简短回答：人们不信任 AI 访谈，主要源于“被承诺的”与“实际体验到的”之间的落差。一项 2026 年发表于 CSCW 的异步 AI 访谈系统研究发现，夸大的“AI 驱动”“对话式”宣传设定了系统无法兑现的预期，让受访者感到不被倾听、被监视，并被迫采取防御性的应对策略。对定性研究者而言，启示在于：AI 主持访谈中的信任来自诚实的说明、真正的回应以及受访者的掌控感——而不是营销话术。
\n\n该研究追踪了人们面对“无人类参与、由 AI 独立主持的访谈”时的真实反应。在 “Expecting Too Much, Getting Too Little: Exploring the Challenges and Design Opportunities of Asynchronous AI Interviewers”（CSCW 2026）一文中，马里兰大学巴尔的摩县分校（UMBC）的研究者 Md Nazmus Sakib、Naga Manogna Rayasam 和 Sanorita Dey 对招聘场景中使用的异步 AI 面试官开展了两阶段调查。
\n据 Sakib、Rayasam 和 Dey（2026）介绍，该研究将大规模观察性分析与第一手陈述相结合：
\n研究对象是招聘工具，而非研究工具。但其记录的信任机制可以直接迁移到任何 AI 主持的访谈中——包括如今在 UX 与市场研究中普遍使用的 AI 主导研究访谈和对话式问卷。
\n\n核心发现是预期与现实的错位。作者指出，企业用“AI 驱动”“对话式平台”等措辞描述其工具，令求职者期待一种“像人一样”、像 ChatGPT 那样流畅的体验。而他们实际遇到的，往往“感觉就像静态的异步录像工具”。五类反复出现的不信任来源尤为突出：
\n侵蚀 AI 招聘面试信任的那些因素，同样威胁着 AI 主持研究的数据质量。当受访者感到不被倾听或被监视时，他们会抽离投入，或策略性地管理自己的回答——这相当于该研究所记录的“欺骗性做法”在定性研究中的翻版。结果就是一份看似完整、实则暗含表演成分的访谈记录。
\n界面研究指明了解决之道：掌控感与回应性比打磨得多精致更重要。研究者检验了两种设计杠杆：
\n| 设计杠杆 | 测试内容 | 报告的效果 |
|---|---|---|
| 回答控制（重新录制 vs. 编辑 vs. 两者皆可） | 允许受访者重做或修改回答 | 编辑功能提升了“自主感与胜任感”；同时提供两种选项则增加了“决策摩擦” |
| 反馈风格（激励型 vs. 评价型 vs. 组合型） | 系统如何回应每一个回答 | 激励型反馈营造出“被解读为陪伴感的情感安全”；评价型反馈则感觉“有帮助但有距离” |
Sakib、Rayasam 和 Dey（2026）的结论是：“即使是细微的设计改变，也能增强用户的自主性。”落实到研究实践中，可以得出四条原则：
\n在 Qualitati，这些正是我们 AI Interviewer 背后的设计问题：它会主动披露自己的 AI 身份，根据受访者的实际回答调整追问，并在对话结束后与 ThemeLens 配合进行主题分析。这项研究再次提醒我们：信任是获得高质量定性数据的前提，而不是锦上添花。
\n\n在其研究范围内，该研究是严谨的，但有两点值得注意。第一，其主要情境是高风险的招聘，求职者的利害关系远大于一般研究受访者——部分不信任是情境性的。第二，Reddit 阶段捕捉到的是有动机发帖的人，可能偏向负面。界面实验（N = 180）通过前瞻性地检验设计改变，有助于平衡这一偏差。可迁移的结论是稳健的：不透明、无回应、只能一次作答的 AI 访谈，无论在何种情境下，都会引发抽离和策略性回答。
\n\n人们面对 AI 访谈员还是人类访谈员时更诚实？这取决于设计和话题。其他研究表明，在敏感话题上人们有时会向 AI 透露更多，但这项 2026 年的研究显示，当 AI 访谈让人感到不透明或缺乏回应时，受访者反而会变得更加戒备、更有策略。信任信号决定了结果的走向。
\n这项研究是否说明 AI 访谈行不通？不是。它既记录了信任失败，也记录了真实的好处——结构化、灵活性以及更少的访谈者偏差。其论点关乎设计质量，而非 AI 访谈是否应该存在。
\n最重要的单一信任杠杆是什么？诚实的说明加上真正的回应。当受访者相信自己真的被倾听、并理解自己的数据如何被使用时，他们会包容很多不足。
\n研究访谈与 AI 招聘面试有何不同？两者的利害关系和目的不同——研究受访者并不是在接受求职评判——但信任的机制（透明度、回应性、受访者掌控感）是相同的。
\n\n最后更新：2026年6月26日。
\n本文是对第三方研究的独立编辑摘要，与该研究的作者无关联，也未获得其背书。原始来源：Sakib, M. N., Rayasam, N. M., & Dey, S. (2026). Expecting Too Much, Getting Too Little: Exploring the Challenges and Design Opportunities of Asynchronous AI Interviewers. CSCW 2026.
\n","related":[{"slug":"expertise-adaptive-ai-interviewer-local-llm-2026","title":"AI 访谈员能按受访者专业水平调整提问吗？2026 年研究发现","description":"AI 访谈员能否根据每位受访者的专业水平调整提问？2026 年一项基于本地 LLM、涵盖 246 场访谈的研究发现，水平判断一致率为 78.9%，kappa 为 0.80。","category":"AI 用户研究","date":"2026-10-09","readTime":"7 分钟阅读","author":"Qualitati 研究团队"},{"slug":"synthetic-data-accuracy-digital-twins-forgotten-question-2026","title":"合成数据准确率：数字孪生的准确率说法为何相互矛盾（2026）","description":"数字孪生准确率为何从 95% 到接近随机不等？一项 2026 年合成数据研究厘清了各类指标，并检验了一种提前识别可回答问卷题目的筛选方法。","category":"AI 用户研究","date":"2026-10-08","readTime":"7 分钟阅读","author":"Qualitati 研究团队"},{"slug":"synthetic-participants-first-click-testing-gpt-2026","title":"GPT 能预测用户点哪里吗？2026 年首次点击测试研究","description":"合成受访者能替代 UX 测试吗？一项涵盖 3,431 名用户的 2026 年研究发现，GPT 的首次点击预测在 53% 的任务中与真实行为显著不同。","category":"AI 用户研究","date":"2026-10-07","readTime":"7 分钟阅读","author":"Qualitati 研究团队"}]}