欺騙跟創造：只是一體兩面？

從惡夢到創意靈感的奇妙旅程

1987 年，美國塔夫茨大學醫學院（TuftsUniversitySchoolofMedicine）的恩尼斯特・哈特曼（ErnestHartmann）帶領了一項深入研究，比較了十二名終身受惡夢所擾的人、十二名夢境生動的人，和十二名既非惡夢受害者也不是夢境生動的人。每位受試者均接受了結構式訪談、心理測驗和其他措施，以評估他們的性格。研究人員發現，受惡夢困擾的人比起其他兩組受試者，具有更強烈的藝術和創作傾向。換言之，在夢中想像邪惡或危險力量的心智，清醒時也可用其豐富的想像力發揮創意。

惡夢曾為許多知名作家的作品提供靈感。聞名全球的恐怖小說作家史蒂芬・金（StephenKing）在飛機上睡著，夢見了一名瘋狂女子囚禁並殘害了她最喜愛的作家，結果成了《戰慄遊戲》（Misery）一書的靈感來源。

《鬼店》（TheShining）的構思也來自於一個夢。史蒂芬・金和妻子是一山中度假飯店僅有的兩位客人，當時飯店由於季節即將關閉。他在夜裡夢見自己三歲的兒子尖叫著跑過大廳，被消防水管追趕。他從惡夢中驚醒，滿頭大汗。史蒂芬・金回憶，當時他點了一支菸，望向窗外：「菸抽完時，這本書的架構已經在我的腦海裡成形。」

我們如何看待法國和其他處的史前洞穴壁畫及其他古代文物？世界各地所描繪的許多生物，都是人獸混合的動物形象，使得考古學家不禁心想，這些奇特的圖像是否可能是受到了夢境的啟發？惡夢既是人最容易記住的夢境，這些會不會是最早對惡夢的藝術描繪？我同意此種看法。我們有理由認為，說故事本身也許源自於分享夢和惡夢的渴望。

如何引導夢境來激發創意？

古埃及人建造了睡眠神廟，讓人可以在此處睡覺，希望能誘發夢境，幫助他們治癒疾病或做出重要決定。古希臘人也會去特殊的神殿祈禱，希望做一個能解決問題的夢。希臘人稱此作法為「孵夢」。現今研究顯示，孵夢不僅僅是建立在信仰上的古老方法，它背後有真正的科學依據。

研究人員發現，做夢的人可以透過暗示來影響夢境發展。雖說這不是萬無一失的過程，但他們發現，光是表達你想夢見某個人或特定主題的意圖，通常就能將夢境推向此方向。透過此種方式，我們也許能引導自己的夢境，來幫助激發創意、思考社交難題和考慮重大決定。哈佛大學夢境心理學家芭瑞特要求她的學生在睡前十五分鐘思考一個情感相關的問題。結果，半數學生表示，他們做了與此問題有關的夢。

由於夢境如此視覺化，所以，入睡時在腦海裡設想某個人、想法、地點或問題，將有助於你孵夢成功的機率。正如我們在關於惡夢的章節中所了解，我們可以運用意象預演療法改寫反覆出現的惡夢，重新編排夢境情節，使其變得無害，甚至給它更好的結局。這種方法聽來雖然簡單，但相信你也記得，研究也證明此法常常能成功幫助人們擺脫惡夢。孵夢也一樣，聽來雖像是一廂情願的想法，但嚴謹的研究已證實了此種方法引導夢境的效用。

MIT 前沿科技助力夢境設計

麻省理工學院媒體實驗室（MediaLab）的研究人員，一直致力於開發睡眠和夢境設計技術，希望藉此大幅提升創造力。研究裝置會感知受試者進入睡眠的情況，並提供口頭提示，詢問受試對象在想什麼，然後記錄對方的反應。如我們將在第8章所見，現今還有其他方法可利用感官來設計夢境內容。

正如我們探討如何減輕惡夢時的方法，你也可以在紙上寫下自己的意圖，放在床邊，或將希望夢見的事物相關圖片、物件放在床邊。這不僅僅是某種象徵儀式，而是人們見證能啟發他們夢境的有效方法，就好比我們將原料放進鍋裡，等待夢境以全新、意想不到的方式將它們混合。

當解決方案能在腦海以視覺呈現時，孵夢最容易成功，原因是視覺皮質在快速動眼睡眠期間十分活躍。睡前請回顧一下你想夢見的問題或主題，想像自己夢見了這個問題後醒來，然後在床邊的紙上寫下夢境。

芭瑞特的學生選擇了學術、醫療和個人方面的問題，並記錄哪些夢境為他們的問題提供了潛在的解決辦法。其中一名學生搬到了一間較小的公寓，無法找到不顯雜亂的家具擺放方式，結果他夢見將五斗櫃搬到客廳，這名學生實際嘗試了一下，果真有效。另一名學生在選擇麻州或其他地方的學術課程時陷入兩難，他夢見自己乘坐的飛機需要緊急降落，夢裡飛行員說降落在麻州太過危險，做夢的學生一想到這個夢，便意識到了選擇其他地方課程的決定。

即便不記得自己的夢，它們也能影響你清醒時的想法。你也許會突然靈光一閃、腦海瞬間蹦出想法或沒來由地想到解決辦法，這些靈感很可能來自於我們的夢境。不論記不記得，我們每晚都會做夢，而我們的夢夜夜都在為我們從事創意工作。

——本文摘自《我們為何會做夢：睡夢中的大腦如何激發創造力，以及更好地改善清醒時的生活》，2024 年 11 月，悅知文化出版，未經同意請勿轉載。

本文轉載自中央研究院「研之有物」，為「中研院廣告」

• 採訪撰文｜劉韋佐
• 責任編輯｜田偲妤
• 美術設計｜蔡宛潔

人工智慧將改變以人為主的法治領域？

由人工智慧擔任警察，再也不是科幻電影的情節，交通管制常見的科技執法就是應用 AI 辨識闖紅燈、未依規定轉彎、車輛不停讓行人等違規行為。 AI 的客觀、高效率正在挑戰以人為審判主體的法治領域，這樣的轉變會對我們產生什麼影響呢？中央研究院「研之有物」專訪院內歐美研究所陳弘儒助研究員，他將帶我們思考：當 AI 取代人類執法時，將如何改變人們對守法的認知？

想像有一天你正在尖峰時段開車，車子停在十字路口等紅燈時，後方出現一輛急駛而來的救護車，你為了讓道必須開過停止線。這時你是否願意冒著違規被開罰的風險？還是承擔風險以換取他人盡速就醫？

在上述情境中，針對「要不要闖紅燈」我們經歷了一段價值判斷過程。如果剛好十字路口有真人警察，他的判斷可能是：這是情急之下不得不的行為，並非蓄意違規。

然而，如果負責執法的是「法律人工智慧系統」（Artificially legal intelligent，簡稱 ALI）情況可能截然不同。

ALI 這個詞源自 Mireille Hildebrandt 的研究，在概念上可區分為兩類：採取傳統程式碼的 IFTTT（if this then that）、運用機器學習的資料驅動。前者是注重法律推理或論證的計算機模型，將法律規範轉為程式碼，藉由程式編寫來執行法律任務。後者則透過大量資料的學習，來預測行為範式，用於再犯率、判決結果預測上有較好的成果。

一般情況下，應用在交通管制的 ALI 會辨識車輛是否超速、闖紅燈等違規行為，不過交通情境千變萬化，ALI 能否做出包含「道德價值的判斷」將是一大挑戰！

中研院歐美研究所陳弘儒助研究員察覺，人工智慧（AI）正在左右人們對守法的價值判斷及背後的因果結構，進而反思當我們將原本由人來判斷的事項，全權交由 AI 來執行時，可能產生哪些潛移默化的影響？

讓我們與陳弘儒展開一場從法哲學出發的對話，探索 AI 與法治價值之間的緊張關係。

怎麼會對「人工智慧」（AI）與「法律人工智慧系統」（ALI）產生研究興趣？

會對 AI 感興趣是因為我很早就對電腦有興趣，我原本大學想唸資訊工程，因為高中有些科目沒辦法唸，於是去唸文組，大學進入法律系就讀，研究所考入「基礎法學組」研讀法哲學。

後來我到美國讀書，當時 AlphaGo 的新聞造成很大的轟動，啟發我思考 AI 的應用應該有些法律課題值得探討，於是開始爬梳 AI 與法律的發展脈絡。

AI 這個詞大概在 1950 年代被提出，而 AI 與法律相關的討論則在 1970、80 年代就有學者開始思考：我們能否將法律推理過程電腦程式化，讓電腦做出跟法律人一樣的判斷？

事實上，AI 沒有在做推理，它做的是機率的演算，但法律是一種規範性的判斷，所有判斷必須奠基在法律條文的認識與解釋上，給予受審對象合理的判決理由。

這讓我好奇：如果未來廣泛應用 AI 執法，法律或受法律規範的民眾會怎麼轉變？

至於真正開始研究「法律人工智慧系統」（ALI）是受到我父親的啟發。有一陣子我經常開車南北往返，有一天我跟父親聊到用區間測速執法的議題。交通部曾在萬里隧道使用區間測速，計算你在隧道裡的平均速率，如果超速就開罰。

父親就問我：「政府有什麼理由用區間測速罰我？如果要開罰就必須解釋是哪一個時間點超速。」依照一般的數學邏輯，你一定有在某個時間點超速，所以平均起來的速率才會超過速限，可是法律判斷涉及規範性，我們必須思考背後的正當性課題，不能只用邏輯解釋，這啟發我逐漸把問題勾勒出來，試圖分析執法背後的規範性意涵。

如果將執行法律任務的權限賦予 AI，可能暗藏什麼風險？

我們先來談人類和 AI 在做判斷時的差別。人類無時無刻都在做判斷，判斷的過程通常會先做「區分」，例如在你面前有 A 和 B 兩個選項，在做判斷前必須先把 A 和 B 區分開來，讓選項有「可區別性」。

在資料龐大的情況下，AI 的優勢在於能協助人類快速做好區分，可是做判斷還需經歷一段 AI 難以觸及的複雜過程。人類在成長過程中會發展出一套顧及社會與文化認知的世界觀，做判斷時通常會將要區分的選項放進這個世界觀中，最終做出符合社會或自身考量的抉擇。

當我們將判斷程序交由 AI 執行，就會涉及「判斷權限移轉」的問題，這經常在日常生活中發生，你只要發現原本自己可以執行的事情，有另外一個對象做的比你好或差不多好，你就會漸漸把判斷的工作交給它，久而久之，你大概會覺得這是很好的做法，因為可以節省大量時間。

我擔心這種判斷權限移轉會快速且廣泛的發生，因為 AI 的工作效率極高，可以大幅節省人力成本，但是哪一些權限可以放給 AI？哪一些權限人類一定要守住？我們經常沒有充足的討論，等到發生問題再亡羊補牢可能為時已晚。

以讓道給救護車而闖紅燈的情境為例，如果讓 AI 來做交管，可以節省警察人力，又可以快速精準地開罰，卻迫使民眾需額外花時間，證明闖紅燈有正當理由。如果是真人警察來判斷，警察通常會認為你的行為有正當理由而不開罰。這對於受法律規範的民眾來說，會產生兩種全然不同的規範作用。

AI 產生的規範作用會讓民眾擔心事後銷單的麻煩程序，如果無法順利解決，可能會訴諸民意代表或上爆料公社，並漸漸改變民眾對守法的態度。而真人警察產生的規範作用，將使民眾自主展現對法律的高度重視，雖然當下的行為牴觸法律，卻是行為人經過多方權衡後做的判斷，相信法律會支持自己出於同理心的行為。

使用 AI 執法除了看上它的高效率，也是因為和真人相比 AI 不會受私情影響，比較可以做出公正的判斷。如果從法治觀念來看，為何決策權不能全權交由 AI 執行？

我認為法治的核心價值在臺灣並沒有很好的發展，我們常想的是怎麼用處罰促成民眾守法，長久下來可能會得到反效果。當人們養成凡事規避處罰的習慣，一旦哪天不再受法律約束，可能會失去守法的動機。

事實上，法治最根深柢固的價值為：

法律作為一種人類行為規範的展現，促使民眾守法的方式有很多種，關鍵在於尊重人的道德自主性，並向民眾陳述判決理由。

給理由非常重要，可以讓民眾不斷透過理由來跟自己和法律體系溝通。如此也可以形成一種互惠關係，使民眾相信，國家公權力能用適當的理由來制定法律，而制定出的法律是以尊重公民自主性為主。當民眾理解法律對我所處的社會有利，會比較願意自動產生守法的動機。

AI 執法看似比人類「公正無私」，但它的執法方式以處罰為主、缺乏理由陳述，也沒有對具體情境的「敏感性」。人跟人之間的互動經常需要敏感性，這樣才能理解他人到底在想什麼。這種敏感性是要鍛鍊的，真人警察可在執法過程中，透過拿捏不同情境的處理方式來累積經驗。

例如在交通尖峰時段應該以維持交通順暢為原則，這時警察是否具備判斷的敏感性就很重要，例如看到輕微的違規不一定要大動作開罰，可以吹個警笛給駕駛警示一下就好。

我越來越覺得人類這種互動上的敏感性很重要，我們會在跟他人相處的過程中思考：跟我溝通的對象是什麼樣的人？我在他心中是什麼模樣？然後慢慢微調表現方式，這是人類和 AI 最根本的不同。

相較於法律人工智慧，ChatGPT 等生成式 AI 強大的語言功能似乎更接近理想中的 AI，其發展可能對我們產生哪些影響？

我認為會有更複雜的影響。ChatGPT 是基於大型語言模型的聊天機器人，使用大量自然語言文本進行深度學習，在文本生成、問答對話等任務上都有很好的表現。因此，在與 ChatGPT 互動的過程中，我們容易產生一種錯覺，覺得螢幕後好像有一名很有耐心的真人在跟你對話。

事實上，對於生成式 AI 來說，人類只是刺激它運作的外在環境，人機之間的互動並沒有想像中的對等。

仔細回想一下整個互動過程，每當外在環境（人類）給 ChatGPT 下指令，系統才會開始運作並生成內容，如果我們不滿意，可以再調整指令，系統又會生成更多成果，這跟平常的人際互動方式不太一樣。

資工人員可能會用這個理由說明，生成式 AI 只是一種工具，透過學習大量資料的模式和結構，從而生成與原始資料有相似特徵的新資料。

上述想法可能會降低人們對「資料」（Data）的敏感性。由於在做 AI 訓練、測試與調整的過程中，都必須餵給 AI 大量資料，如果不知道資料的生產過程和內部結構，後續可能會產生爭議。

另一個關於資料的疑慮是，生成式 AI 的研發與使用涉及很多權力不對等問題。例如現在主流的人工智慧系統都是由私人公司推出，並往商業或使用者付費的方向發展，代表許多資料都掌握在這些私人公司手中。

資料有一種特性，它可以萃取出「資訊」（Information），誰有管道可以從一大群資料中分析出有價值的資訊，誰就有權力影響資源分配。換句話說，多數人透過輸入資料換取生成式 AI 的服務，可是從資料萃取出的資訊可能在我們不知情的狀況下對我們造成影響。

面對勢不可擋的生成式 AI 浪潮，人文社會學者可以做些什麼？

國外對於 AI 的運用開始提出很多法律規範，雖然國外關於價值課題的討論比臺灣多，但並不代表那些討論都很細緻深入，因為目前人類跟 AI 的相遇還沒有很久，大家還在探索哪些議題應該被提出，或賦予這些議題重新認識的架構。

這當中有一個重要課題值得思考：

我們需不需要訓練 AI 學會人類的價值判斷？

我認為訓練 AI 理解人類的價值判斷很可能是未來趨勢，因為 AI 的發展會朝人機互動模式邁進，唯有讓 AI 逐漸理解人類的價值為何，以及人類價值在 AI 運作中的局限，我們才有辦法呈現 AI 所涉及的價值課題。

當前的討論多數還停留在把 AI 當成一項技術，我認為這種觀點將來會出問題，強大的技術如果沒有明確的價值目標，是一件非常危險的事情。實際上，AI 的發展必定有很多價值課題涉入其中，或者在設計上有一些價值導向會隱而不顯，這將影響 AI 的運作與輸出成果。

思考怎麼讓 AI 理解人類價值判斷的同時，也等於在問我們人類：對我們來說哪一些價值是重要的？而這些重要價值的基本內容與歧異為何？

我目前的研究有幾個方向，一個是研究法律推理的計算機模型（Computational models of legal reasoning）；另一個是從規範性的層面去探討，怎麼把價值理論、政治道德（Political morality）、政治哲學等想法跟科技界交流。未來也會透過新的視野省視公民不服從議題。

這將有助科技界得知，有很多價值課題需要事先想清楚，影響將擴及工程師怎麼設計人工智慧系統？設計過程面臨哪些局限？哪些局限不應該碰，或怎麼把某些局限展現出來？我覺得這些認識都非常重要！

鐵面無私的 ALI ？人類與人工智慧執法最大的分野是什麼？

陳弘儒是臺灣少數以法哲學理論研究法律人工智慧系統（ALI）的學者，他結合各種現實情境，與我們談論 ALI、生成式 AI 與當代法治價值的緊張關係。

由於 ALI 擅長的資料分類與演算，與人類判斷過程中涉及的世界觀與敏感性思辨，有著根本上的差異；以處罰為主、缺乏理由陳述的判斷方式，也容易影響民眾對公權力的信任。因此陳弘儒認為，目前 ALI 應該以「輔助人類執法」為發展目標，讓人類保有最終的判斷權限。

至於現正快速發展的生成式 AI ，根據陳弘儒的觀察，目前仍有待各方專家探索其中的價值課題，包括資料提供與使用的權力不對等、哪些人類價值在訓練 AI 的過程中值得關注等。

在過去多是由人文社會學者提出警告，現在連 AI 領域的權威專家也簽署公開信並呼籲：AI 具有與人類競爭的智慧，這可能給社會和人類帶來巨大風險，應該以相應的關注和資源進行規劃和管理。

在訪談過程中，有一件令人印象深刻的小插曲，陳弘儒希望我們不要稱呼他「老師」，因為他從小就畏懼老師、警察等有權威身分的人，希望以更平等的方式進行對話。

假如今天以 AI 進行採訪，整個談話過程或許能不受倫理輩分影響，但這也讓我們意識到，在 AI 的世界裡，許多人際互動特有的敏感性、同理反思都可能不復存在。

陳弘儒的研究讓我們體會，AI 在法治領域的應用不僅是法律問題，背後更包含深刻的哲學、道德與權力課題，也讓我們更了解法治的核心價值：

法律要做的不只是規範人們的行為，而是透過理由陳述與溝通展現對每個人道德自主性的尊重。

台灣的 COVID-19 疫情，在今（2022）年四月急遽升溫，許多公司行號也再度實行遠端上班、分流上班，減少接觸以及染疫風險，許多染疫者、接觸者也必須居家隔離。任何需要跟人接觸的活動，都改以線上的方式進行。因此，視訊會議就成為了一個相對安全、又便利的新選擇。多虧了現代電腦、網路，和通訊軟體的發達，我們不必非得要面對面才能「見面」。

這樣遠端工作、開不完的視訊會議所帶來的結果是，我們必須整天盯著螢幕看，造成眼睛、精神上的疲勞。國外有人甚至發明了「視訊會議疲勞」（Zoom fatigue，或作 videoconference fatigue）一詞^[註一]來形容這種過多視訊開會造成身心疲乏的現象。而且，這種現象，不但在職場中出現^[註二]，就連線上課程也都讓學生覺得更疲累、難以專注、學習困難、焦慮感提升^[註三]。

為何會產生「視訊會議疲勞」？

為什麼「視訊會議疲勞」那麼普遍呢？Bailenson（2021）解釋，我們之所以會在視訊會議中更容易感到疲倦，主要是以下四個原因：^[註四]

1. 過多的眼神交流：在一般的面對面互動中，我們很少會靠一個人的臉那麼近來跟他說話，視線也不需要持續聚焦在一個人的臉上。尤其對於會議主講人來說，一次有那麼多雙眼睛直勾勾地盯著你看，大腦很容易進入一種過度激發（hyper-aroused）的狀態。
2. 看到自己在說話的畫面，讓你時時刻刻都在審視、評價自己：同樣地，在一般的面對面互動中，幾乎沒有人會一邊拿鏡子照自己，一邊跟別人說話，但這種不自然的狀況卻會在視訊會議中出現。一旦我們看得到自己的影像，難免會注意自己在鏡頭前好不好看，臉上有沒有沾到東西，表情和談吐是不是夠優雅、自信。一邊說話，還要一邊持續自我審查的過程，對大腦來說非常耗能。
3. 視訊會議限制了我們身體的活動空間：視訊會議進行期間，尤其是自己的鏡頭必須開啟時，我們基本上只能端坐在電腦前，眼睛直視螢幕，免得被誤認為是在分心、做別的事。身體要僵直地維持在這種狀態一到兩小時，屁股坐麻、手腳痠痛不說，大腦要控制身體維持姿勢也會變得疲乏。
4. 透過視訊來進行社交互動更為困難、費力：面對面互動的時候，任何語言的、非語言的社交訊息（例如眨眼和微笑）都可以即時被互動者接收，但在視訊會議時，難免會遇到畫面卡卡的、網路不順的狀況，這都使得訊息傳達更為費力、耗時。

當然，這些容易讓我們疲勞的因素，並不是無法可解。Bailenson 也提到一些簡單的方法，像是把視窗從全螢幕調整成讓你沒有壓迫感的大小、關掉自己的個人畫面、在會議與會議之間安排休息等，都能有效降低疲勞。

疲勞的問題或許是解決了，但另一個可以探討的問題是，視訊會議的成效和面對面開會一樣嗎？尤其針對需要創意發想的行業，哪種討論方式更有助於人們想出新穎的好點子？

發想創意提案，到底是面對面還是視訊比較好？

為了探討這個問題，一篇 2022 年刊登於《自然》（Nature）的研究^[註五]邀請了 300 名受試者，隨機分成兩兩一對，進行腦力激盪的作業。內容是花 5 分鐘跟夥伴討論「飛盤」有哪些非典型的用法或功能，再花 1 分鐘選出最有創意的答案。

在這些兩兩一組的受試者中，一半的受試者（75 對）被分配到「面對面互動組」，而另外 75 對則被分到「視訊互動組」。研究人員想知道，哪種形式的討論方式可以產出更多有創意的點子，還有，每個小組花一分鐘討論出來的最終方案，是不是最有創意的點子（用以判斷小組的決策準確度）。

研究人員除了記錄每個小組所產出的創意總數（想出幾種飛盤的新用法）之外，還邀請了兩位事先不知道研究假設的「裁判」，依據創意性和實用性評分受試者的點子。研究團隊將「有創意的點子」定義為「創意分數高於整體平均創意分數的點子。」

為了減少實驗題目造成的偏誤，並增加受試者總數，團隊接著找了另外 302 位受試者參與類似的實驗流程，但是腦力激盪的題目改成：討論「泡泡紙」有哪些非典型的用法或功能。

根據這 602 位受試者的結果顯示，「面對面互動組」想出的平均點子總數是 16.77 個，不但在統計上顯著多於「視訊互動組」的 14.74 個，「面對面互動組」也產出更多被評定為有創意的點子，平均有 7.92 個創意點子，相較於「視訊互動組」平均只有 6.73 個創意點子。

在小組的決策準確度方面，研究人員發現，「視訊互動組」選出的最有創意點子，似乎比較符合裁判對其的創意性評分；也就是說，「視訊互動組」的決策準確度較「面對面互動組」高。可是，這樣的差距，在控制了每組所想出的點子數量後，就消失了。

以「實地實驗」驗證研究結果

上述的研究發現都是在實驗室情境下的結果，真實世界的互動也會有這樣的差異嗎？

為了驗證這一點，研究團隊在芬蘭、匈牙利、以色列、葡萄牙、印度等五個國家，都進行了實地實驗（field experiments）^[註六]。實驗最終邀請到 1490 位工程師，隨機分派成為兩兩一組，以 45 到 60 分鐘的時間討論出可以向公司提案的新點子，並在所有想到的點子中，選出一個他們自認最有創意的想法。

這些實地實驗的結果都驗證了一開始在實驗室的發現。在五個國家的研究數據均顯示面對面互動比視訊討論更有助於發想更多有創意的點子；而視訊討論則能提高決策準確度。

為什麼在面對面討論時，人們較能想到更多有創意的點子？

研究也針對這些現象的原因作出探討。首先，在實驗室進行實驗的過程中，「面對面互動組」和「視訊互動組」的受試者在腦力激盪時，手邊都有筆電或平板，提供他們紀錄或視訊。研究人員事先安裝了 OpenFace 眼動追蹤軟體在這些 3C 產品上，透過電腦或平板的前鏡頭，測量受試者的視線動態，目的是為了得知受試者在跟夥伴討論時，視線多常放在實驗夥伴、手邊作業和實驗室環境。

眼動追蹤的結果發現，「視訊互動組」的受試者在過程中，花更多時間注視螢幕上的實驗伙伴，而且比較不常環顧實驗室四周。至於視線關注手邊作業的時間，兩個組別間並沒有差異。事後的分析更發現，花越長時間環顧環境周遭的人，他們想到的點子越多！

另一方面，為了再次確認受試者到底放多少注意力在四周環境上，研究人員在做實驗室佈置時，也特地放置了五個常見於心理學實驗室的物品（抽屜櫃、文件夾、紙箱、音響喇叭、鉛筆盒）和五個不常見於實驗室的物品（人體骨架海報、巨大盆栽、一籃檸檬、藍色的碗、瑜珈球的盒子），目的是，受試者做完腦力激盪之後，要他們畫出實驗室的擺設。結果顯示，能夠記得越多「不常見物品」的受試者，想到的創意點子就越多！

所以，我們該怎麼用注視時間和對環境的記憶，去解釋「面對面討論的人有更多創意想法」這件事？研究團隊認為，在視訊面談的情境中，我們的注意力會聚焦在螢幕上，同時也限縮了我們認知處理的廣度，阻礙「創意發想」這種需要發散性思考的活動。

當然，疫情中，以視訊會議取代面對面接觸，主要是防疫考量。我們不得不以遠端的方式互動、開會。但如果未來疫情趨緩，我們有得選擇工作模式的時候，不妨優先把面對面開會的機會留給需要發揮創意的事情，或時不時提醒自己從電腦桌前站起來動動筋骨，幫大腦伸個懶腰！

註解與參考資料

• 註一：雖然叫 Zoom fatigue，但不限於使用 Zoom 平台進行的視訊會議。
• 註二：Riedl, R. (2021). On the stress potential of videoconferencing: definition and root causes of Zoom fatigue. Electronic Markets, 1-25.
• 註三：Peper, E., Wilson, V., Martin, M., Rosegard, E., & Harvey, R. (2021). Avoid Zoom fatigue, be present and learn. NeuroRegulation, 8(1), 47-47.
• 註四：Bailenson, J. N. (2021). Nonverbal Overload: A Theoretical Argument for the Causes of Zoom Fatigue. Technology, Mind, and Behavior, 2(1).
• 註五：Brucks, M. S., & Levav, J. (2022). Virtual communication curbs creative idea generation. Nature, 1-5.
• 註六：實地實驗（field experiments）是指在真實生活環境中，實驗者操控獨立變項，以測量其對依變項的因果關係。實地實驗雖然不能像實驗室實驗一樣嚴謹控制環境，但其研究發現的可類推性（generalizability）較高，也就是可以應用在現實生活的程度可能會較高。