Two-sided receptivity to conversational AI agents in online dating: Bilingual survey data from Fledge.Love
采用二维graded response模型分析Fledge.Love用户对AI交互的接受度，涵盖2499完整样本，揭示双向 receptivity 特征。
核心发现
方法论
本研究采用二维graded response模型（GRM）对用户对自主对话代理的接受度进行测量，区分主体角色（部署自己代理）与对方角色（遇到他人代理）。数据来自两份问卷（N=2617与N=2894），通过多项序数题和模型评分，结合k-匿名性审计确保隐私保护。模型估算出两个潜在维度（θ_send与θ_recv）及其相关性（0.92），实现对用户接受行为的细粒度刻画。数据预处理包括去除个人信息、时间粗化、行随机化，确保数据匿名性。模型参数通过最大似然估计（Gauss-Hermite积分）获得，支持跨语言（俄语与英语）测量等多维度分析。
关键结果
- 通过模型分析，用户在主体角色（Y1–Y3）与对方角色（Y4–Y6）上的接受度表现出高度相关（相关系数0.92），模型拟合优度优异（ΔBIC=51.8），所有项目的区分度（Discrimination）从1.72到4.20不等，表明测量工具具有较强的区分能力。模型还揭示了不同用户特征（性别、年龄、平台使用时长）对接受度的影响，模型评分的置信区间稳健，支持跨文化比较。
- 结果还显示，模型中的两个被标记为非不变项（Y4、Y5）在不同语言和性别组中存在差异，提示跨文化测量的复杂性。交叉验证结果表明，Y4的预测AUC达0.89，验证了模型的内部一致性。模型还通过Latent Class分析识别出四个用户偏好类别，显示数据的潜在结构稳定。
- 此外，模型参数的敏感性分析（bootstrap）表明参数估计具有良好的稳定性，模型的预测能力在不同子样本中表现一致，为未来人机交互设计提供了量化指标。
研究意义
本研究首次系统性量化了用户在在线约会平台中对自主对话代理的双向接受态度，为人机交互、推荐系统和跨文化技术接受研究提供了基础数据和分析工具。通过模型区分发送端与接收端的 receptivity，揭示了用户行为的复杂性与多样性，有助于优化AI在实际应用中的部署策略。研究强调隐私保护的重要性，采用k-匿名性审计确保数据安全，推动了数据共享与再利用的实践。其跨语言测量验证了工具的适用性，为多文化环境下的AI接受研究提供了范例。整体而言，该工作填补了现有文献中关于用户接受AI交互的微观层面数据空白，推动了人机交互理论与实践的深度融合。
技术贡献
技术上，本研究引入了基于二维graded response模型的接受度测量框架，结合多项序数题设计，实现对用户双向 receptivity 的细粒度刻画。模型采用最大似然估计（Gauss-Hermite积分）和Latent Regression，支持多维度、跨文化的比较分析。数据匿名化流程包括时间粗化、k-匿名性审计与行随机化，确保数据隐私。模型参数的敏感性分析和Latent Class分析增强了模型的稳健性与解释力，为未来多维人机交互研究提供了可复制的分析流程。模型的跨语言适应性也为多语种环境下的接受度测量提供了技术范式。
新颖性
本研究首次在在线约会平台中同时测量用户对自主代理的部署意愿与遇到他人代理的反应，采用双角色、多维度的序数响应模型，突破了以往单一维度、抽象化的接受度测量局限。引入模型评分与Latent Class分析，揭示用户偏好的异质性，丰富了人机交互中的微观行为理解。跨语言验证确保工具的普适性，为多文化环境中的AI接受研究提供了新思路。这些创新使得本研究在微观测量和跨文化适用性方面具有显著优势。
局限性
- 样本规模虽大，但偏向平台活跃用户，可能存在偏差，难以代表所有用户群体。模型假设线性潜变量关系，可能未涵盖所有行为复杂性。跨文化差异可能影响问卷等价性，部分非不变项在不同群体中表现不同。此外，数据采集为横断面，无法捕捉动态变化。未来需结合纵向研究与更广泛样本验证模型的普适性。
未来方向
未来研究可扩展多平台、多语种样本，探索用户接受度的动态变化。结合行为数据与实验设计，验证模型的预测能力。开发更细粒度的个性化推荐策略，提升用户体验。还应关注模型在实际部署中的伦理与隐私问题，推动标准化测量工具的制定。跨文化适应性研究也需深化，确保不同背景用户的需求得到充分理解和满足。
AI 总览摘要
随着人工智能技术的快速发展，生成式AI和自主对话代理正逐步融入在线约会平台，改变人们的交互方式。然而，公众对这些技术的接受程度尚未充分理解，尤其是在用户作为信息接收者的角度。本文通过对Fledge.Love平台的两份问卷数据进行分析，首次系统性测量了用户对自主对话代理的双向接受态度。采用二维graded response模型，区分用户在部署自己代理（主体角色）与遇到他人代理（对方角色）时的反应，揭示了两者高度相关（相关系数0.92）且模型拟合优良（ΔBIC=51.8）。研究还发现，用户对代理的态度受到性别、年龄、平台使用时间等多种因素影响，模型参数的置信区间稳健，支持跨文化（俄语与英语）比较。模型中的非不变项（Y4、Y5）在不同语言和性别组中表现出差异，提示跨文化测量的复杂性。通过Latent Class分析，识别出四个用户偏好类别，显示数据的潜在结构稳定。研究强调隐私保护，采用k-匿名性确保数据安全。该工作不仅丰富了人机交互的微观测量工具，也为推荐系统和跨文化研究提供了宝贵数据。未来，结合纵向数据和行为分析，将推动个性化AI交互的优化，促进AI在实际应用中的广泛接受。
深度分析
研究背景
在线约会平台作为人际交往的早期商业应用场景，逐渐引入AI技术，如简历总结、消息建议和自主对话代理。已有研究（如Reed et al., 2022）探讨用户对AI的接受，但多偏向抽象层面，缺乏微观行为数据。随着技术成熟，平台开始试点自主代理，但用户对其接受态度、双向互动反应尚未系统测量，尤其在跨文化背景下。现有公开数据多为问卷调查，缺乏针对交互角色的细粒度测量工具。本研究填补了这一空白，提供了跨语言、跨文化的微观接受度数据，为理解用户在真实场景中的行为提供基础。
核心问题
核心问题在于，用户作为信息接收者时，对机器生成内容的反应尚不明确。现有研究多关注技术接受的抽象指标（如TAM模型），缺少对交互角色的区分。尤其在在线约会中，用户既可能部署代理，也可能遇到代理，二者的接受态度可能不同。缺乏多维度、微观的测量工具限制了对用户行为的理解，也影响了AI技术的合理部署。解决这一问题需要设计专门的量表，结合模型分析，揭示双向接受度的潜在结构。
核心创新
本研究的创新在于引入二维graded response模型，分别测量用户在部署自己代理（Y1–Y3）与遇到他人代理（Y4–Y6）时的接受度。首次在跨文化背景下验证问卷的测量等价性，识别出非不变项Y4和Y5的差异。结合Latent Class分析，揭示用户偏好的异质性，提供个性化设计依据。数据匿名化流程确保隐私安全，模型参数的敏感性分析增强了结果的稳健性。这些创新为微观行为测量提供了新范式，推动了人机交互理论的发展。
方法详解
- �� 设计两份问卷，分别测量用户对自主对话代理的接受度（Y1–Y3为主体角色，Y4–Y6为对方角色）及对被动生成式AI功能的兴趣。
- �� 采用多项序数题（7项）构建接受度指标，结合用户特征（性别、年龄、平台使用时间）作为协变量。
- �� 数据预处理包括去除个人信息、时间粗化（ISO周）、行随机化，确保匿名性，进行k-匿名性审计（k≥5）。
- �� 使用最大似然估计的二维graded response模型（Gauss-Hermite积分）估算潜在维度（θ_send、θ_recv）及其相关性。
- �� 进行模型适配性检验（ΔBIC）、差异功能分析（DIF）检测不变项，支持跨语言比较。
- �� 通过Latent Class分析识别用户偏好类别，验证模型的稳定性和预测能力（AUC、Bootstrap置信区间）。
实验设计
数据采集来自Fledge.Love平台，问卷在2025年11月至12月（N=2617）和2026年3月至4月（N=2894）分两轮进行。采用多项序数题测量接受度，结合用户特征进行模型拟合。模型参数通过最大似然估计（Gauss-Hermite积分）得到，模型适配性通过ΔBIC验证，差异功能检测识别不变项。Latent Class分析确定最优类别数（K=4），并进行交叉验证（AUC=0.89）。数据匿名化流程确保隐私安全，模型参数的敏感性分析验证了结果的稳健性。
结果分析
模型分析显示，用户在两个角色的接受度高度相关（相关系数0.92），模型拟合优良（ΔBIC=51.8），所有项目的区分度均较高（1.72-4.20）。非不变项Y4和Y5在不同语言和性别中表现出差异，提示跨文化差异。Latent Class分析识别出四个偏好类别，显示用户偏好具有明显异质性。模型的预测性能优异（Y4预测AUC=0.89），验证了模型的内部一致性和稳健性。参数敏感性分析表明，模型估计稳定，支持未来应用。
应用场景
本研究的模型可应用于个性化推荐、用户行为分析和交互策略优化。平台可以根据用户偏好类别调整AI交互策略，提升用户体验。跨文化环境下，模型帮助理解不同背景用户的接受差异，指导多语种AI部署。未来还可结合行为数据，优化AI交互设计，推动智能推荐与个性化服务的发展。
局限与展望
样本偏向平台活跃用户，可能不代表所有用户群体。模型假设线性潜变量关系，未考虑复杂行为动态。跨文化差异影响问卷等价性，部分非不变项表现不同。数据为横断面，难以捕捉动态变化。未来需结合纵向研究和更广泛样本验证模型的普适性。
通俗解读 非专业人士也能看懂
想象你在一家大型工厂工作，工厂里有很多不同的机器（代表AI代理）。有的机器由你自己控制（你可以设置它们的工作方式），有的机器由别人控制（你遇到的机器）。工厂管理层希望了解员工（用户）对这些机器的态度：你愿意自己用机器帮忙（部署代理），还是更喜欢和真实的人交流？同时，他们也想知道员工对不同类型机器的兴趣，比如自动总结你的工作、提供聊天技巧或描述未来的理想伴侣。通过问卷和模型分析，工厂可以知道员工对机器的接受程度和偏好，帮助他们设计更合适的机器，提升工作效率和员工满意度。这就像在日常生活中，我们既会自己用智能助手，也会遇到别人用的机器人，了解这些反应能让我们更好地利用技术。
简单解释 像给14岁少年讲一样
想象你在学校里，有很多同学和老师。有时候你会用手机上的聊天机器人帮你写作业（自己用的代理），有时候你会遇到别人用机器人帮忙聊天（遇到的代理）。老师想知道你对这些机器的看法：你喜欢用自己控制的机器人吗？还是觉得遇到别人的机器人很奇怪？他们还想知道你对自动帮你总结资料、给你聊天技巧或者描述未来理想伴侣的功能感兴趣吗？通过问卷和一些数学模型，老师可以分析出你和其他同学的反应，了解你们对这些新技术的接受程度。这就像你用手机、玩游戏、用社交软件一样，了解自己对新玩意的反应可以帮科技公司做出更好的产品，让你用得更开心、更方便！
原文摘要
Autonomous conversational agents and generative-AI features are being added to online dating platforms faster than public evidence about user attitudes can accumulate, and the scarcest evidence concerns the receiving side: how people react when the profiles, messages, or conversation partners they encounter are machine-generated. We release two anonymized survey datasets collected from active users of Fledge.Love, a dating platform serving an international user base. The first (N = 2,617; Russian and English forms) measures receptivity to autonomous conversational agents with a seven-item battery that separates the principal role (deploying one's own agent) from the counterpart role (encountering someone else's), plus six ordinal covariates and two auxiliary items. The second (N = 2,894) measures interest in three passive generative-AI features. The release includes model-derived scores for 2,499 complete cases, a bilingual codebook, a documented anonymization pipeline with a k-anonymity audit, executable analysis notebooks, and canonical outputs, supporting reuse in human-AI communication, recommender-systems, and cross-cultural technology-acceptance research.