🧒 初中生也能看懂的版本
① 研究背景（为什么要做？）
如今越来越多的政府开始把人工智能请进政策制定的流程里，用它来梳理信息、模拟方案、给决策打底。可老百姓买不买账，完全是另一回事。
过去的研究给出的答案是分裂的。一派说，人工智能擅长收集和分析海量信息，还能推演不同方案的后果，因此能让政策更科学、更可行，公众应该欢迎它；另一派说，算法是个「黑箱」，外人看不懂它怎么得出结论，再加上普遍存在的「算法厌恶」情绪，以及对政策是否还算数、出了事谁负责的担心，公众其实会本能地排斥「让机器参与拍板」。
这篇文章提出了一个几乎没人正面研究过的新变量：人工智能的「国籍」。你有没有注意过，同样一件商品，只要贴上「国产」两个字，很多人的态度立刻就不一样了？那么当政府宣布「我们要用某个大模型来帮忙做政策」时，这个模型是本国造的还是外国造的，会不会也直接改变公众的接受程度？
作者把这件事接到了一个更大的背景上——技术民族主义。这个词指的是这样一种信念：一个国家的技术创新，直接关系到它的国家安全、经济繁荣和社会稳定。近十年来民族主义在全球范围内明显抬头，落到科技领域，就变成了「我们自己的技术必须赢」。作者选择在中国做这项研究，正是因为这里同时具备两个条件：各级政府都在积极尝试用人工智能辅助治理，而技术民族主义情绪也在社会上广泛蔓延。
② 研究问题（要回答什么？）
这项研究要回答的核心问题只有一个：人工智能的「国籍」，会不会改变公众对政府用它来制定政策的支持程度。围绕这个问题，作者提出了四个可以逐一检验的猜想。
- 猜想一：比起外国的人工智能，公众更支持政府在政策制定中使用本国的人工智能。
- 猜想二：这种偏好在技术民族主义情绪越强的人身上表现得越明显。
- 猜想三：公众之所以偏爱本国人工智能，是因为他们相信本国系统更能提高政策的科学性和可行性，同时更能避开潜在的算法风险。
- 猜想四：即便同样是本国人工智能，公众也更愿意让它去管「小事」，而不是「大事」。
这里的「大事」和「小事」是作者专门定义的一组对照：重大政策影响面覆盖全社会、牵扯根本性的价值取舍、一旦定下很难掉头，比如财政政策和土地开发政策；次要政策影响范围更局部、争论主要围绕效率高低、调整起来相对容易，比如公共交通优化和旅游管理。作者特别强调，「次要」不等于「不重要」，它专指那些以技术和行政考量为主、不涉及强烈道德争议的政策领域。
③ 研究方法（怎么做的？）
作者用的是问卷实验——一种把实验室里的随机分组搬进问卷的做法。它的好处是能把「因为什么导致什么」说清楚，而不只是发现两件事凑巧同时出现。
具体做法，像是发四张内容略有不同的通知单。研究通过一家总部位于北京的全国性调查公司，在二〇二五年七月二十日到二十七日之间在线发放问卷。受访者点开邀请链接、同意参与后，由系统随机分到四个组中的一个，他们事先既不知道还有别的版本，也没法自己挑。四个组读到的短文只在两个地方有差别：用谁家的模型，管多大的事。
外国大模型
+ 次要政策
公共交通、旅游管理
外国大模型
+ 重大政策
财政、土地开发
国产大模型
+ 次要政策
国产大模型
+ 重大政策
读完短文，所有人回答同一道题：「你是否支持政府把人工智能嵌入政策制定？」答案是一到五分的五级量表，一分是完全不支持，五分是完全支持。
另外有两道关键的题。在看到短文之前，问卷已经先问过每个人的技术民族主义倾向（是否同意「科技关系国家发展，所以我支持国产科技产品」）——放在前面问，是为了保证这个态度不会被短文带偏。看完短文之后，又问了一道用来查机制的题（是否同意「把人工智能嵌入政策制定能提高政策的科学性与可行性，同时避免潜在的算法风险」）。这两题都是十分制。
最终进入统计分析的有效样本为 1880 人，招募规模接近两千人。研究在二〇二五年五月就已经通过伦理审查，并在预注册平台登记了分析方案——也就是说，结论不是看到数据之后才编出来的。
④ 结果（发现了什么？）
实验结果非常干脆：把同一件事里的人工智能从外国换成国产，公众的支持度立刻明显上升。
在一到五分的量表上，外国人工智能组的平均支持度是 2.61，国产人工智能组是 3.46，相差约 0.85 分。统计检验给出
p < 0.01，意思是「几乎不可能是碰巧」。而且不论政策是大事还是小事，这个偏好都稳定存在。交互项系数为 +0.412（
p < 0.01），意味着一个人的技术民族主义情绪每强一点，国产人工智能相对外国人工智能拿到的加分就更多一点。更有意思的是反过来的那一半：在技术民族主义情绪较弱的人当中，这个效应被削平，甚至反转——他们对外国人工智能的支持度反而持平或更高。中介分析显示，总效应约 0.847，其中经由「相信国产人工智能更能提高政策科学性、更能避开算法风险」这条路径传导的部分是 0.621，而绕开这个信念的直接效应只有约 0.227。也就是说，约七成三的国籍效应，是通过这个信念起作用的。
即便是国产人工智能，公众也更愿意让它参与次要政策而不是重大政策（
p < 0.01）。回归里「国产人工智能 × 重大政策」的交互项系数为 −0.277，重大政策本身的主效应为 −0.710，两者都高度显著。把这几条串起来看：公众并不是无条件欢迎人工智能进入政策圈，而是先看它姓什么，再看它管多大的事。
⑤ 讨论（这些发现说明什么？）
这个结果听上去简单，可它揭开的东西并不轻松。
第一，公众对人工智能的态度，其实不全是关于人工智能的。同一套技术，贴上不同的产地标签，得到的评价就不一样。人们并不是先去评估算法准不准、好不好用，而是先看它是谁家的。作者在讨论部分直接点破了这一点：人工智能嵌入政策的质量，最终取决于算法性能，而不是它的来源国。
第二，这不是中国独有的现象。作者特意举了两个例子：美国的「买美国货」运动，把国家认同和产品偏好绑在了一起；欧盟对「数字主权」的关切，则催生了通用数据保护条例这类主张数据管辖权的监管。换句话说，「偏爱本国技术进入治理」很可能是一个更普遍的现象，只是在不同制度里换了张面孔。
第三，也是最值得警惕的一点。短期看，用国产人工智能确实能换来更高的公众支持度。但作者提醒，政府若一味迎合民族主义舆论、完全依赖本国系统，结果会是技术孤立和次优的政策产出：国外确实存在能实质改善本国决策的先进系统，却因为「来自对手国家」而被排斥；放到更大的尺度上看，技术民族主义会侵蚀信息、人才和技术的全球流通——而这些流通恰恰是科技持续进步的前提。
第四，公众其实是有分寸的。即便是最信任国产人工智能的那批人，也更愿意让它先去管公共交通、旅游这类可调整、可纠错的事，而不是财政和土地这类一旦定下就难以掉头的事。这种「先小后大」的直觉，和政策先试点、再推广的逻辑其实是一致的。
⑥ 结论（最终结论 + 启示）
这项研究最核心的结论是，人工智能的国籍标签本身，就足以改变公众对政府用它做决策的态度。
把四条发现串成一句话：公众更支持政府使用本国人工智能而非外国人工智能来制定政策；这种偏好在技术民族主义情绪强的人身上被放大，在情绪弱的人身上甚至会反转；偏好的来源是一个信念——相信本国系统更能提高政策的科学性与可行性、同时避开算法风险；而即便是本国人工智能，公众也更愿意让它先管小事、再谈大事。
对政府部门来说，这意味着引入人工智能工具时，除了算法质量、易用性和成本效益，还不得不把「国籍」这个原本不该属于技术评估的因素纳入考量——但同时要保持清醒：迎合归迎合，真正决定政策好坏的还是算法本身的性能。对普通人来说，这项研究也提供了一面镜子：当我们为「国产」两个字自动加分的时候，或许值得问一句，我们评价的到底是这项技术，还是它的标签。
🎓 专业 IRMaD 结构解读
I. Introduction（引言）
议题源流。随着人工智能技术尤其是大语言模型的突破，各国政府纷纷探索人工智能驱动的治理转型（David, 2024; Henman, 2020; Wirtz 等, 2019; Young 等, 2019）。学界与政策界共同关心的核心问题是：如何借助人工智能系统提升公共政策的科学性与可行性。部分公共部门已开始尝试把算法嵌入政策与决策过程（Criado 等, 2025; Kuziemski 与 Misuraca, 2020; Valle-Cruz 等, 2020），但一个悬而未决的问题是：普通公民是否接受把人工智能纳入公共政策制定。
两支对立文献。一支研究认为人工智能能改进议程识别、丰富政策选项、强化政策采纳的科学依据（Dunleavy 与 Margetts, 2025; Head, 2016; Papadakis 等, 2024），公众因而可能接受其进入政策过程（Ingrams 等, 2022; König 等, 2024）。另一支则强调三重约束：算法「黑箱」引发的透明度与问责疑虑（Busuioc, 2021; Grimmelikhuijsen, 2023; Wirtz 等, 2020）、算法厌恶（Bigman 与 Gray, 2018; Dietvorst 等, 2015; Horowitz 与 Kahn, 2024; Robles 与 Mallinson, 2025），以及政策合法性受损（Hanberger, 2003; Starke 与 Lünich, 2020; Wallner, 2008）。Haesevoets 等（2024）进一步显示，公众态度随任务情境显著变化，涉及较大政策裁量权时支持度普遍更低。
文献空白。近期已有研究注意到人工智能供给方特征影响公共部门场景中的接受度：Hemesath 与 Tepe（2024）发现公众对外国供应商的政务聊天机器人支持度更低，Leszczyński 等（2025）刻画了更一般的来源国效应，Horvath 等（2023）与 Kennedy 等（2022）记录了开发者声誉的作用。然而这些研究集中于行政与公共服务递送场景而非政策制定，且未系统考察民族主义情绪的作用。
本文贡献。作者将人工智能的「国籍」引入政策制定领域，以技术民族主义（techno-nationalism，Luo, 2022）为理论透镜，并补充重大／次要政策这一政策类型维度。经验场景选在中国：一方面各级政府正积极探索人工智能辅助公共服务与政策制定（Gao, 2020; Khanal 等, 2025; Kostka, 2023; Li 等, 2025; Ma, 2020），另一方面自上而下的意识形态动员与自下而上的舆论表达共同推高了民族主义情绪（Huang, 2021; Schneider, 2018; Sullivan 与 Wang, 2023; Weiss, 2019; Zhao, 2021; Zhang 等, 2018）。
I. Theoretical Framework & Hypotheses（理论框架与假设）
核心理论。民族主义的内核是「每个民族应自我治理、免受外部干涉」，并依托共享的文化、族群、政治、宗教或传统建构单一国族认同（Anderson, 1983; Gellner, 1983; Greenfeld, 1992; Smith, 2013），因而天然混合了自我认同与排外倾向。技术民族主义是民族主义的子集，将国家技术创新直接连结于国家安全、经济繁荣与社会稳定（Luo, 2022）。该概念可追溯至 1980 年代美国防范技术被外方（尤其是日本）利用的政策语境。传统形态相对温和务实，兼采国家能动性与对外资开放，以高技术外商直接投资实现技术学习与追赶（Luo, 2002; Meyer, 2004; Turkina 与 Van Assche, 2018）；但在反全球化与国际争端加剧的背景下，它转向零和视角，把跨境技术交流直接连结于国家安全，主张对敌对国家实施强干预（Farrell 与 Newman, 2020; Sachs, 2020）。机制推论：与本国人工智能相关的数据、数字基础设施与算法系统均处于本国管辖之下，因而被认为免于外部影响、更可靠、算法偏误更少。相邻证据见 Xiang 与 Xia（2026）——在中国的一组问卷实验中，国产大语言模型比外国大语言模型更能说服公民接受有争议的政策。
| 编号 | 假设 | 对应理论 |
|---|---|---|
| H1 | 公众更支持在政策制定中纳入本国人工智能而非外国人工智能 | 技术民族主义 · 来源国效应 |
| H2 | H1 效应在技术民族主义倾向更强者中更为显著（调节） | 技术民族主义强度的个体异质性 |
| H3 | 偏好本国人工智能是因为相信其能提升政策科学性与可行性、同时规避潜在算法风险（中介） | 感知功能性与安全性机制 |
| H4 | 公众更支持本国人工智能进入次要政策而非重大政策 | 算法厌恶 · 高风险情境下的委托抗拒 |
政策类型维度（原文 Table 1）。作者在 Lowi（1964）分配／管制／再分配／构成性分类，以及政策显著性（Soroka, 2002; Wlezien, 2005）、「高政治／低政治」之分（Hoffmann, 1966）之上，提出以感知利害与影响范围为轴的重大／次要简化区分，并明确声明这是理想类型式操作化，不主张两类领域内所有政策在任何情境下都天然属于重大或次要。
| 维度 | 重大政策 | 次要政策 |
|---|---|---|
| 影响范围 | 全社会、跨部门 | 局部、部门性 |
| 政治争议 | 高，涉根本价值取舍 | 中等，聚焦效率 |
| 可逆性 | 低，路径依赖 | 高，可调整 |
| 首要考量 | 再分配、意识形态 | 技术、行政 |
| 示例 | 财政政策、土地开发政策 | 公共交通政策、旅游政策 |
M. Materials & Methods（材料与方法）
- 识别策略：预注册的在线随机对照问卷实验（survey / vignette experiment），采用 2×2 被试间析因设计——2（外国人工智能／本国人工智能）× 2（次要政策／重大政策）。受访者同意参与后由调查系统随机分配到某一实验条件，事先不知晓有哪些条件，也无法自选组别，故处理分配相对于潜在结果外生。
- 抽样与实施：2025 年 7 月 20 日至 27 日，由一家总部位于北京的全国性调查公司实施；该公司注册用户经电子邮件收到邀请链接。招募规模近 2000 人；各回归模型分析样本 N = 1880。作者明示样本非全国代表性样本，并援引 Druckman（2022）主张因果关系的建立不必依赖代表性样本。
- 伦理与预注册：已获 IRB 伦理审查批准，并于 2025 年 5 月在 AsPredicted 平台完成预注册（即先于 7 月的数据收集）。
- 操纵材料（vignette 原文译）：「随着人工智能技术的快速发展，政府部门正积极探索技术导向的行政改革。你所在的省级政府计划将知名的【外国大语言模型（如 ChatGPT）／国产大语言模型（如 DeepSeek）】嵌入【次要公共政策（如公共交通与旅游管理相关议题）／重大公共政策（如财政政策与土地开发政策）】的制定，力求提升公共政策质量。」——AI「国籍」以具体品牌名操纵，政策类型以政策领域举例操纵。
- 结果变量：单题直接测量——「你是否支持政府将人工智能嵌入政策制定？」5 点量表，1 = 完全不支持，5 = 完全支持。
- 调节变量（技术民族主义）：在暴露于 vignette 之前测量，属前测变量、不受处理污染——「科技关系国家发展，所以我支持国产科技产品」，10 点量表。
- 中介变量（感知功能性与安全性）：「将人工智能嵌入政策制定能提升公共政策的科学性与可行性，同时避免潜在的算法风险」，10 点量表。作者主动承认该题为 double-barreled（双桶）题项，无法分离「感知科学性」与「感知风险规避」两个维度。
- 协变量与固定效应：性别、年龄、受教育程度、职业类型、收入水平、中共党员身份；并加入省级固定效应；稳健标准误按省份聚类。
- 估计模型：调节模型为
Supporti = α + β₁·Domestici + β₂·TechNati + β₃·(Domestici × TechNati) + γ·Xi + δp + εi；政策类型调节模型把TechNat换成Major（次要政策 = 0）。参照组恒为Foreign AI = 0。 - 检验序列：① 双样本
t检验（先合并组比较，再分政策类型比较）；② OLS 回归（Table A3）；③ 交互项调节分析（Table 2、Table 4）与边际效应图（Fig. 3）；④ 因果中介分析，采用 Imai 等（2010）的一般化方法，经 R 包mediation（Tingley 等, 2014）实现，输出 ACME／ADE／总效应及 95% 置信区间；⑤ 传统三步法回归中介作为稳健性对照（Table 3）。作者说明选用 Imai 方法是为规避传统结构方程模型识别假设不清、依赖特定统计模型的局限。 - 社会赞许偏差的处理：作者论证该偏差在本设计中不严重——线上匿名作答降低社会压力；题目非政治敏感（问的是对 AI 入政策的态度，不直接触及政权支持或政治异议）；被试间随机分组意味着受访者从未被要求直接比较国产与外国人工智能，从而难以推断所谓「政治正确」答案（并引 Lei 与 Lu, 2017 关于中国调查中自我审查不如普遍认为那样泛滥的证据）。
R. Results（结果）
- H1 · 主效应（t 检验，Fig. 1）：5 点量表上，外国人工智能组均值 2.61，本国人工智能组均值 3.46，差值约 +0.85，
p < 0.01。分政策类型后（Fig. 2），该偏好在次要与重大政策情境中均稳健存在。OLS 回归（Table A3）中，以外国人工智能为参照，本国人工智能系数在加入省级固定效应与全套协变量后仍在 1% 水平显著；以第一组为第三组基准、第二组为第四组基准时，主系数同样为正且在 1% 水平显著。
| Table 2 · 技术民族主义的调节（DV = 支持度） | (1) | (2) | (3) |
|---|---|---|---|
| Domestic AI（Foreign AI = 0） | −2.516*** (0.266) | −2.465*** (0.272) | −2.434*** (0.276) |
| Techno-nationalism | −0.157*** (0.019) | −0.156*** (0.019) | −0.155*** (0.022) |
| Domestic AI × Techno-nationalism | 0.422*** (0.032) | 0.416*** (0.033) | 0.412*** (0.033) |
| 协变量 ／ 省份 FE | N ／ N | N ／ Y | Y ／ Y |
| 观测数 ／ R² | 1880 ／ 0.263 | 1880 ／ 0.271 | 1880 ／ 0.300 |
- H2 · 调节（Table 2、Fig. 3）：交互项在三个设定中一致显著（1% 水平），系数由 0.422 微降至 0.412，稳健性良好。边际效应图显示：在技术民族主义较强者中，暴露于本国人工智能相较外国人工智能显著抬升支持度；而在技术民族主义较弱者中，效应被削弱甚至反转，外国人工智能获得相当或更高的支持。读表提醒：Domestic AI 的主效应项为负，它是技术民族主义取值为零（超出 10 点量表实际取值范围）时的外推截距，必须与交互项联读，不可单独解释为「国产减分」。分政策类型子样本的调节分析见 Figure A1 与 Table A4，两类政策下效应同样以技术民族主义为条件。
- H3 · 机制（因果中介分析，Fig. 4）：ACME = 0.621 且统计显著，ADE ≈ 0.227，总效应 ≈ 0.847；中介效应约占总效应的 73%。由于中介题项同时承载两个维度，显著的中介效应意味着感知科学性与感知风险规避二者共同贡献，但无法分拆各自权重（作者列为明示局限）。分政策类型的中介结果见 Fig. A2，与总体基本一致。
| Table 3 · 三步法回归中介 | (1) DV = 中介变量 | (2) DV = 支持度 | (3) DV = 支持度 |
|---|---|---|---|
| 中介变量 | — | — | 0.326*** (0.011) |
| Domestic AI（Foreign AI = 0） | 1.894*** (0.082) | 0.847*** (0.047) | 0.230*** (0.052) |
| 协变量 ／ 省份 FE | Y ／ Y | Y ／ Y | Y ／ Y |
| 观测数 ／ R² | 1880 ／ 0.265 | 1880 ／ 0.197 | 1880 ／ 0.449 |
- 三步法结果与 Imai 方法互证：本国人工智能显著抬升中介变量（1.894***）；加入中介后 Domestic AI 系数由 0.847 降至 0.230（仍在 1% 水平显著），构成部分中介格局，与 ACME 占比约 73% 一致。分政策类型子样本的三步法结果见 Table A5，基本不变。
- H4 · 政策类型（Fig. 5、Table 4、Table A7）：仅比较同为本国人工智能的第三组（次要政策）与第四组（重大政策），第三组支持度显著更高，
p < 0.01；以第四组为参照的回归在加入省级固定效应与个体协变量后结论不变。交互项Domestic AI × Major policy 显著为负，说明即便 AI 是国产的，公众对其用于重大政策的支持度仍低于用于次要政策。
| Table 4 · 政策类型的调节（DV = 支持度） | (1) | (2) | (3) |
|---|---|---|---|
| Domestic AI（Foreign AI = 0） | 0.984*** (0.058) | −0.989*** (0.059) 原刊符号存疑 | −0.990*** (0.054) 原刊符号存疑 |
| Major policy（Minor policy = 0） | −0.711*** (0.047) | −0.704*** (0.050) | −0.710*** (0.051) |
| Domestic AI × Major policy | −0.267*** (0.075) | −0.276*** (0.075) | −0.277*** (0.063) |
| 协变量 ／ 省份 FE | N ／ N | N ／ Y | Y ／ Y |
| 观测数 ／ R² | 1880 ／ 0.306 | 1880 ／ 0.316 | 1880 ／ 0.349 |
- 读表提示（原刊符号矛盾）：Table 4 第 (2)(3) 列 Domestic AI 系数在原刊中印为−0.989 / −0.990，但与两处证据冲突——其一，正文明确写道「the coefficients of domestic AI are positive and statistically significant」；其二，第 (1) 列同一系数印为 +0.984，且与 Table 3 第 (2) 列的合并主效应 +0.847 及t 检验均值差 +0.85 在量级与方向上自洽。本报告据此按正号作实质解读：在次要政策情境中本国人工智能相对外国人工智能加分约 +0.98，进入重大政策后该加分被交互项削减约 0.28（此削减量为依原刊系数所作的读数说明，非原文另行报告的数值）。
a / D. Discussion & Conclusion（讨论与结论）
- 理论贡献一 · 扩展「AI 供给方特征」文献：既有研究（Hemesath 与 Tepe, 2024; Horvath 等, 2023; Kennedy 等, 2022; Leszczyński 等, 2025）多聚焦公共服务递送场景，本文把「AI 来源国」推进到政策制定这一利害更高、合法性与问责关切更为凸显的领域。
- 理论贡献二 · 扩展技术民族主义文献：把技术民族主义从传统的政治与经济议程（Farrell 与 Newman, 2020; Luo, 2022; Sachs, 2020; Wang, 2020）带入公共政策与公共行政，并同时给出理论化与实验证据。
- 理论贡献三 · 中国政治与公共政策：以实验证据佐证中国公民的民族主义倾向确已外溢至科学技术领域，并可能深刻塑造公众对政府在政策制定与公共服务供给中使用先进技术的态度。
- 实践启示：① 政府选用 AI 工具时，应把「国籍」与算法质量、易用性、成本效益并列考量；② 应按政策类型区分——把 AI 用于利害较小的政策更易赢得公众支持，因其政治经济风险有限、对 AI 治理风险的顾虑也更少；③ 需培育公众对算法基本原理与运作特征的准确理解，唯其如此公民才能客观评估 AI 在政策中的可行性与有效性并有效监督；④ 不应一味迎合民族主义舆论——完全依赖本国 AI 将导致技术孤立与次优政策产出；嵌入质量最终取决于算法性能而非来源国；过度的技术民族主义会收窄政府工具箱（境外先进系统可能实质改善本国决策，却因来自对手国而被拒斥），并侵蚀信息、人才与技术的全球流通——而这正是科技持续进步的前提。
- 跨情境的外部效度旁证：作者指出偏好本国技术产品并非威权体制独有——美国的「Buy American」运动把国家认同与本国产品偏好绑定；欧盟围绕数字主权的关切催生了通用数据保护条例（GDPR）这类主张数据管辖权、亦折射公众对数字系统区域监管偏好的制度安排。这提示政策制定中的本国 AI 偏好可能是更普遍的现象，值得跨国研究。
- 局限一 · 单一国别：仅在中国情境施测，缺乏其他国家和地区的数据交叉验证。
- 局限二 · 样本代表性：虽招募近 2000 人，但样本非全国代表性；作者引 Druckman（2022）说明因果识别不必依赖代表性样本，但效应量大小与可推广性的评估仍需更高质量、更具代表性的数据集。
- 局限三 · 双桶中介题项：中介变量把「感知科学性与可行性」与「感知规避算法风险」合并为单一题项，虽然同意该陈述即蕴含对两个维度的双重认可，但无法比较两维度的相对影响力；未来应分别测量。
- 局限四 · 设计相对直白：实验设计较为简单，未来可用更细致的方案刻画技术民族主义塑造公众 AI 决策态度的具体机制。
- 局限五 · 品牌名混淆（最实质）：以具体品牌名（ChatGPT vs DeepSeek）代表外国／本国 AI，虽提升生态效度，却引入潜在混淆——ChatGPT 是全球公认的基准，DeepSeek 是政府力推的本土挑战者，二者在「国籍」之外还存在声望、熟悉度与官方背书上的差异；未来宜采用更通用的标签以获得更稳健的「AI 国籍」效应证据。
- 研究信息：单一作者（湖南大学公共管理学院）；受国家社会科学基金（25CZZ028）资助；数据「应要求提供」；作者声明无利益冲突；有 Online Appendix（含中英文完整问卷）。收稿 2025 年 10 月 19 日，录用 2026 年 7 月 15 日。
🧠 IRMaD 思维导图
mindmap
root((AI国籍与政策支持))
I 引言
政府引入AI辅助决策
公众接受度悬而未决
算法黑箱与算法厌恶
AI国籍少被研究
技术民族主义视角
R 问题
H1 国产优于外国
H2 技术民族主义调节
H3 科学性与风险中介
H4 小事优于大事
M 方法
2x2 被试间析因
在线问卷实验 中国
招募近两千 分析1880
5点支持度量表
10点技术民族主义前测
省份FE 省级聚类
预注册与伦理审查
R 结果
外国均值2.61
国产均值3.46
交互项0.412显著
中介ACME 0.621
中介占比约七成三
重大政策交互为负
a 讨论
国籍先于性能
弱民族主义者效应反转
买美国货与数字主权
技术孤立风险
品牌名潜在混淆
D 结论
国籍标签改变态度
按政策类型分场景
需普及算法认知
性能而非产地定质量
图：本研究的 IRMaD 思维导图。蓝色 I 引言；橙色 R 研究问题；绿色 M 方法； 橙色 R 结果；紫色 a 讨论；红色 D 结论。