范月嬌，劉香港

(華僑大學(xué)工商管理學(xué)院，福建 泉州 362021)

一、引 言

以人工智能(AI)、區(qū)塊鏈(Block Chain)、云計算(Cloud)、大數(shù)據(jù)(Data)等為代表的新一代信息技術(shù)的應(yīng)用正逐步成為全球經(jīng)濟(jì)增長的新動力，對人們生產(chǎn)活動的內(nèi)容和方式產(chǎn)生深刻影響，推動了營銷戰(zhàn)略的全方位變革，促使?fàn)I銷邁向“營銷5.0”階段[1]。消費者需求也呈現(xiàn)出高度易變、不確定、模糊和復(fù)雜的特征，傳統(tǒng)品牌產(chǎn)品推薦方式和營銷模式越來越難以應(yīng)對這一挑戰(zhàn)。于是人工智能算法作為收集和運用數(shù)據(jù)的有效工具應(yīng)運而生，企業(yè)使用它來捕獲并分析消費者所產(chǎn)生的海量數(shù)據(jù)，勾勒用戶畫像，利用算法推薦給消費者推送相關(guān)的產(chǎn)品和廣告信息，以期達(dá)到品牌形象塑造和產(chǎn)品推廣的目的。人工智能算法推薦已成為營銷理論和實務(wù)界關(guān)注的焦點。

現(xiàn)有人工智能算法(簡稱AI算法)推薦對品牌影響的研究有限，且分成兩種不同的觀點。一種觀點認(rèn)為AI算法推薦有利于品牌影響力傳播，因為AI算法推薦在預(yù)測消費者喜好基礎(chǔ)上進(jìn)行信息的精準(zhǔn)分發(fā)，在注意力稀缺的當(dāng)下，這無疑是企業(yè)提高營銷效率的良好途徑[2]。例如，AI算法推薦能夠通過特定方式提升品牌認(rèn)可度，促進(jìn)品牌產(chǎn)品的推廣[3]，并通過機器學(xué)習(xí)算法的動態(tài)識別模型影響消費者的品牌決策偏好[4]。另一種觀點認(rèn)為AI算法推薦并不總是受到消費者青睞[5]，算法歧視、“大數(shù)據(jù)殺熟”及誘導(dǎo)沉迷等算法應(yīng)用導(dǎo)致的問題深刻影響著消費群體。例如，Srinivasan和Sarial-abi(2021)[6]認(rèn)為算法推薦可能會造成消費者品牌傷害危機；Dietvorst等(2015)[7]研究了消費者對智能算法推薦負(fù)面特征的算法厭惡效應(yīng)。究其原因，主要是由AI算法的隱私性和侵入性負(fù)面特征所引起，并對消費者采納、購買意愿和行為會產(chǎn)生重要影響。

人工智能算法推薦如何保證用戶的信息選擇權(quán)和知情權(quán)，解決隱私擔(dān)憂的困擾[8]？對個人行為軌跡、用戶畫像數(shù)據(jù)的侵入性采集是否會將消費者置于時時被監(jiān)控的“圓形監(jiān)獄”之中[2]？企業(yè)采用人工智能算法推薦的方式真的能加深消費者對品牌的認(rèn)知嗎？越來越多的算法不能如預(yù)期的那樣執(zhí)行，甚至?xí)斐善放苽ξC。然而，研究及營銷人員對消費者的品牌反應(yīng)知之甚少[6]。因此，本文基于心理抗拒理論，利用情景實驗以及Bootstrap等分析方法，分析人工智能算法推薦負(fù)面特征對消費者品牌態(tài)度的影響，并深入研究人工智能算法推薦的隱私性和侵入性如何影響消費者對品牌的態(tài)度？探索消費者心理抗拒的心理特征在此過程的作用以及消費者對品牌的依戀是否會改善其品牌態(tài)度。

二、理論框架與研究假設(shè)

(一)人工智能算法推薦負(fù)面特征對消費者品牌態(tài)度的影響

目前人工智能算法推薦主要有隱私性(Privacy)和侵入性(Intrusiveness)的負(fù)面特征，兩者緊密關(guān)聯(lián)而又有所區(qū)別。由于學(xué)者研究目的和角度不同，對隱私性并未形成統(tǒng)一認(rèn)識，《中華人民共和國民法典》將隱私定義為“不愿為他人知曉的私密空間、活動與信息，并且依法受到保護(hù)，不受他人侵?jǐn)_、知悉、使用、披露和公開”。而侵入性被定義為“消費者認(rèn)為利用技術(shù)手段而濫用私人信息”[9]，更強調(diào)的是對個人信息的獲取手段。研究表明人工智能算法推薦與監(jiān)視用戶及其日常生活有關(guān)，包括獲取、使用和存儲個人數(shù)據(jù)，以監(jiān)測和控制從屏幕時間、衛(wèi)生習(xí)慣到飲食和旅行時間表以及其他活動的一切情況[10]，一些設(shè)備甚至使用傳感器和麥克風(fēng)，以便更容易根據(jù)用戶的興趣做出針對性推薦[11]。這兩種AI算法推薦的負(fù)面特征會模糊公共領(lǐng)域和私人領(lǐng)域之間的界限，讓消費主義文化最大程度占據(jù)著公眾的注意力[12]，從而對消費者品牌態(tài)度產(chǎn)生重要影響。

品牌態(tài)度是指消費者通過學(xué)習(xí)和強化習(xí)得的以一種喜歡或不喜歡的方式對品牌發(fā)生反應(yīng)的習(xí)慣性傾向，表現(xiàn)為消費者對品牌的認(rèn)知、情感、行為傾向。雖然在“數(shù)智化”賦能下，消費者已不再是品牌價值的被動接受者，還可以通過體驗反饋、口碑傳播等方式參與品牌的價值創(chuàng)造過程[13]，但是品牌商如果憑借AI算法推薦對消費者的信息隱私造成侵?jǐn)_，尤其是違規(guī)收集消費者的瀏覽、購買等個人信息，使消費者的日常時時在品牌商的跟蹤與監(jiān)測之下，甚至在消費者未授權(quán)時對其進(jìn)行品牌產(chǎn)品的侵入性推薦，就會侵占用戶的注意力資源，反而引起消費者對品牌的負(fù)面感知。因此，AI算法推薦的隱私性和侵入性會傷害消費者品牌態(tài)度或違反消費者對品牌價值的期望，使得品牌商向消費者提供承諾利益的能力受到損害，甚至產(chǎn)生品牌傷害危機，導(dǎo)致消費者對品牌產(chǎn)生負(fù)面態(tài)度[14][15]。這會對公司品牌的聲譽造成重大威脅，增加品牌的脆弱性，使得營銷效果適得其反[16]。據(jù)此，提出假設(shè)：

H1：人工智能算法推薦的負(fù)面特征對消費者品牌態(tài)度產(chǎn)生負(fù)面影響。

H1a：人工智能算法推薦的隱私性對消費者品牌態(tài)度產(chǎn)生負(fù)面影響；

H1b：人工智能算法推薦的侵入性對消費者品牌態(tài)度產(chǎn)生負(fù)面影響。

(二)心理抗拒的中介作用

心理抗拒(Psychological Reactance)是指個人在行為方面有一定的自由，如果個體受到約束導(dǎo)致行為自由被減少或受到減少的威脅，個人將被激發(fā)出重新獲得它們的一種心理反應(yīng)[17]。在營銷觀念發(fā)生巨大轉(zhuǎn)變和新的營銷策略不斷涌現(xiàn)的今天，關(guān)注消費環(huán)境下的心理抗拒尤為重要，因為消費者越來越敢于嘗試或接受新事物、新產(chǎn)品，更多地追求體驗感和對情感價值需求的滿足，更期待具有獨特個性、能帶來增值性體驗的新服務(wù)和新產(chǎn)品。與此同時，消費者看重的還是品牌本身的服務(wù)價值，并不會為這些品牌的花式營銷手段所影響，而AI算法推薦由于其隱私性和侵入性的負(fù)面特征，可能引發(fā)消費者心理抗拒并采取與企業(yè)意愿相反的行為。Alepis和Patsakis(2017)[18]研究發(fā)現(xiàn)雖然AI算法推薦為用戶提供了好處，但技術(shù)的持續(xù)進(jìn)步可能會對個人隱私構(gòu)成較大威脅，并且人們對隱私的擔(dān)憂將繼續(xù)增長[19]；有研究還發(fā)現(xiàn)，信息隱私、未經(jīng)授權(quán)的個人信息二次使用和感知入侵都會對消費者對智能服務(wù)或產(chǎn)品的抵制產(chǎn)生影響[20]。Puntoni等[21]認(rèn)為，由于AI算法推薦的“不可解釋性”、數(shù)據(jù)捕獲過程的侵入性以及缺乏透明度和問責(zé)制，消費者會在AI算法推薦的數(shù)據(jù)捕捉過程中感受到被利用。因此，AI算法推薦可能會威脅到消費者對個人數(shù)據(jù)的所有權(quán)，并挑戰(zhàn)個人控制，使消費者感知決策自由權(quán)和自治權(quán)受到侵犯[22]，并對推薦的內(nèi)容產(chǎn)生操縱性意圖推斷，從而產(chǎn)生抗拒心理，拒絕接受算法推薦的建議[23]。并且，隨著AI算法推薦頻率的提高，用戶甚至?xí)霈F(xiàn)倦怠心理，產(chǎn)生更嚴(yán)重的抵觸情緒，部分用戶可能故意做出與預(yù)測結(jié)果不一致的其他選擇，甚至?xí)蜻^于精準(zhǔn)的推薦結(jié)果而放棄消費[24]。據(jù)此，提出假設(shè)：

H2：人工智能算法推薦的負(fù)面特征對消費者心理抗拒產(chǎn)生正向影響。

H2a：人工智能算法推薦的隱私性對消費者心理抗拒產(chǎn)生正向影響；

H2b：人工智能算法推薦的侵入性對消費者心理抗拒產(chǎn)生正向影響。

心理抗拒理論指出當(dāng)個體對有說服力的信息產(chǎn)生心理抗拒時，會以相反的方向抵制或改變其態(tài)度與行為[25]。對于心理抗拒與品牌之間的關(guān)系，汪濤等(2014)[26]認(rèn)為當(dāng)人們面臨選擇時，可能將外界影響看作對自己自由的威脅，而人們一旦預(yù)測未來繼續(xù)與品牌的互動可能會影響到自己的自由，便會引發(fā)抗拒心理。一方面，當(dāng)消費者認(rèn)為平臺企業(yè)生成的內(nèi)容都是精心設(shè)計的品牌信息時，尤其是品牌商通過AI算法進(jìn)行商業(yè)目的明顯的信息推薦時，消費者會感受到強迫性和被操縱感，這一認(rèn)知過程將削弱消費者對品牌的接受熱情[23][27]；另一方面，AI算法推薦信息自動且持續(xù)性出現(xiàn)在用戶界面時，會侵占用戶的注意力資源，使用戶產(chǎn)生“厭膩感”[28]，從而使用戶對推薦品牌的態(tài)度產(chǎn)生負(fù)面影響。據(jù)此，提出假設(shè)：

H3：心理抗拒對消費者品牌態(tài)度具有顯著負(fù)向影響。

關(guān)于心理抗拒在人工智能算法推薦與消費者品牌態(tài)度之間的作用，Benlian等(2020)[29]認(rèn)為智能產(chǎn)品的隱私性會導(dǎo)致用戶覺得他們失去了對所披露信息的控制，這會引發(fā)不信任的抗拒心理，從而使他們不可能使用該品牌的產(chǎn)品[30]；Veritas發(fā)布的全球消費者數(shù)據(jù)隱私報告調(diào)查結(jié)果表明，消費者甚至?xí)ξ茨芡咨票Ｗo(hù)個人數(shù)據(jù)的企業(yè)采取懲罰手段，會停止從該企業(yè)購買產(chǎn)品和服務(wù)，還會鼓勵朋友和家人共同抵制并且考慮轉(zhuǎn)向選擇競爭對手的品牌。侵入性也會對消費者行為有負(fù)面影響。如來自第三方的未經(jīng)請求的定向廣告或未經(jīng)建議的推薦，以及無意中的語音激活等，構(gòu)成了用戶侵犯性的擔(dān)憂，引發(fā)心理抗拒，成為新技術(shù)采用的障礙[30]。綜上，本文認(rèn)為消費者在對AI算法推薦的隱私性和侵入性產(chǎn)生心理抗拒后，會對其推薦品牌的態(tài)度產(chǎn)生負(fù)面影響。據(jù)此，提出假設(shè)：

H4：心理抗拒在人工智能算法推薦負(fù)面特征與消費者品牌態(tài)度間起中介作用。

H4a：心理抗拒在人工智能算法推薦隱私性對消費者品牌態(tài)度的影響中起中介作用；

H4b：心理抗拒在人工智能算法推薦侵入性對消費者品牌態(tài)度的影響中起中介作用。

(三)品牌依戀的調(diào)節(jié)作用

消費者對AI算法推薦負(fù)面特征的敏感性因人而異，品牌依戀(Brand Attachment)是個人與品牌之間一種富有情感的獨特紐帶關(guān)系，在品牌關(guān)系的層級中位于最高等級，表現(xiàn)出對品牌的強烈依戀行為[31]，因此品牌依戀會對消費者的心理及行為產(chǎn)生重要影響。Roy等(2017)[32]指出，對品牌的情感依戀是增強消費者對品牌真實性的認(rèn)知、恢復(fù)消費者品牌信任的基礎(chǔ)；Kim和Yim(2022)[33]認(rèn)為與品牌關(guān)系密切的人傾向于以偏頗的方式處理負(fù)面信息，以保護(hù)他們對品牌的感情，因此負(fù)面信息并不足以通過激活防御性信息來影響人們得出預(yù)期的結(jié)論；Whelan和Dawar(2014)[34]研究認(rèn)為品牌傷害危機后的指責(zé)歸因取決于消費者的品牌依戀風(fēng)格，具有安全依戀風(fēng)格的消費者將最少指責(zé)品牌。即使AI算法推薦具有隱私性和侵入性特征，由于對品牌的依戀，消費者愛屋及烏，也不會或者較少產(chǎn)生心理抗拒，使AI算法負(fù)面特征對品牌負(fù)面態(tài)度的影響減弱。因此，品牌依戀可以讓消費者覺得AI算法推薦該品牌是誠實和善意的，感知到的隱私性和侵入性較小。據(jù)此，提出假設(shè)：

H5:品牌依戀會調(diào)節(jié)人工智能算法推薦負(fù)面特征對消費者心理抗拒的影響。

H5a:品牌依戀會調(diào)節(jié)人工智能算法推薦隱私性對消費者心理抗拒的影響；

H5b:品牌依戀會調(diào)節(jié)人工智能算法推薦侵入性對消費者心理抗拒的影響。

H6：品牌依戀會調(diào)節(jié)人工智能算法推薦負(fù)面特征對消費者品牌態(tài)度的影響。

H6a:品牌依戀會調(diào)節(jié)人工智能算法推薦隱私性對消費者品牌態(tài)度的影響；

H6b:品牌依戀會調(diào)節(jié)人工智能算法推薦侵入性對消費者品牌態(tài)度的影響。

綜上所述，本文的研究模型如圖1所示：

圖1 研究模型

三、研究設(shè)計

本文通過兩項情景實驗問卷研究對假設(shè)進(jìn)行驗證：研究一主要檢驗人工智能算法推薦隱私性和侵入性負(fù)面特性對消費者品牌態(tài)度的影響及心理抗拒的中介作用，即驗證假設(shè)H1至H4；研究二檢驗品牌依戀在人工智能算法推薦負(fù)面特性對消費者品牌態(tài)度的影響過程中的調(diào)節(jié)作用，并再次驗證AI算法推薦隱私性和侵入性對品牌態(tài)度的影響，即驗證假設(shè)H5至H6。

(一)預(yù)實驗

預(yù)實驗的目的是驗證品牌依戀存在與否場景設(shè)計的合理性和測量量表的信效度?；贑ohen(1977)的計算方式和相關(guān)研究，采用G*Power進(jìn)行事前(A priori)設(shè)定統(tǒng)計功效來確定樣本量，將效應(yīng)規(guī)模設(shè)置為中等效應(yīng)值0.25(effect size f=0.25)，雙尾檢驗的α水平控制在0.05，期望功效值確定為0.8(power=0.80)，然后輸入分組數(shù)，計算出本研究的樣本數(shù)應(yīng)當(dāng)達(dá)到128以上。因此，預(yù)實驗通過Credamo平臺招募了165名被試，被隨機分配到兩組情境下(有品牌依戀/無品牌依戀組)。被試先填寫人口統(tǒng)計學(xué)相關(guān)信息，再使用問卷設(shè)計中的流程控制功能進(jìn)行隨機實驗，按照平均分配的邏輯，被試被分配到A、B兩個不同的品牌依戀場景實驗組里，隨后閱讀相關(guān)場景的材料并對相關(guān)問題的測驗進(jìn)行評分。

預(yù)實驗結(jié)束后，剔除極端值和作答時間過少的樣本，總體樣本量為N=152(男性42.8%，女性57.2%，年齡段集中分布于18—50歲之間，約占98%，受教育程度集中于本碩階段)，同時各組樣本容量N無品牌依戀=77、N有品牌依戀=75。驗證性因子分析結(jié)果表明，所有測量題項的因子載荷介于0.625—0.954之間，均大于0.5的最低標(biāo)準(zhǔn)，平均方差抽取量AVE值除研究二的品牌態(tài)度為0.466，略低于0.5外，其余均高于0.5，組合信度CR值和Cronbach’s α值均大于0.7的標(biāo)準(zhǔn)，表明預(yù)實驗測量的信效度良好。同時，操縱性檢驗結(jié)果表明，有品牌依戀組被試得分(M高品牌依戀=5.89，SD=0.60)顯著高于無品牌依戀組被試(M低品牌依戀=2.89，SD=1.29)，F(xiàn)(1，150)=31.158，p<0.001，說明對品牌依戀的操縱檢驗成功，表明本實驗的測量、操縱方式可以運用于正式實驗。

(二)其他實驗控制

為控制共同方法偏差，本研究以匿名方式收集數(shù)據(jù)，并在卷首語中告知被試答案沒有對錯之分，鼓勵其真實作答。為提高實驗質(zhì)量，將平臺被試信用分以及歷史采納率均設(shè)置為80%以上，多次發(fā)布作答的用戶不重復(fù)，以保證預(yù)實驗和正式實驗的被試不同，IP地址只允許作答一次且開啟定位授權(quán)。實驗結(jié)束后根據(jù)問卷情景實驗問卷題項的多少，給予被試一定的報酬。

四、研究一：心理抗拒的中介作用

(一)被試及測量

針對人工智能算法推薦，實驗一的場景設(shè)計為無品牌依戀的綜合型電商平臺App采用算法推薦的場景：假設(shè)你經(jīng)常在一些綜合型電商平臺的App商城購物，這些平臺入駐了很多品牌商，這些品牌并非是你的最愛，但平臺的品牌商都會通過AI算法對你進(jìn)行相關(guān)品牌產(chǎn)品的信息推薦。為便于被試?yán)斫?，附有部分相關(guān)算法推薦截圖，并請被試結(jié)合平時類似的品牌推薦體驗，回答后續(xù)問題。

實驗問卷測量題項如下：參考Swaminathan等(2007)[15]的研究，對品牌態(tài)度的測量從質(zhì)量認(rèn)可程度、喜愛程度、支持程度、品牌討人喜歡程度以及總體態(tài)度5個題項進(jìn)行測量；參考Mwesiumo等(2021)[8]的研究，形成“我擔(dān)心智能算法推薦會收集我太多的信息”等4個題項和“我認(rèn)為我的個人數(shù)據(jù)(名字、電話、地址、支付記錄等)在未經(jīng)我許可的情況下被監(jiān)控、搜尋、記錄或者被盜過”等4個題項，分別測量AI算法推薦的隱私性和侵入性；參考Edwards等(2002)[35]的研究，心理抗拒采用“智能算法強制推薦讓我失去自由選擇的機會令我感到不滿”等4個題項進(jìn)行測量，所有量表均采用李克特七點計分方式。實驗共回收有效樣本177份，其中男性81人(45.8%)、女性96人(54.2%)；人口年齡段主要分布在18—29歲(44.6%)、30—39歲(47.5%)以及40—49歲(6.8%)，樣本構(gòu)成合理，適合進(jìn)一步分析。

(二)信效度及共同方法偏差分析

利用Amos 24.0進(jìn)行驗證性因子分析(CFA)來檢驗量表的建構(gòu)效度，結(jié)果如下：RMSEA為0.066，小于0.7；χ2/df為1.762，小于3；NFI、RFI、IFI、TLI、CFI均大于0.9，表明模型擬合優(yōu)度良好。各題項的因子載荷位于0.723—0.939之間，組合信度CR值和Cronbach’s α值均大于0.7，表明構(gòu)念具有良好的信效度。

此外，進(jìn)行Harman單因子檢驗，在未旋轉(zhuǎn)時第1個因子解釋總變異的34.093%，小于臨界值50%；參考Liang等(2007)[36]的研究，在模型中納入一個共同方法因子，其指標(biāo)包括所有主要變量結(jié)構(gòu)的因子，并計算實質(zhì)性因子載荷和共同方法因子載荷的方差變異量。結(jié)果表明，各指標(biāo)的平均實質(zhì)性解釋方差為0.619，而基于共同方法因子的解釋方差為0.080，實質(zhì)性方差與方法方差之比約為8:1，存在較大差異。此外，大多數(shù)共同方法因子負(fù)荷都不顯著。綜上表明，共同方法偏差在可接受范圍內(nèi)，對結(jié)果影響較小。

(三)假設(shè)檢驗

直接效應(yīng)的回歸分析結(jié)果表明，AI算法推薦的負(fù)面特征對消費者的品牌態(tài)度有顯著的負(fù)向影響(β=-0.362，F(xiàn)(1，170)=11.484，ΔR2=0.226，p<0.001)，假設(shè)H1得到驗證。其中，隱私性對品牌態(tài)度具有顯著負(fù)向影響(β=-0.33，F(xiàn)(1，170)=10.999，ΔR2=0.217，p<0.001)，侵入性對品牌態(tài)度具有顯著負(fù)向影響(β=-0.36，F(xiàn)(1，170)=10.714，ΔR2=0.212，p<0.001)，假設(shè)H1a和H1b得到驗證。AI算法推薦的負(fù)面特征對消費者心理抗拒有顯著的正向影響(β=0.815，F(xiàn)(1，170)=72.613，ΔR2=0.591，p<0.001)，假設(shè)H2得到驗證。其中，隱私性對心理抗拒有顯著正向影響(β=0.722，F(xiàn)(1，170)=56.9，ΔR2=0.539，p<0.001)，侵入性對心理抗拒有顯著正向影響(β=0.833，F(xiàn)(1，170)=71.087，ΔR2=0.586，p<0.001)，假設(shè)H2a和H2b得到驗證。心理抗拒對消費者的品牌態(tài)度具有顯著負(fù)向影響，β=-0.566(p <0.001)，且可以解釋32.1%的變異量(ΔR2=0.321)，假設(shè)H3得到驗證。以上回歸的膨脹因子VIF最大為3.513，均在合理范圍內(nèi)，故不存在明顯的共線性問題。然而逐步回歸時發(fā)現(xiàn)當(dāng)加入中介變量心理抗拒時，AI算法推薦負(fù)面特征對品牌態(tài)度的影響不顯著，這可能是由于心理抗拒完全中介所致，故進(jìn)一步采用Bootstrap法進(jìn)行中介效應(yīng)檢驗。

按照Hayes提出的Bootstrap方法和步驟進(jìn)行中介效應(yīng)檢驗，選擇Model 4，樣本量為5000，并對各變量進(jìn)行標(biāo)準(zhǔn)化處理，取樣方法為選擇偏差校正的非參數(shù)百分位法，統(tǒng)計結(jié)果不包含0為顯著，包含0為不顯著。

由表1可知，模型的總體效應(yīng)是顯著的，效應(yīng)值為-0.365，95%置信區(qū)間為[-0.453，-0.277],不包含0；隱私性和侵入性對品牌態(tài)度的合并效應(yīng)值為-0.116，95%置信區(qū)間為[-0.275，0.044],包含0，其中隱私性和侵入性對品牌態(tài)度直接影響值為-0.105、-0.090，95%置信區(qū)間包含0，說明中介作用下的直接效應(yīng)并不顯著；而隱私性和侵入性合并效應(yīng)通過心理抗拒對品牌態(tài)度的影響效應(yīng)值為-0.250，95%置信區(qū)間為[-0.407，-0.090]，不包含0，其中隱私性和侵入性通過心理抗拒對品牌態(tài)度的影響效應(yīng)值分別為-0.225和-0.281，95%置信區(qū)間均不包含0。綜上，說明心理抗拒在這個過程中起完全中介作用，印證了前文的推斷，即假設(shè)H1至H4得到驗證。

表1 心理抗拒的中介效應(yīng)(N=177)

五、研究二：品牌依戀的調(diào)節(jié)作用

(一)被試及測量

實驗二的設(shè)計為有品牌依戀的場景，讓被試回憶并想象自己在一個最喜歡的品牌App商城購物，這個品牌會經(jīng)常進(jìn)行相關(guān)產(chǎn)品信息推薦,要求被試結(jié)合喜歡品牌的情況回答后續(xù)問題。為確保該組被試具有依戀的品牌，設(shè)置了“請問您是否有自己最喜歡的品牌”的題項進(jìn)行甄別，并進(jìn)一步要求被試寫出最喜歡品牌的名稱，確定被試依戀該品牌，否則被試將被拒絕參與后續(xù)實驗。

在本研究中，AI算法推薦的隱私性與侵入性、心理抗拒以及品牌態(tài)度的測量同研究一，不同的是增加了調(diào)節(jié)變量品牌依戀的測量題項，參考Mal?r等(2011)[37]的研究，形成“如果放棄這個品牌我會感到難過”等4個題項。實驗二的樣本數(shù)為197，其中男性91人(46.2%)、女性106人(53.8%)，集中分布于18—29歲(49.7%)、30—39歲(40.1%)以及40—49歲(7.1%)，大學(xué)學(xué)歷占比較大，樣本信息構(gòu)成合理。

(二)信效度分析

(三)假設(shè)檢驗

利用Bootstrap進(jìn)行中介效應(yīng)檢驗，結(jié)果顯示，AI算法推薦的隱私性和侵入性合并對心理抗拒有顯著正向影響(β=0.682，t=13.584，p<0.001)，其中，隱私性對心理抗拒有顯著正向影響(β=0.573，t=12.348，p<0.001)，侵入性對心理抗拒也具有顯著正向影響(β=0.648，t=12.018，p<0.001)；隱私性和侵入性合并對品牌態(tài)度有顯著負(fù)向影響(β=-0.163，t=-4.727，p<0.001)，隱私性對品牌態(tài)度有顯著負(fù)向影響(β=-0.113，t=-3.634，p<0.001)，侵入性對品牌態(tài)度有顯著負(fù)向影響(β=-0.186，t=-5.404，p<0.001)；心理抗拒對消費者的品牌態(tài)度具有顯著負(fù)向影響(β=-0.156，t=-3.1424，p<0.01)，假設(shè)H1至H3再次得到驗證。

由表2可知，AI算法推薦負(fù)面特征通過心理抗拒中介作用的總效應(yīng)是顯著的，效應(yīng)值為-0.219，95%置信區(qū)間不包含0；AI算法推薦負(fù)面特征對品牌態(tài)度影響的合并效應(yīng)的95%置信區(qū)間均不包含0，說明中介效應(yīng)顯著。其中隱私性對品牌態(tài)度直接影響值為-0.046，95%置信區(qū)間包含0，而隱私性通過心理抗拒對品牌態(tài)度的影響效應(yīng)值-0.126，95%置信區(qū)間不包含0，說明心理抗拒在隱私性對品牌態(tài)度影響過程中起到完全中介作用；侵入性對品牌態(tài)度直接效應(yīng)為-0.140，95%置信區(qū)間不包含0，其通過心理抗拒對品牌態(tài)度影響的中介效應(yīng)值為-0.095，95%置信區(qū)間不包含0，說明心理抗拒在侵入性對品牌態(tài)度影響過程中起到部分中介的作用，再次驗證了假設(shè)H4。

表2 心理抗拒的中介效應(yīng)(N=197)

(四)調(diào)節(jié)效應(yīng)檢驗

采用被調(diào)節(jié)的中介模型檢驗在不同品牌依戀水平上，AI算法推薦的隱私性和侵入性通過心理抗拒對品牌態(tài)度所產(chǎn)生的效應(yīng)是否存在差異。參照Hayes提出的Bootstrap方法對隱私性和侵入性分別進(jìn)行檢驗(選擇Model 8)，樣本抽取量設(shè)置為5000次。結(jié)果發(fā)現(xiàn),品牌依戀對AI算法推薦的隱私性對心理抗拒以及品牌態(tài)度的交互項不顯著(β1= 0.044，β2=0.026，p>0.05)，說明品牌依戀并未在兩者之間起到調(diào)節(jié)作用。在AI算法推薦侵入性對品牌態(tài)度的影響中，品牌依戀對直接效應(yīng)的調(diào)節(jié)也不顯著(β3=0.035，p>0.05)，但是品牌依戀在侵入性與心理抗拒的關(guān)系中具有顯著的調(diào)節(jié)作用(β4=0.153，p<0.05)，且被調(diào)節(jié)的中介效應(yīng)顯著(Index為-0.0159，95%置信區(qū)間不包含0)，H5b得到驗證。為分析品牌依戀在侵入性與心理抗拒中的調(diào)節(jié)效應(yīng)，進(jìn)一步做簡單效應(yīng)分析，采用加減一個標(biāo)準(zhǔn)差區(qū)分高品牌依戀和低品牌依戀水平下(如表3)AI算法推薦侵入性對消費者心理抗拒的影響，并制作簡單斜率分析圖,見圖2。

表3 簡單斜率分析表

圖2 簡單斜率分析圖

由圖2可知，在AI算法推薦侵入性水平較低，品牌依戀水平較高時，消費者心理抗拒水平較低，而當(dāng)消費者品牌依戀水平較低時，消費者的心理抗拒水平較高，故品牌依戀起到調(diào)節(jié)作用。即使如此，隨著侵入性水平的提高，即使有品牌依戀的調(diào)節(jié)作用，消費者的心理抗拒水平也會提升，因此AI算法推薦并不一定能夠促進(jìn)消費者的品牌好感度。綜上，假設(shè)H6不成立，假設(shè)H5部分成立。

六、結(jié)論與啟示

(一)研究結(jié)論

本文構(gòu)建了包含人工智能算法推薦負(fù)面特征(隱私性和侵入性)、心理抗拒、品牌態(tài)度以及品牌依戀變量的被調(diào)節(jié)的中介模型，檢驗結(jié)果表明：(1)人工智能算法推薦是目前品牌商普遍采用的營銷技術(shù)和競爭手段，但人工智能算法的隱私性和侵入性不可避免地對消費者的品牌態(tài)度會產(chǎn)生顯著的負(fù)向影響，這與Srinivasan和Sarial-abi(2021)[6]的研究結(jié)論一致；(2)在人工智能算法推薦負(fù)面特征對消費者品牌態(tài)度影響的過程中，消費者的心理抗拒起到了完全中介作用，也印證了Dietvorst等人(2015)[7]研究中算法厭惡效應(yīng)的存在，由于AI算法推薦的負(fù)面特征，尤其是算法預(yù)測與人類相比出現(xiàn)錯誤時，會極大引起消費者的心理抗拒，從而負(fù)向影響消費者對品牌的態(tài)度；(3)品牌依戀在人工智能算法推薦對消費者品牌態(tài)度直接影響過程中的調(diào)節(jié)作用不顯著，這可能是受消費者心理抗拒的完全中介作用的影響，但是品牌依戀在AI算法推薦的侵入性與心理抗拒的關(guān)系中具有顯著的調(diào)節(jié)作用，這與先前的研究一致，即與品牌關(guān)系密切的人傾向于以偏頗的方式處理負(fù)面信息，以保護(hù)他們對品牌的感情，具有品牌依戀的消費者將較少的指責(zé)歸咎于品牌[32][33]。

(二)貢獻(xiàn)與啟示

本文的理論貢獻(xiàn)在于：(1)聚焦當(dāng)下人工智能技術(shù)的應(yīng)用效果，對智能營銷領(lǐng)域算法推薦的結(jié)果研究進(jìn)行了拓展，揭示了人工智能算法推薦對企業(yè)品牌的影響機理；(2)研究了品牌依戀在人工智能算法推薦的負(fù)面特征對消費者心理抗拒的調(diào)節(jié)作用，探索了人工智能算法推薦對消費者品牌態(tài)度影響的邊界條件；(3)從人工智能算法與品牌之間的關(guān)系入手，是對營銷領(lǐng)域中人工智能算法推薦與消費者品牌響應(yīng)的有益探索。

本文的實踐啟示是：(1)企業(yè)為達(dá)到品牌產(chǎn)品推廣的目的，可以采用AI算法推薦來增加消費者的品牌認(rèn)知，但應(yīng)該深耕推薦內(nèi)容，規(guī)避或減少隱私性和侵入性等負(fù)面特征帶來的影響。尤其在“內(nèi)容為王”的Web3.0時代，只有深化所推薦品牌的內(nèi)涵，不斷迭代優(yōu)化，找到最能打動消費者的內(nèi)容，才能增加消費者的品牌好感，塑造品牌形象。(2)企業(yè)要改善AI算法推薦的技術(shù)與形式，給予消費者更多推薦掌控權(quán)，設(shè)置推薦的可選擇性，提供可解釋性的算法推薦程序，從而增強交互體驗，減少心理抗拒。同時實現(xiàn)AI算法推薦策略的轉(zhuǎn)變，用激發(fā)消費者“意外新奇感(Serendipity)”的邏輯做銷售[38]，推動企業(yè)從“貨找人”式推薦向吸引消費者的“人找貨”模式的轉(zhuǎn)變，形成雙向融合的消費共創(chuàng)模式。(3)企業(yè)應(yīng)該細(xì)分消費群體，對具有品牌依戀的消費群體，特別是“忠粉”群體展開AI算法推薦，將諸如品牌產(chǎn)品的新特征和性能等優(yōu)質(zhì)化內(nèi)容進(jìn)行推廣，讓消費者及時享受新的優(yōu)質(zhì)體驗，拉近消費者的心理距離，強化情感需求，塑造品牌的核心競爭力，但對無品牌依戀的對象則不宜過多采用AI算法推薦，一味推薦可能會適得其反。因此，企業(yè)應(yīng)該高度重視培養(yǎng)消費者的品牌依戀，適當(dāng)延伸產(chǎn)品或服務(wù)品牌的內(nèi)涵，通過增強體驗吸引消費者，并構(gòu)建完善的反饋機制。

(三)研究局限與展望

首先，本文并未對人工智能算法的類型進(jìn)行詳細(xì)劃分，如推薦系統(tǒng)生成推薦所采用的算法不同，消費者對個性化推薦的反應(yīng)也會不同，消費者的品牌感知也可能有所不同；其次，本文也未對品牌依戀的類型進(jìn)行具體劃分，根據(jù)依戀理論，不同的依戀風(fēng)格對消費者品牌感知的影響也是不同的；最后，“可解釋性”對揭示算法黑箱有著重要作用，當(dāng)消費者理解了AI算法推薦的黑箱，其品牌感知會有所不同，這可在以后的研究中進(jìn)行探討。