这篇文档属于类型a，即报告了一项原创性研究。以下是对该研究的学术报告：

主要作者及研究机构

该研究由mintang, sebastian hofreiter, christian h. werner, aleksandra zielińska, 和 maciej karwowski共同完成。研究发表在the journal of creative behavior，并于2024年出版。

学术背景

该研究的主要科学领域是创造力研究，特别是探讨人工智能（AI）在创造性思维中的作用。近年来，生成式人工智能（如ChatGPT）的出现引发了广泛关注，许多研究探讨了AI是否能够增强人类的创造力，甚至在某些情况下超越人类。然而，这些研究大多集中在AI与人类个体的对比上，忽视了其他信息源（如互联网或其他人）对创造力的影响。因此，本研究旨在通过实验比较人类与人类、人类与互联网、以及人类与AI在创造性任务中的表现，探讨不同合作模式对创造力的影响。

研究的主要目标是回答以下问题：1）不同合作模式（人类-人类、人类-互联网、人类-AI）如何影响创造性任务的表现？2）这些合作模式如何影响参与者的创造性自信？3）AI在创造力评估中的可靠性如何？这些问题对于理解AI在创造力中的角色以及如何更好地利用AI进行创造性合作具有重要意义。

研究流程

研究设计为组间实验，共有202名德国参与者被随机分配到四种实验条件中：人类-人类组、人类-互联网组、以及两个人类-AI组（分别使用基本指令和特定指令）。研究分为三个部分：

1. 背景调查：参与者填写了关于其背景、ChatGPT使用经验、开放性（openness to experience）和创造性自信的问卷。
2. 创造性任务：参与者与指定的合作伙伴（人类、互联网或ChatGPT）共同完成四项创造性任务，包括两项替代用途任务（Alternate Uses Task, AUT）、一项后果任务（Consequences Task）和一项问题解决任务。每个任务分为发散思维（divergent thinking）和收敛思维（convergent thinking）两个阶段。
3. 任务后调查：参与者评估了任务的兴趣度、难度、心理努力以及合作伙伴的贡献和帮助程度，并再次测量了其创造性自信。

在数据收集后，研究使用人类评分和AI自动化评分（OCSAI）两种方式对创造性任务的表现进行评估。人类评分由六名心理学专业学生根据不常见性、远程性和巧妙性三个指标进行评分，而OCSAI则基于大型语言模型（LLM）进行自动化评分。

主要结果

1. 创造性任务表现：在发散思维任务中，人类-人类组的创造性得分显著高于其他组，特别是在“叉子”任务中表现尤为突出。而在问题解决任务中，各组之间没有显著差异。
2. 创造性自信：人类-人类组的参与者在任务后表现出显著的创造性自信提升，而人类-互联网组和人类-AI组的创造性自信没有显著变化。
3. 合作伙伴的感知：参与者认为人类-人类组和人类-AI组的合作伙伴在任务中非常有用，而人类-互联网组的参与者则认为Google搜索的帮助较小。此外，人类-AI组的参与者认为ChatGPT在任务中贡献了大部分创意，而人类-互联网组的参与者则认为自己的贡献更大。
4. AI评分与人类评分的差异：研究发现，OCSAI的评分与人类评分之间存在显著差异，特别是在评估人类-AI组的创造性表现时，OCSAI倾向于给出更高的评分。这种差异可能与OCSAI对“详细程度”（elaboration bias）的偏好有关。

结论

研究得出结论，人类-人类合作在发散思维任务中表现出更高的创造力，并且能够显著提升参与者的创造性自信。相比之下，尽管AI在某些任务中提供了帮助，但其在创造力评估中的可靠性仍存在疑问，特别是在自动化评分系统中可能存在的“详细程度偏差”。这一发现挑战了AI在创造力领域中的优势地位，强调了人类合作在创造性思维中的独特价值。

研究的意义与价值

该研究为理解AI在创造性思维中的作用提供了新的视角，特别是在比较不同合作模式对创造力的影响方面。研究结果表明，AI虽然能够提供一定的认知支持，但在创造性任务中的表现仍无法完全替代人类合作。此外，研究还揭示了AI自动化评分系统在创造力评估中的潜在偏差，为未来研究提供了重要的方法论启示。

研究亮点

1. 创新性实验设计：研究首次将人类-人类、人类-互联网和人类-AI三种合作模式进行系统比较，填补了现有研究的空白。
2. 多维度评估：研究不仅评估了创造性任务的表现，还考察了参与者对任务难度、合作伙伴贡献以及创造性自信的感知，提供了更全面的分析。
3. AI评分的深入探讨：研究首次揭示了AI自动化评分系统在创造力评估中的潜在偏差，为未来研究提供了重要的参考。

其他有价值的内容

研究还提出了未来研究的方向，例如进一步探讨人类-人类合作中的具体机制，以及如何通过更动态的实验设计（如眼动追踪）来更好地理解创造性合作的过程。此外，研究还建议未来研究应关注AI在创造力评估中的潜在偏差，特别是在在线研究中可能出现的ChatGPT生成响应的干扰问题。