呂 巍，楊 穎，張雁冰

上海交通大學(xué) 安泰經(jīng)濟(jì)與管理學(xué)院，上海 200030

引言

隨著科技的發(fā)展，精準(zhǔn)營銷逐漸發(fā)展到“千人千面”的智能化營銷階段，個性化營銷與人工智能(artificial intelligence, AI)的結(jié)合給消費(fèi)者帶來了更多的便利和好處。但是是否在任何情況下智能營銷都更容易被消費(fèi)者喜歡和接受，AI技術(shù)的個性化推薦是否會給消費(fèi)者行為帶來新的影響，這些問題值得思考。與傳統(tǒng)的個性化推薦相比，基于AI的個性化推薦下，智能算法能夠更加快速和綜合地處理各種數(shù)據(jù)，具備自主學(xué)習(xí)、自我修正的能力[1]。一方面消費(fèi)者在這些個性化推薦下，看到符合自己需求和喜好的推薦選擇時，可能會因?yàn)榻档土怂阉骶蜁r間成本而感到便利；另一方面，當(dāng)自己的心思被推測看穿時，如果涉及到個人隱私，消費(fèi)者更容易對基于AI算法的個性化推薦產(chǎn)生厭惡[2]。由此AI的個性化推薦對消費(fèi)者行為的影響以及影響路徑具有相當(dāng)?shù)牟淮_定性，而目前中國針對AI個性化程度的研究多集中在個性化推薦的系統(tǒng)和算法模型[3-5]，更多的是探討個性化推薦的效果，或者從綜述的角度回顧已有研究。有學(xué)者針對基于深度學(xué)習(xí)的推薦系統(tǒng)進(jìn)行研究綜述，探討其與傳統(tǒng)推薦系統(tǒng)的區(qū)別，梳理中國信息推薦系統(tǒng)相關(guān)的深度學(xué)習(xí)研究中的問題和解決方法[6-7]。劉華鋒等[8]依據(jù)模型構(gòu)建的方式對社交推薦的模型進(jìn)行研究綜述，張雁冰等[9]對AI營銷與人們之間影響機(jī)制的理論進(jìn)行全方面的梳理。較少有研究從消費(fèi)者行為的角度探討AI的個性化推薦對消費(fèi)者點(diǎn)擊意愿的影響機(jī)制，而關(guān)于AI個性化推薦對消費(fèi)者行為的影響邊界條件的研究則更少。除此之外，在AI個性化推薦的情景下，不同的消費(fèi)情景涉及消費(fèi)者信息的線上披露和個人隱私保護(hù)等，也是影響消費(fèi)者決策行為的重要因素之一。因此，本研究通過實(shí)驗(yàn)的方法，納入不同敏感度的消費(fèi)情景，探討在AI背景下的推薦內(nèi)容的個性化程度對消費(fèi)者點(diǎn)擊意愿的影響機(jī)制，從廣度和深度兩方面拓寬該領(lǐng)域的已有研究，對未來智能化營銷的發(fā)展有重要的參考價值。

1 相關(guān)研究評述

從理論的角度看，當(dāng)消息發(fā)送者(網(wǎng)站或者商家等)基于先前收集的有關(guān)消息接收者的數(shù)據(jù)，并根據(jù)這些信息和數(shù)據(jù)修改通用的推薦，將修改后的個性化的推薦消息發(fā)送給接收者時，會發(fā)生實(shí)際的個性化；而感知的個性化取決于該特定的消息接收者是否認(rèn)為這個個性化的推送消息符合自己的偏好。因此，消息發(fā)送者控制著實(shí)際的個性化，而消息接收者控制著感知的個性化[10]。已有研究表明，是感知的個性化，而不是實(shí)際的個性化，在影響機(jī)制中起決定性作用。當(dāng)消息接收者認(rèn)為推薦內(nèi)容是個性化時，不管它實(shí)際上是不是個性化的，感知個性化都帶來正向的影響和結(jié)果[11]。因此，在本研究中采用感知個性化這一概念，在這一分類層面，測量消費(fèi)者對基于AI的個性化推薦的態(tài)度，是從推送內(nèi)容接收者的角度，探討個性化推薦內(nèi)容的個性化程度對消費(fèi)者點(diǎn)擊意愿的影響機(jī)制。

1.1 AI個性化推薦的應(yīng)用

GOMEZ-URIBE et al.[12]的研究表明，最常見的AI應(yīng)用是推薦系統(tǒng)，亞馬遜和淘寶的個性化推薦向消費(fèi)者展示他們需要購買什么，Netflix和騰訊視頻向觀眾推薦他們喜好的視頻節(jié)目等。對這些系統(tǒng)的有效性的研究表明，個性化推薦的能力水平對投資于AI的品牌或者企業(yè)產(chǎn)生了巨大的積極影響。最新數(shù)據(jù)估計(jì)，亞馬遜35%的購買量和Netflix視頻觀看量的80%都來自他們的推薦系統(tǒng)[13]。并且Netflix不斷強(qiáng)調(diào)個性化對其業(yè)務(wù)發(fā)展的重要性，“我們開發(fā)和利用我們的推薦系統(tǒng)，就是因?yàn)槲覀冋J(rèn)為它是我們業(yè)務(wù)的核心”[14]。Netflix不僅考慮某個消費(fèi)者看哪些電影，或者他們給這些電影如何評分，也分析哪些電影被觀看了多少次以及用戶的快進(jìn)行為、倍速播放行為等，然后將用戶的行為與數(shù)以百萬計(jì)的其他用戶之間進(jìn)行相關(guān)性分析和處理，幫助Netflix給用戶推送最好的推薦。盡管消費(fèi)者受益于算法個性化推薦帶來的便利，但也開始思考個性化推薦背后對于個人隱私和數(shù)據(jù)的“竊取”。BRINSON et al.[15]的研究表明，AI的這個特性在很大程度上剝奪了消費(fèi)者自己對于事件結(jié)果的自主控制權(quán)，無法自己決定看什么類型的廣告，甚至在看到個性化的精準(zhǔn)推薦時會產(chǎn)生恐慌感，不知道什么時候自己的偏好如此輕易地就被預(yù)測并顯示出來，從而在看到推薦之后謹(jǐn)慎考慮要不要進(jìn)行點(diǎn)擊。在消費(fèi)者隱私擔(dān)憂加劇的情況下，歐盟出臺了隱私規(guī)范和限制政策。GOLDFARB et al.[16]的研究表明，關(guān)于隱私的政策限制了網(wǎng)站收集消費(fèi)者的數(shù)據(jù)，整體來看，個性化廣告在增加消費(fèi)者購買意愿的效果上明顯被削弱，變得沒那么有效。因此，在AI與營銷緊密結(jié)合的當(dāng)下，探討基于AI的個性化推薦對于消費(fèi)者的影響很有必要，尤其是影響機(jī)制是什么樣的，消費(fèi)者是否因?yàn)锳I個性化推薦帶來的好處也就是利益才進(jìn)行點(diǎn)擊，消費(fèi)者接受AI個性化推薦的邊界條件是什么，其中涉及到的隱私問題也是學(xué)者和當(dāng)代企業(yè)不可忽視的問題。

1.2 個性化推薦對消費(fèi)行為的影響

1.2.1 個性化推薦的概念

個性化推薦的內(nèi)容可能包含一些個人信息，包括性別、年齡、最愛的物品甚至是姓名等。而個性化推薦的目標(biāo)就是通過讓用戶認(rèn)為推薦的內(nèi)容是專門為其制作的，以吸引信息接收者的注意力或者增強(qiáng)其閱讀并加工信息的動力[17]。個性化的核心是接收信息的消費(fèi)者認(rèn)為信息與自身存在高度的匹配，通常是基于網(wǎng)絡(luò)，根據(jù)用戶所處的環(huán)境生成并傳遞滿足消費(fèi)者需求的信息，是基于消費(fèi)者的偏好和個人信息的[18]。為了使消費(fèi)者認(rèn)為信息是高度個性化的，推送內(nèi)容加入與接收者相關(guān)的元素[11]，其中消費(fèi)者的姓名是常用的個性化元素[19]。

區(qū)別于傳統(tǒng)的個性化營銷，基于AI的個性化推薦強(qiáng)調(diào)機(jī)器學(xué)習(xí)的概念，數(shù)據(jù)更豐富，學(xué)習(xí)能力更強(qiáng)；而在同等數(shù)據(jù)的情況下，AI智能推薦的表現(xiàn)也遠(yuǎn)遠(yuǎn)優(yōu)于傳統(tǒng)算法[20]。基于用戶過去的事實(shí)和數(shù)據(jù)，AI個性化推薦被用來發(fā)現(xiàn)消費(fèi)趨勢和模式，機(jī)器學(xué)習(xí)模型提供了對于結(jié)果的洞察力，幫助我們揭示未來的某個結(jié)果的概率。與傳統(tǒng)的個性化推薦不同，它不僅是局限于過去發(fā)生的事情，還把歷史數(shù)據(jù)和統(tǒng)計(jì)建模用于精準(zhǔn)的預(yù)測，目的是回答關(guān)于未來事件的可能性的問題[21]。

總體來講，個性化推薦對于商家和消費(fèi)者都有好處。對于商家，可以充分利用資源將費(fèi)用投放在有需要的用戶群體中，避免在對自身產(chǎn)品和服務(wù)沒有興趣的消費(fèi)者身上浪費(fèi)成本；對于消費(fèi)者，個性化推薦讓他們更快地找到自己感興趣的、想要的產(chǎn)品和服務(wù)，并且可以提前獲取一些優(yōu)惠信息，減少其對無關(guān)推薦的反感[15]。

1.2.2 個性化推薦與消費(fèi)者

對于個性化推薦給消費(fèi)者心理和行為帶來的影響，已有研究的結(jié)論并不清晰，不同的研究給出不同的甚至完全相反的結(jié)論。

部分研究認(rèn)為個性化推薦讓消費(fèi)者更愿意點(diǎn)擊推薦內(nèi)容，增強(qiáng)消費(fèi)者的購買意愿。DE KEYZER et al.[22]研究社交媒體網(wǎng)絡(luò)中的個性化推薦廣告，結(jié)果表明個性化推薦提高消費(fèi)者的感知相關(guān)性程度，從而提升消費(fèi)者的點(diǎn)擊意愿以及對品牌的正面態(tài)度；LI et al.[11]在研究中納入產(chǎn)品卷入度這一變量，結(jié)果表明產(chǎn)品卷入度高的情況下，個性化推薦對廣告態(tài)度和購買意向的正向影響更明顯；戴德寶等[23]的研究表明，在“互聯(lián)網(wǎng)+”背景下，消費(fèi)者因?yàn)楣δ堋⑶楦?、社交、認(rèn)知和條件價值而采納個性化推薦。

有部分學(xué)者的研究認(rèn)為個性化程度過高的推薦降低消費(fèi)者對推薦內(nèi)容的接受度或者點(diǎn)擊意愿。MALHEIROS et al.[24]認(rèn)為個性化程度過高，雖然能吸引消費(fèi)者的注意，但是用戶的舒適度降低，對于推薦的接受度也隨之降低；BAEK et al.[17]和BRINSON et al.[15]的研究表明，個性化推薦讓消費(fèi)者變得逃避廣告，對個性化推薦產(chǎn)生負(fù)面的態(tài)度；VAN DOORN et al.[25]的研究證明，定制化的廣告中使用個人信息，會通過消費(fèi)者的感知侵犯這一變量降低消費(fèi)者對產(chǎn)品的購買意愿，因?yàn)槠ヅ涠冗^高讓消費(fèi)者覺得自己的權(quán)利受到侵犯；杜娟等[26]從心里抗拒的角度研究發(fā)現(xiàn)，感知目標(biāo)阻礙下，消費(fèi)者對個性化推薦的采納意愿降低。

根據(jù)隱私計(jì)算理論，人們的決策過程可以看作是一個成本分析的過程，在這個過程中，參與某項(xiàng)行為的好處與風(fēng)險被權(quán)衡，從而決定是否采取行動。往往人們選擇犧牲一定程度的隱私去換取自身認(rèn)為值得承擔(dān)的信息披露風(fēng)險帶來的好處[27]。DINEV et al.[28]的研究表明，盡管在互聯(lián)網(wǎng)中隱私問題一定程度上抑制了電商交易，但是當(dāng)消費(fèi)者在網(wǎng)上沖浪時，對互聯(lián)網(wǎng)積累的信任以及對互聯(lián)網(wǎng)的興趣是決定消費(fèi)者披露個人信息與否的重要因素，這些因素超過了用戶感知到披露信息的隱私風(fēng)險。

由此可見，已有研究在個性化推薦對消費(fèi)者的影響方面沒有一致的結(jié)論，說明有必要納入AI的特點(diǎn)去探究個性化推薦對消費(fèi)者的影響機(jī)制，包括感知利益是否是消費(fèi)者決定點(diǎn)擊個性化推薦的原因以及不同情景下消費(fèi)者對個人信息的重視程度和隱私擔(dān)憂是否影響其點(diǎn)擊意愿。

1.3 感知利益與個性化推薦

在個性化推薦對消費(fèi)者的影響機(jī)制的研究中，很多學(xué)者納入了消費(fèi)者感知層面的變量。有研究認(rèn)為感知有用性在影響機(jī)制中起關(guān)鍵作用，BLEIER et al.[29]納入有用性作為中介變量，認(rèn)為個性化推薦的深度越強(qiáng)，個性化推薦的產(chǎn)品或者服務(wù)越能引起消費(fèi)者的興趣，接近消費(fèi)者的喜好時，使消費(fèi)者認(rèn)為這個推薦非常有用，因此點(diǎn)擊意愿更強(qiáng)。感知有用性提升消費(fèi)者對個性化新聞推薦APP的滿意度，從而提升消費(fèi)者的持續(xù)使用意愿[30]，感知有用性也提高用戶對數(shù)字圖書館個性化推薦信息的采納意向[31]以及對于移動電商個性化推薦的購買意愿[32]。

根據(jù)KIM et al.[33]的定義，感知利益指消費(fèi)者對于自己在某網(wǎng)站上進(jìn)行交易后自己變得更好的程度的認(rèn)知。相比之下，消費(fèi)者在面對個性化推薦時，不僅僅因?yàn)橄嚓P(guān)性和有用性進(jìn)行點(diǎn)擊，還因?yàn)橥ㄟ^個性化推薦得到相關(guān)的好處和利益，并且通過個性化的推薦獲取了潛在的好處，其中可能包括更早地知道優(yōu)惠信息、享受折扣、獲取優(yōu)惠券等，這些好處都引起消費(fèi)者對推薦內(nèi)容進(jìn)一步的積極反饋。消費(fèi)者在網(wǎng)上購物的很大一個原因就是，與傳統(tǒng)的購物方式相比，消費(fèi)者感覺到更多的益處，更加便利，節(jié)省了時間，降低了成本，可以選擇更多、更豐富的產(chǎn)品等[33]。劉新民等[34]的研究結(jié)果表明，感知收益與消費(fèi)者對個性化推薦的接受意愿之間存在正向影響關(guān)系；李寶庫等[35]納入感知價值作為中介變量，研究表明好的信息呈現(xiàn)方式對消費(fèi)者感知價值產(chǎn)生正向影響，從而正向影響其對個性化推薦的接受意愿。當(dāng)消費(fèi)者接收更加個性化的推薦時，如果從接收的信息中感覺到更高的效用和利益，對推薦產(chǎn)生抗拒的可能性就會降低[36]。通過已有研究可知，個性化推薦對消費(fèi)者的影響機(jī)制中，消費(fèi)者的正面反饋更多是因?yàn)榻邮盏絺€性化推薦并權(quán)衡利弊后感知到了更多的好處。

1.4 情景敏感度與個性化推薦

情景敏感度中的情景指個體信息被收集、儲存并用作商業(yè)用途的情景，而敏感度的高低指商業(yè)用途中涉及到的個人信息類型的敏感程度，如個人的身份證號碼和銀行卡號等信息要比個人姓名這種信息更加敏感[37]，可見情景敏感度既關(guān)系到個人信息的敏感度也關(guān)系到這些信息被收集和利用的情景的敏感度。

在不同情景下，消費(fèi)者對線上個人信息的披露意愿也不同。在更高風(fēng)險的環(huán)境下，信任對于消費(fèi)者來說更為重要[38]，在線上購物的情況下，信任也發(fā)揮著重要作用[39]。根據(jù)美國政府機(jī)構(gòu)對個人身份信息的定義，個人身份信息包括：①可以用來區(qū)分或追蹤個人身份的任何信息，如姓名、身份證號、出生日期和地點(diǎn)、家庭關(guān)系或生理特征記錄；②與個人有關(guān)聯(lián)或可能產(chǎn)生關(guān)聯(lián)的任何其他信息，如醫(yī)療、教育、財務(wù)和就業(yè)信息等[40]。而與個人身份信息密切相關(guān)的則是情景敏感度，不同消費(fèi)情景下，消費(fèi)者的個人信息披露程度是不同的，而敏感的購物情景下包含的個人信息多為敏感的個人信息。

BANSAL et al.[37]認(rèn)為網(wǎng)站通過用戶的個人信息給用戶提供一些好處，也帶來負(fù)面效應(yīng)，因?yàn)橐恍┣闆r下人們可能更不想讓這些信息被知道和分享，如在涉及到偏好什么樣的對象、加入什么宗教等隱私度較高的信息時，用戶更容易產(chǎn)生負(fù)面態(tài)度；STONE et al.[41]的研究表明，在不同類型的信息披露情景下，消費(fèi)者感知到的受到侵犯的程度不同。不同的消費(fèi)情景下使用的個人信息的類型和敏感程度不同，在風(fēng)險更高的情景下，人們對于個人信息的重視程度更強(qiáng)，相對于個性化推薦帶來的益處，消費(fèi)者可能更擔(dān)心在高情景敏感度下的個人信息披露給自己帶來的損失[42]。曾伏娥等[43]在研究中將個性化營銷分為高信息敏感度和低信息敏感度兩種類型，探究個性化營銷類型與擬人化溝通的交互作用對消費(fèi)者的影響，結(jié)果表明在高信息敏感度的個性化營銷下，擬人化的溝通方式增加了消費(fèi)者的隱私擔(dān)憂?？梢钥闯?，在探究個性化推薦與消費(fèi)者的關(guān)系時，對消費(fèi)者的信息、數(shù)據(jù)和消費(fèi)場景的探討具有現(xiàn)實(shí)意義。

1.5 隱私擔(dān)憂與個性化推薦

在已有研究中，學(xué)者在研究隱私擔(dān)憂這一變量時，常常將隱私擔(dān)憂劃分為與特定的網(wǎng)站或者情景相關(guān)的隱私擔(dān)憂以及普遍互聯(lián)網(wǎng)環(huán)境中消費(fèi)者自身的隱私擔(dān)憂，也就是說隱私擔(dān)憂由機(jī)構(gòu)和個人兩個部分帶來。一個是機(jī)構(gòu)或者組織對隱私的保護(hù)和相關(guān)保證，另一個是個體對信息空間感知的邊界，其中包括對風(fēng)險控制的評估以及自己的隱私傾向高低[44]。由于情景敏感度這一變量已經(jīng)從特定的網(wǎng)站和情景探究其與消費(fèi)者點(diǎn)擊意愿的關(guān)系，因此為了從宏觀和微觀的層次拓寬研究范圍，本研究的重點(diǎn)在于后者，即探究在普遍網(wǎng)絡(luò)環(huán)境下和真實(shí)生活中個體對于隱私的關(guān)注程度和擔(dān)憂程度，是個體自身的態(tài)度或者是認(rèn)知的一部分。因此，消費(fèi)者自身是否擔(dān)心互聯(lián)網(wǎng)環(huán)境下個人信息的濫用或不正當(dāng)使用，不同的個體對隱私侵犯的意識程度的高低會影響個性化推薦的效果。

消費(fèi)者通過披露個人信息而感知的價值就是消費(fèi)者對自己披露信息后面臨的風(fēng)險與獲取的利益之間進(jìn)行整體的評估[45]。CHEN et al.[46]通過理性選擇理論，納入隱私擔(dān)憂作為變量，證明人們決策的過程是對利益與風(fēng)險的權(quán)衡取舍過程，隱私擔(dān)憂顯著帶來對個性化推薦的心理抗拒。有研究表明，在AI對消費(fèi)者需求的算法預(yù)測場景下，當(dāng)算法預(yù)測推薦內(nèi)容涉及到消費(fèi)者個人隱私，如“你應(yīng)該和誰約會”“你應(yīng)該選擇什么金融機(jī)構(gòu)”等，消費(fèi)者因?yàn)槭Q策中的自主權(quán)和控制感而對AI的預(yù)測產(chǎn)生消極情緒，從而可能不會接受其推薦[47]。

2 理論分析和研究假設(shè)

2.1 個性化推薦與消費(fèi)者點(diǎn)擊意愿

MASLOWSKA et al.[19]在個性化推薦對消費(fèi)者影響的路徑研究中提出，感知個性化通過吸引消費(fèi)者注意力，引發(fā)消費(fèi)者更多地對信息進(jìn)行積極的而非負(fù)面的加工思考，從而整體上對信息產(chǎn)生積極的態(tài)度，最終提高消費(fèi)者采納推薦的意愿。個性化推薦(推薦信息的內(nèi)容質(zhì)量)正向影響消費(fèi)者的信任，從而提升消費(fèi)者對推薦信息的采納意愿[48]。LI[10]在研究過程中通過3個實(shí)驗(yàn)發(fā)現(xiàn)，感知的個性化，而不是實(shí)際的個性化，是決定信息的影響結(jié)果背后的心理機(jī)制。當(dāng)消息接收方認(rèn)為推薦內(nèi)容是個性化時，不管它實(shí)際上是不是個性化的，感知個性化都會帶來正向的影響和結(jié)果。

現(xiàn)實(shí)情況中，當(dāng)消費(fèi)者在瀏覽網(wǎng)頁時，他們的行為經(jīng)常被實(shí)時監(jiān)控，企業(yè)營銷者可以隨時把最合適的產(chǎn)品推薦給顧客，也就說明對于終端消費(fèi)者的用戶畫像和細(xì)分是可以做到更加精準(zhǔn)和快速的[49]，基于AI背景下的大數(shù)據(jù)加工則是幫助數(shù)據(jù)化市場營銷的有利手段。在機(jī)器學(xué)習(xí)的幫助下，可以實(shí)現(xiàn)從各個不同的來源不被人察覺地收集消費(fèi)者的數(shù)據(jù)，結(jié)合所有的數(shù)據(jù)得到關(guān)于消費(fèi)者的見解，并且利用這些見解更活躍地與消費(fèi)者進(jìn)行溝通，更重要的是整個過程中的算法分析都是可變的、實(shí)時更新的[1]。而基于AI的個性化推薦比傳統(tǒng)的個性化推薦更容易吸引消費(fèi)者，滿足消費(fèi)者的需求，消費(fèi)者也更愿意進(jìn)行點(diǎn)擊。因此，本研究提出假設(shè)。

H1AI個性化推薦下，感知個性化越高，消費(fèi)者對基于AI的個性化推薦的點(diǎn)擊意愿越高。

2.2 感知利益的中介效應(yīng)

LI[50]的研究表明，消費(fèi)者對網(wǎng)站的感知利益對消費(fèi)者使用網(wǎng)站的行為產(chǎn)生積極的影響，而感知利益包括物質(zhì)的和非物質(zhì)的。

BAEK et al.[17]通過研究發(fā)現(xiàn)，個性化推薦系統(tǒng)給消費(fèi)者帶來的消極影響小于積極影響，積極影響主要是因?yàn)閭€性化服務(wù)給消費(fèi)者們帶來了利益和好處；BRINSON et al.[15]的研究表明，消費(fèi)者的感知利益使他們對個性化的廣告產(chǎn)生積極的態(tài)度，從而減少屏蔽廣告的行為。

相對于傳統(tǒng)的個性化推薦系統(tǒng)，基于AI的個性化推薦系統(tǒng)給消費(fèi)者帶來更多的便利和好處，可以推測由此更能引發(fā)消費(fèi)者的感知利益，刺激消費(fèi)者進(jìn)行推薦的點(diǎn)擊，甚至最終產(chǎn)生購買行為。因此，本研究提出假設(shè)。

H2感知利益在感知個性化對消費(fèi)者點(diǎn)擊意愿的影響中起中介作用，即AI個性化推薦下，感知個性化高時，能激發(fā)消費(fèi)者的感知利益，從而提高消費(fèi)者對推薦內(nèi)容的點(diǎn)擊意愿。

2.3 情景敏感度的調(diào)節(jié)效應(yīng)

SUTANTO et al.[51]對個性化推薦系統(tǒng)與個人隱私之間的矛盾關(guān)系進(jìn)行研究，發(fā)現(xiàn)消費(fèi)者看到個性化推薦時有信息邊界被侵犯的感受，通過避免把消費(fèi)者的數(shù)據(jù)和信息轉(zhuǎn)給第三方，可以降低消費(fèi)者的隱私擔(dān)憂，消費(fèi)者從個性化推薦系統(tǒng)的廣告中得到滿足感。由此可見，個性化推薦系統(tǒng)中信息的使用情景對消費(fèi)者行為產(chǎn)生影響。而情景敏感度是指存在于外部的影響人們選擇的環(huán)境的情況，而非個人認(rèn)知層面的概念，因此在個人進(jìn)行隱私保護(hù)和選擇時，情景和數(shù)據(jù)的敏感度對個人決策產(chǎn)生影響[52]。

情景敏感度涉及消費(fèi)者在不同情景下需要主動和被動地披露或接受的不同敏感度的個人信息，當(dāng)人在進(jìn)行選擇決策時，對每個選擇的各個方面的效用和無用進(jìn)行對比評估，這個評估過程取決于個體偏好和效用函數(shù)，受到很多因素的影響，其中就包括情景這一重要的要素。外部環(huán)境和情景不同時，人們的評估過程也不同，當(dāng)人們在感知到更高程度的不安全或者感覺自己容易受傷的情景下，更不愿意參與其中[53]，人們的偏好也在不同的環(huán)境下有所不同[54]。相對于對好處的喜歡，人們更討厭損失，大部分個體都是損失厭惡的，并且每個人對損失的厭惡程度不同[55]。

因此，本研究推測情景敏感度在個性化推薦系統(tǒng)與消費(fèi)者點(diǎn)擊意愿之間起調(diào)節(jié)作用。在消費(fèi)者評估哪些因素增加或者降低個人信息帶來的效用的過程中，相對于低情景敏感度，高情景敏感度下涉及的個人信息敏感度更高，可能承擔(dān)更高程度的損失，消費(fèi)者在進(jìn)行決策的評估后產(chǎn)生不同的決策結(jié)果[56]。因此，本研究提出假設(shè)。

H3情景敏感度在感知個性化對消費(fèi)者點(diǎn)擊意愿的影響中起調(diào)節(jié)作用；

H3a當(dāng)情景敏感度低時，與低感知個性化的推薦內(nèi)容相比，消費(fèi)者對高感知個性化的推薦內(nèi)容的點(diǎn)擊意愿更高；

H3b當(dāng)情景敏感度高時，與低感知個性化的推薦內(nèi)容相比，消費(fèi)者對高感知個性化的推薦內(nèi)容的點(diǎn)擊意愿更低。

2.4 隱私擔(dān)憂的調(diào)節(jié)效應(yīng)

學(xué)者從很多不同的維度構(gòu)建隱私擔(dān)憂的理論模型，DINEV et al.[28]的研究表明，消費(fèi)者的個人特質(zhì)顯著影響其隱私擔(dān)憂；BANSAL et al.[37]和MALHOTRA et al.[56]的研究表明，隱私擔(dān)憂是個體的個人內(nèi)生性格和態(tài)度，也是消費(fèi)者對于投機(jī)主義行為的一種擔(dān)憂程度，當(dāng)不同性格的消費(fèi)者處在信息披露的互聯(lián)網(wǎng)環(huán)境中時，對于誰有途徑獲取自己的信息以及如何使用自己的信息有不同的態(tài)度和信任程度。因此，本研究認(rèn)為除了外部環(huán)境的影響(情景敏感度)，消費(fèi)者的異質(zhì)性(隱私擔(dān)憂)也是需要被納入的重要因素之一，從而探討不同類型的消費(fèi)者對個性化推薦的點(diǎn)擊意愿是否有所不同。

根據(jù)KIM et al.[57]的研究，AI通過算法學(xué)習(xí)人們的偏好，預(yù)測人們最喜歡的產(chǎn)品或服務(wù)很可能在大多數(shù)情況下被認(rèn)為是實(shí)用和方便的。 但是，當(dāng)消費(fèi)者自身探索欲強(qiáng)烈，愿意花時間并且享受自己尋找想要的商品和服務(wù)的過程時，這種AI服務(wù)將被消費(fèi)者厭惡。消費(fèi)者對隱私的關(guān)注負(fù)向影響用戶對個性化推薦的點(diǎn)擊意愿[58]和采納意愿[59]，基于AI的個性化推薦在很大程度上威脅消費(fèi)者的隱私，消費(fèi)者感知到的個性化程度越高，越可能給人們帶來毛骨悚然的感覺，因?yàn)橥扑]的內(nèi)容和產(chǎn)品顯示出與消費(fèi)者過于緊密的、過于熟悉的聯(lián)系[60]，反而降低消費(fèi)者對于個性化推薦的點(diǎn)擊意愿。因此，本研究提出假設(shè)。

H4隱私擔(dān)憂在感知個性化對消費(fèi)者點(diǎn)擊意愿的影響中起調(diào)節(jié)作用；

H4a當(dāng)隱私擔(dān)憂低時，與低感知個性化的推薦內(nèi)容相比，消費(fèi)者對高感知個性化的推薦內(nèi)容的點(diǎn)擊意愿更強(qiáng)；

H4b當(dāng)隱私擔(dān)憂高時，與低感知個性化的推薦內(nèi)容相比，感知個性化對消費(fèi)者的點(diǎn)擊意愿的正向影響被削弱。

因此，本研究探討AI個性化推薦系統(tǒng)對消費(fèi)者點(diǎn)擊意愿的影響機(jī)制，以及情景敏感度高和低、隱私擔(dān)憂高和低不同的情況下，個性化的推薦對消費(fèi)者的影響機(jī)制發(fā)生怎樣的變化，概念模型見圖1。

圖1 感知個性化對點(diǎn)擊意愿的影響的概念模型Figure 1 Conceptual Model of the Effect of Perceived Personalization on Click-through Intention

3 實(shí)驗(yàn)

為了驗(yàn)證假設(shè)，本研究進(jìn)行3個實(shí)驗(yàn)。實(shí)驗(yàn)1選取電影網(wǎng)站，探究感知個性化對消費(fèi)者的點(diǎn)擊意愿的影響，驗(yàn)證H1；實(shí)驗(yàn)2選取書籍網(wǎng)站，探討感知利益在感知個性化對消費(fèi)者的點(diǎn)擊意愿的影響中是否發(fā)揮中介作用，驗(yàn)證H2；實(shí)驗(yàn)3分別選取銀行服務(wù)情景和旅游網(wǎng)站服務(wù)情景，探究情景敏感度和隱私擔(dān)憂的調(diào)節(jié)作用，驗(yàn)證H3和H4。

由于當(dāng)代與互聯(lián)網(wǎng)和科技接觸最近的群體就是年輕人，因此樣本收集過程中將問卷調(diào)研群體定為在校學(xué)生，保證實(shí)驗(yàn)過程不會因?yàn)楸辉嚿矸莸牟煌艿接绊憽?/p>

3.1 實(shí)驗(yàn)1

3.1.1 實(shí)驗(yàn)設(shè)計(jì)

通過微信和問卷星等渠道，從2019年6月6日至30日分兩個批次發(fā)放問卷，6月6日至17日發(fā)放并收集第1批問卷，之后發(fā)放并收集第2批問卷，兩個批次共收集到208份有效問卷。在208個樣本中，男性有140名，占67.308%；女性有68名，占32.692%。

根據(jù)問卷發(fā)放批次，將被試隨機(jī)分到兩個小組，第1批填寫問卷的為控制組，第2批填寫問卷的為實(shí)驗(yàn)組，每組104人，控制組為低感知個性化組，實(shí)驗(yàn)組為高感知個性化組，實(shí)驗(yàn)開始時告知被試這是一個關(guān)于記憶力的實(shí)驗(yàn)，閱讀時沉浸感越強(qiáng)，記憶的效果也越強(qiáng)，避免被試猜出實(shí)驗(yàn)意圖。

MASLOWSKA et al.[19]在研究中比較了在線廣告中提高期望、識別、情景化3種個性化因素以及3種因素結(jié)合對感知個性化和對信息態(tài)度的影響。提高期望指提供個性化服務(wù)的聲明，如告訴消費(fèi)者“這項(xiàng)服務(wù)只為你而設(shè)!”；識別指通過姓名識別信息接收者；情景化指提供信息接收者的人口統(tǒng)計(jì)信息、群體信息、偏好和文化等。MASLOWSKA et al.[19]的研究發(fā)現(xiàn)，識別和3種因素結(jié)合正向影響感知個性化。因此，在本研究的實(shí)驗(yàn)設(shè)計(jì)中，為了讓實(shí)驗(yàn)參與者有高感知個性化，加入消費(fèi)者的姓名(小王)和身份信息(學(xué)生)，并表明這是為他進(jìn)行的推薦，具體如下：請被試想象自己是想要看犯罪類型的電影的大學(xué)生，并且在同一個網(wǎng)站內(nèi)瀏覽電影信息和購買電影票，之后閱讀關(guān)于AI和個性化推薦的材料。在高感知個性化組中，推薦給被試的是冷門電影《犯罪現(xiàn)場》，被試看到的推薦內(nèi)容為：親愛的小王女士/男士，為你推薦《犯罪現(xiàn)場》，現(xiàn)在點(diǎn)擊購票，上海的大學(xué)生群體享9折優(yōu)惠。這樣可以排除個性化推薦的是近期熱映的電影這一影響因素。在低感知個性化組中，推薦被試觀看、購買的則是與犯罪題材無關(guān)的卡通電影《丑娃娃》，推薦內(nèi)容為：親愛的女士/男士，為你推薦《丑娃娃》，現(xiàn)在點(diǎn)擊購票享9折優(yōu)惠。

最后，請被試填寫測量感知個性化、點(diǎn)擊意愿和個人信息的問卷。參考LI[10]的研究，測量感知個性化的題項(xiàng)為“這個推薦似乎是專門為我而設(shè)計(jì)的”“這個推薦把我當(dāng)作獨(dú)特的用戶進(jìn)行定向推薦”；參考BLEIER et al.[29]的研究，測量點(diǎn)擊意愿的題項(xiàng)為“我愿意點(diǎn)擊這個推薦獲取更詳細(xì)的信息”。所有量表均采用Likert 7點(diǎn)評分法進(jìn)行測量，1為非常不同意，7為非常同意。

3.1.2 實(shí)驗(yàn)結(jié)果和討論

(1)信度分析

由可靠性分析結(jié)果可知，感知個性化量表的Cronbach′sα值為0.742，說明感知個性化量表的因子具有可靠性，把問卷中的每個題項(xiàng)得分進(jìn)行加總后取平均值，作為最終的感知個性化的數(shù)值，再進(jìn)行主效應(yīng)檢驗(yàn)。

(2)相關(guān)分析

在驗(yàn)證假設(shè)之前，對變量之間關(guān)系進(jìn)行初步的相關(guān)性分析，結(jié)果表明，感知個性化與點(diǎn)擊意愿顯著正相關(guān)，r=0.523，p<0.010，可以對變量做進(jìn)一步的分析。

(3)主效應(yīng)檢驗(yàn)

由于實(shí)驗(yàn)過程將AI個性化推薦的感知個性化分為兩個組，分別推送不同內(nèi)容，因此進(jìn)行操控檢驗(yàn)，驗(yàn)證對實(shí)驗(yàn)組和控制組感知個性化操控是否有效。表1給出感知個性化的操控檢驗(yàn)結(jié)果，通過獨(dú)立樣本t檢驗(yàn)結(jié)果可知，低感知個性化程度組的均值為4.306，標(biāo)準(zhǔn)差為1.264；高感知個性化組的均值為5.663，標(biāo)準(zhǔn)差為1.053。p<0.001，結(jié)果顯著，說明兩組被試的感知個性化有顯著差異，也就是說實(shí)驗(yàn)對于AI個性化推薦系統(tǒng)的感知個性化程度的操控成功。

表1 實(shí)驗(yàn)1：感知個性化的獨(dú)立樣本t檢驗(yàn)結(jié)果Table 1 Study 1：Independent-samples t Test Results for Perceived Personalization

為了驗(yàn)證感知個性化對消費(fèi)者的點(diǎn)擊意愿的影響，對兩組被試數(shù)據(jù)進(jìn)行獨(dú)立樣本t檢驗(yàn)，圖2給出不同程度感知個性化下消費(fèi)者的點(diǎn)擊意愿。結(jié)果表明，高感知個性化組的均值為5.663，標(biāo)準(zhǔn)差為1.234；低感知個性化組的均值為4.306，標(biāo)準(zhǔn)差為1.528；高感知個性化組對點(diǎn)擊意愿的影響明顯高于低感知個性化組，p<0.001，科恩d=0.888，t(155)=6.798。H1得到驗(yàn)證。

圖2 實(shí)驗(yàn)1：不同感知個性化下的點(diǎn)擊意愿Figure 2 Study 1: Click-through Intention under Different Perceived Personalization

3.2 實(shí)驗(yàn)2

3.2.1 實(shí)驗(yàn)設(shè)計(jì)

在實(shí)驗(yàn)2中，從2019年7月1日至16日，通過微信和問卷星等渠道分兩個批次發(fā)放問卷，7月1日至8日發(fā)放并收集第1批問卷，之后發(fā)放并收集第2批問卷，兩個批次共發(fā)放200份問卷，最終收集到160份有效問卷。其中，男性有85名，占53.125%；女性有75名，占46.875%。根據(jù)問卷發(fā)放批次，將被試分到兩個小組，每組80人，分別為高和低感知個性化組，實(shí)驗(yàn)組和控制組的區(qū)別與實(shí)驗(yàn)1相同。告知被試這是一個關(guān)于記憶力的實(shí)驗(yàn)，閱讀時沉浸感越強(qiáng)，記憶的效果也越強(qiáng)，避免被試猜出實(shí)驗(yàn)意圖。而最開始的材料閱讀也是關(guān)于AI的特征以及基于AI的個性化推薦，強(qiáng)化消費(fèi)者對于基于AI個性化推薦的特點(diǎn)的認(rèn)知。

告知被試book.store.com網(wǎng)站采用最新的AI分析系統(tǒng)，通過對用戶行為和數(shù)據(jù)的分析自動優(yōu)化網(wǎng)站內(nèi)容，在消費(fèi)者購物過程中給出個性化推薦。在低感知個性化的控制組中，告知被試其需求是為自己購買與研究生考試數(shù)學(xué)科目相關(guān)的參考書，推薦給消費(fèi)者的內(nèi)容是與高等數(shù)學(xué)相關(guān)的參考書，推薦內(nèi)容為：女士/先生您好，為您推薦《高等數(shù)學(xué)典型題詳解》，點(diǎn)擊領(lǐng)取優(yōu)惠券，購買享8折。在高感知個性化的實(shí)驗(yàn)組中，告知被試其需求是為自己購買與研究生考試數(shù)學(xué)科目相關(guān)的參考書，推薦給消費(fèi)者的內(nèi)容也正是與研究生考試數(shù)學(xué)科目相關(guān)的參考書，推薦內(nèi)容為：小王女士/先生您好，為您推薦考研參考書《考研數(shù)學(xué)寶典》，上海的大學(xué)生可點(diǎn)擊領(lǐng)取優(yōu)惠券，購買可享8折。

最后，請被試填寫測量感知個性化、點(diǎn)擊意愿、感知利益和個人信息的問卷，測量感知個性化和點(diǎn)擊意愿的題項(xiàng)和評分方法與實(shí)驗(yàn)1相同。參考KIM et al.[33]的研究，測量感知利益的題項(xiàng)為“我愿意在網(wǎng)上分享我的個人信息，通過個性化推薦幫我節(jié)省時間”“我愿意在網(wǎng)上分享我的個人信息，通過個性化推薦得到優(yōu)惠券、折扣、獎勵或者特價”。采用Likert 7點(diǎn)評分法進(jìn)行測量，1為非常不同意，7為非常同意。

3.2.2 實(shí)驗(yàn)結(jié)果和討論

(1)信度分析

由可靠性分析結(jié)果可知，感知個性化量表的Cronbach′sα值為0.793，感知利益量表的Cronbach′sα值為0.784，說明這些因子具有可靠性，把問卷中的每個題項(xiàng)得分進(jìn)行加總后取平均值，作為最終的感知個性化和感知利益的數(shù)值，再進(jìn)行主效應(yīng)和中介效應(yīng)檢驗(yàn)。

(2)相關(guān)分析

相關(guān)分析結(jié)果表明，感知個性化與點(diǎn)擊意愿顯著正相關(guān)，r=0.609，p<0.010；感知利益與點(diǎn)擊意愿顯著正相關(guān)，r=0.420，p<0.010；感知個性化與感知利益顯著正相關(guān)，r=0.239，p<0.010。

(3)主效應(yīng)檢驗(yàn)

與實(shí)驗(yàn)1類似，表2給出實(shí)驗(yàn)2對感知個性化的操控檢驗(yàn)結(jié)果，由獨(dú)立樣本t檢驗(yàn)結(jié)果可知，低感知個性化組的均值為3.569，標(biāo)準(zhǔn)差為1.015；高感知個性化組的均值為5.525，標(biāo)準(zhǔn)差為0.754。p<0.001，結(jié)果顯著，說明兩組被試的感知個性化有顯著差異，實(shí)驗(yàn)操控成功。

表2 實(shí)驗(yàn)2：感知個性化的獨(dú)立樣本t檢驗(yàn)結(jié)果Table 2 Study 2：Independent-samples t Test Results for Perceived Personalization

為了驗(yàn)證感知個性化對消費(fèi)者的點(diǎn)擊意愿的影響，對兩組被試進(jìn)行獨(dú)立樣本t檢驗(yàn)，圖3給出不同感知個性化下消費(fèi)者的點(diǎn)擊意愿。結(jié)果表明，高感知個性化組的均值為5.213，標(biāo)準(zhǔn)差為1.347；低感知個性化組的均值為3.138，標(biāo)準(zhǔn)差為1.840；高感知個性化組對AI個性化推薦的點(diǎn)擊意愿明顯高于低感知個性化組，p<0.001，科恩d=1.540,t(145)=-8.138。H1再次得到驗(yàn)證。

圖3 實(shí)驗(yàn)2：不同感知個性化下的點(diǎn)擊意愿Figure 3 Study 2: Click-through Intention under Different Perceived Personalzation

(4)中介效應(yīng)檢驗(yàn)

為了驗(yàn)證感知利益的中介效應(yīng)，利用PREACHER et al.[61]提出的Bootstrap方法，根據(jù)ZHAO et al.[62]總結(jié)的中介效應(yīng)檢驗(yàn)程序，進(jìn)行中介檢驗(yàn)。在Spss中安裝Process插件，選擇模型4，置信水平為95%。將感知個性化作為自變量，感知利益作為中介變量，點(diǎn)擊意愿作為因變量，輸入模型，驗(yàn)證感知利益是否在感知個性化與點(diǎn)擊意愿之間發(fā)揮中介作用。①檢驗(yàn)中介效應(yīng)是否顯著，即感知個性化對點(diǎn)擊意愿的間接影響，置信區(qū)間為[0.036, 0.199]，不包含0，并且通過Sobel檢驗(yàn)，p><0.050，表示中介效應(yīng)顯著，中介效應(yīng)值為0.100。②控制中介變量感知利益后，檢驗(yàn)感知個性化對點(diǎn)擊意愿的直接影響，表3給出感知利益的中介效應(yīng)檢驗(yàn)結(jié)果。由表3可知，控制感知利益后，感知個性化對點(diǎn)擊意愿的直接影響依舊顯著，β=0.779，p<0.001，置信區(qū)間為[0.605, 0.953]，不包含0。因此，感知利益在感知個性化對點(diǎn)擊意愿的影響中沒有起完全中介作用，不是唯一的中介變量。因此，H2得到驗(yàn)證。

表3 實(shí)驗(yàn)2：感知利益中介效應(yīng)檢驗(yàn)結(jié)果Table 3 Study 2: Mediating Effect Test Results for Perceived Benefits

3.3 實(shí)驗(yàn)3

3.3.1 預(yù)實(shí)驗(yàn)

為了探究情景敏感度在消費(fèi)者感知個性化與點(diǎn)擊意愿之間的調(diào)節(jié)作用，先選出不同敏感度的情景，在正式實(shí)驗(yàn)中進(jìn)行操控檢驗(yàn)。本研究選取消費(fèi)者日常生活中經(jīng)常接觸并使用的6種互聯(lián)網(wǎng)服務(wù)作為情景敏感度的測量選項(xiàng)，包括健康保險平臺、網(wǎng)上銀行、旅游攻略平臺、電影購票平臺、外賣平臺和打車平臺，采用Likert 5點(diǎn)評分法，讓消費(fèi)者對這些情景下的服務(wù)進(jìn)行敏感度評分，形成評分矩陣，1為不敏感，5為敏感。

預(yù)實(shí)驗(yàn)中以問卷的形式收集數(shù)據(jù)，通過微信和問卷星等渠道，從2019年7月10日至17日，共發(fā)放問卷60份，回收有效問卷48份。其中，男性有22名，占45.833%；女性有26名，占54.167%。

表4給出消費(fèi)者的情景敏感度評價統(tǒng)計(jì)結(jié)果，6種消費(fèi)情景下，網(wǎng)上銀行平臺的均值為4.146，外賣平臺的均值為3.729，這兩個消費(fèi)平臺是消費(fèi)者最關(guān)注個人信息的情景，可能是由于網(wǎng)上銀行平臺涉及消費(fèi)者的金錢和個人賬戶，外賣平臺涉及消費(fèi)者的住所等重要信息，所以敏感度較高。而在電影購票平臺和旅行攻略平臺的情景下，消費(fèi)者的情景敏感度評分更低一些，均值分別為2.333和2.188。結(jié)合已有研究，正式實(shí)驗(yàn)中選取與金融相關(guān)的網(wǎng)上銀行平臺作為高情景敏感度的場景，選取旅行攻略平臺作為低情景敏感度的場景。

表4 情景敏感度評價的統(tǒng)計(jì)結(jié)果Table 4 Statistical Results for Context Sensitivity Evaluation

3.3.2 實(shí)驗(yàn)設(shè)計(jì)

與實(shí)驗(yàn)1和實(shí)驗(yàn)2類似，從2019年7月20日至31日，通過微信和問卷星等渠道分兩個批次發(fā)放問卷，7月20日至25日發(fā)放并收集第1批問卷，之后發(fā)放收集第2批問卷，兩個批次共發(fā)放230份問卷，最終收集到208份有效問卷。其中，男性有136名，占65.385%；女性有72名，占34.615%。

根據(jù)問卷發(fā)放批次，將被試隨機(jī)分到4個組，每組52人，采用情景敏感度高和低×感知個性化高和低的實(shí)驗(yàn)。實(shí)驗(yàn)開始時，告知被試這是一個關(guān)于記憶力的實(shí)驗(yàn)，閱讀時沉浸感越強(qiáng)，記憶的效果也越強(qiáng)，避免被試猜出實(shí)驗(yàn)意圖。FINBank和Gotrip企業(yè)采用最新的AI分析系統(tǒng)，通過對用戶行為和數(shù)據(jù)的分析自動優(yōu)化網(wǎng)站內(nèi)容。在高情景敏感度下，請被試想象自己是需要辦理信用卡的上海大學(xué)生，并且是周杰倫的資深粉絲，之后閱讀關(guān)于AI和個性化推薦系統(tǒng)的材料。在高感知個性化組中，給被試推薦為周杰倫粉絲定制的摩J卡信用卡，被試看到的內(nèi)容為：親愛的小王女士/先生，現(xiàn)在辦理信用卡，上海的大學(xué)生群體可以享受更多福利，點(diǎn)擊了解更多信息。在低感知個性化組中，給被試推薦普通的信用卡，被試看到的內(nèi)容為：親愛的女士/先生，現(xiàn)在辦理信用卡可以享受更多福利，點(diǎn)擊了解更多信息。在低情景敏感度下，請被試想象自己是計(jì)劃畢業(yè)后去旅行的上海大學(xué)生，并且是資深的日本動漫迷，在高感知個性化組中，給被試推薦日本自由行，而在低感知個性化組中，給被試推薦韓國自由行。

最后，請被試填寫測量感知個性化、點(diǎn)擊意愿、感知利益和個人信息的問卷，而在低情景敏感度下的高和低感知個性化組中，被試還會多回答幾個關(guān)于隱私擔(dān)憂的題項(xiàng)，之所以選擇在旅游攻略平臺測量被試的隱私擔(dān)憂程度，是為了避免高敏感度情景會加劇或者或多或少地影響消費(fèi)者的回答。參考XU et al.[45]的研究，測量隱私擔(dān)憂的題項(xiàng)為“我擔(dān)心我在網(wǎng)站上提交的信息被濫用”“我擔(dān)心其他人能通過網(wǎng)站找到與我相關(guān)的私人信息”“我對給網(wǎng)站提交個人信息感到擔(dān)憂，因?yàn)檫@些信息可能被某種我無法預(yù)測的方式利用”。

3.3.3 實(shí)驗(yàn)結(jié)果和討論

(1)信度檢驗(yàn)

對感知個性化量表、感知利益量表和隱私擔(dān)憂量表進(jìn)行信度檢驗(yàn)，感知個性化量表的Cronbach′sα值為0.752，感知利益量表的Cronbach′sα值為0.825，隱私擔(dān)憂量表的Cronbach′sα值為0.869，3個變量的量表具有較高的內(nèi)在一致性。說明這些因子具有可靠性，可以把每個題項(xiàng)的得分加總?cè)∑骄?，作為最終的感知個性化、感知利益和隱私擔(dān)憂的數(shù)值。

(2)相關(guān)分析

相關(guān)分析結(jié)果表明，感知個性化與點(diǎn)擊意愿顯著正相關(guān)，r=0.461，p<0.010；感知利益與點(diǎn)擊意愿顯著正相關(guān)，r=0.320，p<0.010；感知個性化與感知利益顯著正相關(guān)，r=0.312，p<0.010；隱私擔(dān)憂與感知個性化、點(diǎn)擊意愿和感知利益顯著負(fù)相關(guān)，相關(guān)系數(shù)分別為-0.415、-0.701、-0.363，p<0.010?；谝陨辖Y(jié)果，可以對變量做進(jìn)一步的分析。

(3)主效應(yīng)檢驗(yàn)

表5給出對感知個性化的操控檢驗(yàn)結(jié)果，由獨(dú)立樣本t檢驗(yàn)結(jié)果可知，低感知個性化組的均值為3.865，標(biāo)準(zhǔn)差為0.735；高感知個性化組的均值為5.870，標(biāo)準(zhǔn)差為0.642。p<0.001，結(jié)果顯著，說明兩組被試的感知個性化有顯著差異，實(shí)驗(yàn)操控成功。

表5 實(shí)驗(yàn)3：感知個性化的獨(dú)立樣本t檢驗(yàn)結(jié)果Table 5 Study 3：Independent-samples t Test Results for Perceived Personalization

為了驗(yàn)證感知個性化對消費(fèi)者的點(diǎn)擊意愿的影響，對兩組被試數(shù)據(jù)進(jìn)行獨(dú)立樣本t檢驗(yàn)，圖4給出不同感知個性化下消費(fèi)者的點(diǎn)擊意愿。結(jié)果表明，高感知個性化組的均值為5.872，標(biāo)準(zhǔn)差為1.094；低感知個性化組的均值為4.495，標(biāo)準(zhǔn)差為1.566；高感知個性化組對AI個性化推薦的點(diǎn)擊意愿明顯高于低感知個性化組，p<0.001，科恩d=0.879,t(154)=7.141。H1得到驗(yàn)證。

圖4 實(shí)驗(yàn)3：不同感知個性化下的點(diǎn)擊意愿Figure 4 Study 3: Click-through Intention under Different Perceived Personalization

(4)情景敏感度的調(diào)節(jié)效應(yīng)檢驗(yàn)

選擇Spss中Process插件的模型1，將情景敏感度設(shè)置為分類變量，進(jìn)行調(diào)節(jié)效應(yīng)檢驗(yàn)，驗(yàn)證情景敏感度在感知個性化與消費(fèi)者的點(diǎn)擊意愿的關(guān)系中起調(diào)節(jié)作用,表6給出情景敏感度的調(diào)節(jié)效應(yīng)檢驗(yàn)結(jié)果。

由表6可知，感知個性化與情景敏感度的交互項(xiàng)對點(diǎn)擊意愿的影響顯著，β=-0.810，p<0.001，R2=0.166；分層回歸的結(jié)果也表明，將調(diào)節(jié)變量放入回歸方程后帶來的改變是顯著的，ΔR2=0.098。因此，情景敏感度調(diào)節(jié)感知個性化與點(diǎn)擊意愿之間的關(guān)系。

表6 情景敏感度調(diào)節(jié)效應(yīng)檢驗(yàn)結(jié)果Table 6 Moderating Effect Test Results for Context Sensitivity

表7給出調(diào)節(jié)效應(yīng)的影響方向，可以判斷在情景敏感度不同時，感知個性化對消費(fèi)者的點(diǎn)擊意愿的影響有何不同，根據(jù)表7的結(jié)果繪制圖5。由表7和圖5可知，當(dāng)情景敏感度低時，與低感知個性化相比，高感知個性化的消費(fèi)者的點(diǎn)擊意愿更強(qiáng)，β=0.567，p<0.001，95%置信區(qū)間為[0.340，0.794]，不包含0；當(dāng)情景敏感度高時，與低感知個性化相比，高感知個性化的消費(fèi)者的點(diǎn)擊意愿更弱，β=-0.243，p<0.050，95%置信區(qū)間為[-0.478，-0.008]，不包含0。由此可見，情景敏感度影響感知個性化與點(diǎn)擊意愿之間關(guān)系的方向，H3得到驗(yàn)證。

表7 情景敏感度的簡單斜率檢驗(yàn)結(jié)果Table 7 Simple Slope Test Results for Context Sensitivity

圖5 情景敏感度下感知個性化與點(diǎn)擊意愿之間的簡單斜率檢驗(yàn)結(jié)果Figure 5 Simple Slopes Test Results for Perceived Personalization on Click-through Intention at Context Sensitivity

(5)隱私擔(dān)憂的調(diào)節(jié)效應(yīng)檢驗(yàn)

為了研究消費(fèi)者自身的隱私擔(dān)憂，也就是對隱私的關(guān)注度會不會影響感知個性化對點(diǎn)擊意愿的影響，將隱私擔(dān)憂作為調(diào)節(jié)變量，點(diǎn)擊意愿作為因變量，感知個性化作為自變量輸入模型，進(jìn)行調(diào)節(jié)效應(yīng)檢驗(yàn)。表8給出隱私擔(dān)憂的調(diào)節(jié)效應(yīng)檢驗(yàn)結(jié)果，感知個性化與隱私擔(dān)憂的交互項(xiàng)對點(diǎn)擊意愿的影響顯著，β=-0.154，p<0.010，R2>=0.638；分層回歸的結(jié)果表明，將調(diào)節(jié)變量放入回歸方程后帶來的改變顯著，ΔR2=0.025，p<0.010。因此，隱私擔(dān)憂調(diào)節(jié)感知個性化與點(diǎn)擊意愿之間的關(guān)系。

表8 隱私擔(dān)憂調(diào)節(jié)效應(yīng)檢驗(yàn)結(jié)果Table 8 Moderating Effect Test Results for Privacy Concern

表9給出隱私擔(dān)憂調(diào)節(jié)效應(yīng)的影響方向，可以判斷在隱私擔(dān)憂不同時，感知個性化對消費(fèi)者的點(diǎn)擊意愿的影響有何不同，根據(jù)表9的結(jié)果繪制圖6。由表9和圖6可知，當(dāng)消費(fèi)者的隱私擔(dān)憂低時，與低感知個性化相比，高感知個性化的消費(fèi)者的點(diǎn)擊意愿更強(qiáng)，β=0.818,p<0.001, 95%置信區(qū)間為[0.599, 1.038]，不包含0；當(dāng)消費(fèi)者的隱私擔(dān)憂高時，與低感知個性化相比，高感知個性化的消費(fèi)者的點(diǎn)擊意愿更強(qiáng)，β=0.350,p<0.010， 95%置信區(qū)間為[0.154, 0.545]，不包含0。說明隱私擔(dān)憂并沒有改變高和低感知個性化對消費(fèi)者的點(diǎn)擊意愿的影響方向，即兩者之間的正向關(guān)系。然而，在不同程度的隱私擔(dān)憂下，推薦內(nèi)容的感知個性化對點(diǎn)擊意愿的影響斜率相差0.469，隱私擔(dān)憂具有負(fù)向調(diào)節(jié)作用，在消費(fèi)者的隱私擔(dān)憂，即對個人隱私關(guān)注度較低時，基于AI個性化推薦的感知個性化對消費(fèi)者的點(diǎn)擊意愿的正向影響更強(qiáng)。H4得到驗(yàn)證。

表9 隱私擔(dān)憂的簡單斜率檢驗(yàn)結(jié)果Table 9 Simple Slope Test Results for Privacy Concern

圖6 隱私擔(dān)憂下感知個性化與點(diǎn)擊意愿之間的簡單斜率檢驗(yàn)結(jié)果Figure 6 Simple Slopes Test Results for Perceived Personalization on Click-through Intention at Privacy Concern

4 結(jié)論

4.1 研究結(jié)果

本研究探究AI個性化推薦的背景下，推薦內(nèi)容的感知個性化高低對于消費(fèi)者點(diǎn)擊意愿的影響機(jī)制，納入感知利益為中介變量。除此之外，考察個性化推薦系統(tǒng)對消費(fèi)者點(diǎn)擊意愿的影響的邊界條件，納入情景敏感度和隱私擔(dān)憂作為調(diào)節(jié)變量，探究在不同敏感度條件下的消費(fèi)者對于AI個性化推薦系統(tǒng)的反應(yīng)結(jié)果有何不同。研究結(jié)果表明，①個性化推薦系統(tǒng)正向影響點(diǎn)擊意愿，高感知個性化的推薦內(nèi)容帶來更高的點(diǎn)擊意愿，這一結(jié)果符合研究預(yù)期。②在AI個性化推薦下，感知利益對于消費(fèi)者的行為起重要的中介作用，也就是說，消費(fèi)者看重的是AI個性化推薦為其帶來的好處。③情景敏感度和隱私擔(dān)憂在AI個性化推薦對消費(fèi)者點(diǎn)擊意愿的影響機(jī)制中起調(diào)節(jié)作用。

4.2 理論意義和實(shí)踐意義

本研究的理論價值在于，①中國學(xué)者在AI個性化推薦的研究中，對于中介機(jī)制的探討較少，較少有研究納入感知利益作為中介因素。在已有的AI個性化推薦對消費(fèi)者意愿影響的研究基礎(chǔ)上，本研究豐富了影響機(jī)制這一理論鏈條，從消費(fèi)者行為層面認(rèn)為感知利益在影響機(jī)制中發(fā)揮中介作用；②本研究通過實(shí)驗(yàn)設(shè)計(jì)的方式，研究基于AI個性化推薦對于消費(fèi)者的點(diǎn)擊意愿的影響，完善了已有的實(shí)證研究；③基于AI個性化推薦對消費(fèi)者點(diǎn)擊意愿的影響是存在邊界條件的，本研究選擇具有代表性的敏感度高和敏感度低的情景以及與AI個性化推薦特點(diǎn)緊密聯(lián)系的隱私擔(dān)憂，發(fā)現(xiàn)其作為調(diào)節(jié)變量對影響機(jī)制帶來的變化，證明基于AI的個性化推薦系統(tǒng)對于消費(fèi)者的積極影響在不同的條件下有顯著差異。關(guān)于消費(fèi)者隱私擔(dān)憂程度對AI個性化推薦的不同影響的研究，證明隨著AI的技術(shù)提升和應(yīng)用推廣，營銷理論也應(yīng)該與時俱進(jìn)，不斷拓寬研究的邊界，尤其是隱私擔(dān)憂削弱消費(fèi)者對高感知個性化推薦的點(diǎn)擊意愿，說明從消費(fèi)者角度出發(fā)的新技術(shù)營銷研究有很大的價值。

在實(shí)踐意義方面，本研究為將來更好地發(fā)揮AI個性化推薦的作用提供了管理啟示。在人工智能時代，消費(fèi)者和企業(yè)都對未來的生活場景充滿期待，商家在尋找各種各樣的機(jī)會搶占市場，爭取消費(fèi)者，研究發(fā)現(xiàn)滿足消費(fèi)者需求有利于提升其感知利益。而在AI個性化推薦給消費(fèi)者帶來便利的同時，心智更成熟的消費(fèi)者以及相當(dāng)一部分年輕人產(chǎn)生了新的消費(fèi)思維，與便利相比，他們更加關(guān)注個人信息安全和個人隱私。商家或者平臺在收集和使用消費(fèi)者的個人信息，根據(jù)消費(fèi)者在線行為或基于相似群體進(jìn)行個性化推薦時，應(yīng)該考慮到過程的正當(dāng)性和合理性。讓消費(fèi)者了解自己的在線行為以及哪些信息和數(shù)據(jù)被商家以何種方式加以利用，在一定程度上可以降低消費(fèi)者的隱私擔(dān)憂，從而更好地利用基于AI的個性化推薦工具為消費(fèi)者提供產(chǎn)品和服務(wù)。在不同敏感度的消費(fèi)場景下，企業(yè)或者平臺應(yīng)當(dāng)不同程度地運(yùn)用AI的數(shù)據(jù)分析處理，避免在敏感的消費(fèi)情景推薦過于精準(zhǔn)和智能的內(nèi)容，引發(fā)消費(fèi)者“細(xì)思極恐”的心理，例如，在涉及金錢、個人約會、成人用品等敏感度高的情景下，基于AI個性化推薦的個性化程度可以適當(dāng)削弱，因?yàn)樵谶@些高敏感度的情景下，“大智若愚”的AI個性化推薦更讓消費(fèi)者感到安心和舒適?；ヂ?lián)網(wǎng)情景下的個人信息普遍被利用和采集，現(xiàn)實(shí)中的互聯(lián)網(wǎng)主體用戶對于這種現(xiàn)狀也有比較清晰的認(rèn)知，基本上每個人都有隱私層面的關(guān)注和擔(dān)憂。因此在實(shí)踐層面，在AI個性化推薦的趨勢下，應(yīng)該考慮如何讓不同隱私擔(dān)憂程度的人合理地享受個性化推薦帶來的好處，針對不同的人群在實(shí)踐層面提供不同程度的個性化推薦，幫助現(xiàn)代企業(yè)在實(shí)踐中真正找到技術(shù)與人性化之間的平衡點(diǎn)，從而為消費(fèi)者帶來益處，提高消費(fèi)者的點(diǎn)擊意愿，進(jìn)一步實(shí)現(xiàn)雙贏。

4.3 研究局限和未來研究方向

作為對基于AI的個性化推薦系統(tǒng)對消費(fèi)者的影響機(jī)制的初步研究，本研究還存在一些不足。①本研究從消費(fèi)者的視角，以感知個性化作為自變量。未來研究可以考慮對個性化推薦進(jìn)行分類，深入挖掘基于內(nèi)容和基于相似的人的算法推薦系統(tǒng)、情感性和功能性等不同類型AI個性化推薦的影響，以及是否涉及到消費(fèi)者隱私的個性化推薦的產(chǎn)品或服務(wù)。相應(yīng)的對于不同隱私程度的個性化推薦，營銷者應(yīng)該有所取舍，如在進(jìn)行與約會交友相關(guān)的產(chǎn)品和服務(wù)的個性化推薦時，涉及到消費(fèi)者更多的隱私、個人信息和偏好?；陔[私計(jì)算理論，本研究檢驗(yàn)了感知利益的中介作用，個性化推薦的過程可能存在不同的中介變量，如注意力、需求滿足、情感滿足等因素，未來研究可以進(jìn)一步探討這些因素的影響。②基于個性化的定義，本研究同時操控消費(fèi)者偏好和個性化信息，未來研究可以排除被試對產(chǎn)品個人偏好的影響，進(jìn)一步探討相同產(chǎn)品推薦情況下感知個性化對消費(fèi)者的影響。在實(shí)驗(yàn)設(shè)計(jì)方面，選取關(guān)于金錢的高敏感度的個性化推薦系統(tǒng)作為操控，并不能涵蓋所有類型的高敏感度情景，后續(xù)研究可以將場景拓展到相親、交友、宗教信仰等其他情景。③在樣本的選取方面，主要為大學(xué)生群體，雖然保證了實(shí)驗(yàn)設(shè)計(jì)的針對性，但是結(jié)論在其他群體內(nèi)是否依然成立仍需探討，未來研究可以選取多種群體進(jìn)行試驗(yàn)。④本研究探討AI個性化推薦，與現(xiàn)實(shí)場景中的推薦系統(tǒng)的差別較大，未來研究可以收集二手?jǐn)?shù)據(jù)進(jìn)行驗(yàn)證，也可以納入真正的模擬線上消費(fèi)場景，進(jìn)行靈活的實(shí)時推薦，從而研究消費(fèi)者的真實(shí)反應(yīng)。⑤本研究并未涉及購買意愿這一最末端的消費(fèi)者行為，因此未來研究可以納入購買意愿和支付意愿等因素，探究AI背景下消費(fèi)者行為的特點(diǎn)。⑥AI個性化推薦系統(tǒng)的應(yīng)用場景也是多元化的，包括教育、醫(yī)療、家政等各個方面，體現(xiàn)了推薦系統(tǒng)的不同特點(diǎn)，未來可以選取具體某一場景對AI個性化推薦進(jìn)行更為細(xì)致的探討。