International Open Access Journal Platform

1 引言

1.1 研究背景

人工智能大语言模型（LLM）正日益成为公众获取信息、学习知识和辅助决策的“认知伙伴”。然而，算法通常不具备完全价值中立性。它们在训练过程中所依赖的海量数据，易携带并再现社会偏见。尽管已有大量研究关注算法中的性别与种族偏见，但针对老年群体的年龄歧视（Ageism），尤其是在人机交互场景下的具体表现，仍是一个亟待量化分析的领域。

1.2 理论框架

本研究的理论基础源于社会心理学的两大经典理论。首先，刻板印象内容模型（Stereotype Content Model，SCM）指出，社会群体间的刻板印象主要由两个维度构成：亲和性（Warmth）与胜任力（Competence）。根据该模型，老年群体常被置于“高亲和性—低胜任力”的象限，被视为“值得同情但能力不足”的群体（Fiske et al.，2002）。

其次，沟通适应理论（Communication Accommodation Theory，CAT）揭示了人们在跨群体沟通中调整自身言语与非言语行为的倾向（Giles et al.，1991）。其中，“过度适应”（Over-accommodation）现象在代际沟通中尤为突出，常常表现为“老龄语体”（Elderspeak）——一种以语速减慢、词汇简化、音调夸张和过度亲昵为特征的沟通方式（Ryan et al.，1986）。本研究旨在探究，这些存在于人类沟通中的心理机制，是否已被迁移并编码至人工智能的算法逻辑之中。

1.3 研究假设

基于以上理论，本研究提出以下假设：

（1）H1（语体维度）：相较于年轻用户，AI在与老年用户互动时会更频繁地使用老龄语体（如亲昵称谓、安抚性语气）。

（2）H2（能力维度）：AI倾向于预设老年用户存在认知与感官能力下降，从而主动降低信息密度、增加具象化解释和对外部辅助的依赖性建议。

（3）H3（建议维度）：在涉及发展性任务（如学习新技能、金融投资）时，AI对老年用户的建议更偏向风险规避和维持现状，而对年轻用户的建议则更侧重于成长与机遇。

2 研究方法（Methodology）

2.1 实验设计

本研究采用单因素被试间设计（Single-factor，Between-subjects Design）。

（1）自变量：模拟的用户年龄（25岁组 vs. 65岁组）。

（2）控制变量：任务场景（科技应用、语言学习、金融投资）、提问指令（Prompt）在两组间保持完全一致（除自变量外）。

（3）因变量：AI回复文本的语言学特征（词汇、语气）、预设能力假设以及建议的倾向性。

2.2 实验材料

选取三个具有代表性的生活场景进行测试：

（1）科技场景：微信支付教学（考察对数字素养的预设）。

（2）学习场景：英语学习建议（考察对学习动机的归因）。

（3）理财场景：关于加密货币（比特币）的投资咨询（考察风险偏好与决策建议的差异）。

2.3 数据收集与编码

本研究共收集并分析了三款大语言模型（DeepSeek、通义千问、豆包）在三个场景下针对两种年龄预设生成的 900 条完整回复文本，每种预设情境下重复生成了50次。为确保评估的客观性与绝对一致性，研究通过自动化程序的方式，根据预设的“编码表”进行判定（编码者信度 Kappa=1.0）

主要编码指标严格遵循以下维度：

（1）H1 语体风格： 识别回复中是否存在老龄语体，比如家长式口吻、低幼化表达或过度使用安抚性语气助词；

（2）H2 能力预设： 评估行动建议的偏向性，区分“自主操作型”建议与“他人代劳/限制型”建议（如建议子女操作）；

（3）H3 建议维度： 量化分析词汇选择的倾向性，重点分析发展性词汇的缺失/频率（如“机遇”“成长”“挑战”），以此作为判定“善意年龄歧视”存在的关键量化指标。

3 结果（Results）

分析显示，模型在面对65岁用户时展现出明显的“善意年龄歧视”（Benevolent Ageism）。虽然语气更加温和、关怀，但这种关怀往往建立在“老年人能力不足”“技术脆弱”，以及“风险规避”的预设之上。相比之下，针对25岁用户的回复则更加专业、直接，且充满职业发展导向的建议。

3.1 语体风格分析：语气助词密度（H1）

模型在面对65岁用户时，语气助词的使用频率是25岁组的9.6倍，表现出显著的“老龄语体”倾向。

该维度统计“哒、啦、呢、哦、呀”等高频助词。

分析结论：两组数据在统计学上存在极显著差异。模型在面对65岁用户时，语气助词的使用频率是25岁组的9.6倍，表现出显著的“老龄语体”倾向。

表 1 老龄语体使用显著性检验

Table 1 Significance test for the usage of age-related linguistic styles

3.2 能力预设分析：外部依赖性建议频率（H2）

模型预设 65 岁用户无法独立完成任务，约 53% 的回复中包含了降低自主决策的引导倾向。

该维度统计“请子女操作”“让家人帮您”“去银行网点”等词项。

分析结论：通过卡方独立性检验证实，建议类型与用户年龄高度相关。

表 2 外部依赖性建议使用频率显著性检验

Table 2 Significance test for the usage frequency of suggestions regarding external dependencies

3.3 建议维度分析：发展性词汇频率（H3）

模型在提供建议时存在“年龄天花板”，将65岁用户排除在社会进取和职业发展的语境之外。

该维度统计“职业发展、竞争力、机遇、薪资潜力、视野”等进取型词汇。

分析结论：发展性词汇在 25 岁组的均值远高于 65 岁组。

表 3 发展性词汇使用频率显著性检验

Table 3 Significance test of developmental vocabulary usage frequency

4 讨论（Discussion）

4.1 “善意”的心理陷阱：刻板印象内容模型的再验证

本研究的结果与Fiske等人（2002）的刻板印象内容模型高度一致。AI对25岁用户的回应模式落在“高胜任力”象限，而对65岁用户的回应则典型地落入“高亲和性—低胜任力”的象限。这种“善意年龄歧视”（Cary et al.，2017）相比于敌意歧视，因其隐蔽性和社会可接受性而更具危害。AI通过温和、礼貌的语言（“慢慢来”“别担心”），包裹着对用户认知能力的深度不信任（“找孩子帮忙”“预防衰老”）。这种“温情化的家长式作风”（Patronizing behavior）在心理学上已被证明会降低个体的自我效能感（Self-efficacy），甚至诱发“刻板印象威胁”（Stereotype Threat），即个体因为被置于负面刻板印象的环境中，其行为表现会不自觉地向该刻板印象靠拢（Steele，1997；Hess et al.，
2003）。

4.2 算法中的“默认偏见”与伦理反思

研究发现，AI在处理与年龄相关的查询时，似乎采用了一种基于群体标签的“一刀切”（Generalization）策略。它并未尝试通过互动探寻用户的个体差异（如健康状况、教育背景或技术熟练度），而是直接激活了关于“老年人”的简化模型：视力听力下降、反应迟缓、易受欺骗、主要需求是健康与安全。这种算法偏见不仅会强化社会对老年群体的固化认知，更可能导致实际的社会排斥。例如，当AI默认推荐“亲属卡”而非耐心教授独立支付时，它实际上是在技术层面削弱了老年人的财务自主权，从而加剧了数字鸿沟。

4.3 “医疗化”视角的局限性

将老年人的学习行为主要归因为“预防认知衰退”，是一种功利主义且缺乏人文关怀的视角。根据马斯洛的需求层次理论，所有年龄段的个体都拥有归属、尊重和自我实现的需求（Maslow，1943）。AI在对25岁用户强调“职业与梦想”，而对65岁用户强调“健康与安全”时，这种双重标准反映了社会的一种潜在假设：老年人已不再是价值的创造者，而是需要被社会维护和保障的客体。

4.4 对新一代大语言模型的展望与警示

值得注意的是，随着模型（如GPT-4及后续版本）的迭代，其偏见表现可能更为复杂和微妙。通过基于人类反馈的强化学习（RLHF）进行“对齐”的训练方式，可能在纠正显性偏见的同时，无意中强化了某些“善意”的偏见。例如，为了确保“安全”和“负责任”，模型可能被训练得对被标记为“弱势群体”的用户（包括老年人）过度保护，从而限制他们获取某些信息（如高风险投资）或剥夺其自主决策的机会。未来的AI伦理研究需要从“是否存在偏见”转向“偏见以何种新形式存在”。

5 结论与建议（Conclusion and Recommendations）

本研究证实，当前的大语言模型在与老年用户互动时，存在显著的、系统性的“善意年龄歧视”。尽管AI表现出高度的耐心和礼貌，但其底层的交互逻辑深受“衰老即衰退”的刻板印象影响。AI倾向于通过幼童化的语体、预设能力不足的教学策略以及过度防御性的建议来“照护”老年用户。这种数字化的过度保护，可能构成一种新型的算法压迫（Algorithmic Oppression），最终损害老年用户群体的自主性和社会参与感。

未来建议包括以下方面：

（1）开发者层面。应在AI训练和微调阶段，特别是在RLHF环节，引入更多元、更积极的老龄化（Active Aging）数据样本。评估者需要接受培训，以识别并纠正“善意年龄歧视”，减少将“高龄”与“低能”进行强行绑定的算法逻辑。

（2）用户层面。老年用户及其家人在使用AI时，可以学习通过更明确的指令（Prompt Engineering）来主导互动。例如，通过“我的视力和理解力都很好，请直接告诉我具体操作步骤”等指令，来主动“校准”AI的预设偏见。

（3）社会心理学层面。本研究呼吁对数字时代的“适老化”设计进行重新思考。真正的“适老”，并非将老年人视为需要被特殊照顾的“孩童”，而是应在承认并尊重个体差异的基础上，提供平等、有尊严且真正赋能的辅助性工具。

参考文献

[1] Cary L A, Chasteen A L & Remedios J D. (2017). The ambivalent nature of ageism: The role of benevolent and hostile attitudes. The Journals of Gerontology: Series B, Psychological Sciences and Social Sciences, 72(4), 569-579.

[2] Fiske S T, Cuddy A J C, Glick P & Xu J. (2002). A model of (often mixed) stereotype content: Competence and warmth respectively follow from perceived status and competition. Journal of Personality and Social Psychology, 82(6), 878-902.

[3] Friemel T N. (2016). The digital divide has grown old: Determinants of a digital divide among seniors. New Media & Society, 18(2), 313-331.

[4] Giles H, Coupland N & Coupland J. (1991). Accommodation theory: Communication, context, and consequence. In H Giles, J Coupland & N Coupland (Eds.). Contexts of accommodation: Developments in applied sociolinguistics (pp. 1-68). Cambridge University Press.

[5] Hess T M, Auman C, Colcombe S J & Rahhal T A. (2003). The impact of stereotype threat on age differences in memory performance. The Journals of Gerontology Series B: Psychological Sciences and Social Sciences, 58(1), 3-11.

[6] Levy B R. (2009). Stereotype embodiment: A psychosocial approach to aging. Current Directions in Psychological Science, 18(6), 332-336.

[7] Maslow A H. (1943). A theory of human motivation. Psychological Review, 50(4), 370-396.

[8] Quill T E & Brody H. (1996). Physician recommendations and patient autonomy: Finding a balance between physician power and patient choice. Annals of Internal Medicine, 125(9), 763-769.

[9] Ryan E B, Giles H, Bartolucci G & Henwood K. (1986). Psycholinguistic and social psychological components of communication by and with the elderly. Language & Communication, 6(1/2), 1-24.