🧒 初中生也能看懂的版本
① 研究背景（为什么要做？）
人工智能这两年跑得比规矩快。欧盟在 2024 年通过了《人工智能法案》，先按风险分级、提前设卡，属于“先把安全带系上再开车”；美国的路子相反，靠行业自己定标准、出了事再追责，更像“先上路，撞了再说”。两种做法背后是两套政治哲学，可它们都绕不开同一个问题：老百姓认不认这套规矩。监管如果得不到公众认可，条文写得再漂亮也执行不下去；反过来，公众如果觉得政府只会喊口号，信任也会一点点漏光。
过去的研究大多在问“你支持监管吗”，答案往往只是一个含糊的分数。可真实的人不是一根滑杆。一个刚毕业、担心岗位被替代的年轻人，可能既想要严格保护，又不反对用人工智能提高效率；一个收入稳定的中年工程师，可能既相信技术，又觉得政府该管一管。作者想做的，不是给人打一个支持度分数，而是看这些想法会怎样打包成几种典型的人。
② 研究问题（要回答什么？）
论文的核心问题只有一句：欧盟和美国的人怎样看待人工智能监管，又有哪些典型的态度类型？
这句话可以拆成三层。第一层，人们评价监管时到底在看什么？是程序公不公平、有没有人负责，还是管得有没有效果、会不会拖累创新？第二层，这些看法会不会结成固定的组合，让人可以像分户型一样分成几类？第三层，类型和地域有没有关系——是不是欧盟的人天然更爱管、美国的人天然更放任？
作者没有先写好假设再去验证，而是让数据自己说话：先找出评价监管的几个基本维度，再看人在这些维度上怎么站队。这种做法像不做选择题，而是让人自由摆姿势，最后看有几种常见姿势。
③ 研究方法（怎么做的？）
研究在 2025 年 4 月通过在线样本平台 Prolific 招募了欧盟和美国的成年居民。问卷很长，74 道题、35 个构念，分成四块：性格与态度、人工智能使用、人工智能素养、对监管的偏好。除了 11 点制的风险偏好题，其余都用 7 点量表，从“完全不同意”到“完全同意”。为了防机器人刷问卷，中间埋了两道注意力检查题和三道 ARC-AGI2 图形推理题，答错太多就整份作废。
一开始收了 374 份，去掉没通过注意力检查的 18 份、答题时间短得离谱的 2 份，再去掉图形题错两道以上的 62 份（占 17%），最后剩 292 份有效问卷：欧盟 172 人、美国 120 人。
分析分两步。第一步做探索性因子分析（EFA），把 74 道题像整理衣柜一样归并成几个抽屉。数据显示这批题很适合做因子分析（KMO 值 0.9，巴特利特检验 p 小于 0.001），最后选了 6 个因子。第二步做 k 均值聚类，把每个人在每个因子上的得分先标准化，再按“人和人之间的距离”分成若干堆，用肘部法、Gap 统计量和轮廓系数反复比较，最终定 4 类。按方法学建议，6 个维度乘 4 类至少需要 240 人，292 人刚好过线。
④ 结果（发现了什么？）
六个抽屉分别是：人工智能热情（爱用、想用、觉得好用）、保护与控制偏好（要硬法规、要透明、要问责）、创新与灵活偏好（别管太死、让企业放手做）、成就与秩序（上进心、守规矩）、韧性与信任（抗压、愿意信人）、人工智能素养与自我效能（懂不懂、敢不敢用）。
按这六个维度把人分堆，正好四类：
地域上确实有差别：忧心进取者扎堆欧盟，自信拥护者扎堆美国；另外两类则大致按 60 比 40 的样本比例分布。但作者发现，真正决定一个人属于哪一类的，更多是人工智能素养、自我效能和社会经济位置，而不是住在哪个大洲。哪怕都在同一个国家，一个初入职场的年轻人和一个资深工程师，对监管的期待也可能差得比跨国还远。
⑤ 讨论（这些发现说明什么？）
作者用一个老框架来解释：政治学里的输入合法性和输出合法性。输入合法性看过程——规矩是不是大家一起定的、透不透明、有没有人负责；输出合法性看结果——管得有没有用、会不会拖累创新、能不能解决问题。
很多人以为这是一道二选一的题：要么重保护，要么重效率。但这批数据说不是。四类人其实都在同时算两笔账，只是配比不同。忧心进取者把输入那一头拧到最大；自信拥护者两头都不低，属于“既要又要”，而且他们有能力同时要到；宽松务实者干脆把两头的开关都调小；保守迟疑者则是根本没去碰开关。
所以合法性不是“支持率高低”，而是一种组合。这也解释了为什么单纯宣传“我们会严格监管”或“我们会大力创新”都只能打动一部分人。作者还点出一个反直觉的推论：制度传统确实塑造了话语，却没能把人整齐切开。欧盟的预防逻辑在美国也能找到拥趸，美国的绩效逻辑在欧盟同样有市场。真正把人分开的，是懂不懂这门技术、有没有底气应对变化、以及有没有被变化伤到的风险。
⑥ 结论（最终结论 + 启示）
结论一句话：好的监管不是选边站，而是按人群配药，同时把过程和结果两本账都算清楚。
对政策制定者，作者给出“分段式设计”的思路：对忧心进取者，要让保障看得见、说得清；对自信拥护者，留出创新空间和灵活的合规路径；对保守迟疑者，用大白话讲清楚安全和权利；对宽松务实者，用可信的透明信号和问责机制，而不是加码管制。长远看，他们主张走向“自适应预防”——保护与灵活不是对手，而是同一套反馈机制的两端。
当然，这项研究也有短板：样本来自在线面板，偏年轻、偏高学历；只比较了欧美；族群多样性不足；而且合法性理论在这里是解释透镜，不是被检验的模型。四类人是不是放之四海而皆准，还得靠更多国家和长期追踪来验证。
🎓 专业 IRMaD 结构解读
I. Introduction（引言）
人工智能治理研究长期围绕伦理原则与软法展开，但 2020 年代出现明显的“监管转向”：从自愿承诺走向可执行规则。作者把治理理解为规范、行动者与协调机制的总体，把监管限定为其中正式、可强制执行的那一部分，理由是监管对公民最可见、最直接触及合法性。全球监管设计沿三条杠杆展开：时机与强度、控制权归属、适用范围。欧盟以《人工智能法案》为代表，走预防性、风险分级、事前合规的路线；美国则以部门分散、事后追责、市场激励与自愿标准为主。既有文献已记录这两套逻辑，却留下两个缺口：跨国比较很少检验公众如何评价“创新—保障”的取舍；现有公众态度研究多为变量中心，只能说明某个预测因子是否显著，无法说明认知、情感与规范判断如何组合成对监管的整体期待。本文贡献有四：界定六个可测维度；给出整合认知、情感与规范层面的经验类型学；提供可复用的测量工具；把类型学接回 Scharpf 的合法性框架。
I. Theoretical Framework & Hypotheses（理论框架与假设）
理论支点有三组。第一是合法性理论：合法性是公民对监管安排是否“恰当”的评价性判断，表现为接受与支持而非仅法律有效（Suchman 1995; Tyler 2006; Busuioc 2021）；算法治理中决策不透明、权限下放给私人主体，问责问题被放大，合法性成为核心评价标准。第二是 Scharpf（1999）的输入/输出二分：输入合法性强调程序包容、透明与保障，输出合法性强调效能、能力与适应性；二者并非互斥，公共部门改革研究早已发现现实安排常呈现混合甚至相互竞争的原型逻辑。第三是原型理论：原型不是人口学分组或简单态度聚类，而是解释框架与治理安排之间连贯的组合（Greenwood & Hinings 1988, 1993），可与政策过程中的“结构化信念体系”相接（Sabatier 1998）。测量工具主要借自 UTAUT2、AI 素养量表 AILS、调节焦点理论与大五人格。
| 编号 | 核心问题 / 分析性命题 | 理论来源 |
|---|---|---|
| RQ | 欧盟与美国公众如何评价人工智能监管，存在哪些态度原型 | 合法性理论 + 原型理论 |
| P2 | 个体在维度上的组合形成可识别原型，而非单一支持度连续体 | Greenwood & Hinings; Sabatier |
| P3 | 原型分布随治理传统变化，但不完全由地域决定 | Scharpf 输入/输出合法性 |
| P4 | 原型可映射为输入与输出导向合法性的不同配比 | Scharpf 1999 |
本文不设正式假设：表中命题为分析性预期而非待检验的因果假设；双维合法性框架在讨论部分被定位为解释透镜，而非经验验证过的演绎模型。
M. Materials & Methods（材料与方法）
- 设计：跨国在线问卷 + 探索性因子分析 + k 均值聚类，属数据驱动的类型学建构（Nickerson et al. 2013），不预设分类框架。
- 工具：74 题、35 个构念，覆盖人格与态度、AI 采纳、AI 素养、AI 监管偏好四大主题；除风险偏好为 11 点量表外均为 7 点李克特，反向题先行转码。LimeSurvey 施测，题项在主题内随机排序，并埋入 2 道注意力检查与 3 道 ARC-AGI2 图形题以抑制自动化作答。
- 抽样：2025 年 4 月通过 Prolific 招募，EU 与 US 各发独立问卷（当地 11:00 起分批开放）以避开时区偏差，每个法域按性别平衡发放 187 份；纳入标准为英语流利、年满 18 岁、人口学信息齐全；平均完成 15 分 07 秒，折合时薪 8.92 GBP；经伦理委员会批准并取得知情同意。
- 清洗与样本：374 份中剔除注意力检查未过 18 份、时长不足均值 1/3 的 2 份、ARC 错 2 道及以上者 62 份（17%），最终 n=292（EU 172，58.9%；US 120，41.1%），覆盖 19 个成员国。平均年龄 36.1 岁，女性 49.7%，白人 84.6%，本科及以上 68%。按
10 × 6 × 4 = 240的最低样本准则，本样本达标。 - EFA：Bartlett 球形检验 p<.001，KMO=0.9。碎石图在 6 因子后趋平，平行分析与 MAP 指向 n=8，但试算 n=5/6/7/8 后依可解释性与简约性取 n=6；题项按最大（带符号）载荷归属因子，明细见附录 E。
- 聚类：因子得分先标准化
z = (x − μ) / σ，再以 k 均值最小化SSE = Σk Σx∈Ck ||x − μk||2；用肘部法、Gap 统计量与轮廓系数联合定 k，最终 k=4。 - 稳健性：n 与 k 交叉扰动。n=5 时 F6 与 F4 合并（迁移题项载荷 ≤ .52），n=7 仅析出 6 题的社会性采纳因子；k=3 时 C1 有 81.4% 并入 C4，k=5 新增簇（6.5%）100% 来自 C3，C1、C2 留存率 97.1% 与 96.3%。
R. Results（结果）
（1）六维结构。EFA 得到六个可解释维度，覆盖全部 74 题：
| 因子 | 题项 | 内容与来源 |
|---|---|---|
| F1 AI 热情 | 16 | 使用意愿与行为、绩效期望、习惯、社会影响、享乐动机（UTAUT2） |
| F2 保护与控制偏好 | 15 | 可强制执行的全面监管、事前审批、算法透明与可解释、政府主导、再分配偏好 |
| F3 创新与灵活偏好 | 14 | 宽松的事后监管、收益大于风险、企业自主、风险容忍、社会保守主义 |
| F4 成就与秩序 | 10 | 调节焦点（促进/预防）、尽责性与开放性、AI 伦理考量 |
| F5 韧性与信任 | 7 | 神经质（负向载荷）、外向性、宜人性、人际信任 |
| F6 AI 素养与自我效能 | 12 | AILS 四维（评估、意识、使用、伦理）+ UTAUT2 便利条件与努力期望 |
（2）四类原型。k=4 得到规模较均衡的四簇，各簇在六因子上呈现可区分的偏离模式：
| 原型 | 占比 (n) | 因子特征（相对样本均值） | 关键人口学 | 地域 |
|---|---|---|---|---|
| 忧心进取者 Apprehensive Aspirationals | 24.0% (70) | F2 最高，F3、F5 最低，F1 明显低于均值，F6 偏高 | 33.2 岁；57.1% 有学位；失业率 21.4%；45.7% 收入 <3 万美元 | EU 82.9% |
| 自信拥护者 Confident Champions | 27.7% (81) | F1、F3、F4、F5、F6 五项最高；F2 为正但弱于 C1 | 37.6 岁；就业率 90.1%；82.7% 有学位；38.3% 收入 >9 万美元 | US 75.3% |
| 保守迟疑者 Traditional Timids | 18.2% (53) | F1、F4、F6 极低；F3 低于均值；F2 仅略高 | 最年长 39.2 岁；农村占比 18.9%；77.4% 收入 <6 万美元 | EU 69.8% |
| 宽松务实者 Permissive Pragmatists | 30.1% (88) | F2 全场最低；F1、F3、F6 略高；F4、F5 略低 | 35.3 岁；男性 54.5%；64.8% 有学位；郊区占比 42.0% | EU 65% |
（3）跨国差异。按居住地切分，F3 与 F6 在 EU 与 US 之间无论均值还是分布均无实质差异；F2 与 F5 则被作者报告为美国受访者偏正、欧盟受访者偏负。原型的地理集中度更直观：C1 显著偏 EU（82.9% vs 样本 58.9%），C2 显著偏 US（75.3% vs 41.1%），C3、C4 基本贴合样本分布。
（4）稳健性。k=3 会抹掉 C1 与 C4 的区分（81.4% 并入 C4），k=5 新增簇仅为 C3 的弱化变体，故取 6 因子、4 簇。
a / D. Discussion & Conclusion（讨论与结论）
- 双感知合法性模型。原型不是亲监管/反监管的单轴位置，而是输入合法性（程序公平、保障、问责）与输出合法性（效能、能力、创新）的不同配比。忧心进取者与自信拥护者构成两极，另两类居中，形成混合型合法性取向。
- 理论意涵。合法性感知是组合式而非加总式：公众并非先算总账再表态，而是把若干评价标准打包成连贯框架。这回应了“公众意见碎片化”的观察：碎片在个体层面存在，在原型层面可还原为结构化组合。地域的解释力弱于 AI 素养、自我效能与社会经济位置。
- 政策启示。（a）分段式设计：对忧心进取者强化可见保障与问责链条；对自信拥护者提供监管沙盒、结果导向审计；对保守迟疑者用平实语言与可感的安全承诺；对宽松务实者以可信透明信号与务实问责替代加码管制。（b）跨法域平衡：欧盟以事前保障“前置”合法性，美国以事后评估“延后”合法性，二者共享同一治理悖论；作者主张走向自适应预防，把透明与选择制度化为动态反馈机制。（c）工具化：量表可压缩至 18–24 题，用于咨询、情景推演与纵向监测。
- 局限。（1）横截面非概率样本，无法作因果推断或总体外推，EU–US 比较应视为制度传统的示意；（2）在线面板偏年轻、高学历、高技术素养；（3）族群多样性不足（白人 84.6%），无法检验族群与边缘化效应；（4）题项—受访者比约 1:4，处于方法学下限；（5）仅停留在个体层面，未追踪感知如何进入制度决策；（6）仅覆盖欧美，原型时空稳定性未知；（7）合法性理论为解释透镜而非模型。
- 资助与利益冲突：Lukas Hermanns 获德国商业基金会（Stiftung der Deutschen Wirtschaft）资助，资助方未参与研究设计、数据收集、分析与投稿决策；作者声明无利益冲突。写作使用 Elicit 检索文献、ChatGPT 润色，作者对内容负全责。
🧠 IRMaD 思维导图
mindmap
root((AI监管态度类型学))
I 引言
AI跑得比规则快
欧盟重预防
美国重市场
公众视角缺位
两类合法性张力
R 研究问题
公众如何评价监管
存在哪些态度原型
跨国是否同构
地域还是素养
M 方法
2025年4月在线问卷
292人 欧盟172 美国120
74题 35个构念
EFA 六因子 KMO0.9
k均值 四聚类
敏感性 三簇与五簇
R 结果
忧心进取者 24%
自信拥护者 27.7%
保守迟疑者 18.2%
宽松务实者 30.1%
六维因子结构
a 讨论
输入合法性 程序公平
输出合法性 效能创新
合法性是组合式
地理弱于素养
自适应预防
D 结论
分段式监管设计
透明与公众参与
提升AI素养
样本非概率
仅限欧美
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。