《AI》：Mapping the Attitudinal Continuum Toward AI in Tourism: An Explainable Segmentation of a Croatian Consumer Sample
编辑推荐：
本研究通过先进机器学习聚类分析，考察克罗地亚消费者对旅游与酒店服务中人工智能（AI）应用所形成的感知与态度。研究基于592名受访者的非概率在线样本，采用K-means聚类并结合沙普利加性解释（SHAP）特征重要性分析，发现该样本中的AI态度构成一个连续体而非密
本研究通过先进机器学习聚类分析，考察克罗地亚消费者对旅游与酒店服务中人工智能（AI）应用所形成的感知与态度。研究基于592名受访者的非概率在线样本，采用K-means聚类并结合沙普利加性解释（SHAP）特征重要性分析，发现该样本中的AI态度构成一个连续体而非密集分离的群体，并将该连续体划分为四个可解释的剖面。在用于区分四个分段的随机森林分类模型中，对预期AI互动的情感反应与年龄是区分聚类归属最重要的特征之一，收入与教育程度亦然；由于这些变量属于聚类输入，而仅基于态度形成的分段在这些变量上并无差异，其突出地位反映的是分割的构建方式，而非社会经济地位与AI态度之间的联系。一项补充验证分析表明，分段归属反映的是态度差异，而非独立预测既往AI相关行为。该分割得到四个剖面：AI热衷者（21.1%）、AI怀疑者（19.9%）、务实使用者（33.3%）与谨慎采纳者（25.7%）。来自K-means、DBSCAN、高斯混合模型与Gower/PAM聚类的收敛证据表明，从热衷到抵制的梯度在各方法间具有稳健性，而个体受访者在该梯度上的位置则依赖于度量方式。因此，这些剖面被呈现为对态度差异的工具性描述，而非离散的消费者类型，其信息价值在于聚合层面的沟通策略，而非个体层面的精准定位。由于研究采用非概率样本，各分段应被理解为刻画所调查的受访者，而非克罗地亚全体人口。
研究背景与问题：人工智能（AI）在全球旅游业中的快速整合正推动服务交付与体验方式的范式转变，从聊天机器人、推荐系统到自主服务机器人，均深刻改变传统酒店与旅游实践。然而，AI在旅游业的部署常被统一化处理，仿佛消费者构成同质市场。随着AI系统从前台后台优化转向一线客户接触角色，统一部署可能疏离仍持怀疑或焦虑态度的市场分段，同时未能充分服务那些欢迎更高自动化的消费者。消费者对旅游AI的反应仍显碎片化且理论化不足，接受度的异质性成为核心未决问题。对旅游管理者而言，实际问题不是是否采纳AI，而是如何根据异质性消费者基础校准部署，其前提是实证理解消费者AI态度的结构。克罗地亚旅游业约占该国GDP的20%，是经济支柱，面临季节性劳动力短缺与个性化服务需求上升，理解消费者对AI的感知与态度对技术成功实施至关重要。既有研究虽已建立AI接受的理论框架，但在特定国家情境下考察消费者分割模式的实证研究仍存在显著空白。克罗地亚作为主要欧洲旅游目的地，其独特文化特征可能影响技术接受模式，而此前Pisker等的研究虽提供初步洞见，却未采用聚类技术描述态度差异的结构，限制了其行业应用价值。本研究据此直接回应这一缺口，并试图在三个方面推进技术接受理论：其一，表明态度梯度主要由情感反应结构，并较弱地由年龄结构；仅基于态度形成的剖面在年龄上差异有限，而在收入与教育上无差异，故所报告剖面间的社会经济差异在很大程度上反映的是将收入与教育作为基础变量的结果；其二，记录一种可能的自动化天花板，即四个分段中有三个持续偏好人际接触，即便最亲AI的分段也未表现出对完全自动化的明确意愿；其三，证明在解读分割前应用多种聚类方法的诊断价值，四种方法收敛于连续体而非离散群体本身即为一项实证结果。
研究方法与结论：研究人员重新分析了Pisker等此前描述的调查数据集，以回答不同研究问题；此前会议论文仅报告初步描述性洞见，本研究则应用无监督分割、基于SHAP的替代模型解释、多重稳健性分析以及外部效标验证。研究采用定量方法，调查工具含34个问题，包括8个社会人口学条目、16个测量旅游与酒店AI态度的李克特量表条目，以及关于旅游经历与未来预期的附加问题。数据通过Google Forms在线分发，采用便利抽样与滚雪球抽样，最终获得592份有效问卷。消费者剖面通过K-means聚类构建，所有聚类变量在分析前标准化，聚类数通过肘部法与平均轮廓宽度考察，最终基于理论与解释理由选择四聚类解。研究使用随机森林分类器作为替代模型复现聚类归属，并计算SHAP值评估特征重要性，通过五折分层交叉验证评估预测性能。研究得出四个剖面：AI热衷者（21.1%）、AI怀疑者（19.9%）、务实使用者（33.3%）与谨慎采纳者（25.7%），并表明这些剖面是沿潜在连续体的重叠但可实质区分的画像，而非边界清晰的天然类型。
关键技术方法：研究以K-means聚类（K-means clustering）对标准化后的25个变量进行无监督分割，涵盖人口学特征、旅行行为与AI态度测量；以肘部法与平均轮廓宽度确定聚类数，并通过50次随机种子初始化评估稳定性（调整兰德指数ARI=0.87）；采用随机森林（Random Forest）分类器作为替代模型复现聚类归属，结合SHAP（Shapley Additive Explanations）值评估特征重要性，并以五折分层交叉验证检验性能；通过DBSCAN、高斯混合模型（GMM）、Ward层次聚类与Gower/PAM聚类进行方法学稳健性比较，另以主成分分析与基于理论的复合构念聚类检验冗余加权影响。样本为592名克罗地亚消费者的非概率在线样本，来源于Pisker等此前调查数据的再分析。
研究结果：
样本特征：592名受访者覆盖主要人口学类别，但作为非概率在线样本不具全国代表性。32.4%的受访者每年使用住宿服务五次及以上，21.8%每年两次；31.8%每年出国旅行一次，21.5%每年两次。年龄与旅行频率呈正相关（Kendall's τ-b=0.206，p<0.05），收入与旅行频率相关更强（τ-b=0.297，p<0.05），51.2%的高收入受访者每年至少五次使用旅游服务。
聚类分析结果：K-means将样本分为四个可解释剖面。由于K-means不产生特征到聚类标签的可微映射，研究通过替代方法评估特征重要性：训练随机森林分类器复现四聚类归属，并在该替代模型上计算SHAP值，五折分层交叉验证准确率为86.3%（SD 3.4），各类F1分数为0.83–0.88。SHAP分析显示，对预期AI互动的情感反应、年龄、月收入与教育水平是区分聚类最重要的变量；其中两个情感反应条目贡献最大，其次为年龄、收入与教育。研究强调这些SHAP值描述的是分割的几何结构，而非态度或行为的独立验证预测因子。
聚类剖面与特征：AI热衷者具最高AI兴奋度（3.90/5.0）与愉悦度（3.86/5.0），对人際接触态度最矛盾（2.96/5.0，中位数=3），对AI价格优势响应最高（3.60/5.0），既往AI旅行服务使用率最高（71.2%）。AI怀疑者具最低兴奋度（1.90/5.0）与愉悦度（1.85/5.0），最强人际接触偏好（4.37/5.0），对价格优势响应最低（1.92/5.0）。务实使用者为最大分段，具中等兴奋度（3.17/5.0）与愉悦度（3.09/5.0），强人际接触偏好（4.05/5.0），最高教育水平（3.97/5.0）与高于平均收入，最高住宿服务使用频率（6.27次/年）。谨慎采纳者具中等偏正AI态度，兴奋度3.46/5.0、愉悦度3.38/5.0，强人际接触偏好（4.11/5.0），对价格优势响应较高（3.24/5.0），最低教育水平（2.53/5.0）与收入，最低旅行频率（2.68次/年）。二维主成分分析投影显示第一主成分（23.0%方差）捕捉AI态度差异，第二主成分（10.7%方差）反映社会经济特征，各分段占据可区分区域但相互重叠。UMAP嵌入复现同一模式，线性与非线性投影收敛于相同结论。
剖面间差异幅度与稳健性：Z分数分析显示AI兴奋度最高与最低聚类间差异为1.83个标准差，收入差异为1.38个标准差，住宿使用频率差异为3.59次/年。分段归属与既往AI旅行服务使用显著相关（χ2(6)=36.6，p<0.001；Cramér's V=0.18），该关联集中于态度两极：AI热衷者既往使用显著高于期望，AI怀疑者显著低于期望。以人口学与态度变量预测既往AI使用的随机森林交叉验证准确率为69.4%，加入分段归属未提升预测力；仅用分段归属预测准确率为58.8%（多数类基线56.1%）。
人口学剖面：AI热衷者以35–54岁为主（43.2%），68.0%月收入高于�1001，教育程度中等，68.8%就业、24.0%为学生。AI怀疑者以中年为主（53.4%为35–54岁），55岁及以上占比高于热衷者（31.4%对16.0%），教育程度在较抗AI分段中最高（3.25/5.0），收入与热衷者相当（72.0%高于�1001），既往AI服务使用最低（37.3%）。务实使用者教育程度最高（3.97/5.0），收入集中度最高（95.9%高于�1001），平均年龄最老（44.7%为55岁及以上），住宿使用频率最高。谨慎采纳者显著更年轻（57.2%为18–25岁），近半为学生（47.4%），教育程度最低（2.53/5.0），收入最低（51.3%低于�680），但既往AI服务使用相对较高（59.2%）。
讨论与结论：研究核心发现以否定形式呈现但具实质内容：跨四种聚类方法，该样本中AI态度未解析为密集分离的群体，最大轮廓宽度始终处于0.06–0.13区间，表明消费者对旅游AI的取向更适合刻画为连续梯度而非天然类型。四个剖面并非被发现的人群，而是对梯度的工具性分割，其有效性标准是稳定性与有用性而非密度分离。聚合结构比任何个体归属更为稳健，因此研究主张针对梯度上的位置及其特征，而非对特定受访者的可靠分类。研究发现与Rogers的创新扩散框架在概念上相似，但该框架类别由采纳时机与创新性定义，而本研究分段源于态度、人口学与旅行行为，采纳时机未被直接测量。情感反应是梯度的主导维度，年龄与之适度相关；仅基于态度形成的分段在收入与教育上无差异，故所报告剖面的社会经济对比在很大程度上是使用这些变量作为基础变量的产物。多数分段持续存在的人际接触偏好指向一种可能的自动化天花板，使基于拟人化的解释与替代导向的服务自动化模型均需修正，并将人机协同定位为可能的均衡而非通往完全自动化的中转站。方法学上，SHAP分析应谨慎解读：由于分割是工具性的，且年龄、收入与教育本身即为基础变量，SHAP排序主要描述K-means如何切割梯度，而非揭示独立的理论结构。更具实质意义的方法学教训是在解读分割前应用多种聚类方法的诊断价值。实践上，研究建议采用分层服务模式，允许顾客依个人偏好与情境选择AI互动程度；AI热衷者与谨慎采纳者是价格优势响应最高的两个分段，故对前者采取溢价定价策略不被数据支持。政策上，由于抵制集中于情感反应而非教育或收入，消费者意识宣传与低风险AI体验机会可能比针对特定教育或社会经济群体的项目更为相关。研究局限包括：便利与雪球抽样几乎必然过度代表年轻、高教育、数字参与度高及已熟悉AI的个体；592份样本虽足以进行探索性分割，但用于刻画全国消费者基础仍显不足；所有态度变量为自我报告，存在社会赞许偏差与共同方法方差；横断面设计无法确立因果关系；单国单期范围限制外部效度；研究主要直接适用于住宿与酒店情境。未来研究应采用纵向设计追踪态度与实际采纳行为的演变，开展定性研究深入理解各分段的动机与关切，进行跨国比较研究识别普遍与文化特定模式，并通过实验研究检验实际AI服务互动以验证态度测量。研究结论为：本研究呈现了首批基于聚类的克罗地亚消费者旅游与酒店AI态度分析之一，将潜在态度连续体分割为稳定的四剖面结构，即AI热衷者（21.1%）、AI怀疑者（19.9%）、务实使用者（33.3%）与谨慎采纳者（25.7%）；情感反应与年龄是四聚类分割区分受访者最重要的变量之一，但分段归属未能在人口学与态度变量之外预测既往AI相关行为，表明这些分段最好被解读为态度与社会经济差异的分割而非行为预测因子；没有分段表现出对完全自动化的明确意愿，四个分段中有三个积极偏好人际接触。
