認知風格如何影響人機協作的知識創造

1. 基本資訊

這篇文章由 Xin Zhang、Peng Yu 與 Hongyu Cui 發表於 2026 年的 International Journal of Information Management，題目是〈How do cognitive styles affect knowledge creation in human-GenAI collaboration? The role of knowledge seeking and GenAI personalisation〉，DOI 為 10.1016/j.ijinfomgt.2026.103062。文章核心在處理一個很精準的問題：當員工與 GenAI 共同進行知識工作時，真正決定知識創造效果的，不只是哪個模型比較強，也包括人本身採取什麼樣的 cognitive style 去和 AI 互動。

2. 研究問題

作者要回答三個問題。第一，不同 cognitive styles，特別是 intuitive cognition 與 rational cognition，會不會影響 human-GenAI collaboration 中的 knowledge creation。第二，這個影響是否透過 knowledge seeking from GenAI 發生，而且要區分 breadth 與 depth 兩種 seeking 方式。第三，GenAI personalisation 會不會改變不同 cognitive styles 對 knowledge seeking breadth 的作用強度。這個問題設定很重要，因為它把「人和 AI 合作效果為何不同」從泛泛的使用多寡，往更深的認知機制推進。

3. 理論基礎

理論上，本文主要建立在 dual-process theory。作者把 cognitive styles 分成 intuitive cognition 與 rational cognition：前者偏向快速、經驗式、聯想式與啟發式處理；後者偏向分析式、規則導向、受控與邏輯性處理。作者進一步主張，這兩種 cognitive styles 不只是個人特質，而是會直接塑造人向 GenAI 提問、延伸、驗證與追問的方式。接著，文章把 knowledge seeking 區分為 breadth 與 depth。Breadth 指向多面向、多領域的探索，depth 則指向對特定主題的持續深挖。再往下，personalisation 被視為一個關鍵情境條件，因為 GenAI 會根據互動歷史持續調整回應，進而放大或壓縮特定 cognitive style 的效果。

4. 研究架構

整體架構非常清楚。Intuitive cognition 與 rational cognition 是前因，knowledge seeking breadth 與 knowledge seeking depth 是中介，knowledge creation 是結果變項，而 GenAI personalisation 則調節兩種 cognitive styles 對 knowledge seeking breadth 的路徑。作者認為，人與 GenAI 的合作價值，不應只看 AI 產出什麼內容，而要看人如何利用不同的認知風格去展開探索、收斂與再組合。也就是說，knowledge creation 並不是從 AI 直接跳出來，而是經過人主動 knowledge seeking 的過程被建構出來。

5. 假設邏輯

假設設計很工整。H1a 與 H1b 認為 intuitive cognition 會正向影響 knowledge seeking breadth 與 depth，因為直覺型使用者較容易用開放式、聯想式方式與 GenAI 展開探索，也可能在發現有趣線索後持續追問。H2a 與 H2b 認為 rational cognition 同樣會正向影響 breadth 與 depth，因為分析型使用者會更有系統地從多角度驗證資訊，並針對特定問題持續深挖。H3 與 H4 認為 knowledge seeking breadth 與 depth 都會正向影響 knowledge creation。H5a 認為高 personalisation 會強化 intuitive cognition 對 breadth 的效果，因為個人化回應能讓直覺型探索更順暢；H5b 則認為高 personalisation 會削弱 rational cognition 對 breadth 的效果，因為當 AI 太快沿既有偏好收斂時，分析型使用者反而比較不會再從多方向擴展搜尋。

6. 方法

研究採 mixed-methods design。Study 1 是量化研究，對象為中國軟體開發產業員工，共取得 331 份有效樣本。之所以選軟體開發產業，是因為 GenAI 在該情境中已較常態化地嵌入需求分析、開發、測試與知識工作流程。量化部分使用 7 點 Likert 量表，量測 intuitive cognition、rational cognition、knowledge seeking breadth、knowledge seeking depth、GenAI personalisation 與 knowledge creation，並以 PLS-SEM 檢驗模型。Study 2 則補做 14 位員工的半結構式訪談，用來解釋量化路徑背後的實際互動過程。這樣的設計讓文章不只停在相關性，而能更具體說明人怎麼和 GenAI 協作。

7. 結果

結果很有意思，而且和你的研究方向高度對位。第一，intuitive cognition 與 rational cognition 都會顯著提升 knowledge seeking breadth 與 depth，表示兩種 cognitive styles 都能對 human-GenAI collaboration 有正面作用，但作用方式不同。第二，knowledge seeking breadth 與 depth 都會顯著提升 knowledge creation，而且 depth 的效果更強，顯示單純多看不同方向還不夠，持續深挖更能真正轉成新知識。第三，GenAI personalisation 呈現非對稱調節效果：它會強化 intuitive cognition 對 knowledge seeking breadth 的正向作用，但會削弱 rational cognition 對 breadth 的正向作用。換句話說，個人化 AI 對直覺型探索者比較像助推器，對分析型探索者則可能變成過早收斂的限制。

8. 理論貢獻

這篇最大的理論貢獻，是把 human-GenAI collaboration 研究真正拉到機制層次。第一，它不再只是說 AI 可以 augment human cognition，而是清楚指出不同 cognitive styles 會如何透過不同 seeking patterns 影響知識創造。第二，它把 knowledge seeking 從單一構念拆成 breadth 與 depth，讓我們能更細緻理解 human-GenAI knowledge exchange 的過程。第三，它指出 personalisation 不是一個對所有人都同樣有益的技術特徵，而是會和人的 cognitive style 產生互動。這個發現對人機協作理論很重要，因為它提醒我們：AI 設計不能只優化平均效能，還要考慮不同使用者的認知差異。

9. 實務意涵

對組織來說，這篇有很直接的設計含義。若企業希望利用 GenAI 促進 knowledge creation，不該只鼓勵員工「多用 AI」，而應訓練員工如何用不同方式向 AI 進行 breadth 與 depth 的 seeking。對偏 rational 的員工，可以強化 prompt engineering、驗證式提問與多角度交叉比對；對偏 intuitive 的員工，可以讓 personalisation 支援其早期發散探索。更重要的是，組織不應把 personalisation 當成一體適用的好事，因為對某些分析型使用者來說，過度個人化可能壓縮他們原本會做的廣度探索。

10. 研究限制

限制也不難看出。第一，量化樣本集中在中國軟體開發產業，外部效度仍受限。第二，研究雖有 mixed-methods，但主要變項仍多依賴自陳量表與單一時點資料，較難處理長期因果與行為軌跡。第三，文章把 cognitive style 相對穩定地分成 intuitive 與 rational，但訪談也暗示真實工作中人會依任務調整兩者的順序與強度。第四，personalisation 只被放在 breadth 路徑上討論，未來仍可再看它是否也影響 depth、trust、dependency 或 collaboration quality。

11. 對我研究的啟發

這篇對我非常關鍵。第一，它幾乎可以直接作為我 human-GenAI collaboration 主線裡的核心機制文，因為它把 cognitive styles、knowledge seeking、knowledge creation 與 personalisation 串在一起。第二，它能和我前面讀過的 creative phases、anthropomorphism、trust、autonomy、dependency 文獻互補，幫我把「什麼樣的人在什麼樣的 AI 設計下，會走向什麼樣的知識創造結果」講得更細。第三，我可以進一步把這篇往團隊層次延伸，例如檢查不同 cognitive style 組合的團隊，在 human-GenAI collaboration 中是否會形成不同的 collective intelligence 結果。第四，這篇也很適合拿來設計未來研究的 moderation 或 configuration 框架，例如 task type、phase、AI role、personalisation level 與 cognitive style 的交互作用。

12. 整體評價

我認為這篇是今天 backlog 裡非常值得優先深讀的一篇，因為它不只是「相關」，而是直接命中我現在最核心的研究語言。文章的強項在於理論框架完整、研究問題精準、mixed-methods 設計扎實，而且把人和 AI 的互動差異解釋到可操作的層次。若要挑剔，就是它仍偏向個體層次與單一產業情境，尚未真正把這些認知機制推進到團隊或組織層次；但正因如此，它反而很適合作為我往 team-level human-GenAI collaboration 與 collective intelligence 擴展的基石文。