Playful AI in Professional Email: A Field Experiment on Tone and Recipient Engagement

📄 arXiv: 2607.11749v1 📥 PDF

作者: Ziv Ben-Zion, Teddy Lazebnik

分类: cs.AI, cs.HC

发布日期: 2026-07-13

💡 一句话要点

探讨AI辅助写作对职场沟通的情感影响

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: AI辅助写作 职场沟通 情感分析 大型语言模型 实验研究 邮件互动 行为预测

📋 核心要点

  1. 现有的AI辅助写作工具对职场沟通的影响尚未得到充分研究，尤其是如何影响收件人的行为。
  2. 本研究通过随机实验设计，比较了不同语气的AI重写对职场邮件的影响，探索情感语调的作用。
  3. 实验结果表明，玩乐语气的编辑能显著提高邮件的情感积极性，进而影响收件人的打开和回复行为。

📝 摘要（中文）

大型语言模型（LLMs）正在迅速改变职场沟通方式，但AI辅助写作是否改变了收件人的行为及其渠道仍不明确。本研究通过随机交叉场实验，121名员工在三种条件下发送工作邮件：未辅助写作、GPT-5以玩乐语气重写、GPT-5以专业语气重写。结果显示，玩乐编辑提高了情感积极性（B=+0.068, p<0.001），而专业编辑则降低了情感积极性（B=-0.041, p<0.001），但两种条件均未直接改变打开率、回复率或响应时间。相反，发件人情感积极性显著预测了打开（OR=2.05）和回复（OR=3.32, p<0.001）行为，表明AI编辑通过语言的情感语调间接影响职场参与度。

🔬 方法详解

问题定义：本研究旨在探讨AI辅助写作如何影响职场沟通中的收件人行为，尤其是情感语调对行为的间接影响。现有方法未能明确AI写作对实际沟通效果的影响。

核心思路：通过随机交叉实验设计，比较未辅助写作、玩乐语气和专业语气的AI重写对邮件效果的影响，分析情感语调如何影响收件人的行为。

技术框架：研究分为三种条件下的邮件发送，分别为未辅助写作、GPT-5玩乐语气重写和GPT-5专业语气重写。数据收集涵盖了16,880封邮件，分析了情感积极性与收件人行为之间的关系。

关键创新：本研究的创新在于揭示了AI辅助写作通过情感语调间接影响职场沟通的机制，而非直接影响打开率和回复率。这一发现为理解AI在职场中的应用提供了新的视角。

关键设计：实验中使用了GPT-5模型进行文本重写，设置了不同的语气参数，采用了情感分析方法来量化邮件的情感积极性，并通过统计分析验证了结果的显著性。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果显示，玩乐语气的编辑显著提高了邮件的情感积极性（B=+0.068, p<0.001），而专业语气则降低了情感积极性（B=-0.041, p<0.001）。尽管未直接影响打开率和回复率，但发件人情感积极性显著预测了收件人的打开（OR=2.05）和回复（OR=3.32, p<0.001）行为。

🎯 应用场景

该研究为职场沟通中的AI应用提供了重要的理论基础，尤其是在提升员工互动和参与度方面。未来，企业可以利用这一发现优化邮件沟通策略，提升工作效率和员工满意度。

📄 摘要（原文）

Large language models (LLMs) are rapidly reshaping workplace communication, yet whether AI-assisted writing changes how recipients actually behave, and through what channel, remains unknown. Here, in a randomized crossover field experiment, 121 employees across six companies sent work emails under three conditions over three weeks: unaided writing, GPT-5 rewriting in a playful tone, and GPT-5 rewriting in a professional tone. Across 16,880 emails, playful editing increased emotional positivity (B=+0.068, p<0.001), and professional editing decreased it (B=-0.041, p<0.001), yet neither condition directly altered open rates, reply rates, or response times. Instead, within-sender positivity strongly predicted both opening (OR=2.05) and replying (OR=3.32, p<0.001), a significant indirect pathway through which AI editing shaped behavior, in the absence of any direct effect. These findings suggest that AI-assisted communication shapes workplace engagement not through its use, but through the emotional tone of the language it produces.