体验日报 · 2026 年 11 月 3 日 · 星期二
CXHUB 客户体验社区
谷歌健康应用LLM就诊准备智能体随机对照研究：提升患者准备度与满意度
在时间受限的临床就诊中，数百万成年人正转向通用AI聊天机器人进行事前准备，但对话式AI是否真能提升就诊就绪度尚不明确。一项针对802名美国成年人的前瞻性随机对照研究显示，大语言模型（LLM）驱动的结构化就诊准备智能体，在临床医生盲评和患者自评中均显著优于仅使用最小提示词的同基座控制组。该智能体通过收集临床背景、设定就诊预期、提供相关健康信息、构建优先提问列表并生成摘要这一完整工作流，实现了更高质量的准备效果。 在272份由临床医生完成的会话评审中，智能体组的全面准备率达到67.2%，比控制组的50.6%高出16.6个百分点；其与患者健康背景的契合度为98.9%，较控制组的90.4%提升8.5个百分点，且所有实验组均保持了较高的医疗安全性与适宜性。来自460名参与者的术后调查显示，使用智能体的患者就诊准备度为73.8%，比控制组的57.0%高出16.8个百分点；知道自己该问什么问题的信心达到81.4%，比控制组的67.1%高出14.3个百分点；整体满意度为74.0%，比控制组的62.0%高出12.0个百分点。 值得注意的是，临床医生评分与参与者自评指标之间并未表现出显著相关性，这表明专家审查与患者自我评估捕捉到了面向患者的AI系统中两个互补的维度。这一发现提示，遵循结构化工作流的LLM聊天机器人能够安全地辅助患者准备临床就诊，并为未来关于诊中沟通及临床结局的研究提供了依据。该研究于2026年10月30日提交至arXiv，发表于Google Health应用内，涵盖标准版与简洁版两种智能体变体。
arXiv一手原文 论文研究
Journal of Product & Brand Management一手虚拟网红披露降低非粉丝感知真实性与购买意愿：基于期望不一致理论的实验研究
对于通过算法推荐首次接触“看似真人”的虚拟网红的非粉丝用户而言，明确披露其AI生成身份会显著降低感知真实性，进而引发负面期望不一致，最终削弱互动与购买意愿。Journal of Product & Brand Management 发表的研究指出，这种负面影响在初次接触阶段尤为关键，因为用户缺乏既往经验，其评价标准主要源于对“人类网红”这一类别的固有预期。 该研究通过两项针对美国非粉丝用户的在线实验（样本量分别为303人和316人），验证了上述机制。结果显示，在所有实验组中，虚拟网红身份的披露均导致感知真实性下降，并产生更强烈的负面期望不一致感，从而减少互动意向。在第二项实验中，这一连锁反应进一步延伸至购买意向的降低。研究采用SmartPLS 4进行验证性因子分析以确保测量效度，并利用PROCESS串行中介分析检验假设，证实了从披露到真实性、再到期望不一致、最后影响行为意向的串行间接效应显著存在。 品牌方在使用呈现为真人的虚拟网红面向陌生受众时，应将披露视为一种期望管理策略，即在初始曝光阶段就清晰标识其AI或虚拟身份。管理者需认识到，虽然透明化是必要的，但披露本身可能会因打破用户对“真实人类”的预期而损害感知真实性，进而抑制参与度和转化效果。这项研究拓展了期望不一致理论的应用边界，揭示了在无先前体验的情况下，类别基线预期如何成为评估新信息的关键参照点，感知真实性则是连接新信息与期望落差的核心评价机制。
方法与观点
UXmattersUXmatters解析生成效应在AI工作流中的影响及应对设计策略
在人工智能辅助的企业工作流中，将人类角色从主动构建者转变为被动审阅者会引发严重的记忆缺失风险，这种现象被称为“生成效应”的反向应用。当员工依赖AI生成的摘要或报告时，虽然任务完成速度显著提升，但大脑缺乏语义处理和情境映射的深度编码过程，导致关键信息无法进入长期记忆。这种认知缺陷在需要即时决策或辩护的高风险场景中尤为危险，例如人力资源专员在法务会议上无法回忆已审阅过的调查细节，或客户成功经理在面对客户质疑时无法解释系统停机原因。 造成这一问题的核心机制在于“流畅性陷阱”。大语言模型生成的文本通常结构清晰、语法流畅，降低了阅读时的认知负荷。根据心理学家Asher Koriat的研究，人们倾向于将处理信息的容易程度误判为对内容的掌握程度。这种由无意识处理流畅性引发的“记忆错觉”，使得用户在零摩擦的阅读体验中产生虚假的熟悉感，直到被同事提问时才暴露知识空白。传统的界面防护措施如强制滚动、内联引用链接和确认复选框往往失效，因为它们仅涉及物理交互或责任归属，未能触发必要的认知生成过程。 为解决这一问题，四种遵循“合意困难”理论的设计模式旨在重新引入生产性的认知摩擦。首先是“共同起草骨架”，AI负责提取原始数据并构建结构化大纲，而将综合结论部分留白，迫使人类用户用自己的语言撰写解释，从而锁定长时记忆。其次是“检索门控交接”，在导出或批准前隐藏摘要，要求用户回答简短的综合问题，利用测试效应强化记忆巩固。第三是“主动分类与优先级排序”，将AI发现的洞察以未分组卡片形式呈现，要求用户手动拖拽归类或建立关联，以此构建内部心智模型。最后是“根据决策风险校准生成难度”，区分一次性任务和需持久记忆的任务，仅在后者施加认知摩擦，避免过度干扰日常效率。 这些策略强调，用户体验设计不应仅关注任务完成速度或按键减少数量，而应重视人类能力的维持。通过将生成、结构和检索意义的需求嵌入工作流，设计师可以确保AI加速数据收集的同时，保持员工知识的敏锐度，防止组织性遗忘的发生。