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(jì)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(zhǎng)的新動(dòng)力，對(duì)人們生產(chǎn)活動(dòng)的內(nèi)容和方式產(chǎn)生深刻影響，推動(dòng)了營(yíng)銷戰(zhàn)略的全方位變革，促使?fàn)I銷邁向“營(yíng)銷5.0”階段[1]。消費(fèi)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(yíng)銷模式越來(lái)越難以應(yīng)對(duì)這一挑戰(zhàn)。于是人工智能算法作為收集和運(yùn)用數(shù)據(jù)的有效工具應(yīng)運(yùn)而生，企業(yè)使用它來(lái)捕獲并分析消費(fèi)者所產(chǎn)生的海量數(shù)據(jù)，勾勒用戶畫(huà)像，利用算法推薦給消費(fèi)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(yíng)銷理論和實(shí)務(wù)界關(guān)注的焦點(diǎn)。

現(xiàn)有人工智能算法(簡(jiǎn)稱AI算法)推薦對(duì)品牌影響的研究有限，且分成兩種不同的觀點(diǎn)。一種觀點(diǎn)認(rèn)為AI算法推薦有利于品牌影響力傳播，因?yàn)锳I算法推薦在預(yù)測(cè)消費(fèi)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(wú)疑是企業(yè)提高營(yíng)銷效率的良好途徑[2]。例如，AI算法推薦能夠通過(guò)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(guò)機(jī)器學(xué)習(xí)算法的動(dòng)態(tài)識(shí)別模型影響消費(fèi)者的品牌決策偏好[4]。另一種觀點(diǎn)認(rèn)為AI算法推薦并不總是受到消費(fèi)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(wèn)題深刻影響著消費(fèi)群體。例如，Srinivasan和Sarial-abi(2021)[6]認(rèn)為算法推薦可能會(huì)造成消費(fèi)者品牌傷害危機(jī)；Dietvorst等(2015)[7]研究了消費(fèi)者對(duì)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(duì)消費(fèi)者采納、購(gòu)買意愿和行為會(huì)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(duì)個(gè)人行為軌跡、用戶畫(huà)像數(shù)據(jù)的侵入性采集是否會(huì)將消費(fèi)者置于時(shí)時(shí)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(fèi)者對(duì)品牌的認(rèn)知嗎？越來(lái)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(jī)。然而，研究及營(yíng)銷人員對(duì)消費(fèi)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(shí)驗(yàn)以及Bootstrap等分析方法，分析人工智能算法推薦負(fù)面特征對(duì)消費(fèi)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(fèi)者對(duì)品牌的態(tài)度？探索消費(fèi)者心理抗拒的心理特征在此過(guò)程的作用以及消費(fèi)者對(duì)品牌的依戀是否會(huì)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(duì)消費(fèi)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(duì)隱私性并未形成統(tǒng)一認(rèn)識(shí)，《中華人民共和國(guó)民法典》將隱私定義為“不愿為他人知曉的私密空間、活動(dòng)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(kāi)”。而侵入性被定義為“消費(fèi)者認(rèn)為利用技術(shù)手段而濫用私人信息”[9]，更強(qiáng)調(diào)的是對(duì)個(gè)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(chǔ)個(gè)人數(shù)據(jù)，以監(jiān)測(cè)和控制從屏幕時(shí)間、衛(wèi)生習(xí)慣到飲食和旅行時(shí)間表以及其他活動(dòng)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(duì)性推薦[11]。這兩種AI算法推薦的負(fù)面特征會(huì)模糊公共領(lǐng)域和私人領(lǐng)域之間的界限，讓消費(fèi)主義文化最大程度占據(jù)著公眾的注意力[12]，從而對(duì)消費(fèi)者品牌態(tài)度產(chǎn)生重要影響。

品牌態(tài)度是指消費(fèi)者通過(guò)學(xué)習(xí)和強(qiáng)化習(xí)得的以一種喜歡或不喜歡的方式對(duì)品牌發(fā)生反應(yīng)的習(xí)慣性傾向，表現(xiàn)為消費(fèi)者對(duì)品牌的認(rèn)知、情感、行為傾向。雖然在“數(shù)智化”賦能下，消費(fèi)者已不再是品牌價(jià)值的被動(dòng)接受者，還可以通過(guò)體驗(yàn)反饋、口碑傳播等方式參與品牌的價(jià)值創(chuàng)造過(guò)程[13]，但是品牌商如果憑借AI算法推薦對(duì)消費(fèi)者的信息隱私造成侵?jǐn)_，尤其是違規(guī)收集消費(fèi)者的瀏覽、購(gòu)買等個(gè)人信息，使消費(fèi)者的日常時(shí)時(shí)在品牌商的跟蹤與監(jiān)測(cè)之下，甚至在消費(fèi)者未授權(quán)時(shí)對(duì)其進(jìn)行品牌產(chǎn)品的侵入性推薦，就會(huì)侵占用戶的注意力資源，反而引起消費(fèi)者對(duì)品牌的負(fù)面感知。因此，AI算法推薦的隱私性和侵入性會(huì)傷害消費(fèi)者品牌態(tài)度或違反消費(fèi)者對(duì)品牌價(jià)值的期望，使得品牌商向消費(fèi)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(jī)，導(dǎo)致消費(fèi)者對(duì)品牌產(chǎn)生負(fù)面態(tài)度[14][15]。這會(huì)對(duì)公司品牌的聲譽(yù)造成重大威脅，增加品牌的脆弱性，使得營(yíng)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(duì)消費(fèi)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(duì)消費(fèi)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(duì)消費(fèi)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?jìng)€(gè)人在行為方面有一定的自由，如果個(gè)體受到約束導(dǎo)致行為自由被減少或受到減少的威脅，個(gè)人將被激發(fā)出重新獲得它們的一種心理反應(yīng)[17]。在營(yíng)銷觀念發(fā)生巨大轉(zhuǎn)變和新的營(yíng)銷策略不斷涌現(xiàn)的今天，關(guān)注消費(fèi)環(huán)境下的心理抗拒尤為重要，因?yàn)橄M(fèi)者越來(lái)越敢于嘗試或接受新事物、新產(chǎn)品，更多地追求體驗(yàn)感和對(duì)情感價(jià)值需求的滿足，更期待具有獨(dú)特個(gè)性、能帶來(lái)增值性體驗(yàn)的新服務(wù)和新產(chǎn)品。與此同時(shí)，消費(fèi)者看重的還是品牌本身的服務(wù)價(jià)值，并不會(huì)為這些品牌的花式營(yíng)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(fèi)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(huì)對(duì)個(gè)人隱私構(gòu)成較大威脅，并且人們對(duì)隱私的擔(dān)憂將繼續(xù)增長(zhǎng)[19]；有研究還發(fā)現(xiàn)，信息隱私、未經(jīng)授權(quán)的個(gè)人信息二次使用和感知入侵都會(huì)對(duì)消費(fèi)者對(duì)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(guò)程的侵入性以及缺乏透明度和問(wèn)責(zé)制，消費(fèi)者會(huì)在AI算法推薦的數(shù)據(jù)捕捉過(guò)程中感受到被利用。因此，AI算法推薦可能會(huì)威脅到消費(fèi)者對(duì)個(gè)人數(shù)據(jù)的所有權(quán)，并挑戰(zhàn)個(gè)人控制，使消費(fèi)者感知決策自由權(quán)和自治權(quán)受到侵犯[22]，并對(duì)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(cè)結(jié)果不一致的其他選擇，甚至?xí)蜻^(guò)于精準(zhǔn)的推薦結(jié)果而放棄消費(fèi)[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(duì)消費(fèi)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(duì)消費(fèi)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(duì)消費(fèi)者心理抗拒產(chǎn)生正向影響。

心理抗拒理論指出當(dāng)個(gè)體對(duì)有說(shuō)服力的信息產(chǎn)生心理抗拒時(shí)，會(huì)以相反的方向抵制或改變其態(tài)度與行為[25]。對(duì)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(shí)，可能將外界影響看作對(duì)自己自由的威脅，而人們一旦預(yù)測(cè)未來(lái)繼續(xù)與品牌的互動(dòng)可能會(huì)影響到自己的自由，便會(huì)引發(fā)抗拒心理。一方面，當(dāng)消費(fèi)者認(rèn)為平臺(tái)企業(yè)生成的內(nèi)容都是精心設(shè)計(jì)的品牌信息時(shí)，尤其是品牌商通過(guò)AI算法進(jìn)行商業(yè)目的明顯的信息推薦時(shí)，消費(fèi)者會(huì)感受到強(qiáng)迫性和被操縱感，這一認(rèn)知過(guò)程將削弱消費(fèi)者對(duì)品牌的接受熱情[23][27]；另一方面，AI算法推薦信息自動(dòng)且持續(xù)性出現(xiàn)在用戶界面時(shí)，會(huì)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(duì)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(duì)消費(fèi)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(fèi)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(huì)導(dǎo)致用戶覺(jué)得他們失去了對(duì)所披露信息的控制，這會(huì)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(fèi)者數(shù)據(jù)隱私報(bào)告調(diào)查結(jié)果表明，消費(fèi)者甚至?xí)?duì)未能妥善保護(hù)個(gè)人數(shù)據(jù)的企業(yè)采取懲罰手段，會(huì)停止從該企業(yè)購(gòu)買產(chǎn)品和服務(wù)，還會(huì)鼓勵(lì)朋友和家人共同抵制并且考慮轉(zhuǎn)向選擇競(jìng)爭(zhēng)對(duì)手的品牌。侵入性也會(huì)對(duì)消費(fèi)者行為有負(fù)面影響。如來(lái)自第三方的未經(jīng)請(qǐng)求的定向廣告或未經(jīng)建議的推薦，以及無(wú)意中的語(yǔ)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(fèi)者在對(duì)AI算法推薦的隱私性和侵入性產(chǎn)生心理抗拒后，會(huì)對(duì)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(fèi)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(duì)消費(fèi)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(duì)消費(fèi)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(fèi)者對(duì)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(gè)人與品牌之間一種富有情感的獨(dú)特紐帶關(guān)系，在品牌關(guān)系的層級(jí)中位于最高等級(jí)，表現(xiàn)出對(duì)品牌的強(qiáng)烈依戀行為[31]，因此品牌依戀會(huì)對(duì)消費(fèi)者的心理及行為產(chǎn)生重要影響。Roy等(2017)[32]指出，對(duì)品牌的情感依戀是增強(qiáng)消費(fèi)者對(duì)品牌真實(shí)性的認(rèn)知、恢復(fù)消費(fèi)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(duì)品牌的感情，因此負(fù)面信息并不足以通過(guò)激活防御性信息來(lái)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(jī)后的指責(zé)歸因取決于消費(fèi)者的品牌依戀風(fēng)格，具有安全依戀風(fēng)格的消費(fèi)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(duì)品牌的依戀，消費(fèi)者愛(ài)屋及烏，也不會(huì)或者較少產(chǎn)生心理抗拒，使AI算法負(fù)面特征對(duì)品牌負(fù)面態(tài)度的影響減弱。因此，品牌依戀可以讓消費(fèi)者覺(jué)得AI算法推薦該品牌是誠(chéng)實(shí)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(huì)調(diào)節(jié)人工智能算法推薦負(fù)面特征對(duì)消費(fèi)者心理抗拒的影響。

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

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

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

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

H6b:品牌依戀會(huì)調(diào)節(jié)人工智能算法推薦侵入性對(duì)消費(fèi)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(jì)

本文通過(guò)兩項(xiàng)情景實(shí)驗(yàn)問(wèn)卷研究對(duì)假設(shè)進(jìn)行驗(yàn)證：研究一主要檢驗(yàn)人工智能算法推薦隱私性和侵入性負(fù)面特性對(duì)消費(fèi)者品牌態(tài)度的影響及心理抗拒的中介作用，即驗(yàn)證假設(shè)H1至H4；研究二檢驗(yàn)品牌依戀在人工智能算法推薦負(fù)面特性對(duì)消費(fèi)者品牌態(tài)度的影響過(guò)程中的調(diào)節(jié)作用，并再次驗(yàn)證AI算法推薦隱私性和侵入性對(duì)品牌態(tài)度的影響，即驗(yàn)證假設(shè)H5至H6。

(一)預(yù)實(shí)驗(yàn)

預(yù)實(shí)驗(yàn)的目的是驗(yàn)證品牌依戀存在與否場(chǎng)景設(shè)計(jì)的合理性和測(cè)量量表的信效度?；贑ohen(1977)的計(jì)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(jì)功效來(lái)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(yàn)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(jì)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(shí)驗(yàn)通過(guò)Credamo平臺(tái)招募了165名被試，被隨機(jī)分配到兩組情境下(有品牌依戀/無(wú)品牌依戀組)。被試先填寫(xiě)人口統(tǒng)計(jì)學(xué)相關(guān)信息，再使用問(wèn)卷設(shè)計(jì)中的流程控制功能進(jìn)行隨機(jī)實(shí)驗(yàn)，按照平均分配的邏輯，被試被分配到A、B兩個(gè)不同的品牌依戀場(chǎng)景實(shí)驗(yàn)組里，隨后閱讀相關(guān)場(chǎng)景的材料并對(duì)相關(guān)問(wèn)題的測(cè)驗(yàn)進(jìn)行評(píng)分。

預(yù)實(shí)驗(yàn)結(jié)束后，剔除極端值和作答時(shí)間過(guò)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(shí)各組樣本容量N無(wú)品牌依戀=77、N有品牌依戀=75。驗(yàn)證性因子分析結(jié)果表明，所有測(cè)量題項(xiàng)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(shí)驗(yàn)測(cè)量的信效度良好。同時(shí)，操縱性檢驗(yàn)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(wú)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(shuō)明對(duì)品牌依戀的操縱檢驗(yàn)成功，表明本實(shí)驗(yàn)的測(cè)量、操縱方式可以運(yùn)用于正式實(shí)驗(yàn)。

(二)其他實(shí)驗(yàn)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(yǔ)中告知被試答案沒(méi)有對(duì)錯(cuò)之分，鼓勵(lì)其真實(shí)作答。為提高實(shí)驗(yàn)質(zhì)量，將平臺(tái)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(shí)驗(yàn)和正式實(shí)驗(yàn)的被試不同，IP地址只允許作答一次且開(kāi)啟定位授權(quán)。實(shí)驗(yàn)結(jié)束后根據(jù)問(wèn)卷情景實(shí)驗(yàn)問(wèn)卷題項(xiàng)的多少，給予被試一定的報(bào)酬。

四、研究一：心理抗拒的中介作用

(一)被試及測(cè)量

針對(duì)人工智能算法推薦，實(shí)驗(yàn)一的場(chǎng)景設(shè)計(jì)為無(wú)品牌依戀的綜合型電商平臺(tái)App采用算法推薦的場(chǎng)景：假設(shè)你經(jīng)常在一些綜合型電商平臺(tái)的App商城購(gòu)物，這些平臺(tái)入駐了很多品牌商，這些品牌并非是你的最愛(ài)，但平臺(tái)的品牌商都會(huì)通過(guò)AI算法對(duì)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(qǐng)被試結(jié)合平時(shí)類似的品牌推薦體驗(yàn)，回答后續(xù)問(wèn)題。

實(shí)驗(yàn)問(wèn)卷測(cè)量題項(xiàng)如下：參考Swaminathan等(2007)[15]的研究，對(duì)品牌態(tài)度的測(cè)量從質(zhì)量認(rèn)可程度、喜愛(ài)程度、支持程度、品牌討人喜歡程度以及總體態(tài)度5個(gè)題項(xiàng)進(jìn)行測(cè)量；參考Mwesiumo等(2021)[8]的研究，形成“我擔(dān)心智能算法推薦會(huì)收集我太多的信息”等4個(gè)題項(xiàng)和“我認(rèn)為我的個(gè)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(guò)”等4個(gè)題項(xiàng)，分別測(cè)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(qiáng)制推薦讓我失去自由選擇的機(jī)會(huì)令我感到不滿”等4個(gè)題項(xiàng)進(jìn)行測(cè)量，所有量表均采用李克特七點(diǎn)計(jì)分方式。實(shí)驗(yàn)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(yàn)證性因子分析(CFA)來(lái)檢驗(yàn)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(xiàng)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(yàn)，在未旋轉(zhuǎn)時(shí)第1個(gè)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(gè)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(jì)算實(shí)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(shí)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(shí)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(duì)結(jié)果影響較小。

(三)假設(shè)檢驗(yàn)

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(duì)消費(fèi)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(yàn)證。其中，隱私性對(duì)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(duì)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(yàn)證。AI算法推薦的負(fù)面特征對(duì)消費(fèi)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(yàn)證。其中，隱私性對(duì)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(duì)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(yàn)證。心理抗拒對(duì)消費(fèi)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(yàn)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(wèn)題。然而逐步回歸時(shí)發(fā)現(xiàn)當(dāng)加入中介變量心理抗拒時(shí)，AI算法推薦負(fù)面特征對(duì)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(yàn)。

按照Hayes提出的Bootstrap方法和步驟進(jìn)行中介效應(yīng)檢驗(yàn)，選擇Model 4，樣本量為5000，并對(duì)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(jì)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(duì)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(duì)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(shuō)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(guò)心理抗拒對(duì)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(guò)心理抗拒對(duì)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(shuō)明心理抗拒在這個(gè)過(guò)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(yàn)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(cè)量

實(shí)驗(yàn)二的設(shè)計(jì)為有品牌依戀的場(chǎng)景，讓被試回憶并想象自己在一個(gè)最喜歡的品牌App商城購(gòu)物，這個(gè)品牌會(huì)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(wèn)題。為確保該組被試具有依戀的品牌，設(shè)置了“請(qǐng)問(wèn)您是否有自己最喜歡的品牌”的題項(xiàng)進(jìn)行甄別，并進(jìn)一步要求被試寫(xiě)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(shí)驗(yàn)。

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(cè)量同研究一，不同的是增加了調(diào)節(jié)變量品牌依戀的測(cè)量題項(xiàng)，參考Mal?r等(2011)[37]的研究，形成“如果放棄這個(gè)品牌我會(huì)感到難過(guò)”等4個(gè)題項(xiàng)。實(shí)驗(yàn)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(yàn)

利用Bootstrap進(jìn)行中介效應(yīng)檢驗(yàn)，結(jié)果顯示，AI算法推薦的隱私性和侵入性合并對(duì)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(duì)心理抗拒有顯著正向影響(β=0.573，t=12.348，p<0.001)，侵入性對(duì)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(duì)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(duì)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(duì)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(duì)消費(fèi)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(yàn)證。

由表2可知，AI算法推薦負(fù)面特征通過(guò)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(duì)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(shuō)明中介效應(yīng)顯著。其中隱私性對(duì)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(guò)心理抗拒對(duì)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(shuō)明心理抗拒在隱私性對(duì)品牌態(tài)度影響過(guò)程中起到完全中介作用；侵入性對(duì)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(guò)心理抗拒對(duì)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(shuō)明心理抗拒在侵入性對(duì)品牌態(tài)度影響過(guò)程中起到部分中介的作用，再次驗(yàn)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(yàn)

采用被調(diào)節(jié)的中介模型檢驗(yàn)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(guò)心理抗拒對(duì)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(duì)隱私性和侵入性分別進(jìn)行檢驗(yàn)(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(duì)AI算法推薦的隱私性對(duì)心理抗拒以及品牌態(tài)度的交互項(xiàng)不顯著(β1= 0.044，β2=0.026，p>0.05)，說(shuō)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(duì)品牌態(tài)度的影響中，品牌依戀對(duì)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(yàn)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(jiǎn)單效應(yīng)分析，采用加減一個(gè)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(duì)消費(fèi)者心理抗拒的影響，并制作簡(jiǎn)單斜率分析圖,見(jiàn)圖2。

表3 簡(jiǎn)單斜率分析表

圖2 簡(jiǎn)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(shí)，消費(fèi)者心理抗拒水平較低，而當(dāng)消費(fèi)者品牌依戀水平較低時(shí)，消費(fèi)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(fèi)者的心理抗拒水平也會(huì)提升，因此AI算法推薦并不一定能夠促進(jìn)消費(fèi)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(yàn)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(yíng)銷技術(shù)和競(jìng)爭(zhēng)手段，但人工智能算法的隱私性和侵入性不可避免地對(duì)消費(fèi)者的品牌態(tài)度會(huì)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(duì)消費(fèi)者品牌態(tài)度影響的過(guò)程中，消費(fèi)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(cè)與人類相比出現(xiàn)錯(cuò)誤時(shí)，會(huì)極大引起消費(fèi)者的心理抗拒，從而負(fù)向影響消費(fèi)者對(duì)品牌的態(tài)度；(3)品牌依戀在人工智能算法推薦對(duì)消費(fèi)者品牌態(tài)度直接影響過(guò)程中的調(diào)節(jié)作用不顯著，這可能是受消費(fèi)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(duì)品牌的感情，具有品牌依戀的消費(fèi)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(duì)智能營(yíng)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(duì)企業(yè)品牌的影響機(jī)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(duì)消費(fèi)者心理抗拒的調(diào)節(jié)作用，探索了人工智能算法推薦對(duì)消費(fèi)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(duì)營(yíng)銷領(lǐng)域中人工智能算法推薦與消費(fèi)者品牌響應(yīng)的有益探索。

本文的實(shí)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(lái)增加消費(fèi)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(lái)的影響。尤其在“內(nèi)容為王”的Web3.0時(shí)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(dòng)消費(fèi)者的內(nèi)容，才能增加消費(fèi)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(fèi)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(qiáng)交互體驗(yàn)，減少心理抗拒。同時(shí)實(shí)現(xiàn)AI算法推薦策略的轉(zhuǎn)變，用激發(fā)消費(fèi)者“意外新奇感(Serendipity)”的邏輯做銷售[38]，推動(dòng)企業(yè)從“貨找人”式推薦向吸引消費(fèi)者的“人找貨”模式的轉(zhuǎn)變，形成雙向融合的消費(fèi)共創(chuàng)模式。(3)企業(yè)應(yīng)該細(xì)分消費(fèi)群體，對(duì)具有品牌依戀的消費(fèi)群體，特別是“忠粉”群體展開(kāi)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(fèi)者及時(shí)享受新的優(yōu)質(zhì)體驗(yàn)，拉近消費(fèi)者的心理距離，強(qiáng)化情感需求，塑造品牌的核心競(jìng)爭(zhēng)力，但對(duì)無(wú)品牌依戀的對(duì)象則不宜過(guò)多采用AI算法推薦，一味推薦可能會(huì)適得其反。因此，企業(yè)應(yīng)該高度重視培養(yǎng)消費(fèi)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(guò)增強(qiáng)體驗(yàn)吸引消費(fèi)者，并構(gòu)建完善的反饋機(jī)制。

(三)研究局限與展望

首先，本文并未對(duì)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(fèi)者對(duì)個(gè)性化推薦的反應(yīng)也會(huì)不同，消費(fèi)者的品牌感知也可能有所不同；其次，本文也未對(duì)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(duì)消費(fèi)者品牌感知的影響也是不同的；最后，“可解釋性”對(duì)揭示算法黑箱有著重要作用，當(dāng)消費(fèi)者理解了AI算法推薦的黑箱，其品牌感知會(huì)有所不同，這可在以后的研究中進(jìn)行探討。