我以前是搞社会心理学的。就是研究人为什么会这么想，那么做。我的博士研究方向是道德判断，听起来就挺传统的。但是后来，我发现AI这个东西越来越火。而且，它不只是个技术工具，它开始影响社会，影响每个人的生活。我就想，我学的心理学，能不能用在这上面？能不能解决点实际问题？
这个转变，最难的是脑子要换个想法。以前我们做心理学研究，总要先找个理论。比如“认知失调理论”，然后设计个实验去验证它。我们叫这个理论驱动。你做的所有事，都是为了给这个理论添砖加瓦。但是，搞AI的跨学科研究，路子反过来了。你要先去看现实世界。AI现在出了什么问题？大家在担心什么？媒体在吵什么？这个叫现实驱动。
你得不停地问自己，我这个研究做出来，除了我们心理学圈子的人，还有谁会关心？搞计算机的人能看懂吗？他们能从里面学到什么？政府部门制定政策的时候，能参考一下我的意见吗？哪怕只有一句话。如果答案是不能，那这个研究的影响力就小了。在那些跨学科的顶级期刊上，审稿人就特别看重这个。他们想知道你的研究有什么用，能不能真的改变点什么。
跨学科研究的两种核心方法论
具体怎么做呢？我主要走两条路。
第一条路，是从现实问题出发。我给你举个例子，就是我们发在《自然·通讯》上的那个关于福利分配的研究。当时，我们注意到一个事。欧美很多国家的政府，想用AI系统来分发社会福利。比如失业救济金、低保什么的。政府觉得这样效率高，还能防作弊。但是，那些真正需要申请福利的人，心里很害怕。他们担心AI系统有偏见，或者搞错了，那他们的生活就完蛋了。你看，这就是一个很具体的矛盾。
我们没有先去找什么“社会公平理论”。我们就抓住了这个矛盾本身。政府和政策制定者最关心一个权衡：速度和准确性。如果AI决策很快，但可能会出错，大家能不能接受？我们就围绕这个问题设计了研究。我们没找大学生来做实验，我们直接在网上找到了几百个正在申请福利的美国人，还有几百个不申请福利的普通纳arik>纳税人。
我们问他们，如果AI系统审批福利的速度能从几周缩短到几分钟，但是准确率会从100%下降到95%，你接受吗？结果很有意思。那些不申请福利的纳税人，大部分都觉得可以接受。他们觉得效率更重要。但是，那些真正申请福利的人，大部分都不能接受。对他们来说，5%的错误率，可能就是一个月没饭吃。
这个研究的结果说明了一个很直接的问题。在福利分配这件事上，主流群体（纳税人）的想法，根本不能代表边缘群体（申请者）的想法。所以，我们给政策制定者的建议就很清楚：你们在设计和使用这种AI系统的时候，必须直接去问福利申请者的意见，让他们参与进来。你不能想当然地觉得，这对大多数人好，就是对的。这个研究，就是一个典型的从现实问题出发的例子。
第二条路，是往“近未来”看。现在技术发展太快了。比如ChatGPT出来以后，你再去研究AI机器人像不像人，这个意义就不大了。因为它们已经很像人了。你要想的是，下一步会发生什么？当AI真的能独立工作，能当医生、当律师、当客服的时候，人类社会会变成什么样？我们要怎么和它们相处？
我们在2021年就开始做这方面的研究了。那时候ChatGPT还没这么火。我们当时在想，当AI开始扮演不同的社会角色时，人类对它的接受度会不会也不一样？我们提出了一个“角色匹配”的假设。意思是说，如果AI的表现，符合我们对它所扮演的那个角色的期待，我们可能就没那么害怕它了。
举个例子。如果一个AI是会计，我们希望它绝对精确、一丝不苟。如果它表现得很“人性化”，很多愁善感，你可能反而觉得它不靠谱。但如果一个AI是心理咨询师，我们可能就希望它温暖、有同理心。如果它像个机器一样冷冰冰，你肯定不想跟它说话。
为了验证这个想法，我们做了一个大规模的跨文化研究，覆盖了20个国家。我们发现，在大部分国家，这个“角色匹配效应”都存在。当AI的行为符合角色预期时，人们的接受度确实会更高。但是，有个例外，就是在中国。这个模型在中国的解释力不强。这就给我们提出了一个新问题：为什么会这样？是不是中国的文化、社会结构，或者人们对AI的看法，有什么特别之处？这背后，可能就藏着一个新的理论。这就是一个着眼于未来的研究思路。
跨学科顶刊发表的实用策略
想把文章发到《自然》这种级别的期刊，思路要变。
第一，选刊的策略不一样。传统的心理学顶刊，特别看重理论。你的文章一定要有一个很强、很新的理论贡献。但是，《自然》和它的子刊这种跨学科期刊，对理论的要求没那么高。它们更关心你的研究有什么实际影响，能引起多大范围的关注。你的读者不只是心理学家，还有可能是生物学家、计算机科学家、医生、政策顾问。你得让这些不同背景的人，都能看明白你的研究，并且觉得“这个事有意思，对我有启发”。
第二，我拿我们投《自然·通讯》的经验说说。我们是2024年5月投的稿。7月份收到第一轮审稿意见。审稿人提了很多问题，还要求我们补充一个实验。我们花了大半年时间，认认真真地补了实验，修改了论文。到2025年2月才把修改稿交回去。之后又改了一轮，最后才被接收。整个过程差不多一年。
这里面最难的一关，其实是第一关，叫“desk rejection”。就是投稿之后，文章到编辑手里。编辑如果觉得你的研究不够重要，或者不够有趣，或者读者面太窄，他就会直接拒稿。文章连被送出去给专家审稿的机会都没有。所以，你的研究故事一定要讲得足够吸引人。一旦文章被送审了，机会就大很多了。
第三，修改文章的策略也不一样。跨学科期刊的审稿人背景很多元。你可能会碰到一个做田野调查的社会学家。他会质疑你，说你研究的那个“现实问题”，是不是你凭空想象出来的？现实世界里真的有人在乎这个吗？这时候，你就得拿出证据，比如政府报告、媒体文章，来证明这个问题的真实性。你也可能会碰到一个在科技公司做产品经理的审稿人。他会问你，你的研究结果，对我们公司开发产品有什么用？我们应该怎么调整产品的指标？你得能用他们听得懂的语言，给出具体的建议。
给研究者的具体建议
如果你也想做这方面的研究，我有一些具体的建议。
第一，去哪里找信息和灵感？别老看心理学的期刊了。我推荐你去看一些专业的科技媒体，比如《麻省理工科技评论》（MIT Technology Review），还有国内的“机器之心”。这些媒体报道的都是最前沿的技术和争议。另外，要去参加一些跨学科的学术会议，比如AIES（人工智能、伦理与社会会议）和ACM CHI（人机交互顶会）。在这些会上，你能听到计算机科学家、法学家、哲学家在讨论什么，能给你很多启发。
第二，怎么找人合作？搞跨学科研究，单打独斗肯定不行。你得找计算机科学家合作。但是，不同学科的考核标准不一样。比如，计算机领域很看重会议论文。而心理学看重期刊论文。怎么办呢？可以试试“非存档发表”的策略。具体操作是：先把研究的核心想法和初步结果，写成一篇简短的摘要，投到计算机的顶级会议上。这种摘要不算正式发表。这样，你的合作者就有了会议成果，可以写进简历里。然后，你们再把完整的、详细的研究报告，写成一篇正式的论文，投到心理学或者跨学科的期刊上。这样两边都满意，合作就顺畅多了。
第三，研究方法需要升级。我们心理学研究，很多时候是在实验室里做情境实验。比如给被试看一段文字，或者一个视频，然后问他们一些问题。这种方法在AI研究里也能用，但不够了。如果你想让你的研究更有说服力，我建议你去做真实的人机互动研究。就是让真实的用户，去使用一个真正的AI系统。然后你在一旁观察、记录、访谈。这样得到的数据，比在实验室里想象的要生动、真实得多。
第四，职业发展怎么规划？如果你是管理学背景，你可以关注一些很落地的问题。比如，现在很多公司用AI来筛选简历、面试员工。这里面就有很多关于公平、偏见的问题可以研究。如果你是心理学背景，我觉得可以更大胆一点，去探索一些更前沿的领域，比如数字人、数字孪生。当每个人都有一个自己的数字分身时，我们的自我认知、人际关系会发生什么变化？这些都是心理学家可以大展拳脚的地方。
跨学科研究的挑战与应对
当然，做这种研究也不容易，有很多挑战。
首先，理论不好搬运。我们心理学里有很多经典的理论，比如“信任理论”。但是，人和人之间的信任，跟人和AI之间的信任，是一回事吗？AI没有感情，没有动机，它只是执行代码。所以，很多老理论拿到AI这个新场景里，可能就不管用了，甚至会误导你。你需要重新思考和建立新的理论。
其次，研究方法需要创新。传统心理学的实验范式，是把变量控制得干干净净。但在真实的人机互动里，充满了各种不可控的因素。你需要学习和发展一些新的研究方法。可能要学点数据挖掘，分析用户的后台行为数据。也可能要做点民族志研究，像人类学家一样，长期“潜伏”在一个社区里，观察人们怎么使用AI。
最后，不同学科的人说话方式不一样。这个挑战很大。你跟一个计算机科学家，可能聊半天都聊不到一块去。你说的“效度”，他可能不明白。他说的“过拟合”，你也听不懂。这需要很多耐心去磨合，去学习对方的语言。你需要找到一种大家都能理解的表达方式，才能把合作进行下去。
前景展望
说了这么多挑战，但我觉得，AI和行为科学的交叉研究，机会还是很多的。
这个领域最大的一个特点是，它永远在变化。因为AI技术本身在不停地发展。今天我们还在讨论ChatGPT，明天可能就有新的东西出来了。技术变了，人跟AI的关系也跟着变。这就意味着，永远有新的研究问题等着我们去发现。
比如，以前我们讨论AI的偏见，可能更多的是指算法对特定人群的歧视。但现在有了生成式AI，我们可能就要讨论，AI生成的内容，会不会固化甚至加剧社会上的刻板印象？同一个问题，在新的技术背景下，就有了新的研究意义。
所以，我觉得对于我们这些研究“人”的学者来说，这是一个很好的时代。我们有机会走出实验室，去面对一个更真实、更复杂的世界。这个过程肯定会很难，但也能做出更有价值的研究。如果你对这个领域有兴趣，现在就是开始的最好时机。
