE"= 0.04， t = 11.76， p"lt; 0.001）， 模型的ΔR²= 0.01， F （1， 266） = 3.56， p"= 0.060。交互作用圖3所示， 簡單斜率分析結果表明， 在向下道德比較傾向較強的條件下， 感知機器人威脅對親社會傾向的影響顯著（b"= ?0.19， SE"= 0.05， t"= ?3.79， p"lt; 0.001）; 而在向上道德比較傾向較強的條件下， 感知機器人威脅對親社會傾向的影響不顯著（b"= ?0.06， SE"= 0.05， t"= ?1.12， p"= 0.266）。

圖3 "道德比較傾向的調節作用

8.4""討論

研究6進一步支持了感知機器人威脅對親社會傾向的負向影響。此外， 研究6還部分發現了道德比較傾向的調節作用， 機器人威脅顯著降低了道德下行比較者的親社會傾向， 但并不會影響道德上行比較者的親社會傾向。雖然研究1～6都發現了感知機器人威脅對親社會傾向的影響， 以及研究4驗證了感知機器人威脅對自我報告的親社會行為的影響， 但可能存在自我報告的偏差。因此， 研究7旨在進一步探討感知機器人威脅對真實親社會行為的影響。

9 "研究7： 感知機器人威脅對親社會行為的影響（實驗）

研究7以實地調查的方式探討感知機器人威脅對親社會行為的影響。

9.1""被試

本研究在一所知名大學中實地采集數據。研究共招募164名被試， 其中3名被試未通過注意檢查， 最終樣本量為161人。被試平均年齡為20.52歲（SD"= 1.68）， 女性83名（占51.6%）。所有被試自愿參加實驗并知情同意。

9.2""程序

本研究為單因素兩水平被試間設計， 被試被隨機分配到機器人威脅組或對照組。為了對感知機器人威脅程度進行操縱， 被試首先被要求根據一段指導語進行寫作（許麗穎"等， 2024）， 研究范式同研究4。

被試在完成寫作任務后填寫了感知機器人威脅量表（感知機器人威脅的測量同研究2， 在本實驗中， 現實威脅維度的Cronbach’s α系數為0.65， 認同威脅維度的Cronbach’s α系數為0.75， 全部項目的Cronbach’s α系數為0.79）作為操縱檢查。

然后， 親社會行為的測量參照Gaesser等（2020）的范式， 要求被試給需要幫助的人寫一封鼓勵信， 以信的字數作為親社會行為的測量。指導語如下：

“在偏遠貧困地區， 許多孩子都面臨著嚴峻的求學困難。由于各種原因， 如交通不便、學校資源匱乏、家庭貧困等， 他們可能很難獲得良好的教育機會， 甚至無法完成基本的學業。除了求學方面的困境， 他們還可能面臨著心理上的壓力和掙扎， 感到孤獨與焦慮、自卑與自我懷疑。

在這樣的困境中， 這些孩子更加需要外界的關懷和支持。因此， 我們邀請你給偏遠貧困地區的孩子寫一封鼓勵信， 這封信將給他們帶來鼓勵和希望， 也將展現你的善心與溫暖。你可以分享一些鼓勵的話語， 或者講述你自己或身邊人的學習經歷和成長故事， 希望能夠激勵這些孩子堅持努力、追求夢想。你的鼓勵信將是給他們帶來鼓勵和希望的重要一步， 感謝你的參與和支持?。ㄗ謹挡幌蓿?/p>

最后， 收集了被試的性別和年齡兩項人口統計學變量。

9.3""結果

單因素方差分析結果顯示， 高威脅組的感知機器人威脅（M"= 4.20， SD"= 0.89， 95% CI [4.02， 4.38]）顯著高于低威脅組（M"= 3.88， SD"= 0.82， 95% CI [3.68， 4.07]）， F（1， 159） = 5.65， p"= 0.019， η2 p"= 0.34， 表明操縱有效。

單因素方差分析結果顯示， 高威脅組的鼓勵信字數（M"= 71.74， SD"= 122.52， 95% CI [39.32， 104.15]）顯著低于低威脅組（M"= 121.09， SD"= 182.67， 95% CI [85.97， 156.24]）， F（1， 159） = 4.16，""p"= 0.043， η2 p"= 0.25。即高威脅組的親社會行為顯著低于低威脅組。高威脅組的擬人化傾向（M"= 4.33， SD"= 1.22， 95% CI [4.08， 4.59]）與低威脅組（M"= 4.39， SD"= 1.16， 95% CI [4.12， 4.67]）沒有顯著差異， F（1， 159） = 0.10， p"= 0.756， η2 p"= 0.00。高威脅組對機器人的能動性感知（M"= 4.62， SD"= 1.05， 95% CI [4.40， 4.85]）與低威脅組（M"= 4.39， SD"= 1.09， 95% CI [4.15， 4.64]）沒有顯著差異， F（1， 159） = 1.90， p"= 0.170， η2 p"= 0.01。高威脅組對機器人的體驗性感知（M"= 2.13， SD"= 1.21， 95% CI [1.88， 2.39]）與低威脅組（M"= 2.20， SD"= 1.16， 95% CI [1.93， 2.48]）也沒有顯著差異， F（1， 159） = 0.13， p"= 0.715， η2 p"= 0.00。將擬人化傾向、感知能動性和感知體驗性作為控制變量進行協方差分析， 結果表明高威脅組的親社會行為仍然低于低威脅組， 差異呈邊緣顯著， F（1， 156） ="3.46， p"= 0.065， η2 p"= 0.02， 說明感知機器人威脅減少親社會行為。

9.4""討論

研究7以實地調查的方式進一步支持了感知機器人威脅不僅降低自我報告的親社會傾向， 也減少真實的親社會行為。

10 "總討論

通過8個遞進研究， 我們發現了感知機器人威脅會降低人們的親社會傾向， 這一結論無論是在大規模調查數據庫與國家層面的對應（研究1a， 1b）上， 還是相關（研究2）及實驗（研究3?7）中均得到了檢驗。并且， 這種效應受到內外群體的調節， 即雖然感知機器人威脅會降低人們的親社會傾向， 但這主要發生在外群體成員上， 而若是面對內群體成員則此效應會減弱（研究5）。同時， 道德比較的方向也會調節此效應， 對于傾向于進行下行道德比較的人來說， 感知機器人威脅會降低親社會傾向; 但對于傾向于上行道德比較者來說， 這種影響則不顯著（研究6）。此外， 我們還發現感知機器人威脅也會影響真實的親社會行為（研究7）。

本文的主要研究結果回應了機器人進入人類社會， 尤其是對人們造成威脅會如何影響人際關系的爭議。首先， 我們發現感知機器人威脅會降低人們的親社會傾向， 這為以往研究所發現的感知機器人威脅會產生消極人際后果提供了新證據， 也為豐富機器人群際威脅理論的人際后效研究提供了新視角。機器人威脅會導致人機關系的惡化幾乎已成共識， 學者們從負面態度和使用傾向（Huang et al.， 2021）、信任（Lin et al.， 2022）、對后續研發投入的支持（Yogeeswaran et al.， 2016）等不同角度均得到了趨于一致的結論。然而， 關于感知機器人威脅對人際關系的影響究竟是好是壞仍未達成一致。持樂觀態度的學者認為機器人的凸顯會強化人類共同身份， 從而帶來減少偏見的積極人際后果（Jackson et al.， 2020）。但似乎更多研究證據發現的則是消極后果， 如在同一文章中作者也提到從37個國家收集的數據表明， 在過去42年里， 自動化發展最快的國家對外群體的外顯偏見也有所增加（Jackson et al.， 2020）; 也有研究發現人們對自動化興起的擔憂會導致對移民的負面態度和歧視行為（Gamez-Djokic amp; Waytz， 2020）， 工作場所機器人的威脅也會增加人們對同事的不文明行為（Yam et al.， 2023）和物化（許麗穎"等， 2024）。本文聚焦于親社會傾向這一人際關系中的關鍵變量， 不僅為機器人群際威脅理論的人際后效研究提供了重要視角， 也直接回應了感知機器人威脅對人際關系影響的理論和現實爭議。

其次， 本文發現集體焦慮是感知機器人威脅影響親社會傾向的中介機制， 這不僅為感知機器人威脅的消極人際后果提供了新的理論解釋， 也進一步拓寬了集體焦慮后效的研究領域。以往研究對感知機器人威脅的人際影響研究多從不安全感（如Gamez-Djokic amp; Waytz， 2020; Im et al.， 2019）、控制補償（許麗穎"等， 2024）等個體視角進行解釋， 而我們的研究則選取了集體焦慮這個群體變量， 為解釋感知機器人威脅為何會導致消極人際結果提供了群體視角的解釋。此外， 關于集體焦慮的研究大多局限于人類群體， 且其產生的人際后果也具有正反兩面性（Wohl et al.， 2012）。本文則將集體焦慮的研究延展至人工智能領域， 發現機器人威脅也會引發人們的集體焦慮， 拓展了集體焦慮研究的邊界。此外， 本研究發現， 這種集體焦慮并未提升親社會傾向， 而是會降低人們的親社會傾向。一種可能的解釋是， 雖然機器人威脅引發了集體焦慮， 但并未使人類團結在一起， 而是觸發了面對共同威脅時的“替罪羊”心態（Brewer， 1999）。另一種可能的解釋是， 當人們面對外部的共同威脅而產生集體焦慮時， 通常會通過對抗外群體來保護內群體利益。但當外部威脅來自機器人時， 人們并未將機器人視為同人類一樣具有完全心智的行為主體（Gray et al.， 2007）， 因此也無法完全將其視為外群體對抗， 而仍在人類中區分外群體并進行消極人際互動。最后， 由于對感知機器人威脅可能的負面人際后果及其心理機制的發現， 本研究在實踐上也具有在人工智能時代下的前瞻性警示作用。

同時， 本文還發現了內外群體和道德比較傾向在感知機器人威脅影響親社會傾向中的調節作用。首先， 內外群體的調節作用或許可以為解釋以往研究的分歧提供新的思路。如先前研究之所以會發現機器人會降低群體間偏見， 是因為人們將機器人視為外群體， 而將所有人都看作內群體， 因此機器人所造成的積極抑或消極人際結果實際上是由于人心之群體劃分所致（Jackson et al.， 2020）。如果按照此正面效應的邏輯推斷， 則感知機器人威脅也應該增加而非降低親社會傾向， 因為若將所有人看作一個內群體， 我們應該會更多幫助內群體成員， 但為何我們研究的結果卻恰恰相反呢？這可能有兩方面的原因， 一方面先前研究所探索的變量為機器人凸顯而非威脅（Jackson et al.， 2020）， 凸顯并不一定會造成諸如威脅這種負面感知， 且在程度上也會有所差異， 這可能是造成結果迥異的原因之一; 另一方面感知機器人威脅會造成一種集體焦慮， 這一過程抽象且解釋水平高， 它并不依賴具體情境而產生情緒狀態， 但人們在做親社會傾向的判斷時， 則是一種較低解釋水平且具體化情境的判斷， 當人們被問到幫助他人意愿的問題時， 人們可能已經在一定程度上將“他人”視為了外群體（Peng et al.， 1997）， 這導致人們雖然會在感受到集體焦慮時將整個人類看作整體， 但在考慮幫助他人的問題時又很快將“他人”視為外群體。正如研究5中我們發現， 一旦明晰內外群體的劃分， 感知機器人威脅降低親社會傾向的效應就不會在內群體中出現。但我們并未觀察到感知機器人威脅對內群體成員親社會傾向的提升影響。一種可能的解釋是我們對內群體的操縱為讓被試寫下一個屬于內群體的名字而非一個群體， 所以被試可能寫下了自己最親近的人， 從而無論是否受到機器人威脅， 都具有很高的親社會傾向。而如果讓被試寫下一個所屬的群體， 可能就會得到不同的結果。因為針對最親近的人， 即使在沒有受到機器人威脅的情況下， 親社會傾向已經較高; 但是對于所屬內群體而言， 在沒有威脅的情況下， 這種內群體依戀與偏好并不是特別突出， 而在受到威脅時， 內群體意識才會更加凸顯（Brewer， 1999， p. 431; Sherif， 1966; Sumner， 1906）。未來研究可以檢驗感知機器人威脅對內群體親社會傾向的影響是否在個體層面和群體層面存在差異。

其次， 本研究也在不同理論水平上探索了機器人威脅導致親社會行為傾向減少的邊界。內外群體是一種橫向群體比較， 而道德比較則是一種典型的縱向自我比較。研究6發現， 感知機器人威脅會降低親社會傾向只對傾向于進行下行道德比較者有效， 而對上行比較者無效。這一結果出現的原因是進行下行道德比較會產生道德許可， 從而允許自己放縱而做出一些不道德行為（Merritt et al.， 2010）。當然， 除了這一解釋路徑以外， 這一研究結果或許也與向下比較時所造成的動機水平下降有關。先前研究表明， 與更高的標準進行比較（即向上比較）能夠形成一種激勵作用， 從而提升人們繼續努力的動機水平（Diel amp; Hofmann， 2019）; 而與更低的標準進行比較（即向下比較）則會讓人們滿足于已有的進展， 從而降低人們進一步努力的動機水平， 這一過程被稱為下滑（coasting） （Fulford et al.， 2010）。下滑雖然在一定程度上能夠增強自尊， 但卻并不會激勵人們繼續做出積極主動的行為， 反而還會減少人們做出包括親社會行為在內的積極行為的動機（Diel et al.， 2021）。因此， 向下比較所造成的下滑也可能是導致感知機器人威脅降低親社會傾向這一效應在下行道德比較者中尤為顯著的可能原因。從實踐角度而言， 我們對于內外群體和道德比較傾向這兩個調節變量的發現， 對于在現實生活中如何預防或削弱感知機器人威脅會造成的負面人際后果具有借鑒意義， 例如可以通過對人們內外群體劃分和道德比較傾向的干預達到弱化消極后果的作用。

當然， 盡管本文通過系列研究對感知機器人威脅影響親社會傾向的效應及其內在機制和邊界條件進行了有益探索， 但仍存在一定的局限性， 有待未來繼續探究。首先， 根據實驗因果鏈方法的邏輯， 必須進一步操縱中介變量（即集體威脅）， 以檢驗其對因變量（即親社會傾向）的影響（Spencer et al.， 2005; Yang et al.， 2024）。未來的研究應探索合適的實驗范式， 以操縱集體威脅并驗證其對親社會傾向的影響。第二， 本研究主要考察了機器人威脅對外群體的親社會態度和行為， 未來研究應更多考慮機器人威脅對內群體親社會行為的影響， 探究機器人威脅是否會對內群體產生建設性影響。第三， 本文探討了感知機器人威脅對親社會傾向的影響， 但對機器人威脅的兩個維度沒有進行深入剖析。感知機器人威脅分為現實威脅和認同威脅兩個維度， 雖然這兩個維度總是高度相關， 且都會導致對機器人的負面態度（如Z?otowski et al.， 2017）， 但二者的影響可能存在一定差異， 如認同威脅更能預測人們對機器人的負面態度（Huang et al.， 2021）和職場物化（許麗穎"等， 2024）。因此， 未來研究可以對感知機器人威脅的兩個維度進行區分研究， 探索現實威脅和認同威脅對親社會傾向的影響是否存在差異。第四， 本文對親社會的研究雖然在國家層面上涉及到了具體親社會行為， 但在個體水平上仍主要探討親社會傾向。雖然親社會傾向對于親社會行為有顯著的預測作用， 但傾向終究不是行為， 并且親社會行為也分為助人、合作、慈善捐贈、志愿服務等諸多種類（Penner et al.， 2005）， 因此后續研究可以通過實驗室實驗、現場實驗等方式對于不同的親社會行為進行探究， 進一步驗證感知機器人威脅與實際親社會行為之間的關聯。最后， 本研究發現了機器人威脅通過集體焦慮負面地影響了人際互動， 即降低了人們的親社會傾向。而以往研究發現， 集體焦慮也可能促進群體間的團結。未來研究可進一步探索機器人威脅的何種性質使其產生的集體威脅降低人們的親社會性， 以及是否存在可逆轉機器人威脅對親社會負面影響的因素（如威脅程度、是否損害個人利益、資源稀缺性等）。

11 "結論

本研究主要結論如下： 第一， 感知機器人威脅會降低親社會傾向; 第二， 此效應受到集體焦慮的中介， 即感知機器人威脅會增加集體焦慮， 從而降低親社會傾向; 第三， 此效應受到內外群體的調節， 即感知機器人威脅主要會降低對于外群體成員的親社會傾向; 第四， 此效應受到道德比較傾向的調節， 即感知機器人威脅主要會降低下行道德比較者的親社會傾向。

參""考""文""獻

Adler， N. E.， Epel， E. S.， Castellazzo， G.， amp; Ickovics， J. R. （2000）. Relationship of subjective and objective social status with psychological and physiological functioning： Preliminary data in healthy white women. Health Psychology， 19（6）， 586?592.

Agarwat， R.， amp; Karahanna， E. （2000）. Time flies when you're having fun： Cognitive absorption and beliefs about information technology usage. MIS Quarterly， 24（4）， 665? 694.

Agrawal， A.， Gans， J.， amp; Goldfarb， A. （2019）. The economics of artificial intelligence： An agenda. Chicago and London： The University of Chicago Press.

Andrighetto， L.， Vezzali， L.， Bergamini， G.， Nadi， C.， amp; Giovannini， D. （2016）. Inside the earthquake： Perceived disaster exposure and helping intentions among Italian and immigrant victims of the 2012 Italian earthquakes. Group Processes and Intergroup Relations， 19（6）， 753?768.

Aron， A.， Aron， E. N.， amp; Smollan， D. （1992）. Inclusion of Other in the Self Scale and the structure of interpersonal closeness. Journal of Personality and Social Psychology， 63（4）， 596?612.

Asimov， I. （1950）. I， Robot."New York： Gnome Press.

Bai， M.， Zhang， H.， Zhang， J.， Jiang， Y.， amp; Xu， J. （2025）. Challenging or threatening？ The double-edged sword effect of intelligent technology awareness on accountants’ unethical decision-making. Journal of Business Ethics， 197， 159?175.

Barnes， C. M.， Dang， C. T.， Leavitt， K.， Guarana， C. L.， amp; Uhlmann， E. L. （2018）. Archival data in micro- organizational research： A toolkit for moving to a broader set of topics. Journal of Management， 44（4）， 1453?1478.

Batson， C. D.， amp; Powell， A. A. （2003）. Altruism and prosocial behavior. In T. Millon amp; M. J. Lerner （Eds.）， Handbook of psychology： Personality and social psychology"（Vol. 5， pp. 463?484）. Hoboken， NJ： Wiley.

Bavel， J. J. V.， Baicker， K.， Boggio， P. S.， Capraro， V.， Cichocka， A.， Cikara， M.， ... Willer， R. （2020）. Using social and behavioural science to support COVID-19 pandemic response. Nature Human Behaviour， 4（5）， 460?471.

Bobo， L. （1983）. Whites' opposition to busing： Symbolic racism or realistic group conflict？ Journal of Personality and Social Psychology， 45（6）， 1196?1210.

Bordot， F. （2022）. Artificial intelligence， robots and unemployment： Evidence from OECD countries. Journal of Innovation Economics and Management， 37（1）， 117?138.

Bostrom， N. （2002）. Existential risks： Analyzing human extinction scenarios and related hazards. Journal of Evolution and Technology， 9， 1?30.

Brewer， M. B. （1999）. The psychology of prejudice： Ingroup love or outgroup hate？. Journal of Social Issues， 55（3）， 429?444.

Brewer， M. B. （2001）. The many faces of social identity： Implications for political psychology. Political Psychology， 22（1）， 115?125.

Butz， D. A.， amp; Yogeeswaran， K. （2011）. A new threat in the air： Macroeconomic threat increases prejudice against Asian Americans. Journal of Experimental Social Psychology， 47（1）， 22?27.

Carradore， M. （2022）. People’s attitudes towards the use of robots in the social services： A multilevel analysis using eurobarometer data. International Journal of Social Robotics， 14， 845?858.

Cortland， C. I.， Craig， M. A.， Shapiro， J. R.， Richeson， J. A.， Neel， R.， amp; Goldstein， N. J. （2017）. Solidarity through shared disadvantage： Highlighting shared experiences of discrimination improves relations between stigmatized groups. Journal of Personality and Social Psychology， 113（4）， 547?567.

Diel， K.， Grelle， S.， amp; Hofmann， W. （2021）. A motivational framework of social comparison. Journal of Personality and Social Psychology， 120（6）， 1415?1430.

Diel， K.， amp; Hofmann， W. （2019）. Inspired to perspire： The interplay of social comparison direction and standard extremity in the context of challenging exercising goals. Social Cognition， 37（3）， 247?265

Dovidio， J. F.， ten Vergert， M.， Stewart， T. L.， Gaertner， S. L.， Johnson， J. D.， Esses， V. M.， Riek， B. M.， amp; Pearson， A. R. （2004）. Perspective and prejudice： Antecedents and mediating mechanisms. Personality and Social Psychology Bulletin， 30（12）， 1537?1549.

Drury， J. （2018）. The role of social identity processes in mass emergency behaviour： An integrative review. European Review of Social Psychology， 29（1）， 38?81.

Faul， F.， Erdfelder， E.， Lang， A. G.， amp; Buchner， A. （2007）. G*Power 3： A flexible statistical power analysis program for the social， behavioral， and biomedical sciences. Behavior Research Methods， 39（2）， 175?191.

Fleischmann， A.， Lammers， J.， Diel， K.， Hofmann， W.， amp; Galinsky， A. D. （2021）. More threatening and more diagnostic： How moral comparisons differ from social comparisons. Journal of Personality and Social Psychology， 121（5）， 1057?1078.

Fleming， D. A.， Chong， A.， amp; Bejarano， H. D. （2014）. Trust and reciprocity in the aftermath of natural disasters. The Journal of Development Studies， 50（11）， 1482?1493.

Ford， M. R. （2009）. The lights in the tunnel： Automation， accelerating technology and the economy of the future. Wayne， PA： Acculant Publishing.

Frankenberg， E.， Nobles， J.， amp; Sumantri， C. （2012）. Community destruction and traumatic stress in post- tsunami Indonesia. Journal of Health and Social Behavior， 53（4）， 498?514.

Frey， C. B.， Berger， T.， amp; Chen， C. （2018）. Political machinery： Did robots swing the 2016 US presidential election？ Oxford Review of Economic Policy， 34（3）， 418?442.

Frey， C. B.， amp; Osborne， M. A. （2017）. The future of employment： How susceptible are jobs to computerisation？. Technological Forecasting and Social Change， 114， 254?280.

Fuesting， M. A.， Diekman， A. B.， Boucher， K. L.， Murphy， M. C.， Manson， D. L.， amp; Safer， B. L. （2019）. Growing STEM： Perceived faculty mindset as an indicator of communal affordances in STEM. Journal of Personality and Social Psychology， 117（2）， 260?281.

Fulford， D.， Johnson， S. L.， Llabre， M. M.， amp; Carver， C. S. （2010）. Pushing and coasting in dynamic goal pursuit： Coasting is attenuated in bipolar disorder. Psychological Science， 21（7）， 1021?1027.

Gaesser， B.， Shimura， Y.， amp; Cikara， M. （2020）. Episodic simulation reduces intergroup bias in prosocial intentions and behavior. Journal of Personality and Social Psychology， 118（4）， 683?705.

Gamez-Djokic， M.， amp; Waytz， A. （2020）. Concerns about automation and negative sentiment toward immigration. Psychological Science， 31（8）， 987?1000.

Gordils， J.， Elliot， A. J.， Toprakkiran， S.， amp; Jamieson， J. P. （2021）. The effects of COVID-19 on perceived intergroup competition and negative intergroup outcomes. The Journal of Social Psychology， 161（4）， 419?434.

Goyal， A.， amp; Aneja， R. （2020）. Artificial intelligence and income inequality： Do technological changes and worker's position matter？. Journal of Public Affairs， 20（4）， e2326.

Gray， H. M.， Gray， K.， amp; Wegner， D. M. （2007）. Dimensions of mind perception. Science， 315（5812）， 619.

Gray， K.， Yam， K. C.， Zhen’An， A. E.， Wilbanks， D.， amp; Waytz， A. （2023）. The psychology of robots and artificial intelligence. In D. Gilbert et al （Eds.）， Handbook of social psychology"（pp. 1?83）. Situational Press.

Harari， Y. N. （2017）. Reboot for the AI revolution. Nature， 550（7676）， 324?327.

Hayes， A. F. （2013）. Introduction to mediation， moderation， and conditional process analysis： A regression-based approach."New York： Guilford Press.

Hirschberger， G.， amp; Pyszczynski， T. （2011）. Killing with a clean conscience： Existential angst and the paradox of morality. In M. Mikulincer amp; P. R. Shaver （Eds.）， Social psychology of morality： Exploring the causes of good and evil"（pp. 331?347）. Washington， DC： American Psychological Association.

Howard， A.， amp; Borenstein， J. （2018）. The ugly truth about ourselves and our robot creations： The problem of bias and social inequity. Science and Engineering Ethics， 24（5）， 1521?1536.

Huang， H. L.， Cheng， L. K.， Sun， P. C.， amp; Chou， S. J. （2021）. The effects of perceived identity threat and realistic threat on the negative attitudes and usage intentions toward hotel service robots： The moderating effect of the robot’s anthropomorphism. International Journal of Social Robotics， 13， 1599?1611.

Im， Z. J.， Mayer， N.， Palier， B.， amp; Rovny， J. （2019）. The “losers of automation”： A reservoir of votes for the radical right？ Research amp; Politics， 6（1）， 1?7.

Jackson， J. C.， Castelo， N.， amp; Gray， K. （2020）. Could a rising robot workforce make humans less prejudiced？ American Psychologist， 75（7）， 969?982.

Jackson， J. W. （1993）. Realistic group conflict theory： A review and evaluation of the theoretical and empirical literature. Psychological Record， 43（3）， 395? 413.

Jetten， J.， Mols， F.， Healy， N.， amp; Spears， R. （2017）. “Fear of falling”： Economic instability enhances collective angst among societies’ wealthy class. Journal of Social Issues， 73（1）， 61?79.

Jetten， J.， Mols， F.， amp; Steffens， N. K. （2021）. Prosperous but fearful of falling： The wealth paradox， collective angst， and opposition to immigration. Personality and Social Psychology Bulletin， 47（5）， 766?780.

Jetten， J.， amp; Wohl， M. J. A. （2012）. The past as a determinant of the present： Historical continuity， collective angst， and opposition to immigration. European Journal of Social Psychology， 42（4）， 442?450.

Kahn， B. （2023）. Elon Musk and Apple cofounder Steve Wozniak among over 1， 100 who sign open letter calling for 6-month ban on creating powerful A.I. Retrieved August 17， 2024， from https：//fortune.com/2023/03/29/elon-musk-apple- steve-wozniak-over-1100-sign-open-letter-6-month-ban-creating-powerful-ai/

Kahn， D. T.， Bj?rklund， F.， amp; Hirschberger， G. （2022）. The intent and extent of collective threats： A data-driven conceptualization of collective threats and their relation to political preferences. Journal of Experimental Psychology： General， 151（5）， 1178?1198.

Khasawneh， O. Y. （2018）. Technophobia： Examining its hidden factors and defining it. Technology in Society， 54， 93?100.

Kung， F. Y.， Chao， M. M.， Yao， D. J.， Adair， W. L.， Fu， J. H.， amp; Tasa， K. （2018）. Bridging racial divides： Social constructionist （vs. essentialist） beliefs facilitate trust in intergroup contexts. Journal of Experimental Social Psychology， 74， 121?134.

Lalonde， R. N. （2002）. Testing the social identity-intergroup differentiation hypothesis： We’re not American eh！ British Journal of Social Psychology， 41（4）， 611?630.

Lasarov， W.， amp; Hoffmann， S. （2020）. Social moral licensing. Journal of Business Ethics， 165， 45?66.

Leo， X.， amp; Huh， Y. E. （2020）. Who gets the blame for service failures？ Attribution of responsibility toward robot versus human service providers and service firms. Computers in Human Behavior， 113， 106520.

Li， J. J.， Bonn， M. A.， amp; Ye， B. H. （2019）. Hotel employee's artificial intelligence and robotics awareness and its impact on turnover intention： The moderating roles of perceived organizational support and competitive psychological climate. Tourism Management， 73， 172?181.

Li， J.， amp; Huang， J. S. （2020）. Dimensions of artificial intelligence anxiety based on the integrated fear acquisition theory. Technology in Society， 63， 101410.

Lin， J.， Panganiban， A. R.， Matthews， G.， Gibbins， K.， Ankeney， E.， See， C.， ... Long， M. （2022）. Trust in the danger zone： Individual differences in confidence in robot threat assessments. Frontiers in Psychology， 13， 601523.

Lucas， T.， Rudolph， C.， Zhdanova， L.， Barkho， E.， amp; Weidner， N. （2014）. Distributive justice for others， collective angst， and support for exclusion of immigrants. Political Psychology， 35（6）， 775?793.

Mann， F. D.， Krueger， R. F.， amp; Vohs， K. D. （2020）. Personal economic anxiety in response to COVID-19. Personality and Individual Differences， 167， 110233.

Mathias， P. （2013）. The first industrial nation： The economic history of Britain 1700?1914. London： Routledge.

McClure， P. K. （2018）. “You’re fired，” says the robot： The rise of automation in the workplace， technophobes， and fears of unemployment. Social Science Computer Review， 36（2）， 139?156.

McFarland， S.， Webb， M.， amp; Brown， D. （2012）. All humanity is my ingroup： A measure and studies of identification with all humanity. Journal of Personality and Social Psychology， 103（5）， 830?853.

Merritt， A. C.， Effron， D. A.， amp; Monin， B. （2010）. Moral self-licensing： When being good frees us to be bad. Social and Personality Psychology Compass， 4（5）， 344?357.

Miao， X.， Liu， L.， Dang， J.， Wei， C.， Huang， L.， amp; Liu， Z. （2023）. Unity or estrangement under crises？ Perceived resource scarcity moderates the effect of a common threat on intergroup cooperation. Social Psychological and Personality Science， 15（5）， 659?669.

Miloyan， B.， Bienvenu， O. J.， Brilot， B.， amp; Eaton， W. W. （2018）. Adverse life events and the onset of anxiety disorders. Psychiatry Research， 259， 488?492.

Neufeind， M.， O’Reilly， J.， amp; Ranft， F. （2018）. Work in the digital age： Challenges of the fourth industrial revolution."London： Rowman and Littlefield.

Osgood， J. M.， amp; Muraven， M. （2015）. Self-control depletion does not diminish attitudes about being prosocial but does diminish prosocial behaviors. Basic and Applied Social Psychology， 37（1）， 68?80.

Peng， K.， Nisbett， R. E.， amp; Wong， N. Y. C. （1997）. Validity problems comparing values across cultures and possible solutions."Psychological Methods， 2（4）， 329?344.

Penner， L. A.， Dovidio， J. F.， Piliavin， J. A.， amp; Schroeder， D. A. （2005）. Prosocial behavior： Multilevel perspectives. Annual Review of Psychology， 56， 365?392.

Riek， B. M.， Mania， E. W.， amp; Gaertner， S. L. （2006）. Intergroup threat and outgroup attitudes： A meta-analytic review. Personality and Social Psychology Review， 10（4）， 336?353.

Roccas， S.， amp; Amit， A. （2011）. Group heterogeneity and tolerance： The moderating role of conservation values. Journal of Experimental Social Psychology， 47（5）， 898?907.

R?mpke， A. K.， Fritsche， I.， amp; Reese， G. （2019）. Get together， feel together， act together： International personal contact increases identification with humanity and global collective action. Journal of Theoretical Social Psychology， 3（1）， 35?48.

Rughini?， C.， Zam?rescu， R.， Neagoe， A.， amp; Rughini?， R. （2018， April）. Visions of robots， networks and arti?cial intelligence： Europeans’ attitudes towards digitisation and automation in daily life. In The international scienti?c conference eLearning and software for education"（Vol. 2， pp. 114?119）， Bucharest， Romania.

Sherif， M. （1966）. In common predicament： Social psychology of intergroup conflict and cooperation. New York： Houghton Mifflin.

Shoss， M. K.， amp; Ciarlante， K. （2022）. Are robots/AI viewed as more of a workforce threat in unequal societies？ Evidence from the eurobarometer survey. Technology， Mind， and Behavior， 3（2）， 1?13.

Sidanius， J. （1993）. The psychology of group conflict and the dynamics of oppression： A social dominance perspective. In S. Iyengar amp; W. McGuire （Eds.）， Explorations in political psychology"（pp. 183?219）. Durham， NC： Duke University Press.

Simpson， B.， amp; Willer， R. （2015）. Beyond altruism： Sociological foundations of cooperation and prosocial behavior. Annual Review of Sociology， 41（1）， 43?63.

Spencer， S. J.， Zanna， M. P.， amp; Fong， G. T. （2005）. Establishing a causal chain： Why experiments are often more effective than mediational analyses in examining psychological processes. Journal of Personality and Social Psychology， 89（6）， 845?851.

Stephan， W. G.， Ybarra， O.， amp; Morrison， K. R. （2009）. Intergroup threat theory. In T. D. Nelson （Ed.）， Handbook of prejudice"（pp. 43?59）. Mahwah， NJ： Lawrence Erlbaum.

Sumner， W. G. （1906）. Folkways： A study of mores， manners， customs and morals. Mineola， NY： Dover Publications.

Susskind， R. E.， amp; Susskind， D. （2015）. The future of the professions： How technology will transform the work of human experts. New York： Oxford University Press.

Tabri， N.， Wohl， M. J. A.， amp; Caouette， J. （2018）. Will we be harmed， will it be severe， can we protect ourselves？ Threat appraisals predict collective angst （and its consequences）. European Journal of Social Psychology， 48（1）， 72?85.

Tajfel， H.， amp; Turner， J. C. （1986）. The social identity theory of intergroup behavior. In S. Worchel amp; W. G. Austin （Eds.）， Psychology of Intergroup Relations"（pp. 7?24）. Chicago， IL： Nelson-Hall.

Touré-Tillery， M.， amp; Light， A. E. （2018）. No self to spare： How the cognitive structure of the self influences moral behavior. Organizational Behavior and Human Decision Processes， 147， 48?64.

Uenal， F.， Sidanius， J.， Roozenbeek， J.， amp; Linden， S. （2021）. Climate change threats increase modern racism as a function of social dominance orientation and ingroup identification. Journal of Experimental Social Psychology， 97， 104228.

Vezzali， L.， Andrighetto， L.， Drury， J.， Di Bernardo， G. A.， amp; Cadamuro， A. （2017）. In the aftermath of natural disasters： Fostering helping towards outgroup victims. In H. Zagefka amp; E. Van Leeuwen （Eds.）， Intergroup helping： The positive side of intergroup behaviour （pp. 305?330）. New York， NY： Springer.

Vu， H. T.， amp; Lim， J. （2021）. Effects of country and individual factors on public acceptance of arti?cial intelligence and robotics technologies： A multilevel SEM analysis of 28-country survey data. Behaviour and Information Technology， 41（7）， 1515?1528.

Wohl， M. J. A.， amp; Branscombe， N. R. （2008）. Collective angst： How threats to the future vitality of the ingroup shape intergroup emotion. In H. A. Wayment amp; J. J. Bauer （Eds.）， Transcending self-interest： psychological explorations of the quiet ego"（pp. 171?181）. Washington， DC： American Psychological Association

Wohl， M. J. A.， Branscombe， N. R.， amp; Reysen， S. （2010）. Perceiving your group’s future to be in jeopardy： Extinction threat induces collective angst and the desire to strengthen the ingroup. Personality and Social Psychology Bulletin， 36（7）， 898?910.

Wohl， M. J. A.， Giguère， B.， Branscombe， N. R.， amp; McVicar， D. N. （2011）. One day we might be no more： Collective angst and protective action from potential distinctiveness loss. European Journal of Social Psychology， 41（3）， 289?300.

Wohl， M. J. A.， Squires， E. C.， amp; Caouette， J. （2012）. We were， we are， will we be？ The social psychology of collective angst. Social and Personality Psychology Compass， 6（5）， 379?391.

World Bank. （2011）. World Bank national accounts data， and OECD National Accounts data files. Retrieved August 27， 2024， from https：//data.worldbank.org/indicator/NY.GDP. MKTP.CD？end=2011amp;start=2011

World Bank. （2016）. World Bank national accounts data， and OECD National Accounts data files. Retrieved August 27， 2024， from https：//data.worldbank.org/indicator/NY.GDP. MKTP.CD？end=2016amp;start=2016

Wu， N. （2022a）. Misattributed blame？ Attitudes toward globalization in the age of automation. Political Science Research and Methods， 10（3）， 470?487.

Wu， N. （2022b）. “Restrict foreigners， not robots”： Partisan responses to automation threat. Economics amp; Politics， 35（2）， 1?24.

Wu， T. J.， Liang， Y.， amp; Wang， Y. （2024）. The buffering role of workplace mindfulness： How job insecurity of human- artificial intelligence collaboration impacts employees’ work?life-related outcomes. Journal of Business"and Psychology， 39， 1395?1411.

Xu， L.， Wang， X.， Yu， F.， amp; Peng， K. （2024）. The influence of perceived robot threat on workplace objectification. Acta Psychologica Sinica， 56（2）， 210?225.

[許麗穎， 王學輝， 喻豐， 彭凱平. （2024）. 感知機器人威脅對職場物化的影響. 心理學報， 56（2）， 210?225.]

Yang， Y.， Sedikides， C.， Wang， Y.， amp; Cai， H. （2024）. Nature nurtures authenticity： Mechanisms and consequences. Journal of Personality and Social Psychology， 126（1）， 79?104.

Yam， K. C.， Tang， P. M.， Jackson， J. C.， Su， R.， amp; Gray， K. （2023）. The rise of robots increases job insecurity and maladaptive workplace behaviors： Multimethod evidence. Journal of Applied Psychology， 108（5）， 850?870.

Yogeeswaran， K.， Z?otowski， J.， Livingstone， M.， Bartneck， C.， Sumioka， H.， amp; Ishiguro， H. （2016）. The interactive effects of robot anthropomorphism and robot ability on perceived threat and support for robotics research."Journal of Human-Robot Interaction， 5（2）， 29?47.

Yudkowsky， E. （2008）. Artificial intelligence as a positive and negative factor in global risk. In N. Bostrom， amp; M. M. ?irkovi? （Eds.）， Global catastrophic risks"（Vol. 1， p. 184）. New York： Oxford University Press.

Z?otowski， J.， Yogeeswaran， K.， amp; Bartneck， C. （2017）. Can we control it？ Autonomous robots threaten human identity， uniqueness， safety， and resources. International Journal of Human-Computer Studies， 100， 48?54.

Perceived robot threats reduce pro-social tendencies

XU Liying， ZHANG Yuyan， YU Feng

（Department of Psychology， Wuhan University， Wuhan 430072， China）

Abstract

The advent of artificial intelligence （AI） presents an inevitable challenge to human society， raising concerns that range from the displacement of human jobs by robots to the increasingly ambiguous boundaries between humans and machines. This phenomenon is conceptualized as the realistic and symbolic threat posed by robots， which engenders collective angst among human beings. This collective angst reflects a concern for the future of the group， manifesting in negative emotions among group members apprehensive about their future. When a group perceives itself to be in crisis， societal cohesion may weaken， leading to increased divisions and aggression， and consequently， a decline in pro-social tendencies. Importantly， this decline is typically observed only toward out-group members， whereas the perceived robotic threat does not diminish pro-social behavior toward in-group members. Additionally， moral comparisons serve as a moderating factor in this dynamic. Downward moral comparisons， which enhance self-improvement and create a moral license that justifies both moral and immoral behaviors （e.g.， a reduction in pro-social behaviors）， suggest that the effect of robotic threat on pro-social tendencies is more pronounced among individuals who engage in such comparisons.""""This research consists of eight studies based on the basic hypothesis that perceived robotic threat reduces people's pro-social tendencies， with collective angst acting as a mediating mechanism， and inside-outside group and moral comparison tendencies moderating its effects. Studies 1a and 1b used pre-existing archival databases to calculate the relationship between perceived robot threat at the individual level and pro-social behavior at the national level. Study 2， on the other hand， used a questionnaire to examine collective angst as a mediating variable between robot threat and reduced pro-social tendencies. Study 3 experimentally manipulated robot threat to similarly validate the mediating role of collective angst. Study 4"excluded the influence of other potential mediators. Studies 5 and 6 also used experimental methods to respectively explore the moderating role of internal and external groups and moral comparison tendencies， and to clarify the boundary conditions between perceived robot threat reducing pro-social tendencies. Study 7 further validated the influence of perceived robot threat on prosocial behavior through behavioral observation.""""The main findings of this research are as follows. First， perceived robotic threat indeed reduces people's pro-social tendencies， even at the group level （Studies 1～7）; Second， the mechanism is mediated by collective angst， that is， perceived robotic threat increases collective anxiety， which reduces pro-social tendencies in order to alleviate anxiety （Studies 2～4）; Third， This effect is moderated by in-group and out-group distinction， whereas perceived robotic threat primarily reduces pro-social tendencies for out-group members （Study 5）; Fourth， this effect is moderated by the tendency to make moral comparisons， that is， perceived robot threat mainly reduces pro-social tendencies for downward moral comparators （Study 6）.""""As findings on the social consequences of robotic threats in prior research have been inconsistent， the results of this research strongly support the conclusion that robotic threats result in negative rather than positive interpersonal outcomes. The reason for this may be the difference between the internal and external groups that people psychologically delineate when they are faced with specific people to engage in interpersonal behavior after experiencing a robotic threat."Our research theoretically explains why robotic threats produce negative interpersonal outcomes.

Keywords "pro-social tendencies， perceived robot threat， collective angst， out-groups members， moral comparisons