● 认知神经科学前沿文献分享
论文信息:The perceived whiteness of artificial intelligence
发表时间:2026-09-03
发表期刊:Journal of Personality and Social Psychology
研究背景
当人工智能(artificial intelligence, AI)工具广泛应用于招聘、医疗诊疗与核实事实等行业,其种族身份应该无关紧要——毕竟,算法没有种族。 然而,随着AI越来越多地充当顾问和决策者,一个重要的问题出现了:人们是否会认为AI本身具有某种种族身份,且这些看法是否会影响他们对AI判断能力的看法?
学术界过去大多关注算法本身的偏见(例如,由训练数据偏差导致的算法歧视),但由来自美国普渡大学的 Monica Gamez-Djokic 与来自西北大学的 Adam Waytz 组成的团队提出了一个全新的视角:偏见不仅可能存在于算法内部,更存在于人类的社会认知中。这篇名为The Perceived Whiteness of Artificial Intelligence的研究于2026年9月发表在心理学期刊《Journal of Personality and Social Psychology》(JPSP) 上。
研究者提出,当人类将非人类实体视为具有意图或能力的智能体时,大脑的社会分类系统会被自动激活,为其赋予性别、年龄和种族等社会属性。同时,像大语言模型、推荐算法等去实体化(disembodied)的 AI 系统,缺乏面孔、声音或名字;那么,在这种缺乏直接感知线索的社会真空下,人们会如何给 AI 贴上“种族标签”呢?加之,在西方文化语境中,“白人属性”(Whiteness)既被视为未经标记的默认基准,又被当成专业能力、理性和高地位的典型代表。因此,研究者设计了一系列实验,直指一个核心的问题:人们是否会种族化AI,并且这个过程是如何发生的呢?
Spoiler Alert:研究结果发现,即使没有任何视觉或语音提示,人们依然在显性和隐性层面将 AI 默认为“白人”;这种“被感知的白人属性”不仅增加了 AI 建议的说服力,还会直接改变人们分配给 AI 的任务认知难度。
研究过程
研究团队通过5 项主实验与 8 项补充实验,跨越多个国家与不同实验范式,系统揭示了人类是否会感知AI为某一特定种族,以及这一感知的影响,并研究了产生这种感知的心理机制。
● 1. 显性与隐性层面:AI 被普遍感知为“白人”(实验 1 & 2)
实验1采用强制选择(实验1a)与开放式描述(实验1b)两种范式,邀请多元种族的被试评估 AI、机器学习算法、机器人等 6 种技术的种族属性。结果显示,在实验1a中,被试将 AI 技术归类为白人的白人指数达 0.72(显著高于 0.5 的随机概率),而在实验1b的开放描述结果中,71% 的种族描述直接指向白人。实验1的效应证明了人们在显性层面会把AI种族化为白人,且这一效应跨越了不同种族背景的被试群体。
为了检验这种显性感知是否同时延伸至隐性层面,实验2采用了反向相关范式(reverse-correlation)。被试在模糊面孔二选一任务中挑选“最像 AI”的面孔,共有300个试次;随后,由另一批独立的盲审评分者对基于上述任务结果生成的“合成面孔”进行种族评定。结果表明,基于被试选择项合成的偏 AI 面孔被判定为白人的比例高达75%,显著高于基于被试未选择项合成的对照面孔(43%),证实了人们在隐性表征中同样会感知AI为白人。
图1|实验2中的模糊面孔二选一任务(图源:原论文)。
图2|实验2中基于被试选择项合成的偏AI面孔(左),和基于被试未选择项合成的对照面孔(右)(图源:原论文)。
● 2. 跨文化通用性检验(实验3)
为了探讨“AI = 白人”这一认知是否局限于美国本土被试群体,实验3在印度(实验3a, $N=147$)与日本(实验3b, $N=113$)招募了熟练掌握英语的被试,要求他们完成与实验1中类似的AI种族归类任务。结果表明,跨文化样本同样展现出将 AI 归类为白人的明确倾向:日本被试表现出极强的白人倾向性,白人指数达0.71(显著高于随机线),其中 82%的被试直接将 AI 本身归类为白人;印度被试的白人指数为0.57(显著高于随机线),被试中将 AI 归类为白人的比例也达到了 67%。这证明将 AI 归类为白人的社会认知超出了美国本土背景,具备跨国普遍性。
● 3. 行为后果:白人属性带来“说服力溢价”(实验4)
在确立了感知现象后,实验4进一步评估了种族化感知对人机交互行为的下游影响。研究邀请了 424 名被试阅读 AI 助手在政治事实核查场景中给出的裁定建议,并评估其说服力与采纳意愿,同时测量了被试感知到的 AI 白人倾向。分层回归分析显示,在严格控制了政治立场、人口学特征、AI 熟悉度及对 AI 的整体态度后,被试感知到的 AI 白人属性显著正向预测其建议的说服力。补充研究进一步证实,这一现象在招聘和消费决策场景中同样成立,表明人们感知到的AI白人属性为 AI 的建议带来了更高的可信度与说服力溢价。
● 4. 因果机制验证:训练数据“来源”如何重构认知权威(实验 5)
为确立生态线索对种族感知与能力评估的因果影响,实验5对 568 名被试开展了因果操纵实验。被试被要求评估同一款名为 Nexus AI 的系统,并为其分配 26 项不同认知难度的工作任务。实验操纵了被试被告知的该 AI 的训练数据来源(被试间因素:白人数据 vs. 黑人及拉丁裔数据 vs. 未指定种族的控制组),同时保证了AI的技术性能完全一致。
结果显示,被试分配给基于黑人/拉丁裔数据训练的 AI 的任务平均认知难度得分($M = 4.27$)显著低于白人数据训练组($M = 4.51$)和控制组($M = 4.51$)。在具体的任务选择上,黑人/拉丁裔训练组被分配的高智力任务(如高级数学、战略决策)($M = 2.06$ 个)显著少于白人组($M = 2.47$ 个)和控制组($M = 2.49$ 个),而在日程预约等低智力任务的分配上则显著多于其他两组。值得注意的是,白人训练组与控制组的数据在各指标上没有显著差异。
实验5通过操纵被试认为的训练数据来源,从因果机制上证明,当缺少明确信息时,人们默认AI代表的是白人知识系统;被描述为由白人数据训练的AI被认为更有能力处理对分析能力要求较高的工作;相反,被描述为由黑人和拉丁裔数据训练的AI则被视为更适合胜任更简单的工作。
从理论视角来看,本研究显著拓宽了社会分类与拟人化理论的边界,证实了种族范畴不仅用于人类社会交互,也会被自动且系统性地投射至去实体化、无明确身份线索的新型 AI 算法上。研究表明,即便 AI 系统在客观设计上不具备任何种族特征,人们依然会依据文化中默认的“白人属性等于高智力、高权威与高合法性”的心理图式,以及对“谁在创建、训练和使用 AI”的生态系统推论,自上而下地赋予 AI 白人身份。这一“白人化”感知不仅作为一种隐形凭证提升了 AI 建议的说服力,更直接塑造了人们分配给 AI 系统的认知权威与任务难度预估。更深层次的警示在于,这种社会认知偏见在人类接受端或许是隐蔽且难以察觉的 —— 用户在信任或让渡决策权给“白人化”AI 时,往往误以为自己仅做出了客观的技术评估,从而在无意识中借助技术媒介巩固了既有的社会阶层与种族特权。
在实践与政策层面,这些发现深刻挑战了当下 AI 公平性治理中普遍存在的“技术中立假设”。当前的去偏见化干预大多聚焦于技术端,如净化训练数据集、优化算法模型或进行算法审计,并假设只要去除算法本身的偏差,人类就能客观公正地使用 AI 输出。然而本研究恰恰证明,偏见同样深刻地嵌于人类用户的社会认知中;即便面对技术上完全无偏或去实体化的 AI,人类的解释偏差依然会导致人机交互结果的不平等。因此,构建公平、包容的技术生态不能仅仅依赖纯粹的技术端修复,而必须同时关注人机交互中的社会认知机制。未来AI相关的政策制定与系统设计需要提升算法开发背景与训练数据来源的透明度,打破将“白人属性”默认等同于“知识与专业权威”的认知绑定,以防止新兴技术在社会应用中无形地放大现实世界中固有的不平等。
原文信息
Gamez-Djokic, M., & Waytz, A. (2026). The perceived whiteness of artificial intelligence. Journal of Personality and Social Psychology.
DOI: https://doi.org/10.1037/pspi0000533
分享人:tianyu
审核:PsyBrain 脑心前沿编辑部
● 原文信息与获取方式
DOI:10.1037/pspi0000533
获取原文:
1. 三连后添加小助手:PSY-Brain-Frontier 获取
版权归属作者团队和出版社,本文仅做分享
热门跟贴