王林 荊林波

摘 要：AI（人工智能）設備在生活中的使用范圍逐漸擴大，用戶對AI設備的接受意愿受到多方面因素的影響。本研究在整合認知失調(diào)理論和技術(shù)接受模型的基礎上，構(gòu)建和實證檢驗一個AI設備的接受意愿模型，目的在于解釋用戶在接受服務中使用AI設備的意愿影響因素的相互關系。該模型包括社會影響力、享樂動機、情感喜好、人文交互等潛變量，通過對用戶進行問卷調(diào)查收集數(shù)據(jù)，對間接影響用戶對AI設備接受的可靠預期和效率預期因素進行了檢驗。研究結(jié)果表明：用戶對在服務過程中使用AI設備的接受意愿，心理性因素對決策的影響顯著。該研究重大意義在于，驗證了向用戶傳遞AI設備的信息，滿足用戶的社會心理需求，從而提升用戶對AI設備可靠預期和效率預期的判斷，最終提升用戶對AI設備的接受意愿。為后續(xù)理論研究和AI設備在服務交付過程中的滿意度提升提供了指引。

關鍵詞：人工智能；接受意愿；可靠預期；人文交互

一、前言

2020年1月，新型冠狀病毒肺炎在武漢爆發(fā)，在全國抗擊疫情的過程中，影院、劇場、商場、商業(yè)區(qū)等人員密集型場所關閉，需要重新審視人工智能設備在服務交付過程中的使用。從2016年開始，人工智能（Artificial Intelligence 下文簡稱：AI）設備的研發(fā)、制造與市場應用在全球范圍內(nèi)呈現(xiàn)快速增長態(tài)勢（Yogesh K. Dwivedi et al.，2019）。從汽車制造生產(chǎn)線使用的裝配機器人、檢測機器人，到醫(yī)院使用的基因檢測技術(shù)，AI技術(shù)逐漸成為許多行業(yè)的得力助手。目前，傳統(tǒng)且必須有人參與的工作，如車輛駕駛、同聲傳譯、翻譯、人像核對等工作現(xiàn)在可以很容易地由AI設備實現(xiàn)，表現(xiàn)為自動駕駛、語音識別、語義識別、圖像識別等相關的技術(shù)和應用（Michael Allen，2019）。提供各種服務的公司也已開始在其服務的生產(chǎn)和交付過程中使用AI技術(shù)。例如，在酒店業(yè)，阿里巴巴將許多AI技術(shù)應用到了酒店服務中，打造出了全球首家無人實體酒店，名字叫做FlyZoo Hotel，并正式開始商用（梁春麗，2018）。在航空業(yè)中，荷航使用名為“Spencer”的AI設備來回答旅客提問，提升旅客的旅行體驗（程紹禹等，2019）。在零售業(yè)中，在線零售商店（例如，淘寶、京東、拼多多）用在線AI技術(shù)開發(fā)的個性化推薦系統(tǒng)來幫助用戶選擇最合適的商品。AI系統(tǒng)通過對龐大的數(shù)據(jù)集進行智能分析，向用戶提出個性化的建議，這種基于AI的銷售應用程序不僅可以提供快速、準確的個性化建議，同時也大大節(jié)省了企業(yè)人力成本（王昕天等，2019）。

企業(yè)在AI開發(fā)、集成和應用在服務交付方面的行業(yè)進展表明，在服務環(huán)境中采用AI設備并不僅僅是一種技術(shù)時尚，而是逐漸上升為一種行業(yè)發(fā)展的趨勢，原因在于AI設備相比于人類員工的優(yōu)勢表現(xiàn)在：從服務交付的角度來看，由于AI技術(shù)帶來的數(shù)據(jù)存儲功能、高處理速度和個性化推薦功能，與人類員工相比，AI設備不僅可以提供更一致、更及時的服務，而且還可以提供統(tǒng)一質(zhì)量標準的服務（West et al.，2018）；從運營角度來看，AI設備可以通過減少人員數(shù)量來提高運營效率，滿足及時交付的需求，從而減少員工的工作量和工作時長，從而降低運營成本（Wang et al.，2019）。

用戶在服務交付期間接受使用AI設備的意愿影響因素的研究，主要基于現(xiàn)有技術(shù)接受理論。例如，對AI機器人采用意愿的研究是基于Davis等在1989年提出的技術(shù)接受模型（Technology Acceptance Model，下文簡稱：TAM）（Sundar et al.，2016）。整合型技術(shù)接受模型（Unified Theory of Acceptance and Use of Technology，下文簡稱：UTAUT）在2012年被提出，隨后在多個環(huán)境中進行了檢驗和改進（Anja et al.，2019；孫元等，2019；徐姝等，2019）。傳統(tǒng)的技術(shù)接受模型在一定程度上解釋了用戶使用AI技術(shù)的意愿，但是這些模型最初是用于研究采用非智能技術(shù)，如自助服務技術(shù)（自動化技術(shù)）的服務交付，而AI設備則是擁有由AI技術(shù)驅(qū)動的類人化智能（Jeon et al.，2018）。因此，這些設備不需要用戶學習如何操作它們，這使得所有以易用性為核心指標的技術(shù)接受模型在服務與檢查用戶是否接受AI設備的意愿無關，也就是在有效性檢驗中，主客體不相關（Lu et al.，2019）。

本研究通過整合認知失調(diào)理論（Festinger，1962）和認知評估理論（Lazarus，1991a；Lazarus，1991b）這兩個模型，提出了AI設備使用接受度的理論模型（AI Device Use Acceptance Model，下文簡稱：AIAM模型），該模型解釋了用戶在AI設備使用過程中的多步驟的接受演進，確定細分了用戶在被服務期間接受AI設備的意愿影響因素。此外，本研究還對建議AIAM模型以識別方向和強度提議中包含構(gòu)架之間的關系模型，暨使用AI設備代替人類的存在已經(jīng)成為有爭議的主題，以至于大多數(shù)用戶都不支持公司（組織）對AI設備的立場（Makridakis，2017；Kaler，2019）。因此，支持或反對因素可能共存并相互作用以影響用戶的接受行為?？紤]到將AI設備整合到用戶的產(chǎn)品中的多面性服務交易，有必要在相同的概念框架中，充分闡釋決策階段導致正面（接受）和負面（反對）的不同效果（Lin et al.，2019）。這項研究將為研究人員和管理人員提供有關在服務交付期間用戶對AI設備接受意愿的影響因素，這些發(fā)現(xiàn)可以幫助公司在AI設備的投資、研發(fā)評估或測試階段提供決策的模型依據(jù)。

本文的框架如下：在文獻綜述部分，回顧有關AI設備的用戶行為研究，并討論Lazarus的認知—動機—情感框架。通過構(gòu)建AIAM模型，深入研究其實現(xiàn)方法和用于測試理論模型的建模過程，并進行數(shù)據(jù)收集和模型驗證。最后，提出結(jié)果的研究和討論那些在現(xiàn)有理論和實證檢驗，討論理論貢獻、管理意義、研究的局限性，以及后續(xù)的研究方向。

二、文獻綜述與模型構(gòu)建

社會影響力是指：用戶認為在服務交付中使用AI設備，與其所在的社會團體規(guī)范相關且一致性的程度，如果群體對他們來說很重要，人們就更可能遵循群體規(guī)范，用戶的社交網(wǎng)絡規(guī)范和態(tài)度是個人行為意圖的關鍵決定因素（Rather，2018）。當個人沒有足夠的知識做出明智的決策時，其受到所在社群的影響力就會越大，顧客傾向于采用自己社會群體的文化、價值觀和規(guī)范作為自己的評估標準，并據(jù)此做出行為決策（王崇等，2019）。采用一個群體的行為規(guī)范將加強個人對該群體的歸屬感，如果用戶的社交網(wǎng)絡（例如朋友、同事、親屬）對服務交付中使用AI設備持有正向的意見和態(tài)度，并建議用戶使用AI設備，那么使用AI設備將使用戶的社交身份受益（Lu et al.， 2019）。根據(jù)這些理論和經(jīng)驗證據(jù)，提出了假說1：

H1： 社會影響力與AI設備的可靠預期正相關

用戶態(tài)度的另一個方面是預期的工作量，是指使用AI設備的感知困難。根據(jù)Lazarus的框架理解，即社會規(guī)范影響到努力預期。社會規(guī)范（又稱為：主觀規(guī)范）的構(gòu)建和感知的困難，已成為在各種背景下進行一些實證研究的重要參考（Hall et al.， 2008）。如果用戶的社會團體通過相信它易于使用而對AI設備持有積極意見，那么用戶就不太可能認為該設備難以使用（Hsu et al.， 2008）。 根據(jù)這些理論和經(jīng)驗證據(jù)，提出假說2：

H2： 社會影響力與AI設備的效率預期正相關

享樂主義動機是指個人期望通過在服務交付中使用AI設備而獲得的樂趣（Veenhoven，2003）。部分研究者認為享樂動機是技術(shù)采用行為的主要預測因素（Allam et al.，2019；Venkatesh et al.， 2012）。當用戶對AI設備存有狂熱的動機時，使用AI設備將通過滿足其個人興趣或?qū)で笮路f性、娛樂性的需求而使用戶受益（Fryer et al.，2017；Jeannette et al.，2019）。結(jié)果，對使用AI設備有狂熱動機的用戶可能會對使用它們的可靠性持積極的預期。根據(jù)這些理論和經(jīng)驗證據(jù)，提出假說3：

H3： 享樂動機與AI設備的可靠預期正相關

早期的研究表明，在任務難度增加情況下，用戶動機代表了一種保護性能的補償策略（Humphreys et al.，1984）。動機與任務難度相互作用，從而影響執(zhí)行任務所需的感知精神努力（Hockey，1997）。有研究者已經(jīng)驗證了享樂動機與感知到任務的困難、努力期望水平之間的關系（Capa et al.， 2008）。根據(jù)前面的討論可推斷為，積極進取的用戶不太可能發(fā)現(xiàn)與AI設備相關的執(zhí)行任務很困難，用戶享樂動機與AI設備的期望效率預期之間存在關聯(lián)關系。 根據(jù)這些理論和經(jīng)驗證據(jù)，提出假說4：

H4： 享樂動機與AI設備的效率預期正相關

接受使用AI設備的情感喜好是指，用戶在將來的服務中使用AI設備的接受程度，即，經(jīng)過用戶復雜的內(nèi)心評估過程后，將產(chǎn)生對AI設備使用的情緒，這將決定用戶在接受服務期間是否愿意接受AI設備，即對使用AI設備的從強到弱的程度（Watson et al.，2007）。研究發(fā)現(xiàn)諸如預期、滿足、快樂、高興和驚奇之類的情緒，影響用戶對接受外部事物的期望值的變化，從而影響對AI設備可靠預期的判斷（Stock et al.，2017）。正如認知評估理論所建議的那樣，對AI設備持有積極情緒的用戶，將在服務交付過程中更愿意接受使用AI設備。根據(jù)這些理論和經(jīng)驗證據(jù)，提出假說5：

H5： 情感喜好與AI設備的可靠預期正相關

AI設備的使用需要與用戶之間進行交互， 關于AI設備的決策過程中的情緒可能不但涉及積極的情緒，而且涉及與沮喪、恐懼、不確定性和焦慮感以及擔憂有關的消極情緒（Rucker et al.，2004）。 根據(jù)認知評估理論的假設，這種情緒很可能導致某些產(chǎn)品或服務被拒絕，某些形式的情緒導致用戶拒絕技術(shù)革新所帶來的變化，由于用戶拒絕與AI設備的交互，或者配合程度不夠?qū)е碌男暑A期的變化（Chen，2012）。 根據(jù)這些理論和經(jīng)驗證據(jù)，提出假說6：

H6： 情感喜好與AI設備的效率預期正相關

人文交互又稱擬人化，是指對象的類人特征水平，例如擬人的外表、自我意識和情感。AI設備的物理、智力、邏輯重新設計，觸發(fā)了用戶對自我相關性的初步評估，這種設計是否符合用戶對用于服務交互技術(shù)的傳統(tǒng)使用習慣，一定程度上決定了用戶是否有興趣接受設備的使用（Kim et al.，2018）。人文交互是用戶對AI設備使用行為的重要決策的依據(jù)，例如，電腦的鍵盤基本沿用了傳統(tǒng)打字機的字母布局模式（Van et al.，2017）。一般而言，對AI設備人文交互需求程度較高的用戶，認為具有類人特征的AI設備，將會有助于將人類從單調(diào)、重復的活動中解放出來，提升人類的獨特性和自我認同（Ackerman，2016）。由于人文交互特征可能會與用戶使用AI設備的可靠預期產(chǎn)生關聯(lián)，因此，可評估AI設備的人文交互性與可靠預期之間具有關聯(lián)關系（Gursoy，2019）。根據(jù)這些理論和經(jīng)驗證據(jù)，提出假說7：

H7： 人文交互與AI設備的可靠預期正相關

用戶可以假定與AI設備進行交互比與人類員工進行交互可能需要更多的努力，這是因為用戶被迫與AI設備進行交互，這可能會進一步證明用戶反對在服務交付中使用AI設備，是基于他們自己的社會信仰、行為規(guī)范的聰明人假設（Kim et al.，2018）。AI設備作為類人的身份暗示著來自兩個方面的努力：設備與真實人類互動所需的努力（算法學習）、用戶學習AI技術(shù)設備所需的努力（人文交互接受性）（Brown，2005）。因此，人文交互的功能可能會增加用戶使用AI設備時所需的工作量，也會影響用戶對于AI設備接受意愿的程度預期，所以提出假說8：

H8： 人文交互與AI設備的接受意愿正相關

用戶對AI設備較高的可靠性預期，即與現(xiàn)有信念不一致的評估會導致認知失調(diào)，在這種情況下，用戶傾向于通過遵循先前的評估來最小化不和諧的因素，而不是去挑戰(zhàn)它，從而漸漸適應使用AI設備（Festinger，1962）。對使用AI設備的成本和收益進行的評估，將導致產(chǎn)生在服務交付中使用AI設備的情緒，如果用戶認為使用AI設備可以通過提供快速、可靠、準確和一致的服務而受益，從而改善服務質(zhì)量，就會產(chǎn)生積極的情緒（West et al.，2018）。根據(jù)這些理論和經(jīng)驗證據(jù)，提出假說9：

H9： 可靠預期與AI設備的接受意愿正相關

在服務交付中使用AI設備也可能會導致用戶與AI設備之間的溝通障礙（Lu et al.，2019），或者需要更多的認知才能理解AI設備的混亂和復雜設計（Thompson et al.，1991），這可能會增加溝通所需的工作量。因此，如果用戶認為使用AI設備會花費過多的精力，就會因?qū)I設備的效率預期下降，從而產(chǎn)生負面情緒（Lazarus，1991b）。根據(jù)這些理論和經(jīng)驗證據(jù)，提出假說10：

H10： 效率預期與AI設備的接受意愿正相關

潛變量分為：社會影響力、享樂動機、情感喜好、人文交互、可靠預期、效率預期和接受意愿，潛變量拆分為可進行測量的顯變量，如表1所示。

通過對前人研究模型的借鑒，結(jié)合對AI設備使用過程中影響因素的綜合分析，本研究初步構(gòu)建了AI設備使用接受度理論模型（AIAM模型），如圖1所示。

三、模型擬合與結(jié)果分析

擬議的AIAM模型使用了通過問卷星網(wǎng)站（www.wjx.cn）提供的在線用戶小組收集的數(shù)據(jù)進行檢驗。這個基于Web的平臺數(shù)據(jù)收集的方法與傳統(tǒng)線下問卷統(tǒng)計的方法相比，具有更好的數(shù)據(jù)來源質(zhì)量，更具代表國內(nèi)的用戶樣本（李紀真等，2019）。在當前的研究中，要求參與者完成在線調(diào)查后，可以換取少量的積分、抽獎等物質(zhì)獎勵，目的是為了確保問卷回答的有效性和可靠性。在線調(diào)查中插入了許多驗證和注意檢查的問題，以識別隨機答復已完成調(diào)查的可靠性，保證問卷填寫方是自然人，而非類人思維的AI設備。

（一）基礎數(shù)據(jù)分析

本研究中使用的調(diào)查工具包括兩個部分：人口統(tǒng)計信息和主要問題。人口信息部分主要詢問有關性別、年齡、受教育程度和收入狀況的問題；主要問題包括用于測量提議模型中包括的七個潛變量，大多數(shù)項目是從以前比較成熟的量表中采用。更具體地說，用于社會影響力（6個項目）、享樂動機（5個項目）、情感喜好（5個項目）、人文交互（4個項目）、可靠預期（4個項目）、效率預期（3個項目）、接受意愿（3個項目）從UTAUT量表和SRIW量表這兩個成熟的量表中選取。用于評估情緒的項目使用7點雙極量表（例如無聊/放松或不滿意/滿意）進行測量。通過7點不同意的李克特量表（1–完全不同意， 7–完全同意）來衡量用于評估建議模型中其他構(gòu)造的項目。

使用AMOS 7.0軟件對提出的概念模型進行了測試，在大數(shù)據(jù)問卷的發(fā)放之前，先進行了100份小樣本數(shù)據(jù)的驗證性因素分析（CFA）測試，以測試測量模型的科學性。之后測試了結(jié)構(gòu)模型的擬合性，以評估所建議關系的強弱程度和影響方向。第一步，從正常性、可靠性、收斂效度和判別效度方面評估測量模型。在第二步中，通過使用基于最大似然估計的CB-SEM評估結(jié)構(gòu)模型方法，與PLS-SEM相比，當研究的目的是測試理論模型，并且當構(gòu)建物的測量模型為CBSEM時，CB-SEM可提供較小的偏差和更準確的結(jié)果概念化為反射性并通過一個公共因子模型進行衡量（吳明隆，2010）。

通過網(wǎng)絡渠道發(fā)放1 500份問卷，回收有效問卷1 205份，有效回收率為80.33%。如表2所示，參與者中57.5%是女性，43.5%是男性。很大一部分參與者年齡在26-34歲之間（38.2%），擁有學士學位（41.4%），家庭年收入5 000元至￥ 9 999元（19.1%）。這項研究報告中受訪者的人口狀況相似，在利用各種數(shù)據(jù)的采集方法，如以前關于零售商店的研究（Foroudi et al.，2018），或市場研究中的隨機抽樣方法（丁寧等，2019；毛振福等，2019）。這表明就人口分布而言，該樣本適合本研究。

（二）測量模型評估

為了確保數(shù)據(jù)分析的質(zhì)量，通過CFA評估了測量模型。首先，檢查每個結(jié)構(gòu)的測量項目的正態(tài)性（Thompson，2004），基于偏度和峰度應小于2的規(guī)則，結(jié)果表明沒有當前數(shù)據(jù)集中的問題（Hair et al.，1998）。接下來，評估了項目和構(gòu)造的內(nèi)部一致性可靠性、收斂有效性和判別有效性。如表3所示，AIAM模型的所有Cronbachs Alphas值均大于建議的臨界值0.70（Hair et al.，2011），并且所有項目的因子負荷（Item loadings）均是顯著的，提供強大的內(nèi)部一致性證據(jù)。所有構(gòu)建體的平均方差提?。ˋVE）值均高于0.50，表明所需的收斂效度滿足模型擬合需求（Fornell et al.，1981）。

最后，評估總體測量模型的整體擬合度。結(jié)果表明，該測量模型具有良好的模型擬合度。CFI和TLI分別為0.97和0.98，超過了良好模型擬合的建議臨界值0.95；近似均方根誤差（RMSEA）為0.04，標準均方根殘差（SRMR）為0.04，也表明模型擬合良好（Hu et al.，1999）。測量模型的卡方值為909.19，其中為492自由度，卡方與自由度的比率小于3，這表明模型具有足夠的擬合度（Kline，2005）。

（三）結(jié)構(gòu)模型評估

CFA結(jié)果提供了強有力的證據(jù)，證明了該測量模型的有效性和可靠性。接下來，利用CBSEM檢查AIAM結(jié)構(gòu)模型。首先，評估結(jié)構(gòu)模型的模型擬合度。結(jié)構(gòu)模型的卡方值1 290.3，和自由度是506（卡方值和自由度的比率是2.55），這表明AIAM模型擬合為良好（Kline，2005）。CFI和TLI分別為0.95和0.94，表明模型擬合良好。RMSEA和SRMR的對應值分別為0.07和0.06，分別提供了更多的證據(jù)為結(jié)構(gòu)模型的充分性（Hu et al.，1999），AVE的構(gòu)造根與平方根之間的相關性如表4所示，說明測量模型的判別效率是符合要求的（Hu et al.，1999）。

如圖2所示，AIAM結(jié)果表明，所有提出的假設均得到支持，說明AIAM模型的構(gòu)建是成立的。更具體地說，這項研究發(fā)現(xiàn)，在AI設備的用戶接受影響因素中，用戶對AI設備的態(tài)度，間接通過可靠預期和效率預期的反饋。

圖2結(jié)果表明，用戶對使用AI設備的重要性和相關性的評估基于其社交網(wǎng)絡、群體規(guī)范、享樂動機和人文交互。同時，在間接影響中，可靠預期和效率預期強烈地決定用戶對AI設備使用的接受意愿。在用戶最后的決策階段，心理預期在AI設備的使用決策意圖方面，起著至關重要的作用。模型結(jié)果清楚地表明用戶在確定使用AI設備接受服務中的意愿，實際上的確是一個復雜的多階段決策影響過程，這是對Lazarus的認知—動機—情感框架理論的重要延伸與發(fā)展。

（四）模型結(jié)果分析

模型擬合結(jié)果表明，用戶所處的社會環(huán)境，暨社會影響、情感喜好（例如，鼓勵親朋好友使用AI設備）與用戶接受AI設備使用的意愿息息相關，在使用AI設備過程中的認知成本越低，使用AI設備相關的意愿越強。當用戶的社會影響力不足時，借助AI設備，用戶的意見不僅幫助確定這些AI設備是否值得使用，也有影響用戶對AI設備感知利益的主觀需求。這項研究揭示了享樂動機原理的新見解，解釋社會影響力在用戶對AI設備使用意愿方面的積極作用，已經(jīng)突破TAM和UTAUT模型研究發(fā)現(xiàn)的范疇。

這項研究表明，用戶很可能會關注AI設備與其社交網(wǎng)絡的關聯(lián)性，即，用戶所在社交網(wǎng)絡群體是否已經(jīng)認可了這項新技術(shù)。首先，用戶可能會相信其他人愿意接受使用AI設備，因為AI設備帶來了好處或優(yōu)勢，例如效率預期的相對提升，這種信念會積極影響用戶本身對AI設備的效率預期評估。其次，基于社會認同理論，用戶可能會相信在其社交網(wǎng)絡中使用AI設備，有益于其社交身份在其社交團體中得到提升，從而更愿意接受在服務交付中AI設備的使用，產(chǎn)生相得益彰的效果，即，對AI設備的使用持積極態(tài)度正是由于這種外部社會動機因素引起的。此外，在社會影響力與期望的工作量（效率預期）方面，用戶不必擔心AI設備在期望工作量與AI設備的使用時間的矛盾，起決定作用的是，用戶認為AI使用是與他們的社會影響力一致的。因此，正如調(diào)查結(jié)果所表明的，用戶更有可能專注于使用AI設備的收益而不是使用時長。實際上，社會影響力（或社會規(guī)范）會影響用戶對采用技術(shù)的決策。雖然Venkatesh的研究已經(jīng)證實了社交影響力積極影響用戶對技術(shù)的接受度，但其研究僅對其進行了直接檢驗，沒有支持證據(jù)解釋其潛在機制的證據(jù)（Venkatesh et al.，2000），本研究是對Venkatesh研究的進一步論證。

研究還表明，人文交互是用戶評估AI設備的性能優(yōu)勢（可靠預期），進而引導用戶積極的情緒和行為的結(jié)果。此外，享樂動機對效率預期具有正相關作用，這與Torres認為享樂動機（例如娛樂性和趣味性）在確定用戶的技術(shù)接受行為方面具有相同作用。另一個有趣發(fā)現(xiàn)是，人文交互與接受意愿正相關，這一發(fā)現(xiàn)似乎挑戰(zhàn)了先前的研究，這表明人類更喜歡AI新技術(shù)的特點，不再簡單認為這是一種普通的自動化技術(shù)，人文交互的積極影響是僅適用于具有人類外觀的非智能設備，并且AI設備的算法邏輯是居于人類思考邏輯，從而提高用戶的情感需求（感知性能）。實際上，根據(jù)目前的研究，有理由得出這樣的結(jié)論：用戶所使用的高人文交互性的AI設備，會提升用戶自我認同和自我滿足。

調(diào)查結(jié)果表明，AI設備的感知性能和使用它們需要付出的交互成本是關鍵因素，這一發(fā)現(xiàn)突出了用戶評估行為的功利性，就是具有趨利避害的特性。用戶在AI設備使用前，可能會分析與任何AI設備相關的收益和成本選項。但是，還有許多其他因素，例如，社會影響力、享樂動機、情感喜好等可能導致對成本和收益的影響。更確切地說，用戶對他們愿意接受使用AI設備的喜好，受到其所在社會圈子內(nèi)類似AI設備使用數(shù)量的影響?？煽款A期對接受意愿的影響遠大于效率預期對接受意愿的影響，此表明用戶對AI設備性能感知關系到對設備期望的評估，即，可靠預期是重要的決策動機。用戶情緒是最終的先決條件，即用戶愿意接受AI設備用于服務交付。情感喜好是決定用戶是否愿意接受使用AI設備，用戶較高的積極情緒會產(chǎn)生較高的AI設備接受意愿。

四、討論

（一）理論貢獻

該研究對影響用戶在AI設備接受意愿過程中的因素進行理論假設與模型構(gòu)建，并檢驗這些因素之間的相互關系。這項研究表明，利用傳統(tǒng)的技術(shù)接受模型，即用戶對技術(shù)的接受以及統(tǒng)一接受和使用技術(shù)的相關理論，可能不適用于研究用戶對AI設備的接受意愿。人工智能技術(shù)與非智能技術(shù)（主要指的是自動化技術(shù)）確定的一些技術(shù)采納因素不適用對AI設備的用戶使用意愿研究，本研究是對技術(shù)接受模型理論的重要發(fā)展。

本研究的模型表明，用戶經(jīng)歷了認知的多階段決策過程，確定在服務交互期間接受AI設備使用的意愿，通過識別潛在的心理路徑來解釋用戶行為意圖的演變，從而超越了現(xiàn)有的技術(shù)接受文獻，而AI設備扮演這個角色（Tracy et al.，2004）。該框架沒有像Venkatesh的研究（Venkatesh et al.，2012）那樣將所有前因視為獨立因素，而是揭示了這些決策驅(qū)動因素及其發(fā)生順序的相互依存關系。這可以借助認知評估理論解釋了，積極情緒的產(chǎn)生最終決定了用戶接受AI設備的決策，對AI設備的人文交互的感知水平，顯著影響了用戶使用AI設備的效率預期。解釋了Ackerman研究中，人文交互的影響還在于對預期的工作量的影響，用戶通過使用與人類相似的功能，來假設拒絕使用AI設備是合理的，人文交互的便利性所影響到用戶情緒行為，這超出了關于人類外貌施加的身份威脅的爭論（Ackerman，2016），表明人文交互這個因素在用戶接受AI設備過程中的關鍵影響作用，即，AI設備所采用的決策邏輯，符合人類的決策邏輯。

（二）管理意義

如前所述，越來越多的服務公司投資開發(fā)AI設備，以提高工作效率、降低成本。然而，研究表明，并非所有用戶都愿意在服務期間接受AI設備（Lu et al.，2019）。因此，在無法明確判斷用戶是否接受AI設備的意愿的情況下盲目投資AI技術(shù)可能會導致資源浪費，甚至導致原有用戶流失。在服務行業(yè)中尤其如此，員工與用戶之間的互動被認為是服務質(zhì)量的關鍵決定因素，用AI設備來履行人類員工承擔的功能、社會和情感角色，從根本上挑戰(zhàn)了用戶在接受服務時的心理和社交需求。因此，用戶可能無法在接受服務期間與AI設備進行無障礙交互，并可能要求與人類員工進行交互。因此，了解導致在服務交付中接受使用AI設備的決策驅(qū)動因素，對于計劃引入或增加AI設備的服務公司而言，在服務交付期間對用戶的前期習慣和社交圈子的了解顯得至關重要。

研究結(jié)果表明，用戶對AI設備的情感偏好可以減輕用戶在遇到服務時對使用AI設備的異議。對AI設備使用異議是通過與滿足用戶人文交互需求的因素來衡量，某些用戶在服務期間需要與人類員工進行互動，但這并不意味著公司應該避免將AI設備用于服務過程中，而是可以在人類員工的監(jiān)督下將AI設備用作服務輔助工具，這可能會滿足AI反對者的需求。可靠性預期是用戶接受的重要決定因素，管理人員應專注于確保和增強AI設備的可靠性，以消除不必要的錯誤。

研究結(jié)果還強調(diào)了社會影響力對重要性AI設備的效率預期。隨著越來越多的用戶愿意接受AI設備的使用，用戶很可能將AI設備的使用視為一種服務交付的有效載體，因此，他們也更愿意接受在服務交付中使用AI設備。因此，需要關注那些愿意在服務交付中使用AI設備的用戶，并使用個性化推薦向他們傳遞證明AI設備的卓越性能的信息，并激勵這些活躍的用戶通過社交媒體分享他們的經(jīng)歷，從其內(nèi)部社交網(wǎng)絡中提升對AI設備社會影響力的氛圍，促進更多的用戶使用AI設備的意愿產(chǎn)生。

五、結(jié)論

本文基于既有研究中確定了對用戶AI設備接受行為有重大影響的因素，包括社會影響力、享樂動機、情感喜好、人文交互、可靠預期、效率預期等?；谡J知評估理論，本研究提出了AI設備接受意愿（AIAM）模型，包括用戶對AI設備使用的重要性和相關性的評估，用戶對使用AI設備的感知收益（效率預期）和預期成本（可靠預期）的評估，反映了情緒、喜好、預期等心理性因素對用戶接受AI設備接受意愿的不同程度。如前所述，盡管已有幾項研究探討了與AI相關的不同主題，但仍然沒有一個綜合的理論和概念框架可用來解釋用戶對AI設備使用態(tài)度生成過程中的關鍵因素。這項研究中提出的AIAM模型可以用來解釋用戶在服務中愿意接受AI設備或拒絕使用AI設備的意愿。

本研究并非沒有局限性。首先，AIAM模型需要進行其他測試以提高其通用性。這項研究的數(shù)據(jù)是通過在線收集的方式，主要是國內(nèi)的用戶數(shù)據(jù)，因此該模型對其他國家或地區(qū)的用戶接受態(tài)度的普遍性尚不清楚。未來的研究應使用多個大樣本進行對比分析，最好是跨國的樣本，以評估本研究中提出和測試的AIAM模型的通用性。此外，還需要進一步的研究來在不同的服務部門（例如酒店、飯店、零售商店或網(wǎng)約車等多個AI應用場景）測試此AIAM模型。因為不同的服務部門可能涉及不同類型、數(shù)量的員工，與用戶互動的頻率、深入度也存在差異，因此在特定部門中測試AIAM可以提供更多的研究洞察及發(fā)現(xiàn)，以了解用戶采用AI設備的行為。本研究僅考察了少數(shù)幾個因素，這些因素會影響用戶在接受服務時接受AI設備的意愿，可能還有其他變量可能會對用戶接受AI設備的意愿產(chǎn)生重大影響。未來的研究應該繼續(xù)找尋是否還有其他因素可以添加到當前框架中，以增加AIAM模型對AI設備使用意愿的評估。

參考文獻：

[1] 梁春麗. 未來酒店來了——阿里巴巴開設首家無人酒店[J]. 金融科技時代，2018（11）：91.

[2] 程紹禹，李修娣，孫一楠，林家宏，樊丹麗，張玉林. 人工智能技術(shù)在我國大型機場值機服務中的應用與發(fā)展研究[J]. 科學技術(shù)創(chuàng)新，2019（16）：66-67.

[3] 王昕天，汪向東. 社群化、流量分配與電商趨勢：對“拼多多”現(xiàn)象的解讀[J]. 中國軟科學，2019（07）：47-59.

[4] 孫元，賀圣君，尚榮安，傅金娣. 企業(yè)社交工作平臺影響員工即興能力的機理研究——基于在線社會網(wǎng)絡的視角[J]. 管理世界，2019，35（03）：157-168.

[5] 徐姝，夏凱，蔡勇. 消費者對農(nóng)產(chǎn)品可追溯體系接受意愿的影響因素研究——基于擴展的技術(shù)接受模型視角[J]. 貴州財經(jīng)大學學報，2019（01）：82-92.

[6] 王崇，陳大峰. O2O模式下消費者購買決策影響因素社群關系研究[J]. 中國管理科學，2019，27（01）：110-119.

[7] 李紀珍，周江華，谷海潔. 女性創(chuàng)業(yè)者合法性的構(gòu)建與重塑過程研究[J]. 管理世界，2019，35（06）：142-160+195.

[8] 郭凱明. 人工智能發(fā)展、產(chǎn)業(yè)結(jié)構(gòu)轉(zhuǎn)型升級與勞動收入份額變動[J]. 管理世界，2019，35（07）：60-77+202-203.

[9] 丁寧，王晶. 基于感知價值的消費者線上線下購買渠道選擇研究[J]. 管理學報，2019，16（10）：1542-1551.

[10] 毛振福，余偉萍，李雨軒. 企業(yè)環(huán)保主張對消費者綠色購買意愿的影響機制研究[J]. 商業(yè)經(jīng)濟與管理，2019（09）：68-78.

[11] Yogesh K. Dwivedi，Laurie Hughes，Elvira Ismagilova，Gert Aarts， Michael D. Williams.ArtificialIntelligence（AI）：Multidisciplinary perspectives on emerging challenges， opportunities， and agenda for research， practice and policy International Journal of Information Management， In press， corrected proof， Available online 27 August 2019.

[12] Michael Allen. The Chief Security Officers Handbook： Leading Your Team into the Future[M]2019， Pages 35-65.

[13] West， A.， Clifford， J.， & Atkinson， D. （2018）. “Alexa， build me a brand”： An investigation into the impact of artificial intelligence on branding. The Business & Management Review， 9（3）， 321–330.

[14] Wang， L. and Dai， X. （2020）. Exploring factors affecting the adoption of mobile payment at physical stores， Int. J. Mobile Communications， Vol. 18， No. 1， pp.67–82.

[15] Sundar， S. S.， Waddell， T. F.， & Jung， E. H. （2016）. The Hollywood robot syndrome media effects on older adults attitudes toward robots and adoption intentions”， in Human-Robot Interaction （HRI）. 2016 11th ACM/IEEE International Conference， 343–350 Christchurch， New Zealand.

[16] Anja Garone， Bram Pynoo， Jo Tondeur， Celine Cocquyt，Silke Vanslambrouck，Bram Bruggeman，Katrien Struyven. Clustering university teaching staff through UTAUT： Implications for the acceptance of a new learning management system[J]. British Journal of Educational Technology，2019，50（5）.

[17] Jeon， M. M.， Lee， S.， & Jeong， M. （2018）. e-Social influence and customers behavioral intentions on a bed and breakfast website. Journal of Hospitality Marketing &Management， 27（3）， 366–385.

[18] Lu， L.， Cai， R.， & Gursoy， D. （2019）. Developing and validating a service robot integration willingness scale. International Journal of Hospitality Management， 80， 36–51.

[19] Festinger， L. （1962）. A theory of cognitive dissonance （Mass communication series （Voice of America））. Stanford， CA： Stanford University Press.

[20] Lazarus， R. S. （1991a）. Cognition and motivation in emotion. American Psychologist， 46（4），352–367.

[21] Lazarus， R. S. （1991b）. Progress on a cognitive-motivational-relational theory of emotion.American Psychologist， 46（8）， 819–834.

[22] Makridakis， S. （2017）. The forthcoming Artificial Intelligence （AI） revolution： Its impact on society and firms. Futures， 90， 46–60.

[23] Kaler Jasmeet， Ruston Annmarie（2019）. Technology adoption on farms： Using Normalisation Process Theory to understand sheep farmers attitudes and behaviours in relation to using precision technology in flock management[J]. Preventive veterinary medicine，170.

[24] Lin Wang， Xuefeng Dai（2019）.Exploring factors affecting the adoption of Mobile Payment at physical stores[J].International Journal of Mobile Communications，06：123-134.

[25] Rather， R. A. （2018）. Investigating the impact of customer brand identification on hos- pitality brand loyalty： A social identity perspective. Journal of Hospitality Marketing & Management， 27（5）， 487–513.

[26] Hall， B. ， & Henningsen， D. D. . （2008）. Social facilitation and human–computer interaction. Computers in Human Behavior， 24（6）， 2965-2971.

[27] Hsu， C. L. ， & Lin， C. C. . （2008）. Acceptance of blog usage： the roles of technology acceptance， social influence and knowledge sharing motivation.Information & Management， 45（1）， 65-74.

[28] Veenhoven， R. . （2003）. Hedonism and happiness. Journal of Happiness Studies，4（4）， 437-457.

[29] Allam， H.， Bliemel， M.， Spiteri， L.， Blustein， J.， & Ali-Hassan， H. （2019）. Applying a multidimensional hedonic concept of intrinsic motivation on social tagging tools： A theoretical model and empirical validation. International Journal of Information Management， 45， 211–222.

[30] Venkatesh， V.， Thong， J.， & Xu， X. （2012）. Consumer acceptance and user of information technology： Extending the unified theory of acceptance and use of technology. MIS Quarterly， 36， 157–178.

[31] Fryer， L. K.， Ainley， M.， Thompson， A.， Gibson， A.， & Sherlock， Z. （2017）. Stimulating and sustaining interest in a language course： An experimental comparison of Chatbot and Human task partners. Computers in Human Behavior， 75， 461–468.

[32] Jeannette Paschen，Jan Kietzmann，Tim Christian Kietzmann. Artificial intelligence （AI） and its implications for market knowledge in B2B marketing[J]. The Journal of Business & Industrial Marketing，2019，34（7）.

[33] Humphreys， M. S.， & Revelle， W. （1984）. Personality， motivation， and performance： A theory of the relationship between individual differences and information processing.Psychological Review， 91（2）， 153.

[34] Hockey， G. R. J. （1997）. Compensatory control in the regulation of human performance under stress and high workload： A cognitive-energetical framework. Biological psychology，45（1-3）， 73–93.

[35] Watson， L.， & Spence， M. T. （2007）. Causes and consequences of emotions on consumer behaviour： A review and integrative cognitive appraisal theory. European Journal of Marketing， 41（5/6）， 487–511.

[36] Stock， R.， & Merkle， M. （2017）. A service robot acceptance model： User acceptance of humanoid robots during service encounters. IEEE International Conference on Pervasive Computing and Communications Workshops （PerCom Workshops）， 339–344.

[37] Rucker， D. D.， & Petty， R. E. （2004）. Emotion specificity and consumer behavior： Anger，sadness， and preference for activity. Motivation and Emotion， 28（1）， 3–21.

[38] Chen， S.， & Granitz， N. （2012）. Adoption， rejection， or convergence： Consumer attitudes toward book digitization. Journal of Business Research， 65（8）， 1219–1225.

[39] Kim， N.， & Kim， W. （2018）. Do your social media lead you to make social deal purchases？ Consumer-generated social referrals for sales via social commerce. International Journal of Information Management， 39， 38–48.

[40] van Doorn， J.， Mende， M.， Noble， S. M.， Hulland， J.， Ostrom， A. L.， Grewal， D.， et al. （2017）. Domo arigato Mr. Roboto： Emergence of automated social presence in organizational frontlines and customers service experiences. Journal of Service Research， 20（1）， 43–58.

[41] Ackerman， E. （2016）. Study： Nobody wants social robots that look like humans because they threaten our identity. IEEE Spectrum， 1–5.

[42] Gursoy， D. （2019）. A critical review of determinants of information search behavior and utilization of online reviews in decision making process. International Journal of Hospitality Management， 76， 53–60.

[43] Kim， H. Y.， & McGill， A. L. （2018）. Minions for the rich？ Financial status changes how consumers see products with anthropomorphic features. Journal of Consumer Research， 45（2）， 429–450.

[44] Brown， K. R.， & Jurisica， I. （2005）. Online predicted human interaction database.Bioinformatics，21（9）， 2076-2082.

[45] Festinger， L. （1962）. A theory of cognitive dissonance （Mass communication series （Voice of America））. Stanford， CA： Stanford University Press.

[46] West， A.， Clifford， J.， & Atkinson， D. （2018）. “Alexa， build me a brand”： An investigation into the impact of artificial intelligence on branding. The Business & Management Review， 9（3）， 321–330.

[47] Thompson， R. L.， Higgins， C. A.， & Howell， J. M. （1991）. Personal computing： Toward a conceptual model of utilization. MIS Quarterly， 125–143.

[48] Foroudi， P.， Gupta， S.， Sivarajah， U.， & Broderick， A. （2018）. Investigating the effects of smart technology on customer dynamics and customer experience. Computers in Human Behavior， 80， 271–282.

[49] Thompson， B. （2004）. Exploratory and confirmatory factor analysis. Understanding concepts and applications. American Psychological Association.

[50] Hair， J. F.， Anderson， R. E.， Tatham， R. L.， & William， C. （1998）. Multivariate data analysis. Upper Saddle River， NJ： Prentice Hall.

[51] Hair， J. F.， Ringle， C. M.， & Sarstedt， M. （2011）. PLS-SEM： Indeed a silver bullet. Journal of Marketing Theory and Practice， 19（2）， 139–152.

[52] Fornell， C. G.， & Larcker， D. F. （1981）. Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research， 18（1），39–50.

[53] Hu， L.， & Bentler， P. M. （1999）. Cutoff criteria for fit indexes in covariance structure analysis： Conventional criteria versus new alternatives. Structural Equation Modeling，6（1）， 1–55.

[54] Kline， R. B. （2005）. Methodology in the social sciences. Principles and practice of structural equation modeling （2nd ed.）. New York， NY， US： Guilford Press.

Research on Users Acceptance of Artificial Intelligence Devices

WANG Lin JING Lin-bo

Abstract： AI （Artificial Intelligence） devices are widely used in daily life， and users willingness to use AI devices is affected by many factors. Based on the integration of cognitive dissonance theory and technology acceptance model， this study constructs and empirically tests an AI device acceptance willingness model， aiming to explain the interrelation of factors influencing users willingness to use AI devices in receiving services Department. The model includes social influence， hedonic motivation， emotional preference， human interaction and other potential variables. By collecting data from users questionnaires， it tests the reliability expectation and efficiency expectation factors that indirectly affect users acceptance of AI devices. The results show that： users willingness to use AI devices in the service process， psychological factors have a significant impact on decision-making. The significance of this study is to verify that the information of AI devices is transmitted to users， to meet users social and psychological needs， so as to improve users judgment of reliability expectation and efficiency expectation of AI devices， and ultimately enhance users willingness to accept AI devices. It provides guidance for the follow-up theoretical research and the improvement of AI equipment satisfaction in the service delivery process.

Keywords： artificial intelligence； willingness to accept； reliable expectation； human interaction

〔執(zhí)行編輯：秦光遠〕