1. 引言
近年来，随着人工智能技术水平的不断提高，很多企业开始将AI客服纳入企业服务之中，将其作为新型服务来改善用户体验。其中AI客服在企业和消费者之间扮演着十分重要的作用。相关数据显示[1]，目前在全球范围内，已经有超过50%的企业正在使用或即将使用AI客服。
鉴于AI客服是企业与用户的新的接触点，因此本研究基于社会感知理论和刺激–机体–反应理论(S-O-R)，探查AI客服的沟通风格对用户复用意愿的影响，以及社会临场感在影响机制中的中介效应。希望研究结果能为企业设计AI客服沟通线索从而增强用户复用意愿提供指导和帮助。
2. 相关研究述评
2.1. AI客服
最早出现的聊天机器人系统可以追溯1966年，计算机科学家Joseph Weizenbaum在1966年开发出Eliza，这是最早也是最著名的AI客服系统[2]。Eliza基于规则通过文本与用户进行交流，被认为是聊天机器人发展过程中的里程碑之一。
AI客服，也被称为会话代理(Conversational Agents)，是一种基于自然语言处理、机器学习等技术来模拟人际沟通的用户界面[3]。Baabdulla等[3]将聊天机器人定义为“通过自然对话语言与人类用户互动的机器对话系统”，表明聊天机器人是一种智能系统，该系统以类似于人类的方式与客户进行自动连接和交互。聊天机器人的应用场景有很多，本文主要关注电商客户服务，这也是AI客服应用最普遍的领域之一。在电商领域中，聊天机器人作为AI客服，与消费者群体进行互动，有效帮助消费者解决问题，进而帮助企业更有效地营销产品和服务。
2.2. 社会感知理论
社会感知理论最早是起源于社会心理学领域中，主要是用来表示对他人的感知。Fiske等[4]在研究中指出，人类社会感知中存在两个普遍维度，分别是温暖和能力。其中温暖是指个体对他人意图的判断，例如友好、真诚等；能力是指个体对他人是否有能力实现这些意图的判断，例如智力、技能等。基于上述理论，本文将用户社会感知划分为感知能力和感知温暖两个方面。
社会感知理论是社会认知领域中的经典理论之一，该理论得到了广泛的应用。最初该理论被应用于对“人”的研究[5] [6]，随着研究情景的不断丰富，该模型被应用于人机交互之中[7] [8]。按上述分类，本文属于人机交互领域，主要研究没有生命特征的AI客服，由此，将社会感知理论作为本文的理论基础具有一定的合理性。
2.3. 刺激–机体–反应理论
刺激–有机体–反应理论[9] (Stimulate-Organism-Response，简称S-O-R)是认知心理学领域中的基础理论之一，最早是由Woodworth提出的，主要用来解释环境因素对用户情感和行为的预测影响。“刺激–有机体–反应”理论涉及三部分内容，分别是：刺激因素(S)、有机体变化(O)和用户反应行为(R)。刺激(S)是一种特征或对象，可分为内部、外部刺激；有机体变化是刺激因素引发的变法，包括情感和认知等状态的变化；反应是在刺激和有机体变化的共同作用下，个体最终的表现，包括态度或行为的反应[10]。“刺激–有机体–反应”理论被广泛使用于营销学、心理学等领域，目前随着人工智能的不断发展，其理论也被学者应用到人机交互领域中。
“刺激–有机体–反应”理论涉及到刺激因素、有机体变化、反应三者之间的作用关系，能够反映AI客服沟通风格对用户复用意愿产生影响的过程阶段，适合作为AI客服沟通风格对用户复用意愿的理论基础。
3. 理论分析与研究假设
3.1. AI客服沟通风格对用户社会感知的影响
现有研究中，有学者[11]指出功能型内容有助于提高服务客户绩效及效率，而社交型的内容有助于促进双方建立牢固的社交纽带，其为AI客服沟通风格对用户社会感知提供了理论基础。也有学者[12]提出与任务导向沟通AI客服相比，社交导向沟通AI客服沟通的参与者将感知到更高的积极情绪和乐趣，此研究为社交导向的沟通风格对感知温暖的影响提供了理论基础。基于以上看法，本文提出以下假设：
H1a：与社交导向型沟通风格相比，采用任务导向型沟通风格的AI客服对用户的感知能力更有积极效果。
H1b：与任务导向型沟通风格相比，采用社交导向型沟通风格的AI客服对用户的感知温暖更有积极效果。
3.2. AI客服沟通风格对用户复用意愿的影响
目前研究中，针对AI客服沟通风格对用户复用意愿存在不同的看法。Meichan等[13]在研究中指出，当AI客服采用非正式的沟通风格时，顾客的持续使用意愿会通过准社会交往的中介作用而增加，也就可以说明非正式的沟通风格可以提高用户复用意愿，社交导向的沟通风格更能引起复用意愿。但是也有学者[14]指出部分用户认为社交导向的沟通风格会浪费他们的时间，交易中没有很大必要让社会互动占用时间，任务导向的沟通风格更有优势。基于以上看法，本文提出以下假设：
H2a：与社交导向型沟通风格相比，采用任务导向型沟通风格的AI客服对用户复用意愿更有积极效果。
H2b：与任务导向型沟通风格相比，采用社交导向型沟通风格的AI客服对用户复用意愿更有积极效果。
3.3. 社会临场感的中介作用
先前有研究[14]表明根据社会临场感理论，在线客服在通过语言展现热情和能力时，就会使顾客感知到在线客服的真实存在，顾客的社会临场感就会显著提升，进而对在线客服会产生更加积极的态度，以此验证了社会临场感在用户社会感知与复用意愿之间的中介作用。也有学者[15]发现AI客服在进行社交类型拟人化的自我介绍有助于增强人类的社会临场感，此相关研究指出感知温暖与社会临场感以及用户意愿之间的作用。因此本文提出以下假设：
H3a：社会临场感在感知能力与用户复用意愿间起中介作用。
H3b：社会临场感在感知温暖与用户复用意愿间起中介作用。
在研究假设的基础上，提出AI客服沟通风格对用户复用意愿影响的理论框架，如图1所示。
Figure 1. Theoretical model
图1. 理论模型
4. 实验设计与结果分析
实证研究部分主要包括一个预实验和两个正式实验。预实验主要是用来检验AI客服沟通风格操纵是否成功，两个正式实验用来验证理论假设。本文的实证研究主要通过SPSS软件进行数据分析。
4.1. 预实验
预实验的主要目的是对AI客服的沟通风格进行操控检验，并依据预实验的操控检验结果对正式实验的设计进行再设计，使其设计标准。
为检验AI客服沟通风格的操控是否成功，对其进行预实验。由于人工智能技术更受年轻一代的欢迎，因此邀请40名在校学生参与预实验，将其随机分配到不同沟通风格的实验小组。由于日常生活中可以接触到很多不同种类的AI客服，为避免刻板印象对实验结果的影响，本文将AI客服命名为在线智能小助手，同时为避免人类身份的对研究结果的影响，AI客服的头像使用非人物形象[15]。
本文基于前者的研究[16]-[18]，结合当前实践，设计了如下的情景模拟实验：具体为“假设您在线上进行购物，想要对购买产品的情况进行了解，为了在有限时间内尽可能获得需要的信息而咨询电商客服AI——AI客服，当您打开聊天对话时，界面如图所示”。不同学者对于沟通风格的操控的不同的，例如Kim等[19]认为在交流过程中，使用感叹、模仿声音的词(如，哇、哦)可以增加用户的社交感知，因此本文在情景实验材料中增加相关语气词；Javornik等[20]在研究中指出社交导向的沟通风格可以通过向用户表达积极的期望以保持关系持续的方式来体现，因此本文在情景实验材料中增加相关积极的期望再次使用的欢送词。因此本文基于相关文献对AI客服沟通风格的操控，进行相关实验刺激的材料的设计。
在本次实验中，相关变量的测量借鉴于现有文献中的成熟量表，除去相关描述性信息，均使用李克特七级量表进行测量操作，1表示“完全不同意”，7表示“完全同意”。对于AI客服的沟通风格的测量，借鉴Williams和Spiro [21]和van Dolen [22]等的量表，并在此基础上结合AI客服的应用场景进行适当的调整，最终确定各四个题项来测量AI客服的沟通风格。
本次预实验在线下一共招募40名被试者，其中收回有效问卷38份，回收率为95%。其中男性18名，占比47%，女性20名，占比53%，男女比例较为平衡，参与被试者均为高校在校学生。为保证本次实验研究的科学性，需要对服务成功情境下AI客服沟通风格变量进行信度检验。如表1所示：AI客服任务导向沟通风格的Cronbach’s α为0.972，社交导向沟通风格的Cronbach’s α为0.955，因此本次实验研究中使用的有关AI客服沟通风格的量表具有良好的内部一致性，可靠度较高。同样，为使得研究实验的相关数据可以达到研究的要求，本研究对实验数据进行效度分析。从表1中可以看出，量表题项的KMO值均大于0.7，Bartlett检验的p值均小于0.001，此外量表测量问项的累计方差解释率在60%以上，因此表明该量表具有较好的效度。为检验AI客服沟通风格操纵的有效性，采用独立样本t检验来分析两个组的得分差异。结果显示，参与观看任务导向实验刺激材料的被试者对任务导向的打分更高(M social = 5.91, M task = 2.36, t (38) = −18.24, p < 0.001)，参与观看任务导向实验刺激材料的被试者对任务导向的打分更高(M task = 6.00, M social = 2.28, t (38) = −17.69, p < 0.001)，因此可以得出本次预实验对AI客服沟通风格的操作是成功的。
Table 1. Reliability and validity analysis
表1. 信效度分析
| 变量 |
Cronbach’s α |
KMO |
p值 |
项数 |
| 任务导向沟通风格 |
0.972 |
0.779 |
0.000 |
4 |
| 社交导向沟通风格 |
0.955 |
0.827 |
0.000 |
4 |
4.2. 实验一
实验一的主要目的是验证AI客服沟通风格对用户社会感知的影响，即不同沟通风格的AI客服对用户社会感知的不同影响。
实验一情景模拟实验中的场景与预实验相同，此处不做赘述。
实验一中对AI客服沟通风格的操纵检验以及用户社会感知的测量方法与预实验相同。AI客服沟通风格的操纵检验和量表与预实验相同。对于用户社会感知的测量，借鉴Cuddy等人[23]的量表，并结合AI客服的应用场景进行适当的调整，最终各确定各四个题项来测量用户社会感知。
本次实验一采用线上收集问卷的形式，一共招募95名被试者，其中收回有效问卷92份，回收率为97%。其中男性42名，占比46%，女性50名，占比54%，男女比例较为平衡。如表2所示：AI客服沟通风格、用户感知能力、用户感知温暖的Cronbach’s α为均大于0.8。此外，探索性因子分析中所有题项的因子载荷系数均大于0.7。因此本次实验研究中使用的有关AI客服沟通风格和用户社会感知的量表具有良好的内部一致性，可靠度较高。从表2中可以看出，量表中各维度的KMO值均在0.6以上，Bartlett检验的p值均小于0.001，且累计方差解释率在60%以上，因此表明该量表具有较好的效度。
与预实验类似，实验一选择使用独立样本t检验来分析两个组的得分差异。结果显示，参与观看任务导向实验刺激材料的被试者对任务导向的打分更高，(M task = 5.71, M social = 2.57, t (92) = 16.14, p < 0.001)，参与观看社交导向实验刺激材料的被试者对社交导向的打分更高(M social = 5.39, M task = 2.51, t (92) = −14.56, p < 0.001)，因此可以得出实验一对AI客服沟通风格的操作是成功的。
Table 2. Reliability and validity analysis
表2. 信效度分析
| 变量 |
Cronbach’s α |
KMO |
p值 |
项数 |
| 任务导向沟通风格 |
0.957 |
0.779 |
0.000 |
4 |
| 社交导向沟通风格 |
0.876 |
0.827 |
0.000 |
4 |
| 感知能力 |
0.794 |
0.669 |
0.000 |
4 |
| 感知温暖 |
0.960 |
0.768 |
0.000 |
4 |
本文采用独立样本t检验来验证AI客服沟通风格对用户社会感知的影响。研究结果表明，AI客服不同的沟通风格对能力感知的主效应不显著(M task = 6.12, M social = 6.16, t (92) = −0.28, p > 0.001)，假设H1a不成立。同样使用独立样本t检验来验证AI客服沟通风格对用户温暖感知的影响，结果发现，不同的沟通风格可以引起不同程度的温暖感知，参与观看任务导向实验刺激材料的被试者对感知温暖的打分更低，参与观看社交导向实验刺激材料的被试者对感知温暖的打分更高(M task = 1.99, M social = 5.73, t (92) = −21.75, p < 0.001)，假设H1b成立。
4.3. 实验二
实验二的主要目的是验证AI客服沟通风格对用户复用意愿以及社会临场感的中介作用。
为增强样本的代表性，实验二通过线上平台进行问卷的发放和回收，将参与者随机分配到两组中，根据引导完成相应的题项。
实验二中对AI客服沟通风格的操纵检验、用户社会感知、社会临场感以及用户复用意愿的测量方法与预实验相同。AI客服沟通风格的操纵检验和用户社会感知量表与实验一相同。对于社会临场感的测量，借鉴McLean和Osei-Frimpong [24]的量表，并结合AI客服的应用场景进行适当的调整，最终各确定三个题项来测量社会临场感。对于用户复用意愿的测量，借鉴Bhattacherjee等[25]的量表，并结合AI客服的应用场景进行适当的调整，最终各确定三个题项来测量用户复用意愿。
本次实验二采用线上收集问卷的形式，一共发布310份问卷，其中收回有效问卷294份，回收率为95%。其中男性144名，占比49%，女性150名，占比51%，男女比例较为平衡。
本文通过使用SPSS23.0软件对量表进行Harman单因子检验，结果共抽取出特征根大于1的因子数量6个，第一公因子的方差贡献率为39.96%，未超过40%，说明本研究共同方法偏差问题不严重。
参与观看任务导向实验刺激材料的被试者对任务导向的打分更高(M task = 6.11, M social = 2.75, t (142) = 22.82, p < 0.001)，参与观看任务导向实验刺激材料的被试者对任务导向的打分更高(M social = 6.14, M task = 2.54, t (142) = −25.42, p < 0.001)，因此，实验二对AI客服沟通风格的操作是成功的。
如表3所示，AI客服沟通风格、用户感知能力、用户感知温暖、社会临场感以及用户复用意愿的Cronbach’s α均大于0.9，此外，探索性因子分析中所有题项的因子载荷系数均大于0.7。因此本次实验研究中使用的相关量表具有良好的内部一致性，可靠度较高。从表中可以看出，AI客服沟通风格、用户社会感知、社会临场感以及用户复用意愿的量表中各维度的KMO值均大于0.7，Bartlett检验的p值均小于0.001，因此表明相关量表具有较好的效度。
采用单因素方差分析检验AI客服沟通风格对用户复用意愿的影响。将用户复用意愿作为因变量，自变量为AI客服沟通风格，将性别和年龄作为控制变量。结果如表4所示，AI客服沟通风格对用户复用意愿的主效应显著(M social = 5.29, M task = 4.77, F = 10.55, p < 0.001)，即社交导向沟通风格组的用户复用意愿显著高于任务导向沟通风格组，假设H2b得到支持。
Table 3. Reliability and validity analysis
表3. 信效度分析
| 变量 |
Cronbach’s α |
KMO |
p值 |
项数 |
| 任务导向沟通风格 |
0.96 |
0.860 |
0.000 |
4 |
| 社交导向沟通风格 |
0.95 |
0.830 |
0.000 |
4 |
| 感知能力 |
0.96 |
0.879 |
0.000 |
4 |
| 感知温暖 |
0.96 |
0.876 |
0.000 |
4 |
| 社会临场感 |
0.97 |
0.787 |
0.000 |
3 |
| 用户复用意愿 |
0.97 |
0.772 |
0.000 |
3 |
Table 4. Inter-subject effect test
表4. 主体间效应检验
| 源 |
III型平方和 |
df |
均方 |
F |
Sig. |
| 校正模型 |
19.736a |
3 |
6.579 |
4.083 |
0.007 |
| 截距 |
456.062 |
1 |
456.062 |
283.050 |
0.000 |
| 性别 |
0.344 |
1 |
0.344 |
0.214 |
0.644 |
| 年龄 |
0.030 |
1 |
0.030 |
0.019 |
0.891 |
| 任务vs.社交 |
17.010 |
1 |
17.010 |
10.557 |
0.001 |
| 误差 |
467.260 |
290 |
1.611 |
|
|
| 总计 |
7827.000 |
294 |
|
|
|
| 校正的总计 |
486.997 |
293 |
|
|
|
因变量：用户复用意愿。
实验二使用SPSS 23.0软件，采用Bootstrap法对社会临场感的中介作用进行检验。同时将性别、年龄作为协变量进行控制。选择PROCESS插件程序中的模型4 (Model 4)，重复抽样5000次。数据结果见表5，社会临场感中介AI客服感知能力对用户复用意愿的影响，间接效应为0.0203，95%的置信区间为[0.0021, 0.0472]，区间内不包含0，中介效应显著，因此，假设H3a得成立。同样，检验社会临场感在AI客服感知温暖与用户复用意愿的中介影响，间接效应为0.0625，95%置信区间为[0.0088, 0.1168]，其中不包含0，中介效应显著，因此，假设H3b成立。
Table 5. Action path
表5. 作用路径
| 路径 |
Effect |
Boot SE |
Boot LLCI, Boot ULCI |
| 感知能力→社会临场感→用户复用意愿 |
0.0203 |
0.0114 |
[0.0021, 0.0472] |
| 感知温暖→社会临场感→用户复用意愿 |
0.0625 |
0.0274 |
[0.0088, 0.1168] |
5. 结论
5.1. 研究结果
本文探讨AI客服沟通风格对用户复用意愿的影响，探讨社会临场感的中介作用。研究结果表明，首先，用户根据社会感知对AI客服的沟通风格做出社会反应，与任务导向的沟通风格相比，具有社交导向沟通风格的AI客服会让用户对温暖的感知程度更高；其次，具有社交导向的AI客服更能提高用户的复用意愿；最后，社会临场感作为中介变量，其在用户社会感知与用户复用意愿之间起到中介作用。
5.2. 理论贡献
本文在相关研究成果的基础上，将沟通风格效应引入AI客服交互研究中，并基于社会感知理论和刺激–机体–反应理论，构建了AI客服的沟通风格对用户复用意愿的影响模型，并创新性的将社会临场感作为中介变量引入AI客服沟通风格对用户复用意愿的研究之中，扩展了社会临场感理论的适用领域。
5.3. 管理启示
本文研究表明，企业可以通过校对AI客服的沟通风格来优化用户的服务体验，并以此提升用户的复用意愿，最终实现AI客服技术的可持续，但是也需要谨慎对待这一策略，以防此策略出现失灵的情况。因此，开发重点放在AI客服的社会特征上，比如提高AI客服提供信息的准确性，优化了AI客服的语言和表达形式，使其更加接近人类的语言表达方式。
5.4. 研究局限与未来展望
由于研究能力和时间有限，本文仍存在一些不足：在研究模型方面，所涉及的AI客服相关的设计因素相对较少，未来的研究中可以更全面加入技术因素以及其他外部因素所带来的影响；在研究样本方面，问卷样本主要以青年为主，存在一定偏差，未来需要更加具有代表性的研究样本得出更客观的结论。在实验方法方面，本研究主要采用了刺激材料让被试者进行想象，未来的研究可以采用设计更为科学的现实情境进行实验流程。