周 濤 吳曉穎 鄧勝利

(1. 杭州電子科技大學(xué)管理學(xué)院 杭州 310018;2.武漢大學(xué)信息管理學(xué)院 武漢 430072)

0 引 言

隨著知識信息的日益豐富和生活節(jié)奏的加快,用戶傾向于根據(jù)自身需求主動搜尋知識內(nèi)容以解決不同場景下的問題。傳統(tǒng)的知識問答社區(qū)為用戶提供了知識分享和交流的平臺,結(jié)合用戶生成內(nèi)容(UGC)和專業(yè)生成內(nèi)容(PGC)模式,平臺用戶群體主要由普通用戶和具備一定影響力的專家組成。普通用戶創(chuàng)作內(nèi)容門檻低,但存在創(chuàng)作動力不足以及制造大量知識噪音的現(xiàn)象;而專家用戶生成內(nèi)容質(zhì)量高,但創(chuàng)作周期長且部分需要知識付費,相對普通用戶而言互動性較低。在此背景下,生成式AI技術(shù)拓寬了內(nèi)容生成的途徑,以ChatGPT為代表的生成式AI應(yīng)用能實現(xiàn)文本或代碼的生成并與用戶進行實時問答,已被運用于教育、醫(yī)療、電子商務(wù)等諸多領(lǐng)域。因此在知識問答領(lǐng)域,人工智能生成內(nèi)容(AI-generated content,AIGC)在讓用戶知識內(nèi)容獲取方式更加多元化的同時,也必然會對傳統(tǒng)的知識問答社區(qū)產(chǎn)生沖擊。知識問答轉(zhuǎn)移行為反映了用戶減少或放棄使用傳統(tǒng)問答社區(qū),轉(zhuǎn)而使用生成式AI來進行知識問答,這將導(dǎo)致傳統(tǒng)問答社區(qū)用戶流失。因此,有必要研究用戶從傳統(tǒng)知識問答社區(qū)向生成式AI問答平臺的轉(zhuǎn)移行為,發(fā)現(xiàn)導(dǎo)致用戶轉(zhuǎn)移的顯著因素,從而采取有效措施實施用戶保持和促進平臺的持續(xù)快速發(fā)展。

目前已有研究探討了生成式AI對學(xué)校教育[1]、學(xué)術(shù)生態(tài)[2]、情報工作[3]等的影響及ChatGPT用戶使用意愿[4],尚未有研究考察生成式AI在知識問答場景下的作用及其對用戶轉(zhuǎn)移行為的影響。一方面,相對于傳統(tǒng)的知識問答社區(qū),生成式AI具有顯著優(yōu)勢,如能夠提供實時、較準確、免費的回答,用戶的交互體驗更優(yōu),這可能使得用戶產(chǎn)生較強的轉(zhuǎn)移意愿。另外一方面,用戶對傳統(tǒng)問答社區(qū)的負面認知如內(nèi)容質(zhì)量參差不齊、信息過載和消極情感如倦怠也可能影響用戶的轉(zhuǎn)移意向。此外,環(huán)境因素如社會影響也可能促使用戶的轉(zhuǎn)移。因此,本文將基于推-拉-錨(push-pull-mooring,PPM)模型,整合用戶認知和情感體驗因素,考察生成式AI對用戶知識問答轉(zhuǎn)移行為的影響,采用結(jié)構(gòu)方程模型(SEM)與模糊集定性比較分析(fsQCA)的混合方法考察轉(zhuǎn)移行為各前因的作用路徑。研究結(jié)果將有助于理解用戶知識問答轉(zhuǎn)移行為機理。

1 文獻綜述

社會學(xué)認為轉(zhuǎn)移行為反映了人類在物理空間上的遷移。該理論延伸到信息系統(tǒng)領(lǐng)域可理解為網(wǎng)絡(luò)空間內(nèi)的轉(zhuǎn)移,比如用戶在社交網(wǎng)絡(luò)的轉(zhuǎn)移,這種轉(zhuǎn)移通常是緩慢的、循序漸進的,即用戶在開始轉(zhuǎn)向新的媒體時,并不會完全脫離原本使用的媒體,而是逐漸減少使用。已有研究將信息系統(tǒng)領(lǐng)域的用戶轉(zhuǎn)移行為定義為用戶減少對原有系統(tǒng)的使用, 而增加對新系統(tǒng)的使用。因此,生成式AI產(chǎn)品的出現(xiàn),在一定程度上對知識問答社區(qū)產(chǎn)生了可替代性,當有知識需求時,用戶可以在向人或AI提問之間選擇,該意向也將受到平臺內(nèi)容特征、用戶知識獲取需求及社會影響等因素的多重作用,在經(jīng)歷一段時間后,可能改變平臺間使用頻率占比,從而發(fā)生轉(zhuǎn)移行為。

用戶轉(zhuǎn)移行為包括三類:①不同媒介下的用戶轉(zhuǎn)移,即用戶將線下需求遷移到線上的過程,如曹玉枝等考察了影響用戶從傳統(tǒng)銀行到網(wǎng)銀轉(zhuǎn)移意愿的因素[5],徐孝娟等分析了影響用戶從傳統(tǒng)紙媒轉(zhuǎn)移到數(shù)字閱讀的價值導(dǎo)向[6]。②相同媒介下的用戶轉(zhuǎn)移,即用戶在提供相似服務(wù)的平臺間的轉(zhuǎn)移,如王晰巍等研究了社交媒體用戶轉(zhuǎn)移行為[7],夏立新等考察了用戶在移動音樂平臺間的轉(zhuǎn)移[8]。③相同媒介不同質(zhì)的轉(zhuǎn)移。如Hsieh等研究了用戶從博客向微博這類互動性更強的社交媒體平臺轉(zhuǎn)移的影響因素[9],趙宇翔等探索了回答者從免費到付費知識問答平臺的轉(zhuǎn)移行為[10]。本文聚焦于用戶從傳統(tǒng)知識問答社區(qū)轉(zhuǎn)移到生成式AI問答平臺的過程,研究相同媒介不同質(zhì)類型下的用戶轉(zhuǎn)移。

作為研究轉(zhuǎn)移行為的主要理論基礎(chǔ),PPM認為人們的遷移行為受推力、拉力和錨定三類因素作用。該模型最早出現(xiàn)在人口學(xué)中,是研究人口遷移的主導(dǎo)范式,后被廣泛運用于信息系統(tǒng)領(lǐng)域用戶轉(zhuǎn)移行為的研究。在三類因素中,推力因素是將用戶推離原平臺的因素,如對原平臺的不滿意。代寶與鄧艾雯考察了社交媒體用戶轉(zhuǎn)移意愿[11],認為推力因素包括社交媒體相關(guān)因素(信息質(zhì)量、社區(qū)支持和相對匱乏性等)和用戶自身因素(倦怠、后悔和隱私顧慮等)。拉力因素是將用戶拉向新平臺的因素,如新平臺對用戶具備吸引力。楊石山研究了社交網(wǎng)站的用戶轉(zhuǎn)移意向,將替代者吸引力作為其中的一項拉力因素[12],Ye和Potter認為相對易用性和安全性顯著正向影響用戶轉(zhuǎn)移[13]。錨定因素是阻止或促進用戶在平臺間轉(zhuǎn)移的因素,社會影響是常用的錨定因素。Cheng等認為社會影響例如同輩影響力等將影響用戶的轉(zhuǎn)移行為[14],曹雄飛發(fā)現(xiàn)用戶從博客向微博轉(zhuǎn)移的過程中受到從眾效應(yīng)的影響[15]。此外,轉(zhuǎn)移代價如轉(zhuǎn)移成本、沉沒成本、持續(xù)成本作為錨定因素已被學(xué)者證實。

綜上所述,PPM已被應(yīng)用于研究社交網(wǎng)站、移動購物、移動音樂、社交媒體等情境下的用戶轉(zhuǎn)移行為,而較少用于考察用戶在知識問答平臺之間的轉(zhuǎn)移。因此,本文將基于PPM模型,分別將正負面的認知和情感因素作為拉、推力因素,將社會影響作為促進轉(zhuǎn)移的錨定因素,研究用戶從傳統(tǒng)問答社區(qū)向生成式AI的轉(zhuǎn)移行為。

2 研究模型與假設(shè)

本文模型如圖1所示。推力因素方面,考察了問答社區(qū)的內(nèi)容特征包括內(nèi)容質(zhì)量(內(nèi)容低質(zhì))和數(shù)量(信息過載)對用戶負面情感(社區(qū)倦怠)和轉(zhuǎn)移意愿的影響;錨定因素包括社會影響,反映了社交圈子對轉(zhuǎn)移意愿的影響;拉力因素方面,考察了生成式AI平臺特征(感知擬人度、感知準確度、感知可信度)對用戶正面情感(沉浸體驗)和轉(zhuǎn)移意愿的影響。

圖1 研究模型

2.1 推力因素

2.1.1內(nèi)容低質(zhì)

內(nèi)容低質(zhì)反映了用戶對平臺內(nèi)容的有用性、準確性和及時性等的低程度感知。Rieh認為用戶對知識內(nèi)容質(zhì)量的感知受到信息本身和信息來源共同作用[16]。在問答社區(qū)中,信息本身包括知識內(nèi)容的詳細程度等,而信息來源主要為用戶生成內(nèi)容。知識貢獻與社交媒體單純的信息共享相比門檻更高,而通常知識社區(qū)普通用戶創(chuàng)造內(nèi)容的動力不足,多是尋求問題,而回答者少,存在只看不說的現(xiàn)象,這必將造成“公地悲劇”,長遠來看影響平臺內(nèi)容的整體質(zhì)量。Lin和Wu認為,信息質(zhì)量是影響用戶信息期望和滿意度的關(guān)鍵因素[17]。當用戶感知到內(nèi)容質(zhì)量較低,其對內(nèi)容的接受度也隨之降低,用戶感到自己的時間和精力等資源被耗盡,最終引起倦怠這一負面情緒。如果用戶在知識問答社區(qū)無法尋找到滿意的答案或通常需要花費很長的時間才能滿足需求,那么隨之產(chǎn)生的無效率感將加深社區(qū)倦怠。因此,本文提出以下假設(shè):

H1:內(nèi)容低質(zhì)顯著影響社區(qū)倦怠。

2.1.2信息過載

信息過載反映了信息數(shù)量的激增超出了用戶自身信息處理能力所能接受的范圍。當前知識問答社區(qū)中產(chǎn)生的海量信息如商業(yè)化廣告、個性化推薦以及用戶生成內(nèi)容等需要用戶辨別數(shù)據(jù)的真?zhèn)涡圆ふ遗c自身需求相符的內(nèi)容,這無形中降低了用戶信息處理效率,甚至使其產(chǎn)生不堪重負的感覺。張安淇和李元旭認為知識共享的過程中將不可避免地產(chǎn)生大量無用數(shù)據(jù),因此在知識共享與信息過載之間往往需要進行質(zhì)與量的權(quán)衡[18]。黃英輝等研究發(fā)現(xiàn)過度特化問題在非透明性的推薦算法機制的助推下日益突出[19],導(dǎo)致用戶在特定內(nèi)容框架下陷入信息過載。Dai等認為感知信息過載會誘發(fā)用戶負面情感體驗,如倦怠、挫折感等,進而引發(fā)用戶的消極行為[20]。因此,本文假設(shè):

H2:信息過載顯著影響社區(qū)倦怠。

2.1.3社區(qū)倦怠

社區(qū)倦怠指的是用戶心理上的疲倦、疲勞、倦怠感等。隨著用戶在社區(qū)中的活躍度增加,社區(qū)中存在的問題如內(nèi)容特征等將在不同程度上被用戶感知并導(dǎo)致社區(qū)倦怠現(xiàn)象。社區(qū)倦怠作為一種情緒感知,其不僅會使平臺產(chǎn)生潛在的用戶流失風險,也對用戶心理及行為產(chǎn)生負面影響。心理方面包括諸如焦慮和失望等情緒以及動機降低和失去興趣等反應(yīng)。行為方面,薛靜和洪杰文認為在青年群體中,較強的角色壓力通過影響社交媒體倦怠進而產(chǎn)生隱退行為[21]。張艷豐等通過研究用戶畫像將倦怠群體劃分四類:潛水忽略型、忍耐使用型、平臺轉(zhuǎn)移型和行為替代型[22]。因此,在知識問答情境下,用戶可能選擇轉(zhuǎn)移問答平臺來緩解長期處于知識問答社區(qū)中積壓的負面情緒。由此本文提出以下假設(shè):

H3:社區(qū)倦怠顯著影響知識問答轉(zhuǎn)移意愿。

2.2 拉力因素

2.2.1感知擬人度

感知擬人化反映用戶對非人類主體被賦予人的特質(zhì)(如特征、動機或心理狀態(tài)等)的感知。得益于擬人化,基于人工智能開發(fā)的生成式AI不僅具有工具性,還被賦予了一定的社會功能。生成式AI在與用戶進行問答交互時特別是在用戶具有感情訴求(如咨詢情感問題)的情境下,可以表達認知共情或展現(xiàn)言語幽默性來迎合用戶需求。Spatola和Wudarczyk發(fā)現(xiàn)用戶對AI的主次要情緒與感知到的AI擬人化程度有關(guān)[23]。用戶從有知識服務(wù)能力的生成式AI中滿足其知識需求,對其擬人度的感知(如對話模式、講話模式和人格扮演等)將促使用戶產(chǎn)生正面情緒,沉浸于知識學(xué)習(xí)或問題得到解答的良好體驗中。研究發(fā)現(xiàn)對于具有較高擬人化傾向的AI助手,通常用戶對其評價更積極[24],感知更多的樂趣,用戶體驗更好。據(jù)此本文提出以下假設(shè):

H4:感知擬人度顯著影響沉浸體驗。

2.2.2感知準確度

問答平臺的內(nèi)容準確度包括認可度(答案與提問者期望的匹配程度)、一致性(綜合判斷所有答案之間的關(guān)聯(lián)度)和專業(yè)性(對問題涉及領(lǐng)域的專業(yè)程度)三方面[25]。生成式AI問答基于大數(shù)據(jù)集和復(fù)雜的數(shù)學(xué)算法生成內(nèi)容,協(xié)助用戶快速收集整理相關(guān)信息以給出建議,因此AI回復(fù)的準確程度對用戶體驗至關(guān)重要。對所提供回答的準確度感知是用戶感知信息價值的決定因素,特別是知識類問答,準確的信息認知將對用戶情感產(chǎn)生正向影響。換言之,若用戶感知內(nèi)容不準確,則其將認為繼續(xù)使用該平臺時需要費時費力地自主辨別內(nèi)容準確程度,從而對其使用體驗產(chǎn)生負面影響。Nadarzynski等研究了醫(yī)療診斷場景中信息準確度與患者對AI診斷專業(yè)度感知之間的關(guān)系[26]。Yin和Qiu發(fā)現(xiàn)網(wǎng)絡(luò)購物場景中人工智能技術(shù)的準確性對消費者感知效用價值和享樂價值均有顯著的正向影響[27]。因此本文假設(shè):

H5:感知準確度顯著影響沉浸體驗。

2.2.3感知可信度

在信息系統(tǒng)領(lǐng)域,當生成式AI作為知識來源輔助用戶進行決策時,可信度是一個非常重要的指標。用戶在進行生成式AI問答過程中會將感知到可靠、公平、不存在偏見的文本視為能夠信賴的回答。Jakesch等認為用戶對Airbnb房東簡介文本的信任度與其是否由AI撰寫相關(guān)[28]。Li與Peng研究發(fā)現(xiàn)直播主播的可信度可以激發(fā)用戶對其的情感依戀,從而促進打賞意愿的發(fā)生[29]。隨著AI語言處理和生成技術(shù)的不斷提升,大眾對其內(nèi)容生成可信度也逐漸認同。當用戶對生成式AI的信任度提高,他們在問答過程中更有可能感到專注和愉悅,從而體驗沉浸感。本文提出以下假設(shè):

H6:感知可信度顯著影響沉浸體驗。

2.2.4沉浸體驗

沉浸體驗又稱心流體驗,指的是用戶全身心投入一項活動并從中獲得樂趣和愉悅等的積極情緒體驗。已有研究證實沉浸體驗是用戶持續(xù)使用意愿的影響因素[30]。在知識問答中,研究發(fā)現(xiàn)心流體驗對用戶知識搜尋滿意度和持續(xù)信息搜尋具有顯著影響[31]。獲得沉浸體驗的用戶會在知識問答過程中感到可控、注意力集中和興趣,在未來有知識需求時選擇生成式AI平臺,從而促進知識問答轉(zhuǎn)移意愿的發(fā)生。因此,本文提出以下假設(shè):

H7:沉浸體驗顯著影響知識問答轉(zhuǎn)移意愿。

2.3 錨定因素

社會影響反映了單個用戶態(tài)度和行為會受到其所處社會圈子的影響。根據(jù)社會網(wǎng)絡(luò)理論,用戶在進行社會活動時,其接收的信息、資源和機會會受其所處的社會網(wǎng)絡(luò)如身邊的家人、朋友甚至線上關(guān)聯(lián)用戶等群體的影響。當用戶對新應(yīng)用(如生成式AI產(chǎn)品)的了解尚不充分時,群體信念被認為是評估應(yīng)用的可靠信息源。已有研究認為社會影響顯著影響消費者與人工智能的交互意愿[32],促進社交網(wǎng)絡(luò)用戶做出轉(zhuǎn)移決策。因此,如果用戶的社會網(wǎng)絡(luò)信任生成式AI平臺并進行宣傳,建議他人參與使用,那么用戶將采取相似的行為,從傳統(tǒng)問答平臺轉(zhuǎn)移到生成式AI平臺。由此本文假設(shè):

H8:社會影響顯著影響知識問答轉(zhuǎn)移意愿。

3 數(shù)據(jù)收集

研究模型共包含9個變量,各個變量包括3至4個測量指標。為確保量表的有效性,各題項均參考國外已有文獻中的成熟量表,并根據(jù)知識問答的研究情境對各題項的文字表述進行修正。問卷采用五點李克特量表進行測量,在正式發(fā)放問卷前,在20名有過生成式AI和傳統(tǒng)問答社區(qū)使用經(jīng)驗的用戶進行預(yù)測試,并根據(jù)得到的反饋對問卷測量項進行了修改。表1列出了測量指標。

表1 各變量測量指標和來源

問卷通過見數(shù)(Credamo)平臺進行設(shè)計,并在熱門社交媒體如微信、微博等發(fā)布問卷鏈接。數(shù)據(jù)收集持續(xù)兩周,共回收問卷532份,區(qū)分無效問卷的標準如下:a.總體作答時長小于1分鐘;b.未通過注意力測試題;c.答案過于一致,即所有題目選項相同。最終得到有效問卷483份。其中男性占44.7%,女性占55.3%;年齡集中在20-29歲之間,占92.8%;本科學(xué)歷占63.8%,碩士及以上學(xué)歷占32.5%。被調(diào)查者使用頻率較高的傳統(tǒng)知識問答平臺包括知乎(91.3%)、百度知道(82.0%)、小紅書/微博/豆瓣等社交媒體類平臺(82.0%)、小猿搜題/作業(yè)幫等搜題類平臺(65.8%)、CSDN社區(qū)等技術(shù)類平臺(37.5%)。使用度較高的生成式AI包括ChatGPT(66.9%)、百度文心一言(24.6%)、New Bing(24.2%)。

4 數(shù)據(jù)分析與結(jié)果

4.1 結(jié)構(gòu)方程模型

4.1.1信效度檢驗

本文首先采用SPSS 26軟件進行信度檢驗,計算各變量的Alpha值,結(jié)果發(fā)現(xiàn)所有變量的Alpha值均大于 0. 8,表明數(shù)據(jù)內(nèi)部一致性較好。在驗證性因子分析(CFA)中,各測量指標的因子載荷大多數(shù)超過了0.7,CR均大于0.8,AVE均大于0.5,表明數(shù)據(jù)的聚合效度較好,結(jié)果見表2。此外,如表3所示,對角線為各變量AVE值的平方根,均大于各因子與其他因子之間的相關(guān)系數(shù),表明數(shù)據(jù)的區(qū)分效度較好,顯示測量模型具有良好的信效度。

表2 信效度檢驗

表3 變量相關(guān)系數(shù)矩陣

4.1.2假設(shè)檢驗

本文采用AMOS 28軟件對研究模型的理論假設(shè)進行檢驗。模型的各項擬合指數(shù)均符合推薦值,結(jié)果見表4。路徑系數(shù)值及顯著性如圖2所示。模型解釋了轉(zhuǎn)移意愿69%的方差,具有較好的解釋力。

表4 模型擬合指數(shù)

圖2 路徑系數(shù)值

4.2 模糊集定性比較分析

SEM基于單項線性關(guān)系研究各相互獨立的自變量對轉(zhuǎn)移意愿的邊際“凈效應(yīng)”。而各自變量之間不可避免的存在著多因素并發(fā)因果關(guān)系。fsQCA結(jié)合了定量與定性各自的優(yōu)點,不僅可以開展大案例數(shù)的研究,也能加強對個案獨特性和深度的分析。因此,本文采用模糊集定性比較分析方法研究模型中的各前因變量與用戶轉(zhuǎn)移意愿之間的作用路徑。

4.2.1變量選取與數(shù)據(jù)校準

根據(jù)研究模型,本文選取內(nèi)容低質(zhì)、信息過載、感知擬人度、感知準確度、感知可信度、社區(qū)倦怠、沉浸體驗、社會影響為前因變量。首先對各個前因變量下的測量項取平均值并根據(jù)Ragin[40]提出的5%、95%及交叉點50%的標準進行數(shù)據(jù)校準,以提高數(shù)據(jù)的可解釋性。然后進行必要性分析,通常認為必要條件的一致性閾值為0.9,分析結(jié)果顯示所有前因變量的一致性值均小于0.9,說明沒有單一前因變量與轉(zhuǎn)移意愿之間構(gòu)成必要條件關(guān)系。下文進一步對前因變量進行組態(tài)分析來探尋發(fā)生轉(zhuǎn)移意愿的組態(tài)路徑。

4.2.2組態(tài)效應(yīng)分析

首先通過fsQCA軟件構(gòu)建真值表,對于大樣本數(shù)據(jù)(如超過150例)需要設(shè)置3或更高的案例頻數(shù)閾值。結(jié)合本文的實際研究情境,將頻數(shù)閾值設(shè)為5,一致性閾值設(shè)為0.8,PRI閾值設(shè)為0.7。結(jié)果見表5。其中●表示核心條件存在,?表示邊緣條件存在,?表示邊緣條件缺失,“空白”表示在構(gòu)型中該條件可有可無。

表5 用戶知識問答轉(zhuǎn)移意愿組態(tài)路徑

由fsQCA得出的分析結(jié)果與前文SEM的研究結(jié)果大致相符。在6條路徑中,沉浸體驗作為核心條件出現(xiàn)了5次,說明其是影響用戶知識問答轉(zhuǎn)移意愿的關(guān)鍵因素。推力因素中的信息過載及拉力因素中的感知準確度均作為重要核心條件存在,與SEM得到的路徑系數(shù)結(jié)果一致,其分別為推拉力因素中影響情緒感知,進而影響轉(zhuǎn)移意愿的最重要因素。社區(qū)倦怠和感知擬人度在4條路徑中作為邊緣條件共同存在,說明兩者是用戶發(fā)生轉(zhuǎn)移意愿不可或缺的因素。在前三條路徑中,感知可信度與社會影響作為邊緣條件存在,說明雖然兩者不是核心存在,但也發(fā)揮了不可或缺的作用。此外,內(nèi)容低質(zhì)在前三條路徑中為可有可無的存在,與SEM得到的不顯著的結(jié)果一致。

5 結(jié)果討論

由SEM結(jié)果(見圖2)可知,除了H1以外,其余假設(shè)均被支持。在fsQCA組態(tài)分析中,綜合三條影響轉(zhuǎn)移意愿的主要路徑(路徑1-3)后發(fā)現(xiàn)(見表5),信息過載、感知準確度和沉浸體驗作為核心條件存在,社區(qū)倦怠、感知擬人度、感知可信度和社會影響作為邊緣條件存在,而內(nèi)容低質(zhì)是可有可無的存在。

在推拉錨三類因素中,社會影響對轉(zhuǎn)移意愿的作用最大(β=0.54,p<0.001),沉浸體驗的作用次之(β=0.49,p<0.001),社區(qū)倦怠的作用最小(β=0.10,p<0.01),顯示社會影響是導(dǎo)致用戶轉(zhuǎn)移的主要因素。生成式AI作為一項新興技術(shù)應(yīng)用,用戶使用行為會受到社交圈子或關(guān)鍵意見領(lǐng)袖(KOL)的影響。生成式AI平臺可通過宣傳平臺特色、建立用戶推薦鼓勵機制如發(fā)放積分等,以此擴大用戶群。此外,雖然SEM結(jié)果顯示社會影響對轉(zhuǎn)移意愿的作用較強,但在fsQCA結(jié)果中,社會影響在三條主要路徑中均作為邊緣條件出現(xiàn),這可能是因為SEM單獨考察社會影響對轉(zhuǎn)移意愿的作用,而fsQCA基于組態(tài)視角考察變量組合對轉(zhuǎn)移意愿的作用,社會影響的作用受到其他變量的影響有所減弱。除了社會影響,沉浸體驗也對轉(zhuǎn)移意愿具有較強作用,顯示用戶非常關(guān)注生成式AI的使用體驗,包括愉悅感、注意力聚集等。沉浸體驗在fsQCA各主要路徑中均作為核心條件。因此,生成式AI平臺應(yīng)注重為用戶帶來更好的交互體驗,以促進用戶轉(zhuǎn)移行為。

推力因素中,信息過載顯著影響社區(qū)倦怠(β=0.66,p<0.001),但內(nèi)容低質(zhì)對社區(qū)倦怠沒有顯著作用,表明問答社區(qū)的信息過載是導(dǎo)致用戶倦怠的主要因素。傳統(tǒng)問答社區(qū)上的廣告推送和平臺商業(yè)化信息夾雜在問答內(nèi)容中,用戶需要投入更多的時間和精力進行甄別。此外,當個性化算法推薦機制根據(jù)用戶的歷史搜索記錄推送諸多類似話題并邀請回答時,在一定程度上會導(dǎo)致用戶信息接收飽和和信息過載,降低平臺使用效率。問答社區(qū)應(yīng)控制推送頻率并合理運用個性化推送服務(wù),給予用戶信息接收選擇權(quán),降低信息過載。本文沒有發(fā)現(xiàn)內(nèi)容低質(zhì)對社區(qū)倦怠的影響。這可能是相對于娛樂性的社交媒體,問答社區(qū)的用戶往往是帶著問題而來,他們有目標地在問答社區(qū)中搜尋答案,更多地關(guān)注精選答案、點贊數(shù)較多的熱評以及經(jīng)平臺認證的專家回答等,而不大關(guān)注問答社區(qū)中存在的話題爭議、無效回答或過時信息等低質(zhì)內(nèi)容,因此內(nèi)容低質(zhì)不會影響用戶在使用過程中的社區(qū)倦怠等負面感受。

拉力因素中,感知擬人度(β=0.11,p<0.01)、感知準確度(β=0.31,p<0.001)和感知可信度(β=0.28,p<0.001)均對沉浸體驗有顯著影響,且感知準確度的作用最強。在fsQCA結(jié)果中,感知準確度也多次作為核心條件存在,顯示用戶聚焦于解決問題,因此也更多地關(guān)注回答的準確性。不準確的答案將增加用戶采納答案所帶來的不確定性和風險,降低其對生成式AI的信任,影響其使用體驗。生成式AI在進行應(yīng)用開發(fā)時,需要圍繞用戶的使用需求,在可控范圍內(nèi)優(yōu)化擬人化細節(jié)以使用戶有更多的親近感,更重要的是,在回答下方注明信息來源,并通過大數(shù)據(jù)訓(xùn)練提高回答的準確度和提供優(yōu)質(zhì)回答的能力。只有當用戶獲取了可信、可靠的回答時,才能在與生成式AI的交互中獲取良好體驗,從而促進其轉(zhuǎn)移意愿。

6 結(jié) 論

基于PPM,本文研究了生成式AI對用戶知識問答轉(zhuǎn)移行為的影響。研究結(jié)果顯示,推力(信息過載、社區(qū)倦怠)、拉力(感知擬人度、感知準確度、感知可信度、沉浸體驗)、錨定(社會影響)三方面因素顯著影響用戶知識問答轉(zhuǎn)移行為,SEM和fsQCA兩種方法得到的結(jié)果較為一致。

本文研究結(jié)果具有以下管理啟示:a.知識問答平臺應(yīng)優(yōu)化個性化推薦算法。雖然個性化推薦滿足了用戶需求,但是過量的相似信息不僅使用戶陷入信息繭房,也讓其感知到信息過載。平臺可以通過用戶調(diào)研等方式合理設(shè)置推送量和推送頻率。此外,平臺可加強對廣告商的審核機制,以防過度商業(yè)化導(dǎo)致用戶的消極體驗。b.生成式AI應(yīng)提高內(nèi)容的準確度,通過改善數(shù)據(jù)源和智能算法以提供更加準確無誤的回答。此外,進一步優(yōu)化AI的文本表達方式,比如展現(xiàn)情感交流、有更多公平性詞匯的呈現(xiàn)等以使用戶在使用時產(chǎn)生興趣并投入其中。c.重視社會影響的作用。問答平臺可以通過社交媒體提高知名度和大眾評價,鼓勵現(xiàn)有用戶進行平臺推薦以吸引更多用戶。

本文的局限包括:a.本文主要考察了當前主流的生成式AI如ChatGPT、文心一言等,而生成式AI處于快速發(fā)展之中,未來更智能、更擬人化的AI可能會不斷涌現(xiàn),并對用戶行為產(chǎn)生顯著影響。這就需要進一步的研究。b.影響用戶知識問答轉(zhuǎn)移的因素較多,除了本文模型中的因素,未來的研究可考察隱私風險、不滿意、習(xí)慣等對轉(zhuǎn)移意愿的作用。