超越爱与分手：整合干预信件以深入洞察消费者-机器人关系

《Information Technology & Tourism》：Beyond love and breakup: integrating intervention letters for nuanced insights into consumer-robot relationships

本研究针对传统“爱与分手信件法”（LBM）在捕捉复杂消费者情感方面的局限性，创新性地引入了“干预信件”类别，并将其应用于酒店服务机器人场景。研究发现，超过半数的参与者（52.72%）选择撰写干预信件，其内容展现出更高的分析性、更低的自我关注度及独特的实用性词汇，揭示了消费者积极参与服务改进和价值共创的强烈意愿。这项研究不仅拓展了LBM方法，也为理解人机交互中的消费者参与行为提供了新视角。

　　

在科技日新月异的今天，服务机器人正逐渐走进酒店、餐厅等各类服务场景，成为我们生活中的新伙伴。然而，人们对这些“钢铁同事”的感受究竟如何？是满怀好奇与喜爱，还是充满疑虑与抗拒，抑或是抱有更为复杂的态度？传统的市场调研方法，如问卷调查，往往难以捕捉到人们内心深处真实而细腻的情感波动。这正是“爱与分手信件法”（Love and Breakup Letter Method, LBM）大显身手的地方。作为一种定性研究技术，LBM邀请参与者像对待真人一样，给某个品牌、产品或服务写一封“情书”或“分手信”，从而挖掘出标准问卷难以触及的情感宝藏。

尽管LBM在用户体验（UX）研究、医疗教育等多个领域已有所应用，但它在捕捉消费者情感光谱方面存在一个天生的短板——非爱即恨的二元对立框架。现实世界中，人们的情感往往更为复杂和矛盾，尤其是在面对服务机器人这类尚未完全普及的新兴技术时，用户可能并非简单地爱慕或决裂，而是怀揣着“希望它变得更好”的改进意愿。这种介于爱与分手之间的“灰色地带”情感，恰恰是传统LBM所忽略的。此外，令人惊讶的是，尽管旅游业是体验经济的核心，但截至2025年5月，尚未有研究将LBM应用于酒店与旅游领域，特别是针对服务机器人这一前沿主题。

为了弥补这一研究空白，并突破传统方法的局限，由Katerina Berezina领导的研究团队在《Information Technology & Tourism》期刊上发表了他们的最新研究成果。他们进行了一项开创性的探索：对经典的LBM进行了重要修订，引入了第三个选项——“干预信件”（Intervention Letter）。这封信允许参与者表达他们帮助机器人改进的愿望，反映了消费者关系中常常存在的矛盾性和建设性姿态。研究人员将这一改良后的方法应用于研究顾客与酒店服务机器人的关系，旨在更全面地把脉用户对机器人的真实感受。

为了开展这项研究，研究人员主要采用了改良的LBM在线调查法。他们通过Prolific平台招募了55名有过酒店机器人使用经验的参与者。在线上调查中，参与者首先回忆并描述其与酒店机器人的互动经历，随后在“情书”、“干预信”和“分手信”三种类型中选择其一进行撰写，平均用时约15分钟。调查工具记录了写信所用时间。收集到的信件文本数据随后接受了语言分析，研究团队使用了LIWC-22（Linguistic Inquiry and Word Count）文本分析软件对信件内容进行量化分析，包括测量分析性思维（Analytic）、真实性（Authentic）、情感基调以及词汇频率等指标，以揭示不同信件类型背后的语言模式和心理特征。

研究结果

信件人口统计学特征

研究共收集到55封信件。分析显示，参与者对三种信件类型表现出明显的偏好：干预信件最受欢迎，有29封，占比52.72%；其次是情书，有21封，占比38.18%；分手信数量最少，仅有5封，占比9.09%。这一分布本身就强烈暗示了消费者对服务机器人的主要态度并非简单的接纳或拒绝，而是积极的、希望参与改进的共建心态。此外，写作时间也呈现出显著差异，干预信件的平均完成时间最长（561.08秒），远高于情书（383.29秒）和分手信（408.82秒），这表明撰写干预信需要更深入的思考和投入。在字数方面，干预信件也明显更长（平均199.55字），而情书相对较短（平均151.67字）。

语言特质

通过LIWC-22进行的语言分析揭示了不同信件类型在心理语言特征上的清晰界限。干预信件展现出最高的分析性得分（29.80），显著高于情书（21.51）和分手信（21.77）。这表明干预信的作者采用了更正式、更有逻辑、更具层次性的思维方式，体现了其以任务为导向、致力于解决问题的特点。同时，干预信件中第一人称代词（如“我”、“我的”）的使用频率最低（5.70%），远低于情书（10.08%），说明干预信的作者更专注于机器人本身及其服务，而非个人情感的宣泄。在情感表达上，干预信件的积极情绪基调（6.28%）高于分手信（2.83%）但低于情书（7.64%），体现了一种平衡的、基于建设性批评的积极态度。分手信则显示出最高的真实性得分（81.39），意味着其语言更为正式和谨慎，反映了表达负面反馈时的慎重态度。

词汇频率

词汇频率分析进一步印证了上述发现。情书中高频出现的词汇充满情感色彩，如“爱”（27次）、“心”（11次）、“时刻”（12次），强调了情感连接和特定体验。干预信件的词汇则极具实用性和建设性，如“客人”（39次）、“服务”（33次）、“改进”（16次）、“工作”（19次）和“更好”（18次）。这些词汇聚焦于机器人的功能性、其对客体验的影响以及具体的改进建议。值得注意的是，“时刻”一词在情书中的出现频率（42.86%的文档包含）远高于干预信件（17.24%），突显了情书对特定情感体验的重视，而干预信则更关注整体服务流程的优化。

结论与讨论

这项研究通过对LBM方法的创新性拓展，成功地揭示了消费者与酒店服务机器人互动中一个此前被忽视的重要维度——强烈的共建意愿。超过半数的参与者选择撰写干预信件，这一事实本身极具说服力，表明消费者并非被动接受技术，而是渴望成为服务改进的积极贡献者。这深刻反映了在服务主导逻辑（Service-Dominant Logic）下，顾客作为价值共创者（Value Co-creator）的角色日益凸显。

从理论贡献来看，本研究验证了“干预信件”作为LBM框架中一个独立且重要类别的有效性。它超越了传统非爱即恨的二元情感模型，捕捉到了“ broaden-and-build ”（拓展-构建）理论所描述的积极情绪如何引导消费者产生建设性行为。这不仅丰富了LBM方法论，也为理解人机交互中的消费者参与（Customer Engagement）行为提供了新的视角。同时，本研究也是首次将LBM系统应用于酒店与旅游领域的技术研究，填补了该领域的空白。

实践上，研究结果为酒店管理者和机器人开发商提供了清晰的行动指南。企业应高度重视并主动创设渠道收集这类“干预性”反馈，将顾客视为产品迭代和服务优化的合作伙伴。对干预信件中高频词汇（如“服务”、“客人”、“改进”）的关注，可以帮助企业精准定位优化方向。此外，改良后的LBM本身也可作为企业进行用户体验研究的有力工具，尤其在测试新技术或新服务概念时，能够获取更丰富、更深层次的用户洞察。

当然，本研究也存在一些局限性，例如样本量相对较小，特别是分手信数量较少，可能限制了某些发现的普适性。未来研究可以在更大样本、不同文化背景以及更多样化的服务机器人类型中验证这些发现，并进一步探索干预建议被采纳后对消费者态度和忠诚度的实际影响。总之，这项研究巧妙地通过一纸“干预信”，为我们打开了理解人机关系新篇章的大门，强调了在技术融入生活的过程中，倾听并赋能于“使用者”的声音，是走向成功的关键一步。