发表机构
ETH Zurich; Google DeepMind; King’s College London; Google; Google Research; University of Pennsylvania; Carnegie Mellon University（苏黎世联邦理工学院; 谷歌DeepMind; 伦敦国王学院; 谷歌; 谷歌研究; 宾夕法尼亚大学; 卡内基梅隆大学）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本研究提出“参与后解锁”机制，通过要求用户先参与任务再解锁生成式AI功能，在写作任务中重新分配努力、增加提示提交并提升评估效率，实现生产性摩擦。
AI 中文摘要
生成式AI可以支持写作，但无摩擦的访问可能导致用户在形成自己的想法之前就发生认知卸载。我们引入了“参与后解锁”（Engage-to-Unlock），一种生产性摩擦机制，在用户有意义地参与任务后解锁生成能力。在一项受控实验（N = 398）中，参与者在四种条件之一完成写作任务：仅人类、标准聊天机器人、参与后解锁或时间匹配解锁（后者将解锁时间与参与后解锁参与者匹配，但独立于用户的参与），然后评估段落中的证据和推理错误。结果表明，参与后解锁重新分配了任务间的努力：参与者花更多时间写作，更少时间评估，而总任务时长未增加。他们还比其他AI辅助条件下提交了更多提示，并在所有条件下展示了最高的每时间评估准确率。这些发现表明，设计生成式AI访问以鼓励早期人类参与可能提供一种生产性摩擦形式，同时保留积极的AI使用和高效的下游评估。
英文摘要
Generative AI can support writing, but frictionless access may cause cognitive offloading before users develop their own ideas. We introduce Engage-to-Unlock, a productive-friction mechanism that unlocks generative capabilities after users meaningfully engage with the task. In a controlled experiment (N = 398), participants completed a writing task under one of four conditions: Human-Only, Standard Chatbot, Engage-to-Unlock, or Time-Matched Unlock, which matched unlock timing to Engage-to-Unlock participants but independent of users' engagement, then evaluated passages for evidence and inferential errors. Results show that Engage-to-Unlock redistributed effort across tasks: participants spent more time writing and less time evaluating, without increasing overall task duration. They also submitted more prompts than in other AI-assisted conditions and showed the highest accuracy-per-time evaluation efficiency across conditions. These findings suggest that designing GenAI access to encourage early human engagement may provide a productive form of friction, while retaining active AI use and efficient downstream evaluation.
Comments31 pages, 7 figures, 3 tables
