1. 引言
在“人工智能+”行动背景下人工智能产业关键技术发展迅速，逐渐渗透入各行各业。但人工智能慢一拍是“人工智障”；偏一步是“智能人工”；快一招则是“智能忧虑”。人工智能赋能的产品和服务所处环境是复杂多变的，提高其自主性，使之具有自主学习、自主感知、自主决策等能力是重要趋势[1]。但在与经济社会深度融合应用的过程中，人工智能会因其脆弱性、不稳定性、不可解释性等特点，极易引发国家、社会、企业和个人等层面的风险与挑战。为此众多研究开始探究人工智能接受的前因，并创建或扩展相关接受框架[2]。
经过系统的文献梳理，当前人工智能对用户接受影响因素的实证研究颇为丰富。这些研究多选取心理抗拒理论、选择性暴露理论、技术接受行为理论(TAM)、感知控制理论等作为理论依据，研究方法上借助问卷调查、实验等方式收集相关数据，利用回归分析、结构方程等展开调研数据分析，得出信任、隐私披露、感知控制、个性化、拟人化等诸多影响因素。尽管相关实证研究数量充足，但部分研究结果存在分歧，就人工智能的智能性、自主性与消费者购买意愿的关联而言，其相关程度强弱不一。Ameen等学者经研究指出人工智能自主性对用户的赋能服务体验具有正向影响[3]，但Wen的研究却显示人工智能自主性对用户的赋能服务体验没有显著关系[4]。在感知风险与服务体验方面通常呈现负相关关系，可Poushneh的研究结果表示感知控制正向作用于用户的使用意图[5]。这些不一致结论源于研究样本、研究方法和实验场景等差异，不仅会给深入的理论研究造成阻碍，也不利于人工智能赋能产品和服务在功能方面的完善与优化[6]。因此，本文采用元分析方法，基于感知价值理论和技术接受理论，对已有的影响因素实证研究展开定量统计分析，系统评价相关因素的影响效果从而可以更加深入、全面地理解。
2. 理论基础与研究假设
2.1. 理论基础
2.1.1. 相关概念
达特茅斯研究项目(Dartmouth Research Project)将人工智能定义为“让机器模拟人的智能，能像人那样认知、思考和学习”[7]，具有满足或超过任务要求的能力。营销领域对人工智能的研究更多依据进化阶段划分[8]，依次为人工狭义智能(ANI)、人工通用智能(AGI)以及人工超级智能(ASI) [9]，各阶段有着鲜明特征与进阶表现。当聚焦于产品智能维度时，自主性和拟人化特征成为关键考量要点。
人工智能的自主性指的是其具备自行开展过程与操作的能力[10]，即系统在没有特定人为干预的情况下执行源自人类的任务的能力。人工智能产品拥有感知周边环境的敏锐“触角”，能够依据实际情形进行思考、筹划，进而依循既定计划付诸行动[11]。显然自主性的强弱程度直接关联着其运行决策水准，在复杂且变化多端的使用场景里人工智能产品能否减少对人的过度依赖，实现高效自主运转至关重要[12]。当人工智能展现出较高的自主性时，会催生出积极的感知强化效果，有力助推消费者价值的协同共创，为用户体验与价值产出注入新动力。
用户会因为人工智能产品或服务具备拟人化特征，而更易于与其展开交互。过往研究表明具有人类特征的人工智能目标是激发用户信任，使其更具社交属性，进而鼓励人们主动与之建立联系。然而那些模仿人类却又无法完美契合人类特质的人工智能，可能会引发用户不适感(例如，怪异)，这是一种在机器人技术中被称为“恐怖谷”的现象[13]。这使得用户会不自觉地将人工智能同对人类身份构成的威胁联系起来，这些威胁又与诸如失业、机器人出现功能障碍等这类失控恐惧紧密相关，最终引发用户的厌恶反应。
2.1.2. 技术接受理论和感知价值理论
80年代由Davis提出的技术接受理论(TAM)，预测和说明某种信息技术是由于什么因素导致人们接受或拒绝，行为态度的机制中不可忽视感知有用性和感知易用性这两个重要的要素[14]。基于推理行为理论基础上的期望—价值模型，感知有用性的定义为：“一个人相信使用一项技术能提高其工作效率的程度。”感知易用性的定义为：“一个人在使用一项技术时对其便捷程度和难易程度的反映[15]。”在技术信息领域，技术接受模型被广泛应用，感知有用性和感知易用性成为影响用户的意图和行为的要素[16]。随着研究领域的扩张，其他因素例如感知行为控制，自我效能等引入了模型；此外，用户–媒介关系创新型因素例如信任、用户参与、社会临场感等也引入进来；更有统计学特征例如用户个性特征和人口统计学特征等作为调节变量用来对感知有用性和感知易用性进行影响效果评价[17]。但技术接受理论的核心要素始终是感知有用性和感知易用性。
基于多重利益的权衡，感知价值理论主要包括感知利益与感知风险双重视角。从两个维度分析感知心理属性：心理体验和心智代理[18]。心理体验的维度可以概括为角色的“感觉”感知能力：感受饥饿、恐惧、痛苦、快乐、愤怒、欲望、个性、意识、骄傲、尴尬和喜悦等的能力[19]。相反地，心智代理可以被概括为角色“做”的感知能力：自我控制、道德、记忆、情感识别、计划、沟通和思考等的能力[20]。用户对人工智能感知价值受到关注，本文章以刺激–有机体–反应(stimulus-organism-response，简称SOR)模型为主线，结合感知价值视角探究人机交互的用户行为，进一步扩展完善TAM技术接受模型。结合SOR模型，本研究的购买反应包括以社会退缩为主的回避型反应，以及以消费者主动应对为主的趋近型反应。
2.2. 研究假设
2.2.1. 自主性对消费者价值感知的影响
越来越多的场景中，人工智能开始逐渐替代人，向用户直接提供服务。基于现有人工智能的技术特征证明了人工智能具有自主性[21]，即拥有超算能力的人工智能机器人，它在研究的过程中将会拥有自我意识、自我迭代以及自我更新的特点[22]。关于消费者价值感知，人工智能的自主性可能带来显著的正面影响。当AI系统能够自主决策、学习和行动，它就能更精准地理解消费者的需求和偏好，从而提供更符合消费者期望的产品或服务。这种智能化、个性化和定制化能够提升消费者的价值感知，使他们觉得所获得的产品或服务更加物有所值。此外自主性AI系统能够通过优化决策和行动来提高消费者所获得的利益。例如，在购物领域，自主性AI可以分析消费者的购买历史和浏览行为，为其推荐最符合其需求和预算的商品。故提出如下假设：
H1a：人工智能产品自主性显著影响消费者感知利益。
人工智能产品自主性对消费者的心理和行为活动有不同的影响，相对而言，人工智能产品自主性对用户消极情绪的影响更为复杂[23]。一方面，自主性AI系统能够减少人为错误和干预，减少个体的自主感知，另一方面也可能增加消费者对系统决策的不确定性和担忧。当人工智能产品的自主性较高时，用户可能会担心其决策过程是否透明、是否可控，以及是否会出现意外情况或错误。这些担忧可能增加用户的感知风险，从而影响其对产品的接受度和信任度。故提出如下假设：
H1b：人工智能产品自主性显著影响消费者感知风险。
2.2.2. 自主性对消费者技术感知的影响
人工智能赋能的产品和服务自主是对于环境的变化从而做出改变进行适应，以达到特定任务目标面对环境采取行动的程度[24]，这一自主意味着系统能够在一定程度上独立地进行决策和行动，而无需过多的外部干预。从用户感知有用性的角度来看，人工智能的自主性往往能够提升产品或服务的价值。一个具备高度自主性的AI系统，如智能助手或自动驾驶汽车，能够更精准地理解并满足用户需求，甚至在用户没有明确指令的情况下，也能预测并主动提供有用的信息或服务。这种超前的、个性化的服务体验无疑增加了用户对AI产品的有用性感知。故提出如下假设：
H2a：人工智能产品自主性显著影响消费者感知有用性。
然而，当涉及到用户感知易用性时，情况可能有所不同。易用性通常指的是产品或服务在操作、理解和使用上的便捷程度。对于高度自主的AI系统，虽然其强大的功能可能令人印象深刻，但复杂的决策过程和不可预测的行为也可能导致用户感到困惑或不安。如果用户无法理解AI的决策逻辑，或者无法轻松地与系统进行交互，那么他们可能会认为这个系统不够易用。此外，高度的自主性也可能带来一些潜在的风险和问题，如隐私泄露、误操作等，这些都会进一步影响用户对AI易用性的感知。用户可能会担心，如果系统自主决策出错，他们可能无法有效地进行纠正或干预，从而导致不良后果。故提出如下假设：
H2b：人工智能产品自主性显著影响消费者感知易用性。
2.2.3. 自主性对消费者购买反应的影响
在用户形成购买反应过程中，消费者采取行动去完成消费决策行为[25]，往往会综合考虑所能得到的利益、可能带来的风险以及可以承受的风险程度等因素，对自身能否在所面临的各种选择中选择一个最佳结果进行考量。在快节奏的服务背景下，高度自主的人工智能系统能够更好地理解消费者的需求和偏好，通过精准的数据分析和个性化推荐，为消费者提供符合其期望的产品或服务信息。例如，智能购物助手可以根据消费者的购物历史和浏览行为，为其推荐相关的商品和优惠信息，从而激发消费者的购买欲望。这种个性化的购物体验让消费者感受到被重视和满足。从认知失调理论出发，人工智能自主性在一定程度上可以减轻认知失调现象，人工智能的自主性还能提升消费者对于产品或服务的信任感。当AI系统能够自主处理复杂任务，如智能客服能够自动解决消费者的问题时，消费者往往会对其能力和专业性产生认可。这种信任感有助于增强消费者对产品的信心，从而进一步促进趋近型购买反应的发生。故提出如下假设：
H3a：人工智能产品自主性显著影响消费者趋近型购买反应。
心理退缩也是一种逃避机制。在营销情境中，当消费者感知到由拥挤造成的无法预测和控制的情境时，会产生逃避心理。如减少满意度和降低行为意向是典型的心理退缩表现[26]。人工智能的自主性也可能对回避型购买反应产生负面影响。一方面，高度自主的AI系统可能使消费者感到无法掌控或理解其决策过程。当AI系统在没有明确解释的情况下做出决策时，消费者可能会对其产生疑虑和不信任感，从而倾向于避免购买相关产品。另一方面，自主性过高的AI系统也可能带来隐私和安全问题，如数据泄露和滥用等。这些问题可能引发消费者的担忧和不安，导致他们回避使用或购买涉及人工智能的产品。故提出如下假设：
H3b：人工智能产品自主性显著影响消费者回避型购买反应。
2.2.4. 拟人化对消费者价值感知的影响
人工智能拟人化通过赋予机器人类似的特质、情感和行为，使其在与人类的交互中更加自然和亲切。这种设计有助于提升消费者的感知利益。广义上讲，人工智能的拟人化特征因其独特优势提升用户使用体验，提升人工智能的认知共情、情感共情、幽默性和不确定性等拟人化特征可以有效降低用户对人工智能的心理抗拒[27]，进而提升用户的使用体验。拟人化的AI系统能够模拟人类销售员的行为和语言风格，为消费者提供更友好、贴心的服务体验，从而增强消费者的忠诚度和信任感。此外例如Siri等语音助手更加展现出拟人化的重要性，拟人化在一定程度上影响用户对风险的感知，在人机交互中给用户提供“伙伴感”和愉悦感，来将用户和人工智能赋能的产品和服务紧密联系起来，有助于发展信任关系。故提出如下假设：
H4a：人工智能产品拟人化显著影响消费者感知利益。
值得注意的是，并非所有消费者都能从拟人化的AI系统中获得相同的感知利益。一些消费者可能对于与机器建立情感联系感到不适或抵触。人工智能拟人化对感知风险的影响具有双重性。一方面，拟人化的设计有助于降低消费者的感知风险。由于拟人化的AI系统更易于与人类建立情感联系和信任关系，消费者可能更愿意尝试新的产品或服务，减少对未知事物的担忧和顾虑。此外，拟人化的AI系统通过提供直观、易懂的操作界面和交互方式，也有助于降低消费者的使用难度和错误率，从而减少因操作不当而引发的风险。在另一项研究中，对人工智能更像人的先入之见已被证明会对其产生负面影响[28]。虽然一些公司使用类似于人类的机器人，通过外观和行为来增加用户对这项技术的使用意愿，但其他公司则使用类似机器的机器人来避免不可思议的“恐怖谷效应”(非常像人类的机器人可能会引起诡异的感觉) [29]。对于用户对人工智能的拟人化是促进还是限制了他们的使用意愿，文献中没有达成共识。故提出如下假设：
H4b：人工智能产品拟人化显著影响消费者感知风险。
2.2.5. 拟人化对消费者技术感知的影响
人工智能拟人化能够显著提升消费者的感知有用性。拟人化设计使得人工智能系统能够更好地理解和模拟人类的思维方式和行为习惯[30]，从而提高其解决问题的能力和效率。例如，在智能客服领域，拟人化的聊天机器人能够更自然地与用户进行对话，理解用户的需求和问题，并提供相应的解决方案。这种设计不仅提高了用户的满意度，还使得人工智能系统在实际应用中更具价值。其次，拟人化的AI系统通过模拟人类的语言和行为方式[31]，使得与机器的交互更加自然和流畅，降低了消费者的学习成本和使用难度。拟人化的人工智能系统还能够激发用户的情感共鸣，增强用户与机器之间的情感联系。当用户感受到机器具有人类的特质和情感时，他们更可能将机器视为一个可以信任和依赖的伙伴，从而进一步提高对机器有用性的感知。故提出如下假设：
H5a：人工智能产品拟人化显著影响消费者感知有用性。
然而，尽管人工智能拟人化在提升感知有用性方面具有显著优势，但它也可能对感知易用性产生负面影响。首先，拟人化设计可能会增加人工智能系统的复杂性[32]。为了赋予机器人类的特质和行为模式，开发者需要在系统中引入更多的算法和模型，这使得系统的结构更加复杂。这种复杂性可能导致用户在使用过程中遇到更多的困惑和障碍，从而降低他们对系统易用性的感知。其次，拟人化的人工智能系统可能会误导用户的期望[33]。当用户将机器视为具有人类智慧的实体时，他们可能期望机器能够像人类一样理解和应对各种情况。然而，现实中的人工智能系统仍然存在一定的局限性和不足，这可能导致用户的期望与实际体验之间存在差距，进而降低对系统易用性的感知。故提出如下假设：
H5b：人工智能产品拟人化显著影响消费者感知易用性。
2.2.6. 拟人化对消费者购买反应的影响
人工智能拟人化通过模拟人类的行为和情感，使机器更加亲近和易于被消费者接受。这种亲近感能够激发消费者的好奇心和探索欲望，促使他们更愿意与机器进行互动，从而增加购买的可能性。此外，拟人化的机器能够更好地理解消费者的需求和情感，提供更加个性化和精准的建议。这种人性化的交互方式能够增强消费者的购物体验，使他们感受到被重视和关心，进而产生更强的购买意愿[34]。例如，在电商平台上，拟人化的智能客服能够更自然地与消费者进行对话，了解他们的购物需求，并推荐合适的产品。这种交互方式不仅提高了消费者的购物效率，还增加了购物的乐趣，从而促进了趋近型购买反应的产生。故提出如下假设：
H6a：人工智能产品拟人化显著影响消费者趋近型购买反应。
强控制欲的用户面对新研发出来的人工智能产品和新技术的应用会产生相对较弱的控制感，用户会产生技术层面的不信任，对于背后操作和控制的人的怀疑，也有情感层面的认同威胁与被替代的担忧等。从而会影响用户对人工智能赋能产品或服务技术的使用意愿、满意度、全能感和感知价值[35]。人工智能环境下的人机交互在影响消费者购买意愿上日益重要，它决定了消费者幸福感的获取。一方面，一些消费者可能认为机器缺乏真实的情感和智慧，拟人化设计只是表面的模仿，无法真正理解和满足他们的需求。这种不信任感可能导致消费者对机器的建议和推荐持怀疑态度，从而避免与机器进行互动[36]。另一方面，部分消费者可能对拟人化设计本身持有负面看法，认为它过于做作或不符合自己的审美观念。这种反感情绪可能使消费者对整个购物环境产生抵触情绪，进而产生回避型购买反应。故提出如下假设：
H6b：人工智能产品拟人化显著影响消费者回避型购买反应。
2.2.7. 人工智能类型及应用领域的调节作用
随着人工智能时代的到来，消费者形成了应用人工智能服务的强烈诉求，人工智能的应用愈发普遍，用户也更多的参与到技术主导的服务中。越来越多的场景引入服务机器人或虚拟聊天机器人，以期望为用户提供便利服务。随着用户群体的细分，为适用于不同领域，且针对老年人等特殊群体的辅助、教育、护理等职能，人工智能赋能的产品和服务延展出不同类型[37]。相比于机械型机器人强调功能属性对用户感知的影响，情感型机器人更着重人机交互的用户体验。不同应用情境下作为具体参与的社会智能体，对用户感知价值、技术接受的影响存在差异。人工智能赋能的产品和服务类型及应用领域被纳入研究分歧考虑范围。因此提出以下假设：
H7a：人工智能类型在自主性对用户价值感知的影响中起调节作用。
H7b：人工智能类型在自主性对用户技术感知的影响中起调节作用。
H7c：人工智能类型在自主性对用户购买反应的影响中起调节作用。
H7d：人工智能类型在拟人化对用户价值感知的影响中起调节作用。
H7e：人工智能类型在拟人化对用户技术感知的影响中起调节作用。
H7f：人工智能类型在拟人化对用户购买反应的影响中起调节作用。
研究模型如图1所示。
Figure 1. Theoretical model
图1. 理论模型
3. 研究方法与研究过程
3.1. 研究方法
元分析(Meta-Analysis)是1976年Gene V. Glass在研究心理治疗的功效时首次提出，又被称为整合分析、荟萃分析[38]。传统描述性文献综述对于相同主题影响因素的研究多是述而不评，即对过往研究结论进行叙述而非定量的综合分析[39]。元分析方法刚好可以补足这个缺口。元分析通过检索广泛文献，汇总整理原始研究中影响因素的相关关系，对原始文献中已有的统计结果进行再次计算和统计分析[40]，进而得到更精确的结果来提高结论的可信度[41]，大致流程可以分为“提出问题–文献检索与筛选–文献编码与处理–统计学处理–解释结果”5个步骤。采用Comprehensive Meta Analysis V3.0软件进行元分析，针对人工智能产品对用户感知及行为的几种影响因素进行分析。
3.2. 文献检索与筛选
根据本文的研究内容，文献检索应包括“人工智能”和“用户”两部分。结合前期相关文献确定如表2所示检索。随后在Web of Science，知网，万方等核心数据库检索文献。后对于文献的检索再次深入，进行精确检索，具体筛选标准如表1所示。最终筛选出25篇中文文献，17篇英文文献。
3.3. 文献编码
文献检索筛选完成之后，着手42篇文献编码。筛选和编码效应值信息，最终获得212个效应量，共65674个样本量。为保证编码一致性，避免编码信息因主观性因素产生误差，编码工作由2名学生共同进行，按照“基本信息”“样本量”“研究对象”“影响因素”“相关系数”文献编码框架对文献进行编码。
Table 1. Screening criteria
表1. 筛选标准
编号 |
具体标准内容 |
标准1 |
文献研究方法包含实验研究或者准实证研究。不包括综述性论文、案例、纯理论分析等相关文献。 |
标准2 |
相关文献的研究主题必须同时含有“人工智能”和“用户”，排除概念与测量描述模糊文献。 |
标准3 |
研究内容必须是人工智能产品对用户感知、意愿行为的影响因素，文章中至少得包含一个影响因素。 |
标准4 |
研究数据资料必须完整，明确报告样本大小、相关系数、路径系数或者其他能够通过计算转换出的数据，如t值、F值、卡方检验统计量等。数据不完整文献排除。 |
标准5 |
文献必须是不相同样本的独立研究，若同一篇文献在不同的期刊，或以不同形式发表，只取其中之一。重复的文献被排除。 |
在不同文献中作者对变量的名称命名可能有所不同，通过查阅文献中对各类影响因素的定义以及问卷提纲中的信息，本文将表述含义相同但名称不同的变量进行名称合并。并对具有同一上位概念的影响因素进行合并。本文选择出现频次多的影响因素作为主要研究，将出现频次较少的影响因素，如情景、态度、行为等剔除。在此基础上，对影响因素进行归纳分类，各影响因素描述与部分涉及的相关文献如下表2所示。
Table 2. Main influencing factors
表2. 主要影响因素
变量 |
变量描述 |
参考文献 |
功能属性 |
自主性 |
指在不需要反馈的情况下做出自主决策和正确执行任务的程度以及适应环境变化并在没有干预的情况下做出新决策的能力 |
Rijsdijk et al. (2003) |
拟人化 |
某些产品能够同人一般拥有意识、灵魂、人格甚至是人际关系，而这种倾向则称为“拟人倾向” |
Waytz et al. (2010) |
感知价值 |
感知利益 |
用户在过程中所感受到的该产品或服务为自己带来的利益和回报，具体包括有形的收益(如折扣、优惠券和货币奖励)和无形的收益(如维护现有的人际关系、建立新的社会关系、享受个性化的产品和服务以及愉悦感等) |
Yang et al. (2015) |
感知风险 |
指用户在过程中所感受到的该产品或服务为自己带来的不良后果，具体包括有形的收益 |
Zhong et al. (2021) |
技术感知 |
感知有用性 |
相信使用一项技术能提高其工作效率的程度 |
Davis (1989) |
感知易用性 |
在使用一项技术时对其便捷程度和难易程度反映 |
Davis (1989) |
用户媒介关系 |
信任 |
对社交机器人可靠性及质量信心程度 |
Hengxuan C. et al. (2021) |
社会临场感 |
媒介允许用户体验到他人心理存在的程度 |
Khaled et al. (2006) |
|
购买意愿 |
在外部因素的影响下，消费者所持的对某商品所属的品牌或某商品的态度 |
William et al. (1991) |
3.4. 数据处理
当样本文献报告变量与因变量间的相关系数时，效应值为对应的相关系数；当样本文献报告变量与因变量间的回归系数时，效应值为标准化回归系数；当文献仅报告路径的显著性t值时，效应值如公式所示。其中，t为路径显著性；df为自由度。
3.5. 研究结果
3.5.1. 异质性检验
在本文中，纳入元分析的各项研究在研究方法、研究对象、研究情境等方面均存在不同，导致效应值的差异不单单由抽样误差引起。其中Q值表示异质性值，I2表示异质性部分在效应量总的变异中所占的比重，当I2 = 0表示无异质性，0%~40%轻度异质性，40%~60%中度异质性，50%~90%较大异质性，75%~100%很大异质性。从表3可知，各影响因素除感知有用性，其余因素的I2均大于75%，Q检验结果均呈显著(P < 0.05)，表明各影响因素之间存在很大的异质性。因此，本文选择随机效应模型进行调节效应检验，以确定异质性产生的原因是否为抽样误差(方差)和研究间的变异导致。
Table 3. Main influencing factors
表3. 主要影响因素
因素 |
K |
N |
Q |
df |
P |
I2 |
自主性 |
20 |
3279 |
989.205 |
19.000 |
0.000 |
98.079 |
感知利益 |
26 |
4069 |
1484.086 |
25.000 |
0.000 |
98.315 |
感知风险 |
16 |
2197 |
169.066 |
9.000 |
0.000 |
94.677 |
感知有用性 |
7 |
1608 |
19.737 |
6.000 |
0.003 |
69.601 |
感知易用性 |
7 |
989.000 |
36.282 |
5.000 |
0.000 |
86.219 |
拟人化 |
9 |
1397 |
141.757 |
8.000 |
0.000 |
94.357 |
信任 |
15 |
2326 |
385.966 |
14.000 |
0.000 |
96.373 |
社会临场感 |
12 |
3704 |
703.592 |
11.000 |
0.000 |
98.437 |
注：K为效应值个数，N为样本量。
3.5.2. 发表偏倚性检验
发表偏倚是指统计结果显著的研究成果更容易被期刊所接受并发表的一种现象，是影响研究结果可靠性的一个重要因素，首先通过绘制各影响因素的漏斗图进行直观体现。如图2所示。拟人化、感知易用性、社会参与因素存在发表偏倚，其他影响因素不存在较大的发表偏倚。
本文采用Fail-Safe N检验和Egger检验两种方法评价发表偏倚情况。Fail-Safe N (失效安全系数)是指当分析结果具有统计学意义时，为排除发表偏倚的可能或估计发表偏倚的程度，至少需要多少个未发表的研究才能使元分析的结果逆转。通常情况下，失效安全数应该大于5k + 10，k为纳入的研究个数，Egger检验是通过识别回归截距与0之间是否有显著性判断是否存在发表偏倚，一般情况下，Egger检验的P值大于0.05表明存在发表偏倚的可能性较低。Fail-Safe N检验和Egger检验结果如表4所示。结果显示，自主性对购买意愿(K = 20)失安全系数为5476，大于110 (5K+10)，其他路径FSN均远大于5K + 10。Egger检验结果P值均大于0.05，研究不存在明显出版偏误。
(a) 自主性
(b) 拟人化
(c) 感知利益
(d) 感知风险
(e) 感知有用性
(f) 感知易用性
(g) 信任
(h) 社会临场感
Figure 2. Funnel plot of influencing factors
图2. 影响因素漏斗图
Table 4. Publication of offset results
表4. 发表偏移结果
|
|
|
Fail-safe N |
Egger’s intercept |
因素 |
K |
N |
Nfs |
Z |
P |
Egger’s intercept |
SE |
95%的置信区间 |
T值 |
P值 |
自主性 |
20 |
3279 |
5476 |
32.488 |
0.000 |
−8.659 |
5.925 |
−21.108 |
3.790 |
1.461 |
0.161 |
感知利益 |
26 |
4069 |
7730 |
51.219 |
0.000 |
−8.294 |
4.448 |
−17.473 |
0.886 |
1.865 |
0.074 |
感知风险 |
16 |
2197 |
379 |
−12.224 |
0.000 |
−2.825 |
4.202 |
−12.514 |
6.864 |
0.672 |
0.520 |
感知有用性 |
7 |
1608 |
508 |
16.806 |
0.000 |
5.063 |
3.813 |
−4.738 |
14.863 |
1.328 |
0.242 |
感知易用性 |
7 |
989 |
376 |
15.629 |
0.000 |
3.712 |
4.803 |
−9.622 |
17.047 |
0.773 |
0.483 |
拟人化 |
9 |
1397 |
298 |
11.444 |
0.000 |
4.115 |
6.218 |
−10.588 |
18.819 |
0.662 |
0.529 |
信任 |
15 |
2326 |
2410 |
24.917 |
0.000 |
8.867 |
8.894 |
−10.348 |
28.082 |
0.997 |
0.337 |
社会临场感 |
12 |
3704 |
3696 |
34.451 |
0.000 |
−7.766 |
6.728 |
−22.756 |
7.223 |
1.154 |
0.275 |
注：K为效应值个数，N为样本量。
3.5.3. 整体效应值检验
效应值分析是研究各变量对人工智能用户购买意愿的作用效果，本文的效应值分析结果具体如表5所示。首先可以发现8个变量均通过显著性检验。其次除感知风险与用户购买意愿有负相关关系，其他均为正相关关系。
Table 5. Overall effect value test results
表5. 整体效应值检验结果
因素 |
K |
N |
r |
95%的置信区间 |
Z |
P |
模型 |
自主性 |
20 |
3279 |
0.340 |
0.191 |
0.474 |
4.306 |
0.000 |
随机 |
感知利益 |
26 |
4069 |
0.509 |
0.377 |
0.621 |
6.658 |
0.000 |
随机 |
感知风险 |
16 |
2197 |
−0.394 |
−0.486 |
−0.293 |
−7.110 |
0.000 |
随机 |
感知有用性 |
7 |
1608 |
0.377 |
0.303 |
0.447 |
9.292 |
0.000 |
随机 |
感知易用性 |
7 |
989 |
0.435 |
0.302 |
0.551 |
5.933 |
0.000 |
随机 |
拟人化 |
9 |
1397 |
0.272 |
0.087 |
0.439 |
2.857 |
0.004 |
随机 |
信任 |
15 |
2326 |
0.313 |
0.194 |
0.423 |
4.965 |
0.000 |
随机 |
社会临场感 |
12 |
3704 |
0.435 |
0.243 |
0.594 |
4.186 |
0.000 |
随机 |
注：k为研究数量；N为样本总数；r为平均效应值；95%置信区间表示的是平均效应值r在置信水平95%下的置信区间；双尾检验中的Z值为平均效应值r进行显著性检验对应的Z值；P值为拒绝原假设所要承担的风险。
同时，根据Cohen提出的判断相关关系强度的原则：r值为0.00~0.09表示基本无相关关系，r值为0.10~0.29表示弱相关，r值为0.30~0.49表示中度相关，r值为0.50~1.00表示强相关。由表可知，感知利益(r = 0.509)与人工智能用户购买意愿强相关，自主性(r = 0.340)、感知有用性(r = 0.377)、感知易用性(r = 0.435)、信任(r = 0.313)、社会参与(r = 0.435)、感知风险(|r| = 0.394)与人工智能用户购买意愿中度相关，拟人化(r = 0.221)与人工智能用户购买意愿弱相关。
3.5.4. 调节效应检验
本文将各调节变量编码分为“1”和“0”两类，若某项研究中涉及该变量，则编码结果为1；若某项研究中没有涉及该中介变量，则编码结果为0。选取各研究中涉及较多的人工智能类型作为调节变量进行分析，分为人工智能聊天机器人、人工智能服务和人工智能产品三类进行分组，对影响因素中所涉及的因素进行异质性分析，通过查看效应值变化情况，如果在调节变量的调节作用下降低，则表示异质性降低，以此来确定上述调节变量是否可以解释异质性的产生原因。
人工智能类型调节效应结果见表6，人工智能易用性(Q = 3.708, P > 0.05)、感知利益(Q = 1.214, P > 0.05)、感知风险(Q = 1.277, P > 0.05)、感知风险(Q = 1.385, P > 0.05)对用户购买意愿影响中均未通过异质性检验。人工智能有用性对用户接受影响中，人工智能聊天机器人效应值(r = 0.440)大于人工智能产品效应值(r = 0.335)，通过异质性检验(Q = 16.226, P < 0.05)。信任对用户接受影响中，人工智能聊天机器人效应值(r = 0.594)大于人工智能产品效应值(r = 0.266)与人工智能服务效应值(r = 0.269)，通过异质性检验(Q = 7.802, P < 0.05)。这表示人工智能类型存在调节效应。
Table 6. Results of adjustment effect value test
表6. 调节效应值检验结果
|
异质性 |
|
|
|
|
|
路径 |
Q |
df |
P |
类别 |
r |
95%的置信区间 |
Z |
感知有用性 —购买意愿 |
16.226 |
2.000 |
0.000 |
聊天机器人 |
0.440 |
0.263 |
0.588 |
4.572 |
智能产品 |
0.335 |
0.278 |
0.389 |
10.948 |
感知易用性 —购买意愿 |
1.767 |
2.000 |
0.413 |
聊天机器人 |
0.499 |
0.350 |
0.623 |
5.902 |
智能产品 |
0.373 |
0.226 |
0.504 |
4.727 |
智能服务 |
0.500 |
0.191 |
0.719 |
3.025 |
感知利益 —购买意愿 |
1.214 |
2.000 |
0.545 |
聊天机器人 |
0.530 |
0.369 |
0.660 |
5.712 |
智能产品 |
0.535 |
0.320 |
0.697 |
4.410 |
智能服务 |
0.413 |
0.217 |
0.578 |
3.928 |
感知风险 —购买意愿 |
1.277 |
2.000 |
0.528 |
聊天机器人 |
−0.349 |
−0.436 |
−0.255 |
−6.925 |
智能产品 |
−0.433 |
−0.539 |
−0.313 |
−6.497 |
智能服务 |
−0.396 |
−0.585 |
−0.167 |
−3.280 |
信任 —购买意愿 |
7.802 |
2.000 |
0.020 |
聊天机器人 |
0.594 |
0.401 |
0.737 |
5.165 |
智能产品 |
0.266 |
0.123 |
0.397 |
3.592 |
智能服务 |
0.269 |
0.037 |
0.473 |
2.268 |
4. 结论
4.1. 结果讨论
本研究选取了人工智能产品作为主要的研究对象，构建本研究的理论模型且提出基本假设。对研究结论的具体分析如下。
人工智能产品作为一种新技术，在使用过程中，消费者将本来应该可以自己执行的任务利用人工智能解决方案来执行。在人机交互的过程中，消费者会因人工智能自主性高低而体现出交互程度的差异，而这交互程度的差异将左右消费者对于人工智能的态度和购买欲。正如拟人化理论所表明的那样，类人人工智能感知更有可能促进人机交互，帮助用户应用熟悉的社会规则和人机交互的期望。与此同时用户对人工智能产品感知利益、感知有用、感知易用对消费者的购买意愿影响存在正面效应。
较高水平的社会临场感会对媒介的有用性、信任度和享受感产生积极影响，从而导致更有利的消费者态度。人们将其能力归因于非人类代理时，他们倾向于相信代理能够胜任地执行预期的功能。人工智能产品为消费者提供了一种与他们自己的社会交往相似的情景感觉，从精神层次上来说，个人可以将人工智能产品视为社会生活中的“生命体”。在虚拟情境中产生的现实人际关系的现实感受逼真程度越高，其社会临场感就越强，用户更加信任人工智能赋能的产品和服务，则购买将更加强烈。
人工智能类型调节感知有用性和用户信任对购买意愿的影响。具备相当拟人化和自主性的不同类型人工智能，对服务效果作用机制存在差异。具体来讲，相较于人工智能产品，人工智能聊天机器人情境下的感知有用性与购买意愿间正向影响关系更强。人工智能聊天机器人在对话中增加人机交互频率，互动更加高效有用，使用类人语言的拟人化机器人提升虚拟环境沉浸感，增强用户体验。相较于人工智能产品，人工智能聊天机器人情境下的信任与购买意愿间正向影响关系更强。以用户为导向的人工智能不断完善学习，满足个性化需求，是聊天机器人渗透的重点领域。
4.2. 局限性和未来研究展望
由于本研究时间紧迫，资料收集和整理也存在一定的困难，数据筛选编码操作和结果分析受主观或客观条件限制较大等一系列因素，导致本研究在某些方面还存在一些不足之处。这些不足之处，有待在未来的研究中进一步完善。
本研究确定了交互特征影响消费者对自主智能产品的评价。然而还有更多消费者的特征尚未提及，比如他们的社会阶层、生活方式、观点、价值观或使用环境等。研究人工智能产品如何作用以及影响消费者这一点，纵观文献还有其他变量如身份认同威胁、社会认知、恐怖谷效应等尚有变量需研究。因此，未来对自主智能产品的研究应包括这些人工智能产品被使用的背景。
基金项目
扬州大学商学院研究生创新项目(SXYYJSKC202425)。