核心发现
方法论
本文基于潜变量项目反应理论（Item Response Theory, IRT）中的分级响应模型（Graded Response Model, GRM），结合潜变量回归，构建了用户对代理沟通的接受度测量框架。通过两轮大规模问卷调查，分别测量用户在主动部署自己代理（send receptivity）和接收他人代理（receive receptivity）两方面的态度。模型中，七个态度项加载在两个潜在维度上，利用最大似然估计（MLE）进行参数估计，并通过模型比较（BIC差值）验证send与receive的区分性。模型还实现了跨语言的部分测量不变性检验，确保不同语种样本的可比性。研究中，采用了随机配对的反事实模拟，结合模型推断的个体意愿概率，量化了双向委托的系统性不对称性，发现部署自己代理的用户意愿显著低于接受他人代理的用户意愿，比例约为三比一。模型还揭示了性别差异和未满足匹配需求的集中区域，为平台设计提供了量化依据。
关键结果
- 模型比较显示，主动部署自己代理的用户的接受阈值（-0.38）明显低于接受他人代理（+0.32），且两者在统计上显著不同（ΔBIC=52），表明send与receive是两个独立但高度相关的构念（相关系数ρ=0.92）。
- 在实际数据中，只有4%到13%的用户对话对同时表现出部署代理和接受代理的意愿，存在明显的性别偏向和方向性差异。基于模型推断的反事实模拟显示，若平台强制要求双方都具备高接受度，互动量将减少一半以上。
- 通过模型验证，routing receive receptivity（接受代理的意愿）能显著提升每次接触的互动率，提升幅度达3.1倍（AUC=0.88），在离群验证中表现稳健，显示其作为平台调度信号的潜力。
研究意义
本研究首次系统性地在大规模样本中同时测量用户对代理沟通的主动部署与被动接受意愿，揭示了两者之间的显著不对称性。这一发现对在线匹配平台的设计具有深远影响，尤其是在引入自主代理的场景中。平台若忽视用户的接受意愿，可能导致互动量大幅下降，影响匹配效率和用户体验。研究还提供了量化的设计杠杆，如 reciprocity（互惠）机制对互动量的影响，以及routing策略对接收意愿的提升，为未来智能匹配和代理调度提供理论基础和实证依据。
技术贡献
本文创新性地将潜变量项目反应模型引入在线交互接受度的测量中，提出了send与receive两个独立潜在维度的构念，突破了传统单一态度测量的局限。通过模型比较和 invariance 测试，验证了两个维度的区分性和跨语言的可比性，为多语种、多场景的接受度测量提供了范式。结合反事实模拟，量化了双向委托的系统性不对称性及其对平台互动的影响，为智能调度和匹配策略提供了量化工具。模型的预测性能（AUC=0.88）在离群验证中表现优异，证明了其在实际平台中的应用潜力。
新颖性
本研究首次在大规模真实用户数据中，系统性地同时测量用户主动部署代理与被动接受代理的意愿，揭示了二者之间的显著不对称性。相较于以往只关注用户对AI工具的接受态度或单一角色的研究，本文引入了双向潜变量模型，明确区分了send与receive两个维度，填补了该领域的空白。反事实模拟和模型验证结合，为平台设计提供了量化的策略工具，具有较强的创新性和实用价值。
局限性
- 模型假设用户的接受意愿是静态的，但实际中受情境、时间、用户状态等多因素影响，存在动态变化的可能性，未在本研究中充分考虑。
- 调查数据主要来自特定平台和特定文化背景（俄语和英语用户），可能限制模型的普适性和跨文化适用性，未来需验证其他文化背景下的适用性。
- 模型依赖于自我报告数据，存在响应偏差和社会期望偏差，可能影响潜变量估计的准确性。
未来方向
未来研究可结合行为追踪数据，验证模型中的接受意愿与实际行为的一致性，提升模型的预测能力。还可以扩展到其他类型的二人交互场景，如职业招聘、客户服务等，验证模型的普适性。此外，研究应关注动态变化的接受态度，开发实时调度策略，以适应用户偏好的变化，推动智能匹配系统的个性化和自主化发展。
AI 总览摘要
在数字化交互日益普及的背景下，代理技术在在线匹配平台中的应用逐渐成为研究热点。尤其是在在线约会场景中，用户开始借助自主大模型（Large Language Models, LLM）代理，代表自己主动发起沟通、筛选匹配，甚至进行谈判。这一创新带来了前所未有的效率提升，但也引发了信任和接受度的深层次问题。
本文通过两轮大规模问卷调查，分别在俄语和英语用户中，系统性测量了用户在主动部署自己代理（send receptivity）和接受他人代理（receive receptivity）两方面的态度。采用潜变量项目反应模型（IRT中的分级响应模型）构建了双维度的接受度测量框架，验证了这两个构念的区分性和跨语种的可比性。研究发现，用户对自己代理的部署意愿明显低于接受他人代理的意愿，比例约为三比一，且两者虽高度相关（ρ=0.92），但在统计上显著不同（ΔBIC=52）。
通过模型推断，研究量化了这一委托行为的系统性不对称性，揭示了平台设计中的关键杠杆。例如，要求双方都具备高接受度的互惠机制，能将互动量减少一半以上；而优化接收端的routing策略，则能将每次接触的互动率提升3.1倍。这些发现为未来智能调度和匹配策略提供了理论基础，强调了接收意愿作为平台设计的核心变量的重要性。
此外，研究还揭示了性别差异和未满足匹配需求的集中区域，提示平台应考虑个性化的接受度调节机制。模型的预测性能（AUC=0.88）在离群验证中表现优异，验证了其在实际应用中的潜力。总体而言，本文首次在大规模真实用户数据中，系统性地揭示了代理沟通的双向接受度不对称性，为智能推荐系统的设计提供了量化工具和理论支持，具有重要的学术价值和实际指导意义。
深度解读
原文摘要
Autonomous LLM agents that converse on a user's behalf are an emerging design pattern in matching platforms, yet their viability depends on a condition rarely examined: users must accept not only delegating conversation to an agent, but also receiving agent-mediated communication from others. We study this condition using two large-scale surveys of active users of a major dating platform (N=2,894 on generative profile features; N=2,617 on autonomous conversational agents, fielded in two languages). We develop a latent-variable measurement model of agent receptivity based on graded response models with latent regression, and show via model comparison that willingness to send and willingness to receive agent communication are distinct constructs: highly correlated (rho=0.92) but separable (Delta BIC=52), with partial measurement invariance across languages. The model quantifies a systematic delegation asymmetry: deploying one's own agent requires far lower receptivity (threshold -0.38) than engaging a counterpart's agent (+0.32; full engagement +1.39), and mean deployment propensity exceeds engagement propensity roughly threefold. Under a random-pairing counterfactual derived from stated receptivity, only 4-13% of directed dyads combine agent deployment with receiver engagement, with a pronounced gender-directional imbalance. Design counterfactuals quantify the levers: a reciprocity requirement cuts interaction volume by half or more by excluding nearly two-thirds of would-be deployment, while routing agent contacts on receive receptivity triples per-contact engagement, a lift that survives out-of-sample validation with the target item held out (AUC 0.88, 3.1x quartile lift under respondent-level cross-validation). We discuss implications for agentic recommender design, including disclosure, opt-in mechanics, and receptivity-aware matchmaking.
参考文献 (20)
The Cyrano effect: LLM-assisted impression management and authenticity in online dating
Lennart Ante
Disintermediating your friends: How online dating in the United States displaces other ways of meeting
Michael J. Rosenfeld, Reuben J. Thomas, Sonia Hausen
Latent variables in psychology and the social sciences.
K. Bollen
Reciprocal Recommender Systems: Analysis of state-of-art literature, challenges and opportunities towards social recommendation
I. Palomares, C. Porcel, L. Pizzato 等
The General Attitudes towards Artificial Intelligence Scale (GAAIS): Confirmatory Validation and Associations with Personality, Corporate Distrust, and General Trust
Astrid Schepman, P. Rodway
Recommending people to people The nature of reciprocal recommenders with a case study in online dating
L. Pizzato, Tomek Rej, Joshua Akehurst 等
Estimation of latent ability using a response pattern of graded scores
F. Samejima
Attitudes towards AI: measurement and associations with personality
Jan-Philipp Stein, Tanja V. Messingschlager, T. Gnambs 等
Marginal maximum likelihood estimation of item parameters: Application of an EM algorithm
R. D. Bock, M. Aitkin
iAgent: LLM Agent as a Shield between User and Recommender Systems
Wujiang Xu, Yunxiao Shi, Zujie Liang 等
Matching and Sorting in Online Dating
Günter J. Hitsch, Ali Hortaçsu, D. Ariely
Generative AI and Perceptual Harms: Who's Suspected of using LLMs?
Kowe Kadoma, D. Metaxa, Mor Naaman
Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology
Fred D. Davis
Predicting User Replying Behavior on a Large Online Dating Site
Peng Xia, Hua Jiang, Xiaodong Wang 等
Generalized Latent Variable Modeling: Multilevel,Longitudinal, and Structural Equation Models
S. Lipovetsky
User Acceptance of Information Technology: Toward a Unified View
V. Venkatesh, Michael G. Morris, G. Davis 等
The V–Dem Measurement Model: Latent Variable Analysis for Cross-National and Cross-Temporal Expert-Coded Data
Daniel Pemstein, Kyle L. Marquardt, Eitan Tzelgov 等
Development and validation of the AI attitude scale (AIAS-4): a brief measure of general attitude toward artificial intelligence
Simone Grassini
Thinking twice about sum scores
Daniel M. McNeish, M. Wolf