AI短视频场景下对营销的影响研究

Research on the Impact of AI Short Video Scenarios on Marketing

摘要: 随着移动互联网的快速发展，短视频已成为数字营销领域的重要载体。本文基于精细加工可能性模型(ELM)理论，构建短视频营销效果影响因素分析框架，以“哔哩哔哩动画”平台439条AI短视频为样本，通过内容策略编码分析、变量交互作用及OLS回归分析等方法展开研究。研究发现，在中心路径策略中，用户参与行为主要受社会、自我两类消息策略的影响；边缘策略路径下，视频无解说以及有信息交互的内容策略均能同时激发用户多维度的参与行为；字幕对用户部分参与行为的影响显著；视频时长以及标题样式为警示/感叹式对收藏行为具有显著正向影响；而拍摄视角以及视频的呈现方式与用户参与行为无关。本研究从营销传播视角揭示了短视频内容策略的作用机制，为优化AI短视频场景下对产品的营销提供了实证依据，建议营销者应重点强化信息可信度、设计交互式内容模块，并通过动态字幕和情感化标题提升营销信息的说服效果。

Abstract: With the rapid development of the mobile Internet, short videos have become an important carrier in the field of digital marketing. Based on the Elaboration Likelihood Model (ELM) theory, this paper constructs an analysis framework for the influencing factors of short video marketing effects. Taking 439 AI short videos on the “Bilibili Animation” platform as samples, the study is conducted through content strategy coding analysis, variable interaction, and OLS regression analysis. The research finds that in the central route strategy, user participation behavior is mainly influenced by two types of message strategies: social and self. Under the peripheral route strategy, both the content strategy of no video commentary and the content strategy with information interaction can simultaneously stimulate users’ multi-dimensional participation behavior. Subtitles have a significant impact on some user participation behaviors. Video duration and title style of warning/exclamation have a significant positive impact on the collection behavior. However, shooting perspective and video presentation method have no relation to user participation behavior. This study reveals the mechanism of the role of short video content strategies from the perspective of marketing communication, providing empirical evidence for optimizing product marketing in the AI short video scenario. It is suggested that marketers should focus on enhancing information credibility, designing interactive content modules, and improving the persuasive effect of marketing information through dynamic subtitles and emotional titles.

1. 引言

根据中国互联网络信息中心第52次《中国互联网络发展状况统计报告》，截至2023年6月，我国网民规模达10.79亿，其中短视频用户规模位居互联网应用前三。这一数据印证了短视频作为主流数字营销渠道的战略地位——其碎片化的特性不仅契合年轻群体的内容消费习惯，更重构了品牌与用户的互动模式。随着AI技术的发展，短视频的迭代升级也将开始[1]，AI短视频作为技术赋能的营销新形态，通过可视化呈现AI技术原理与应用场景，在提升用户技术认知的同时，显著影响消费决策链路。

围绕短视频特征对营销影响的问题，现有文献对其展开了广泛研究。在短视频营销策略研究方面，孙正辉等发现短视频的视觉、听觉和内容特征对营销效果均有一定正向作用，其中内容特征最为显著[2]；Zhang等通过对短视频营销内容特征对消费者购买意愿的影响研究，得到感知的有用性、趣味性和影响者的参与对消费者的购买意愿产生积极影响[3]；常宁发现话题营销、叙事传播、短视频营销均对消费者对品牌的口碑传播产生影响[4]。在用户内容生成方面，李婷以科普短视频为例，探索采用怎样的内容生成策略才能保持长期发展[5]；于灏等在内容策略视域下的企业号短视频用户参与行为研究，结合可能性模型理论，探索各因素对企业短视频运营等方面的影响[6]。在短视频内容的特征对用户参与行为的影响方面，龚艳萍等研究发现，短视频APP的娱乐性、原创性、个性化和社交化对用户的心理参与有显著正向影响[7]；Taecharungroj在星巴克Twitter上的营销传播策略研究中认为，行动指引型消息比分享型消息策略更容易触发用户的点赞、转发行为[8]。综上所述，现有许多文献对短视频特征进行了研究，但其中对探究短视频内容特征对营销策略的影响研究较少，因此本文探究AI短视频特征对用户参与行为即间接探究AI短视频场景下的营销效果。

2. 研究假设

精细加工可能性模型(ELM) [9]是一种心理学理论，以期解释人类信息加工过程。用户参与短视频的行为可以视为其态度转变的体现，短视频内容策略不仅影响用户的参与行为，进而间接影响了短视频场景下的营销效果，也决定了用户选择何种短视频内容策略进行参与。这个过程与ELM模型揭示的个体态度转变方式相契合。

ELM理论认为，用户通过中心路径或边缘路径处理信息。在AI短视频场景中，中心路径可能体现为用户对技术原理的逻辑分析(如理性类消息策略)，而边缘路径则依赖情感共鸣(如感官类策略)。然而，ELM模型对长期态度转变的解释力有限，本研究聚焦短期行为数据(如收藏、评论)，未来可结合社会认知理论探讨态度固化过程。

2.1. 中心策略路径

消息策略

在以往关于短视频的相关研究中，消息策略在推动用户参与方面起着非常重要的作用，即合理的消息策略可以激发用户的情感和认知需求，从而增加用户的参与动机。鉴于先前研究对于短视频所采用的消息策略尚无成熟的区分体系，而且AI短视频多为科普类，在强调AI的日常应用时通常伴随着常见功能的阐述，因此本文参考Taylor等在2013年提出的广告营销传播六段策略模型后[10]，考虑到AI短视频的特征将常规归于理性，最终将AI短视频所采用的消息策略划分为理性、急需、自我、社会、感官五种类型，每个短视频可以同时包含多种消息策略。

H1：不同消息策略的AI短视频对用户参与行为的影响呈现显著差异。

2.2. 边缘策略路径

1) 解说方式

不同解说方式是科普类短视频制作中不可或缺的重要元素之一，通过对样本视频进行分析发现，当前AI短视频的解说方式总体分为旁白解说、出境解说和无解说三种[11]。

H2：不同解说方式的AI短视频对用户参与行为的影响呈现显著差异。

2) 信息交互

信息交互是指短视频含有对用户参与行为的主动邀请，以及投票、互动性的标题等元素[12]。互动同时也是短视频平台运营者和内容创作者提升用户体验、提高用户黏性的重要环节[13]。

H3：信息交互对AI短视频吸引用户参与具有显著正向影响。

H3a、H3b、H3c、H3d (a、b、c、d分别表示转发、点赞、收藏以及评论)

3) 呈现方式

呈现方式在短视频内容创作中扮演着重要角色。通过对样本视频数据的梳理，AI主题类短视频总体上分为flash动画、讲解式/授课式、纪录/实验式、二次创作/混合式、情景演绎和图文播报六类[6]。不同的呈现方式的短视频具有不同的内容侧重。flash动画一类是以视频动画 + 动画形象，另一类是画面采用动画演绎，这类呈现方式可以使观众通过动画中的互动元素参与进来，与内容进行互动；二次创作/混合式，由于二次创作包括对其他视频、作品进行二次创作点评，或在视频中混合了多种内容呈现方式，很多混合多种呈现方式的视频包含flash动画以及讲解方式。

H4：不同呈现方式的AI短视频对用户参与行为的影响呈现显著差异。

4) 字幕

AI短视频中的字幕对用户参与行为的影响具有重要的研究意义[14]。首先，字幕可以提供文字说明，帮助用户更好地理解视频内容，此外，字幕还能够提高视频内容的可搜索性，使得用户更容易找到他们感兴趣的内容，从而增加他们的参与度。

H5：字幕对于AI短视频吸引用户参与具有正向显著性影响。

H5a、H5b、H5c、H5d (a、b、c、d分别表示转发、点赞、收藏以及评论)

5) 配乐/音效

配乐/音效则可以增强视频的情感色彩和吸引力[15]。适当选择的配乐可以营造出一种氛围，增强用户的情感共鸣，从而更容易引起他们的兴趣和共鸣，其适当的运用也能够增加视频的趣味性和生动感，使得用户更加投入到视频内容中，提高他们的参与度和观看体验。

H6：配乐/音效对于AI短视频对用户参与行为的影响呈现显著差异。

6) 标题形式

标题形式同样在短视频内容传播中起着非常重要的作用[16]。通过不同的标题样式组合能有效吸引用户的注意力，标题作为用户对视频的第一印象，决定用户是否会播放该视频。

H7：不同标题形式的AI短视频对用户参与行为的影响呈现显著差异。

7) 视频时长

由于短视频的时长较短且内容多样，用户可以通过观看不同类型的短视频来获取自己感兴趣的信息[17]。因此，用户越来越倾向于观看短视频，而不是长篇大论的文字或图片。

H8：视频时长对于AI短视频吸引用户参与具有显著正向影响。

H8a、H8b、H8c、H8d (a、b、c、d分别表示转发、点赞、收藏以及评论)

8) 拍摄视角

拍摄视角同样是短视频内容制作中的重要角色之一[18]，内容创作者选择与内容相匹配的拍摄视角，不仅有助于短视频内容的呈现，而且也能更好地促使用户对其短视频主题的理解。拍摄视角笼统分为主观视角和客观视角。主观视角主要是以第一人称即拍摄者的角度而言的。客观视角往往以第三人称视角即客观的角度而言的。

H9：不同拍摄视角的AI短视频对用户参与行为的影响呈现显著差异。

2.3. 交互效应

本文考虑到各自变量不仅仅只是简单对用户参与行为的影响，还需要确定是否有多个自变量同时影响因变量，以及它们之间的相互作用如何影响因变量，因此本研究希望进一步验证变量间的交互效应，考虑到本文自变量的数量，本文决定抽取视觉语言、内容外部特征、听觉语言下的变量进行交互效应的分析。考虑到拍摄视角是唯一牵扯到第三方的因素、标题形式是决定用户是否点开视频链接的因素、配乐/音效在一开始就能抓住人的注意力，因此本文选择视觉语言中的内容、外部特征下的标题形式、听觉语言下的配乐/音效进行交互效应的分析。

1) 拍摄视角与标题形式

视频标题形式和拍摄视角的交互作用有助于更好地传递视频中的信息，吸引人的标题形式和拍摄视角交互作用可以提升观众的观看体验，增加视频的吸引力和趣味性，从而用户会更享受观看视频内容。

H10：在研究AI短视频对用户参与行为的影响上，标题形式与拍摄视角存在交互效应。

2) 标题形式与配乐/音效

优质的配乐/音效搭配吸引人的标题形式能够提升视频的整体质量，增加用户对视频内容的喜爱程度，从而形成正向影响。

H11：在研究AI短视频对用户参与行为的影响上，配乐/音效与标题形式存在交互效应。

3) 拍摄视角与配乐/音效

拍摄视角和配乐/音效相互搭配，不仅能够深深吸引观众的注意力，而且能使他们更容易被视频内容所打动，配乐/音效和拍摄视角的结合有助于更好地传递视频中的信息。当字幕内容与拍摄视角相互呼应或者产生情感上的共鸣时，观众更可能对视频产生共鸣。

H12：在研究AI短视频对用户参与行为的影响上，字幕与拍摄视角存在交互效应。

3. 研究设计

3.1. 数据获取

本文选取以AI和人工智能分别为关键词相关短视频进行数据分析研究，B站鼓励用户自己制作原创内容。据研究发现，在B站检索学习视频的频率最高，尤其是学习类视频储备量最高的平台，因此人们戏称自己上的是B站大学，所以选取的短视频平台是B站，更有参考价值。由于每次用Python实现爬虫均只能自动爬取1000条视频，可重复爬取，去重即可。本文考虑的是换关键词进行提取数据。

由于获取的短视频链接是唯一的，因此在全部数据获取后，对视频链接进行唯一性检测，本文该步骤在代码中实现，当存在两条及两条以上的短视频链接相同时，删掉多余的视频数据。其次，针对所获取到的AI短视频的数据，若变量为空，为避免后续纳入模型的实验失败，本文选择点击视频链接填补缺失值，若视频下架，则删除其变量为空值的视频数据。

3.2. 变量测量

1) 自变量

本文自变量包括解说方式、信息交互、呈现方式、字幕、配乐/音效、标题形式以及视频时长。通过大量文献研究分析上述所提到的自变量对用户行为的影响。

2) 因变量

本文因变量为B站AI类短视频的用户行为，包括转发数、点赞数[19]、收藏数以及评论数，这些数据均对营销效果有重要体现。本研究通过Python爬取具体数据。

3) 控制变量

控制变量是指可能会间接影响用户行为的变量，由于作者自身特点也会影响用户行为的改变，因此本研究考虑的中间变量包括作者的活跃度即作品数以及作者的热度即粉丝数。具体数据通过Python爬取。

3.3. 短视频的分析类目与编码

1) 类目建立

本文研究的编码类目主要是以有关AI短视频场景下营销的影响因素为主，短视频的需要分类的定性信息包含短视频解说方式、标题形式、信息交互以及呈现方式等多个要素组成。具体说明见表1。

Table 1. Coded message

表1. 编码情况

序号	类目划分	编码说明	备注说明
1	解说方式	1 = 旁白讲解；2 = 出镜讲解；3 = 无解说；
2	标题形式	1 = 直抒胸臆式；2 = 悬念式；3 = 警示/感叹式；4 = 混合式	1. 陈述句，2. 问句/省略句，3. 感叹句，4. 混合、双引号或其他字符
3	信息交互	1 = 是；2 = 否	含有对用户参与行为的主动邀请，以及投票、跳转链接、互动性的标题等元素
4	呈现方式	1 = flash动画；2 = 讲解式/授课式；3 = 纪录/实验式；4 = 二次创作/混合式；5 = 情景演绎；6 = 图文播报	1. 一类是以视频动画 + 动画形象，2. 另一类是画面采用动画演绎；3. 记录包括直播，实验包括AI创作的作品(音频等)和作者对问题的测试；4. 二次创作是包括对其他视频、纪录片、节目进行z转载、二次创作点评，或在视频中混合了多种内容呈现方式
5	字幕	1 = 是；2 = 否
6	配乐/音效	1 = 是；2 = 否
7	消息策略	1 = 理性；2 = 急需；3 = 自我；4 = 社会；5 = 感官	1. 注重对AI的逻辑、日常应用和功能进行阐述。2. 强调AI用于解决急迫问题的能力，通过在短视频中创造紧迫感和问题解决的效果来吸引用户的关注；3. 在短视频中创造与用户情感共鸣的情景满足用户价值观；4. 关注AI在社会中的表现以带来社交认同、群体效应或社会互动；5. 强调AI的感官体验，如触感、声音、视觉等
8	拍摄视角	1 = 主观视角；2 = 客观视角	1. 以第一人称视角呈现短视频中的内容；2. 以第三人称视角呈现短视频中的内容(包括录屏)

3.4. 模型构建

考虑到本文变量的特征，本文最终采用OLS回归模型对变量进行分析。参考Vries等学者的研究，同时结合数据的特征，本文将因变量取对数后由公式(3.1)纳入模型：

$\begin{array}{c}{y}_{i,j}={\beta }_{0,i}+{\displaystyle \sum }_{f=1}^2{\beta }_{1,i,f}{\text{narrate}}_{i,f,j}+{\beta }_{2,i}{\text{interaction}}_{i,j}+{\displaystyle \sum }_{g=1}^5{\beta }_{3,i,g}{\text{present}}_{i,g,j}+{\beta }_{4,i}{\text{subtitle}}_{i,j}\\ +{\beta }_{5,i}{\text{sound}}_{i,j}+{\displaystyle \sum }_{h=1}^2{\beta }_{6,i,h}{\text{category}}_{i,h,j}\begin{array}{c}+{\beta }_{7,i}{\text{length}}_{i,j}+{\beta }_{8,i}{\text{populaty}}_{i,j}+{\beta }_{9,i}{\text{activity}}_{i,j}\end{array}\\ +{\displaystyle \sum }_{k=1}^5{\beta }_{10,i,k}{\text{strategy}}_{i,k,j}+{\beta }_{11,i}{\text{angle}}_{i,j}+{\epsilon }_i\end{array}$ (3.1)

其中，i = 1…4，j = 1…439。

各符号含义如下：

j：第j条样本短视频数据；

i：从1到4分别代表转发、点赞、收藏以及评论行为；

y_{i, j}：y_{1, j}、y_{2, j}、y_{3, j}分别表示第j个样本视频的转发数、点赞数、收藏数以及评论数；

${\text{narrate}}_j$ ：哑变量，以旁白解说为对比，当值为1时，表示第j条样本短视频属于f值所代表的解说方式。其中当f为1或2时，分别表示出境讲解和无解说；

${\text{interaction}}_j$ ：哑变量，当值为1时，代表第j条样本短视频主动与用户发生信息交互；

${\text{present}}_j$ ：哑变量，以纪录/实验式为对比，当值为1时，表示第j条样本短视频属于f值所代表的解说方式。其中当g为1~5时，分别表示flash动画、讲解式/授课式、二次创作/混合式、情景演绎以及图文播报；

${\text{subtitle}}_j$ ：哑变量，当值为1时，代表第j条样本短视频有字幕；

${\text{sound}}_j$ ：哑变量，当值为1时，代表第j条样本短视频有配乐/音效；

${\text{category}}_j$ ：哑变量，以悬念式对比，当值为1时，表示第j条样本短视频属于f值所代表的标题形式。其中当h为1或2时，分别表示直抒胸臆式和警示/感叹式；

${\text{length}}_j$ ：连续变量，表示第j条样本短视频的时间长度，以秒为计算单位；

${\text{strategy}}_j$ ：哑变量，当值为1时，表示第j个样本短视频采用了f值所对应的消息策略。其中k = 1~5时，分别表示为理性类、急需类、自我类、社会类、感官类消息策略；

$\text{angle}$ ：哑变量，以客观视角为对比，其中当f为1或2时，短视频的拍摄视角分别表示主观视角和客观视角；

${\text{popularity}}_j$ ：连续变量，表示第j条样本短视频账号的知名度，用其短视频所对应作者的粉丝数进行测量；

${\text{activity}}_j$ ：连续变量，表示第j条样本短视频账号的活跃度，用短视频作者发布短视频数量进行测量；

${\epsilon }_j$ ：${\epsilon }_1$ 、${\epsilon }_2$ 、${\epsilon }_3$ 、${\epsilon }_4$ 分别表示转发、点赞、收藏以及评论模型的残差项。

4. 模型的结果分析

4.1. 信度检验

本研究由两名编码员对439条视频进行编码。事先对编码员进行操作化培训。两名编码员独立预编码，SPSS进行信度检验，类目Cohen’s Kappa值均大于0.750，因此分类可信。

4.2. 模型结果呈现

在构建模型前，本研究对自变量的共线性问题进行了检验。所有自变量的VIF值均小于10，因此各个自变量之间不存在多重共线性关系，变量是否可以全部计入模型。本研究首先用SPSS对自变量进行处理，接着采用Stata数据分析软件以及已有研究文献梳理总结的基础上，通过建立OLS回归模型的方式，分别探讨短视频各特征指标与用户点赞、收藏、转发以及评论行为的影响关系，从而提高营销效果。

模型结果见表2。

Table 2. Analysis of model regression results

表2. 模型回归结果分析

变量	转发	点赞	收藏	评论
	β	β	β	β
自变量
消息策略
理性	−0.056	−0.285	0.350	0.242
急需	0.591	0.154	−0.094	0.848*
自我	−1.236***	−0.348	−1.023***	0.0142
社会	−0.311	−0.537***	−0.779***	−0.005
感官	0.335	0.038	−0.347	0.403
解说方式：以无解说为对照
旁白解说	−1.270***	0.048	−0.290	−0.450*
真人解说	−1.051**	0.009	−0.498	−0.034
信息交互	0.343	0.201	0.359***	0.516**
呈现方式：以图文播报为对照
flash动画	0.344	−0.352	0.001	0.016
讲解/授课式	0.166	−0.242	0.191	0.028
二次创作/混合式	0.014	−0.235	−0.132	−0.512
情景演绎	0.577	0.746	0.277	−0.581
记录/试验式	0.665	−0.139	−0.078	0.221
字幕	0.452*	−0.111	0.211	0.117
配乐/音效	−0.477*	−0.177	0.163	−0.380
标题形式：以混合式为对照
直抒胸臆式	0.135	0.252	0.267	0.518
悬念式	−0.135	0.162	0.268	0.242
警示/感叹式	0.047	0.247	0.613**	0.622
视频时长	0.053	−0.158***	0.090*	−0.066
拍摄视角：以客观视角为对照
主观视角	0.160	0.084	−0.130	0.095
控制变量
账号知名度	0.276***	0.209***	0.244***	0.203***
账号活跃度	−0.418***	−0.234***	−0.373***	−0.233***
调整后R^2	0.2995	0.2344	0.3777	0.1704

注：*表示P < 0.05；**表示P < 0.01；***表示P < 0.001。

结果显示，在本文的中心策略路径中，理性类与感官类AI短视频未对用户参与行为产生显著性影响，急需类仅对用户评论行为(P < 0.05)产生正向显著性影响，自我与社会类均对用户收藏行为呈显著性影响，而社会类AI短视频还对用户点赞行为呈显著性影响，自我类AI短视频对用户转发行为呈显著性影响，自我类对转发(P < 0.001)、收藏(P < 0.001)行为呈显著性影响，社会类对收藏(P < 0.001)以及点赞(P < 0.001)行为呈显著性影响，综上，仅有自我和社会类AI短视频对收藏呈现的显著性相同，表明不同消息策略对部分用户参与行为呈现显著性差异，假设H1得到验证。

在解说方式方面，与无解说相比，旁白解说对用户转发(P < 0.001)与评论(P < 0.05)行为均呈显著性影响，出镜解说对用户转发(P < 0.01)行为呈显著影响，假设H2得到验证；信息交互对用户收藏(P < 0.001)、评论(P < 0.01)行为均呈正向显著性影响，假设H3得到部分验证，其中H3c、H3d得到验证；就短视频的呈现方式而言，不同呈现方式对用户各项参与行为的影响并不显著，假设H4没有得到支持；就是否有字幕而言，字幕能对用户转发(P < 0.01)行为产生正向显著影响，假设H5得到部分验证，其中H5a得到验证；就是否有配乐/音效而言，配乐能对用户转发行为产生负显著影响(P < 0.05)，假设H6得到验证；在标题形式方面，与混合式相比，警示/感叹式对用户收藏(P < 0.01)行为呈显著正向影响，假设H7得到验证；视频时间长能显著正向影响用户收藏行为(P < 0.05)，负向影响点赞行为(P < 0.001)，假设H8得到部分验证，其中H8c得到验证；就短视频拍摄视角而言，不同拍摄视角对用户各项参与行为并未呈现显著性影响，因此，假设H9未得到支持。

此外，在控制变量中，账号的知名度和活跃度对用户转发、点赞、收藏和评论行为产生了明显的影响。具体而言，账号的知名度对这些用户行为产生了显著的积极影响，而账号的活跃度则对这些用户行为产生了明显的消极影响。

以上研究表明，从中心策略路径来看，不同的消息策略会导致部分用户参与行为产生显著差异。这意味着在设计短视频营销内容时，需精准选择消息策略，以有效激发目标用户的参与热情。从边缘策略路径来看，与不添加解说的短视频相比，不恰当的旁白解说或真人出镜解说可能会抑制用户的参与行为。在AI短视频营销场景中，不合适的解说不仅无法吸引观众，反而可能降低观众的点赞意愿。由此可见，在AI短视频营销中，应谨慎选择解说方式，避免因解说不当影响营销效果。相比之下，通过实验等直观的方式展示AI技术，更能带给观众震撼的体验，进而提升用户的参与度。在信息交互方面，信息交互方式对用户的收藏和评论行为有着显著影响。这提示营销人员在制作短视频时，应注重优化信息交互设计，以促进用户的收藏和评论行为，从而增强用户与品牌之间的互动。在短视频的呈现方式和拍摄视角方面，研究未发现其对用户参与行为有显著影响。这表明随着用户对内容需求的认知逐渐清晰，无论短视频采用何种呈现方式或拍摄视角，只要内容有质量、有意义且能满足用户需求，就能够吸引用户。因此，在短视频营销中，应将重点更多地放在提升内容质量上，而非过度纠结于呈现方式和拍摄视角的变化。在标题形式和视频时长方面，它们对用户的收藏和点赞行为有着不可忽视的影响。警示/感叹式标题能够对用户的收藏行为产生正向影响，而视频时长对用户的收藏行为同样有正向影响，但对点赞行为却呈现负向影响。这意味着在短视频营销中，标题的选择和视频时长的控制是提高用户参与度的关键因素。营销人员应善于运用具有吸引力的标题形式，并合理控制视频时长，以实现更好的营销效果。自我类消息策略对转发行为的负向影响可能与B站用户的社群文化有关。年轻用户更倾向集体认同(如社会类策略)，而过度强调“个性化AI”(自我类)可能被视为营销过度，引发抵触。此外，信息交互通过赋予用户控制感(如自主选择投票)，增强了心理所有权，从而促进收藏行为。

此外，控制变量中的账号知名度和活跃度也对用户行为产生了明显影响。账号的知名度对用户行为具有积极影响，而账号的活跃度则呈现出消极影响。这表明在短视频营销中，品牌方需要充分考虑账号的影响因素，利用高知名度账号提升营销效果，并谨慎处理账号活跃度问题，以更准确地评估用户行为的原因和动机，制定更有效的营销策略。

4.3. 交互作用

为进一步验证解边缘策略路径下部分变量之间是否有交互作用。本文进行了回归分析，把视觉语言中的拍摄视角、内容外部特征下的标题形式、听觉语言下的配乐/音效作为自变量，因变量则是转发、点赞、收藏和评论。

Table 3. Regression analysis results of the multifactorial intervention

表3. 多因素干扰的回归分析结果

自变量	因变量	III类平方和	自由度	均方	F
拍摄视角AN	转发数	0.288	1	0.288	0.091
	点赞数	0.773	1	0.773	0.679
	收藏数	2.854	1	2.854	1.755
	评论数	3.062	1	3.062	1.323
配乐/音效SO	转发数	1.923	1	1.923	0.631
	点赞数	0.006	1	0.006	0.006
	收藏数	0.903	1	0.903	0.538
	评论数	2.078	1	2.078	0.922
标题形式CA	转发数	8.822	5	1.764	0.579
	点赞数	14.339	5	2.868	2.642*
	收藏数	11.483	5	2.297	1.367
	评论数	6.988	5	1.398	0.620
SO × AN	转发数	0.246	1	0.246	0.076
	点赞数	0.002	1	0.002	0.002
	收藏数	4.482	1	4.482	3.129
	评论数	0.168	1	0.168	0.075
CA × AN	转发数	35.344	4	8.836	2.729*
	点赞数	7.208	4	1.802	1.634
	收藏数	2.009	4	0.502	0.351
	评论数	8.973	4	2.243	1.003
SO × CA	转发数	36.812	4	9.203	3.020*
	点赞数	9.838	4	2.460	2.266
	收藏数	13.464	4	3.366	2.004
	评论数	32.114	4	8.029	3.561**

注：*表示P < 0.05；**表示P < 0.01；***表示P < 0.001。

如表3所示，标题形式(F = 2.642, P = 0.023)作为主效应影响用户点赞行为的效果；标题形式与拍摄视角两者之间对于用户点赞(F = 2.729, P = 0.029)行为交互作用显著，假设H10得到验证；配乐/音效与标题形式两者之间对于用户评论(F = 3.561, P = 0.007)行为交互作用显著，假设H11得到验证；而拍摄视角与配乐/音效间无交互效应，假设H12未得到支持，假设不成立。

5. 研究结果与建议

5.1. 研究结果

研究发现，在AI短视频营销的中心策略路径上，消息策略的选择对用户参与行为影响显著。其中，自我类和社会类消息策略会对用户参与行为产生负向作用，而急需类消息策略则能显著促进用户评论行为。这表明营销者在策划短视频内容时，需精准把握消息策略的类型，以契合用户行为特点，从而有效激发用户互动。在边缘策略路径方面，解说方式、信息交互、字幕、配乐音效、标题形式和视频时长等因素均对用户参与行为有着不同程度的影响。无解说的AI短视频更易获得用户青睐，信息交互与字幕设计能有效提升用户参与感，警示/感叹式标题更具吸引力，而较长的视频时长虽有利于用户收藏，但可能对点赞行为产生负面影响。此外，不恰当的配乐/音效会降低用户观看体验，而短视频的呈现方式与拍摄视角对用户参与行为的影响并不显著。

由此可见，打造消息策略为急需类，采用无解说形式，添加字幕并设计警示/感叹式标题，同时注重与用户进行信息交互的AI短视频，更易激发用户参与行为，实现良好的营销效果。此外，账号的知名度和活跃度也显著影响用户参与行为，营销者应充分利用高知名度账号的优势，审慎管理账号活跃度，制定更科学合理的运营策略。

本研究成果为短视频营销实践提供了明确的策略指引，同时也为后续研究用户参与行为提供了新的观察视角与理论依据。未来研究可进一步深入探索不同类型短视频在多样化营销场景下的应用，以及用户参与行为在更多影响因素下的变化规律，从而为短视频营销领域的发展提供更丰富的理论支持与实践指导。相较于孙正辉等对短视频通用特征的研究，本文首次将ELM模型应用于AI垂直领域，揭示了技术类内容中边缘路径的核心作用。同时，发现“警示式标题”与收藏行为的关系补充了Zhang等对标题情感效价的研究空白。

5.2. 研究建议

根据本文研究为AI短视频场景下的营销提出以下针对性建议，助力提升用户参与度与营销效果：

1) 高知名度账号可借助品牌影响力，放大营销内容传播效果；对于活跃度管理，避免过度频繁发布内容引发用户抵触，应结合用户活跃时间与兴趣偏好，制定科学的发布计划，维持用户关注度与好感度。

2) 优化单条视频的创作至关重要。根据研究，自我和社会策略对用户参与行为影响更加显著，因此在创作中应充分运用这些策略。同时，边缘策略路径中的大多数策略也对用户参与行为有积极影响，因此，优化边缘策略路径中的多种策略组合也是成功创作的关键。

3) 内容创作者可以借鉴不同用户被吸引的路径特征，创造具有特色的作品系列以提高营销效果。

4) ELM模型未充分解释用户态度改变的长期效果。例如，警示式标题可能短期提升收藏行为，但长期可能引发信息疲劳。后续研究可引入纵向追踪设计，结合技术接受模型(TAM)探讨持续性影响。