志愿服務中算法透明度對感知可信度的影響
——服務動機的調節效應

孫 源 米加寧 劉魯寧

一、問題提出

作為社會服務體系不可或缺的供給構成，志愿服務填補了“市場失靈”和“政府失靈”的空白，成為推動社會經濟發展的重要力量。志愿服務不限志愿者年齡、職業、財富等基本特征，為每一位公民提供了參與社會服務的平等機會。這一舉措促進了人民自治，是打造共建共治共享治理格局的核心要素(黨秀云，2019；張瑞，2021)。同時，作為一項長期服務，志愿服務的持續、健康發展是滿足社會需求、維護公共價值的基本前提(苗青、尹暉，2021)。從實踐效果來看，雖然我國的志愿服務力量已然在脫貧攻堅、抗擊疫情等活動中發揮了重要作用，但公眾參與率低下仍是制約其可持續發展的關鍵問題(辛華等，2016)。民政部志愿服務官方網站“中華志愿服務網”顯示，2022年我國實名注冊志愿者數已達2.3億人，但記錄志愿服務時長的人數僅有8029萬人，也就是說，志愿者群體的實際志愿服務參與率不足35%。

公眾參與率低并不是由于缺乏志愿者，而是由于缺少科學的志愿服務全流程管理方法(苗青、尹暉，2021)。對于如何實現志愿服務的科學化管理目標，已有研究大多聚焦于制度層面。例如，針對志愿者的激勵問題，學者們提出了精神激勵、榮譽激勵、物質激勵等多種激勵手段，并運用實驗方法尋找最佳激勵組合(苗青、尹暉，2021)。然而，相較于使志愿服務項目具備有足夠的吸引力，更緊要的問題是令志愿者們找到合適的志愿項目。對于志愿者來說，搜索志愿服務組織和志愿服務項目具有很高的信息成本(Emrich &Pierdzioch，2016)。已有研究發現，“不知道去哪里找志愿服務活動” “不知道怎么參與”是影響公眾參與率的主要原因(張網成等，2018)。信息成本的降低意味著志愿者可以投入更多的資源在真正的志愿服務工作中(Emrich &Pierdzioch，2016)。因此，如何通過大數據、云計算等新一代信息技術識別、匹配志愿服務的需求與供給，實現志愿服務的精準供給，使公眾能夠及時便捷地參與志愿服務已經受到了廣泛的關注(黨秀云，2019)。從實踐層面來看，杭州、深圳、上海等地也已經推出了為志愿者精準匹配志愿服務活動的志愿服務APP。

隨著算法推薦在志愿服務中的普遍應用，算法透明度和算法信任問題引起了廣泛的關注。算法透明度是指用戶能夠理解算法如何工作及其決策過程的程度(Grimmelikhuijsen，2022)。通常而言，透明度高的算法能夠增加用戶的信任，進而提高他們的使用意愿。然而，目前存在的問題是算法透明度并不總是與用戶信任成正比(Lehmann et al.，2022)。例如，當算法過于簡單或者其決策邏輯不符合用戶期望時，即便算法透明度高，也難以獲得用戶的信任。在志愿服務領域，動機的滿足是提高志愿服務項目參與率、促進志愿服務可持續發展的元引力(辛華等，2016)。志愿者的服務動機可能是利己的(比如提升個人技能)，也可能是利他的(比如幫助需要的人)(Stukas et al.，2016)，這會影響他們對于特定項目的選擇和參與(辛華等，2016)。算法將志愿者與志愿服務項目進行匹配時，如果能夠考慮到志愿者的不同動機，并通過提高算法透明度將匹配依據展現給志愿者，可能會提高志愿者的參與度和滿意度。因此，在志愿服務的背景下，當前研究需要提供對算法透明度與用戶信任之間復雜關系的更細致的理解。具體來說，志愿服務推薦算法的設計和實現需要考慮志愿者的服務動機是如何對透明度與信任之間的關系產生影響的。

針對上述研究背景，本研究采用調查實驗的方法，試圖在志愿服務的特定情境下，回答已有的算法治理的相關研究尚未回答的問題。具體而言，本研究將評估算法透明度對算法可信度的影響，并從一致性的角度分析志愿服務動機的調節作用。通過對上述問題的回應，本研究可以揭示算法透明度、志愿服務動機、感知一致性、算法信任之間的關系，在豐富算法治理研究的同時，為公共部門在志愿服務領域正確使用算法提供參考。

二、文獻綜述與研究假設

(一)算法信任

算法通過學習行為和行政數據，了解公眾的多元化需求，進而以精準推送的方式主動提供公共服務，顯著降低了公眾的遵從成本和學習成本，提升了服務體驗(Keiser &Miller，2020)。隨著算法在政府治理，特別是在志愿服務領域的廣泛應用，當前關于算法的研究呈現出兩種路徑，分別是算法的“技術賦能”正向作用及其“技術負外部性”負向作用。

“技術賦能”觀點肯定了算法嵌入對志愿服務的賦能效用。在志愿服務情境下，尋找適合的志愿服務活動對于志愿者而言往往是一項高信息成本任務(Emrich &Pierdzioch，2016；張網成等，2018)，而算法的應用能夠通過提高志愿活動的可及性和便利性，有效降低這一成本(李曉園等，2022)。

然而，算法的使用仍然存在廣泛的爭議。相對于前一種觀點，后一種觀點更加關注算法的不透明、歧視以及違反倫理等技術負外部性問題(昌誠等，2022；張雪帆、蔣忠楠，2022)。算法的“黑箱”性質使公眾難以了解算法使用的數據、不同數據在決策中的權重以及決策的形成過程，從而動搖了算法決策的合法性、準確性和公正性，導致公眾對于算法的信任度低，甚至產生算法厭惡。算法信任問題在志愿服務領域是一個關鍵議題，因為它直接影響到志愿者對于推薦結果的接受度。

(二)算法透明度

在當前對算法應用的研究中，提高算法透明度被普遍視為增強用戶信任的關鍵機制。提高算法透明度包含兩層含義，一方面是指提高算法的可及性，即允許技術或業務專家等外部參與者訪問算法的底層數據和代碼，以確保算法的客觀合理性和可靠性。另一方面是指提高算法的可解釋性，即將算法的決策結果以公眾可理解的方式呈現(Grimmelikhuijsen，2022)。對公眾而言，增強算法的可解釋性是提高其透明度的有效路徑，可以促進公眾對算法決策過程的理解。所以本研究聚焦于可解釋性，探究算法透明度與算法信任之間的關系。

然而，算法透明度并不總是對信任產生積極的影響。根據Lehmann等(2022)的研究，當公眾發現算法的復雜性低于他們的預期時，透明度的增加反而會降低信任度。這種現象表明，算法透明度與算法信任之間的關系是復雜的，透明度的效果受到算法自身特性和公眾預期的共同影響。因此，算法透明度在增強用戶信任方面的作用需要根據具體情境進行細致評估。在志愿服務背景下，用戶的目標是找到滿足個人服務動機的活動(辛華等，2016)，而政府相關部門開發算法的目標可能是幫助最需要幫助的人，考慮優先向弱勢群體供給服務，也可能是滿足志愿者動機，以增加用戶黏性、保障志愿服務的可持續發展。因此，如何在匹配過程中考慮用戶參與志愿服務的動機，進而提高算法信任，成為算法設計時的關鍵。

(三)志愿服務動機

志愿服務動機是一種來自于內在、存在于心理層面的驅動力，驅使志愿者奉獻個人時間和精力參與志愿服務活動(Clary et al.，1996)。從個體層面而言，志愿服務動機的不足是導致志愿者參與度低下的關鍵因素(辛華等，2016)。已有研究從單因素、雙因素到六維度框架對志愿服務動機進行了分類，但分類的底層邏輯都源于社會心理學中長期存在的、關于幫助行為是出于利他還是利己的爭論(Stukas et al.，2016；張網成等，2018)。利己動機志愿者參加志愿活動的目地包括積累工作經驗、鍛煉能力、保持積極正向的生活態度、自我實現、做有意義的事等等；利他動機志愿者主要是想通過志愿活動幫助他人、回報社會、改善社區環境等(張網成，2015)。志愿服務的功能性理論認為，當志愿者感知到自己的目標在活動中得以實現時，他們參與的可能性更高(Snyder &Omota，2008；Clary et al.，1998)。

志愿者參與志愿服務的動機影響著其在志愿服務中的行為(辛華等，2016)。以他人為導向的志愿者通常服務時間更長，而以自身為導向的志愿者在無法實現個人利益的活動中難以維持長期的親社會行為(Omoto &Snyder，1995)。這些發現表明，志愿服務中算法推薦的應用需要考慮志愿者的動機，以提高公眾參與率和促進志愿服務的可持續發展。換句話說，志愿服務動機是否得到滿足會影響算法透明度對算法信任的作用。用戶參與志愿服務的動機得到滿足意味著用戶志愿服務動機和算法推薦邏輯一致。算法決策邏輯與用戶需求偏好間的一致性可能是影響算法可信度的重要因素，進而影響著志愿服務項目的參與率和志愿服務的可持續發展 (辛華等，2016)。

(四)算法決策邏輯與志愿服務動機的一致性

一致性理論源于社會心理學中的相似性概念，最初被用于分析個體自我形象與外部實體間的匹配程度(Maille &Fleck，2011)。研究發現，消費者更傾向于選擇與其自我形象或價值觀高度一致的品牌或產品，這種一致性促使消費者對相關品牌或產品形成更積極的態度，并進一步增強了他們的購買意愿(Paul &Bhakar，2018)。算法推薦代理領域的一項研究也發現，用戶對于性格或性別與自己匹配的推薦代理展現出更高的信任度(Reinkemeier &Gnewuch，2022)。這些發現強調了一致性在個體評估和接受外部信息源時的重要性。

在志愿服務的背景下，一致性理論提供了一個重要的理論框架，可以用于分析志愿者的服務動機與算法推薦邏輯之間的匹配程度及其在算法透明度與算法信任的關系間發揮的作用。當志愿者的個人動機與算法所推薦的志愿活動高度一致時，這種一致性可能通過滿足志愿者的動機，增強了算法透明度對算法信任的作用(辛華等，2016；Wang &Wang，2019)。因此，一致性理論在分析志愿者如何通過算法透明度評估和建立對算法建議的信任方面發揮著關鍵作用，對于提升志愿者對推薦活動的參與度和滿意度具有重要意義。本研究評估了算法透明度對算法可信度的影響，并從一致性的角度考察了不同動機類型(利己或利他)的調節作用。

(五)研究假設

在志愿服務領域，算法透明度與算法信任緊密相關。這種關系反映在兩個維度。一方面，算法透明度的提高幫助志愿者理解算法決策過程，從而提高其對算法的信任程度；另一方面，志愿者服務動機與算法推薦邏輯之間的一致性會對算法透明度的作用產生進一步的影響。

算法推薦系統根據特定目標和其他相關因素，向用戶推薦志愿活動(Benbasat &Wang，2005)。通過數據分析和智能匹配，精準化推薦避免了傳統人工搜索耗時長和精確性低的缺點，提高了志愿服務的效率和質量。在志愿服務情境下，算法的決策邏輯天然地分為利己邏輯和利他邏輯兩種。然而，由于算法的“黑箱”特征，志愿者會對算法的決策過程和結果產生疑慮和不信任(昌誠等，2022)，從而降低算法的應用價值。所以，從算法信任的角度來看，公布決策邏輯可以提高算法的可解釋程度，使志愿者能夠理解為何某些活動被推薦給他們(Grimmelikhuijsen，2022)，從而提高其對算法的信任 (McKnight et al.，2002)。據此，本研究提出如下假設。

H1a：相對于不透明組，透明-利己邏輯組的算法感知可信度更高。

H1b：相對于不透明組，透明-利他邏輯組的算法感知可信度更高。

在志愿服務領域的算法推薦中，雖然透明度的提升有助于增進志愿者對算法推薦邏輯的理解，但僅提高透明度并不足以確保志愿者對推薦結果產生信任。一致性理論強調，公眾在決策時會考慮自己的信念、態度和價值觀，且僅當這些因素與接受到的信息內容高度匹配時，才會建立信任(Maille &Fleck，2011)。人際互動和人機交互領域的研究發現，當信息源與個體的信念、態度和價值觀高度一致時，個體更傾向于信任這些信息源(Byrne et al.，1967)，從而證明了這一觀點。換言之，感知一致對建立信任起著積極作用。

在志愿服務領域應用推薦算法的場景中，當志愿者的動機傾向于利他，且算法明確展示其推薦是如何服務于更廣泛的社會利益時，志愿者對推薦結果的信任度可能增強。相應地，當志愿者的動機偏向利己，而算法展示出其主要聚焦于滿足個人利益進行活動推薦時，信任度亦可能提升。因此，在提高志愿活動推薦算法的透明度時，僅當公布的決策邏輯與志愿者的服務動機高度一致時，才可能提高志愿者感知的算法可信度；若不一致，算法透明度所帶來的積極效果可能有限(Coulter &Coulter，2002)。

根據以上論證邏輯，提出以下研究假設。

H2a：當志愿服務動機是利己時，透明-利己邏輯的算法對感知算法可信度的積極作用更大。

H2b：當志愿服務動機是利他時，透明-利他邏輯的算法對感知算法可信度的積極作用更大。

此外，志愿者參加志愿服務的動機可能對感知一致性與算法可信度的關系產生進一步的影響。根據志愿服務的功能性理論，個體參與志愿服務是為了滿足社交、自我實現、心理健康、學習和公民責任等需求，這些需求(即志愿服務動機)影響著公眾的志愿行為(Clary et al.，1998)。志愿服務動機主要分為利己動機和利他動機兩大類(張網成等，2018)。根據定義，利己動機志愿者主要受個人利益或自我滿足驅動，通常更注重個人收益而非志愿服務的實際效果和影響(張網成，2015)。相反，利他動機志愿者更多是出于對他人和社會的責任感，關注參與志愿服務的社會價值和影響(Stukas et al.，2016)。這種動機差異使兩類志愿者在對志愿活動的選擇和接受度上存在顯著差異。利己動機志愿者對于服務內容會有選擇性，而利他動機志愿者則更加傾向于無差別服務，以服務對象的需求和利益為主(Omoto &Snyder，1995)。因此，不同動機的志愿者對于算法推薦活動是否滿足自身動機的敏感程度可能存在差異。據此，提出假設3。

H3：志愿服務動機調節了感知一致性與感知算法可信度的關系。

三、研究設計與方法

(一)研究樣本和實驗分組

本研究選用調查實驗方法，旨在通過實驗操控，識別因果關系，清晰地揭示算法透明度與志愿服務動機是如何共同作用于算法信任的。此外，本研究通過開發模擬真實操作環境的APP，提升了實驗情境的真實感，進一步提高了結論的有效性，增強了研究發現的理論和實踐價值。

實驗數據來自見數平臺。課題組在2023年2月6日到3月3日，將全國范圍內的885位被試隨機分配到不同的實驗分組中，通過比對不同實驗組被試感知的算法可信度，來測試不同的透明策略是否影響組間被試對于算法可信度的感知，以及影響程度在不同服務動機的志愿者之間是否存在差異。課題組通過問卷審核，剔除了265份無效問卷。無效問卷的審核標準包括：回答時長過長(大于10分鐘)或過短(小于4分鐘)，所選擇的實驗APP主色調與實際的實驗APP不符(紅色以外的其他顏色)，所選擇的實驗APP優先推薦活動類型與實際分組不符的樣本(如分配為實驗組1即“算法優先推薦滿足利己動機的活動”，但被試在后測問題中選擇的被優先推薦的活動類型為滿足利他動機的活動)。最終，本研究的有效樣本為620份問卷，足夠滿足在中等效應的前提下，設定α=0.05并且檢驗效能為0.85時的樣本要求。最終樣本的人口統計學因素的描述性統計見表1。

在實驗開始時，研究人員根據對自變量的操控，將算法按照不同決策邏輯和透明度分成三組，并將被試隨機分配到這三組中。共有205名參與者被分配到不透明組作為控制組，205名參與者被分配到透明-利己邏輯算法實驗組，210名參與者被分配到在透明-利他邏輯算法實驗組。參與者平均實驗時間為5.7分鐘，平均實驗收入為4.50元。

(二)實驗流程

被試通過見數平臺的隨機模塊功能被分配到三組中(如圖1所示)。實驗包含三個部分。第一部分是前測問題，調查了被試的人口統計學特征、參加志愿活動的動機以及其他可能與研究相關的控制變量(如上網經驗)。第二部分是情境實驗部分，要求被試充分閱讀實驗情境，通過實驗情境材料分步驟引導被試首先掃描隨機出現的二維碼，進入實驗性志愿活動推薦系統。接下來選擇偏好的志愿活動地點、時間，最后點擊開始智能匹配，并仔細查看推薦結果中是否有感興趣的志愿活動。第三部分是后測題目，包括對于因變量的測量、操控檢驗以及注意力檢查。本實驗在自愿基礎上進行，每位參與者參加實驗的費用為基礎費用加上獎勵金額。在參與者掃碼進入推薦系統之前，告知他們額外獎勵的金額將由他們的表現來決定，以此鼓勵其認真對待實驗。

圖1 實驗流程

(三)實驗性算法推薦系統

根據本研究的兩個核心問題(算法透明度是如何影響算法可信度的？志愿服務動機是如何影響算法透明度對算法可信度的作用的？)，本研究設計了一個實驗性算法推薦APP，旨在模擬真實操作，幫助被試完成實驗性決策任務，即選擇他們感興趣的志愿活動。實驗性算法推薦系統的設計模仿了官方的社會公益活動管理應用程序——志愿匯。該設計在三位資深手機用戶的協助下進行了驗證，他們的反饋被納入到設計的修改方案中，以確保應用程序設計的真實性和可靠性。另外，研究人員在正式實驗之前進行了一系列的預測試，將預試驗的反饋也納入到實驗設計中，以確保操控的有效性。

實驗對自變量進行操控，將算法按照不同決策邏輯和透明度分成三組。在不透明組，參與者在選擇了參與志愿活動的地點和時間偏好后，推薦系統直接顯示了推薦活動列表，被試不會收到關于推薦算法決策邏輯的信息。在透明-利己邏輯算法組，參與者先選擇了參與志愿活動的地點和時間偏好，然后在顯示推薦活動列表前會出現一個額外的頁面，該頁面告知被試“算法在推薦活動時考慮了三個要素：距離、時間以及優先推薦有利于志愿者自身的活動”(如圖2所示)。在透明-利他邏輯算法組，告知被試“算法在推薦活動時考慮了三個要素：距離、時間以及優先推薦有利于他人的活動”，并保證三組之間的其他因素完全相同(如圖3所示)。

圖2 “透明-利己邏輯算法組”界面設計

圖3 “透明-利他邏輯算法組”界面設計

(四)變量測量

1.因變量

基于McKnight等(2002)對信任的定義，信任包含能力、善意和誠實三個維度。這些維度從不同角度評估用戶對算法的信任，能力信任關注算法的效能和專業性，善意信任涉及算法是否顧及用戶的利益，誠實信任則是對算法誠實性和承諾的評估(McKnight et al.，2002)。這三種信任維度從不同角度評估用戶對算法的信任，對于理解公眾如何看待和接受算法決策至關重要。

本研究調整了Benbasat和 Wang (2005)的可信度量表以適應本研究的背景。三個題項分別是：我認為中華志愿匯很好地發揮了活動推薦作用；我覺得中華志愿匯在進行智能匹配時，非常重視我參加志愿活動的目的；我認為中華志愿匯提供的是公正的推薦。由被試按照七級量表打分。

2.自變量

根據研究問題和實驗設計部分的討論，研究的自變量是不同決策邏輯算法的透明情況(1=不透明，2=透明-利己邏輯算法，3=透明-利他邏輯算法)。

3.控制變量

為保證實驗分組的科學性，根據已有文獻測量了被試的性別、年齡和網絡經驗(包括通過網絡看新聞、購物和查詢信息三項活動的時長)(Wang &Benbasat，2016；George et al.，2017；Grimmelikhuijsen，2022)。

4.其他變量

為測量用戶的感知一致性，需要測量被試的志愿服務動機，并將其與所分配到的算法邏輯相比較。具體來說，先測量志愿服務動機，要求被試在問卷中選擇參與志愿服務的主要目的，選擇自我提升、獲得志愿時長、其他有利于自身原因的為利己動機志愿者，選擇幫扶弱勢群體、回報社會、其他有利于他人原因的為利他動機志愿者。然后，當利己動機志愿者被分配至透明-利己邏輯算法組中，或利他動機志愿者被分配至透明-利他邏輯算法組中，則為一致，否則，則為不一致。

四、數據分析與研究發現

(一)實驗操控和隨機分組有效性檢驗

筆者先檢驗了實驗操控的有效性，問卷中設置了兩道七級量表問題。第一道題有關被試對算法決策邏輯的理解：我知道算法在推薦時的決策邏輯。第二道題有關被試對匹配活動的感知一致性：中華志愿匯優先匹配的活動類型(有利于志愿者自身的活動/有利于他人的活動)能夠滿足我的志愿服務動機。通過單因素方差分析發現，實驗組和控制組對于第一道題的回答具有顯著差異，透明-利己邏輯算法組對于算法邏輯的理解為6.28，顯著高于不透明組的3.79(p<0.001)。透明-利他邏輯算法組的理解為5.80，也顯著高于不透明組(p<0.001)，但低于透明-利己邏輯算法組(p<0.001)。所分配算法邏輯與自身相一致的被試的感知一致性評分為5.95，而不一致組為4.07，兩組間存在顯著差異(p<0.001)，表明被試同樣能感受到一致與不一致。從檢驗結果來看，本實驗的操控是成功的。

然后進行隨機分組檢驗，檢驗各組間個體的年齡、性別、網絡經驗的差異性。結果表明，除了“網絡經驗”在各組間存在顯著差異外，其他變量均沒有顯著差異，說明實驗的隨機性得到了保證。網絡經驗變量在后續分析中被作為控制變量，所以對分析結果的準確性不會產生影響(George et al.，2017)。

(二)樣本特征

樣本分布主要集中在中青年群體，10-20歲人群占比5.81%，21-30歲人群占比51.61%，31-40歲人群占比34.19%，41-50歲人群占比5.65%，50歲以上人群占比2.74%。性別略有差異，男性大約占42.74%，女性占比稍高，約為57.26%。在網上看新聞所用的時長主要集中在1-4小時，30分鐘以內的百分比為8.55%，30分鐘到1小時的百分比為15%，1-2小時和2-4小時的占比相同，均為22.26%，4-6小時的占比為19.52%，6小時以上的約占12.42%。在網上購物與在網上看新聞所用的時長分布非常相似，1-4小時占比最高，大約為50%。在網上查詢信息所用的時間占比與以上兩組略有不同，2-4小時、4-6小時、6小時以上占比接近，約為22%(如表1所示)。

表1 樣本人口學因素描述性統計

(三)主效應與調節效應分析

為檢驗H1a和H1b，即不同決策邏輯算法的透明度對感知算法可信度的作用差異，本研究先通過方差分析對不同決策邏輯算法透明度的影響進行初步研究，圖4展示了三組間感知算法可信度的差異。在透明-利己邏輯算法處理組中，感知算法可信度的評分為5.81(七級量表)，顯著高于不透明組算法的感知可信度5.36(p<0.001)。在透明-利他邏輯算法處理組，被試感知的算法可信度為5.57，也顯著高于不透明組算法的感知可信度(p=0.012)。

圖4 不同組別的感知算法可信度

然后，基于普通最小二乘(OLS)回歸對H1a和H1b進行具體檢驗(如表2所示)。將透明-利己邏輯算法和透明-利他邏輯算法作為自變量，不透明組作為常數項，將感知算法可信度作為因變量(模型1)進行回歸分析。統計結果表明，志愿者對于透明-利己和透明-利他算法的感知可信度均顯著高于不透明算法，且對于透明-利己邏輯算法的感知可信度最高。當加入控制變量后，模型2的結果與在模型1觀察到的是相同的。所以，H1a和H1b得到了驗證。

表2 基準回歸

上述分析主要是研究算法透明度對用戶感知算法可信度的影響，接下來探究該影響在多大程度上受到用戶志愿服務動機的調節(H2a和H2b)。本研究使用Stata進行調節效應分析，結果如表3所示。

表3 志愿服務動機的調節效應分析

分析結果表明，用戶的志愿服務動機調節了不同決策邏輯算法的透明度對算法可信度的影響，并且在加入控制變量后結果依然相同，圖5和圖6更直觀地展示了這一效應。具體來說，交乘項透明-利己邏輯算法×志愿服務動機的系數在1%的水平上顯著為負，表明透明-利己邏輯對算法可信度的正向作用在利己動機志愿者中更為明顯。交乘項透明-利他邏輯算法×志愿服務動機的系數在1%的水平上顯著為正，表明透明-利他邏輯對算法可信度的正向作用主要存在于利他動機志愿者中?？偟膩碚f，本研究發現，當算法決策邏輯與志愿者服務動機相一致時，透明對于算法可信度的正向作用更大。因此，H2a和H2b得以驗證。

圖5 志愿服務動機在不透明與透明-利己邏輯組中的調節效應

圖6 志愿服務動機在不透明與透明-利他邏輯組中的調節效應

由上述假設檢驗可知，相對于不透明算法，算法邏輯不同的兩種透明算法(透明-利己算法和透明-利他算法)均對算法的感知可信度有正向作用。此外，研究發現，志愿者服務動機調節了算法透明度與感知算法可信度的關系。具體而言，當志愿服務動機與算法決策邏輯一致時，算法透明度對于感知可信度的正向作用更大。

(四)進一步分析

接下來，本研究進一步分析了在不同志愿服務動機的情況下，志愿服務動機與算法決策邏輯的一致性對算法可信度的影響。具體來說，筆者將實驗數據按照算法決策邏輯與志愿服務動機的一致性劃分為一致與不一致兩組，構建了一致性這一變量(0=一致，n=205；1=不一致，n=210)，并分析了志愿服務動機在一致性與算法可信度之間的調節效應(見表4)。

表4 事后檢驗

分析結果如表4所示，交乘項一致性×志愿服務動機的系數在1%的水平上顯著為負，這表明志愿服務動機在一致性對算法可信度的影響中具有調節作用。具體來說，一致性對算法可信度的正向作用在利己動機志愿者中更為顯著，并且在加入控制變量后結果依然相同，H3得以驗證。圖7更直觀地展示了這一效應。

圖7 志愿服務動機在不一致與一致組中的調節效應

五、結論與討論

本研究基于一致性理論，以志愿服務為研究背景，通過調查實驗方法探究了不同決策邏輯算法的透明度對其可信度的影響。研究結果表明，相較于不透明的算法，志愿者對于透明-利己邏輯和透明-利他邏輯的算法感知可信度更高。并且，不同的志愿服務動機在其中發揮了調節作用。具體來說，當志愿者持有利己動機時，透明-利己邏輯算法對于感知算法可信度的正向作用更大；當志愿者持有利他動機時，對透明-利他邏輯的算法感知可信度也更高?？偟膩碚f，相較于不透明算法，志愿者對于透明的算法更加信任，并認為決策邏輯與自身動機相一致的算法可信度最高。此外，本研究還探索了感知一致性對算法信任的正向作用在不同動機志愿者中的差異，結果顯示利己動機的志愿者感受到的一致性效應比利他動機志愿者高。一個可能的解釋是，利己動機志愿者更加注重自身目的的達成(Omoto &Snyder，1995)。

在算法治理領域的現有研究基礎上，本文進一步探討了算法透明度策略的有效性邊界，在理論層面有兩個貢獻：首先，廣泛的研究表明，提高透明度有助于增強信任；然而，當算法被感知為過于簡單時，增加透明度反而會產生負面效果(Lehmann et al.，2022)。也就是說，算法透明策略的正向作用是有邊界的。在此基礎上，本文聚焦于志愿服務這一特定場景，發現只有當算法邏輯與志愿者的服務動機一致時，提升算法透明度才能有效增強志愿者對算法建議的信任，這印證了確認偏差的理論，也凸顯了一致性在人與算法推薦交互中的核心作用(Taber &Lodge，2006)。此外，這一結論進一步驗證了Selten等人 (2023)所發現的一致性在建立算法信任中發揮的關鍵作用。Selten等人(2023)發現，在通過算法預測警務的場景中，警務人員對與其專業知識一致的算法建議表現出更高的信任度。而本文在志愿服務的場景中發現，志愿者對與其服務動機一致的算法建議同樣表現出更高的信任度。同時，兩項研究結果之間的對比揭示出一個重要觀點：在不同的應用場景中，構建信任所需的一致性要素具有顯著差異。在警務場景中，信任基于專業知識與算法邏輯的一致；而在志愿服務場景中，信任則基于志愿服務動機與算法邏輯的一致。這些發現為理解算法透明度在不同場景下如何影響信任提供了新的視角，并強調了在制定算法透明度策略時考慮特定情境的重要性。

其次，與將所有用戶作為整體的研究邏輯不同，本文通過行為科學實驗對個體的認知進行探究。實驗結果發現，雖然從志愿者群體的角度來看，服務動機的滿足會產生積極效果(Snyder &Omota，2008)，但利己動機志愿者和利他動機志愿者對于動機滿足的敏感度有所不同，對于利己動機志愿者來說，透明一致對于感知算法可信度的正向作用更大。雖然在志愿服務領域對不同動機志愿者進行分類討論的研究較多(Stukas et al.，2016)，但是在算法領域，對用戶進行分類研究的很少(Wang &Wang，2019)。本研究在志愿服務領域討論算法信任問題時，充分考慮到了不同動機志愿者的差異性。

本研究為志愿服務領域的算法治理提供了關鍵性的實證指導。研究發現，在提高算法透明度的過程中不僅要公開算法的決策邏輯，還需考慮到志愿者的服務動機，使得算法邏輯與志愿者的期望相一致，以最大化算法透明度對算法信任的積極影響。進一步地，研究指出，算法推薦應考慮不同的用戶需求，尤其是以個人目標為導向的利己動機的志愿者。因為利己動機的志愿者對志愿服務動機與算法邏輯間的一致性更為敏感。同時，本研究還強調了公共部門在算法設計時需要考慮場景的特異性。本研究建議，在算法設計和實施的各個階段加強算法開發人員、管理部門和志愿者的共同參與，以確保算法推薦能夠針對特定場景有效發揮其作用。

本研究仍存在一定的局限性。雖然利己動機與利他動機是最主要的志愿服務動機，但是可能還有介于中間狀態的動機(Clary et al.，1998)，比如對于利己和利他都沒有足夠興趣，或者對兩者都很在意的動機。后續研究可以在更加細分的動機基礎上進行，但是無論動機是什么，只要能夠滿足主要動機，就應該會減少因動機類型而產生的結果差異。另一個局限是實驗中包含的解釋類型。人工智能領域認為如何解釋算法取決于用戶的認知和理解能力(Ahmad et al.，2018)，本研究所提供的解釋是對于算法決策邏輯的解釋，未來的研究可以系統地考察不同表達方式和表達內容組合的效果。