《Scientific Reports》：A study on user innovative behavior of AI painting tools integrating SOR and Self-Determination theory
编辑推荐：
为揭示AI绘画工具用户创新行为的形成机制，本研究结合刺激-机体-反应框架与自我决定理论，通过PLS-SEM、NCA和fsQCA混合方法，识别了影响创新行为的关键因素、必要条件及四种高覆盖率的组态路径（如技术-效能协同型），为生成式AI工具的差异化设计提供了实证支持，并为AI工具用户行为分析提供了新的方法视角。
在人工智能（AI）技术飞速发展的当下，AI绘画工具已不再是遥不可及的概念，而是众多创作者、设计师乃至普通用户日常创作中的得力助手。人与机器协同创作，共同迸发出前所未有的创意火花，已成为数字时代一道亮丽的风景线。然而，在这片看似繁荣的景象背后，一个核心问题却始终困扰着研究者和开发者：用户究竟是如何在与AI的互动中，产生并实施创新行为的？其背后的驱动机制是单一、线性的，还是复杂、多元的？尽管业界普遍认识到用户创新对于工具迭代和生态繁荣至关重要，但关于其具体形成路径，学术界的认识仍如雾里看花，缺乏清晰、系统的理论阐释。现有研究往往侧重于技术功能或单一心理因素，未能充分整合外部技术刺激与内部心理动机，更少探讨多种因素如何以非线性的方式组合共同促成创新。这种认知的模糊性，不仅限制了我们对人机协同创新本质的理解，也使AI工具的设计优化缺乏坚实的理论指引。
为了拨开这层迷雾，一项发表在《Scientific Reports》上的研究应运而生。该研究不再满足于传统的单一视角，而是创造性地将来自营销学领域的“刺激-机体-反应”（Stimulus-Organism-Response, SOR）框架与心理学中的“自我决定理论”（Self-Determination Theory, SDT）进行整合，构建了一个更为全面的理论模型。研究者们雄心勃勃地试图揭开AI绘画工具用户创新行为背后的“黑箱”，探索在人机协作的复杂情境下，是多方面的因素在共同驱动用户的创新。
那么，为了回答“用户创新行为如何形成”这一核心问题，研究人员具体做了哪些工作呢？他们广泛收集了用户的量表数据，并采用了一种先进的混合研究技术来梳理和分析这些数据。这套“组合拳”包括：偏最小二乘法结构方程模型（Partial Least Squares Structural Equation Modeling, PLS-SEM），用于检验变量间的直接与间接关系；必要性条件分析（Necessary Condition Analysis, NCA），用于识别哪些因素是产生创新行为所不可或缺的；以及模糊集定性比较分析（Fuzzy-set Qualitative Comparative Analysis, fsQCA），这种方法是本研究的亮点之一，它能够超越传统相关分析，揭示导致同一结果（高创新行为）的不同前因条件组合，即多种可能的“组态路径”。通过这套方法论组合，研究得以从“净效应”、“必要条件”和“组态效应”三个维度，立体化地剖析用户创新行为的形成机制。
研究发现：多元驱动与组态路径
研究结果没有给出一个简单的“唯一答案”，而是呈现了一幅丰富多彩的驱动图景。
首先，通过PLS-SEM分析，研究识别出了对用户创新行为具有直接影响的关键因素。数据分析表明，人机交互程度、创意自我效能感（Creative Self-Efficacy，个体对自己能够产生创造性成果的信心）以及创意角色认同（Creative Role Identity，个体将自己视为一个创造性角色的程度）与用户的创新行为存在直接的正相关关系。这意味着，当用户感到与AI的互动深入、自信有能力进行创作，且内心认同自己的“创作者”身份时，他们更有可能直接表现出创新行为。
其次，研究还发现其他自变量，如工具性能、感知趣味性等，主要通过影响上述直接因素（如创意自我效能感），从而间接地与创新行为相关联。这揭示了心理动机在人机交互刺激与最终行为反应之间的重要中介作用。
更为关键的是，NCA分析指出了达成高水平创新行为所必需的“门槛”条件。无论通过哪条路径，工具性能、创意角色认同和感知趣味性都被证明是用户实现创新行为的必要条件。换言之，如果AI工具本身性能低下、用户不认为自己有创意角色、或者使用过程毫无乐趣，那么高水平的创新行为几乎不可能发生。这为AI工具的基础设计指明了不可妥协的方向。
最后，也是本研究最具启发性的发现，来自fsQCA分析。它超越了寻找单一“最佳配方”的思维，识别出了四种同样能有效驱动高水平创新行为的条件组态（即不同影响因素的组合模式），每种模式都代表了一条独特的成功路径：
- 1.
技术-效能协同型：此路径以高水平的工具性能和创意自我效能感为核心。当工具足够强大且用户自信满满时，即使其他条件（如社交互动）不那么突出，也能产生创新行为（覆盖了81.5%的高创新行为案例）。
- 2.
个体认知主导型：此路径强调用户内在的认知与动机。高水平的创意角色认同、创意自我效能感以及强烈的内在动机共同作用，驱动创新行为的发生（覆盖了84%的案例）。
- 3.
互动赋能型：此路径突出了互动环境的价值。深入的人机交互结合一定的工具性能和感知趣味性，能够有效赋能用户进行创新（覆盖了77.9%的案例）。
- 4.
社会补偿型：这是一条相对小众但有趣的路径。当工具性能相对不足时，高质量的人机交互和积极的社会互动（如社区反馈、协作）可以起到补偿作用，仍然能引导用户走向创新（覆盖了40.6%的案例）。
研究结论与深远意义
这项研究通过严谨的混合方法，有力地证明了在人机协同完成创新任务的过程中，用户创新行为的产生并非遵循单一的线性因果链，而是存在多因子驱动、非线性组合的多种达成路径。这一结论打破了寻求“唯一最优解”的传统思维，为我们理解复杂情境下的用户行为提供了更贴合现实的理论视角。
其重要意义体现在理论与实践两个层面。在理论层面，研究成功地将SOR框架与SDT理论进行跨学科整合，丰富了人机交互与创新行为领域的理论工具箱。更重要的是，它引入了fsQCA这一组态思维方法，为分析AI乃至其他复杂技术工具的用户行为提供了全新的方法论视角和研究范式参考，启示后续研究关注因素间的“组合效应”而非“孤立效应”。
在实践层面，这些发现为生成式AI工具（如AI绘画、写作、编程助手）的开发者提供了极具价值的实证支持。它告诉开发者：首先，必须夯实基础，确保工具性能、趣味性和帮助用户建立创意身份认同，这些是创新的“基石”。其次，在优化策略上可以采取差异化设计思路。例如，对于追求高效能的专业用户，可以强化“技术-效能协同”路径，专注于提升工具尖端性能和用户培训；对于兴趣驱动的爱好者社群，则可以侧重“互动赋能”和“社会补偿”路径，打造充满乐趣的交互体验和活跃的社区生态。总之，认识到用户创新路径的多样性，有助于开发者设计出更包容、更具适应性的产品，最终激发更广泛、更深层次的用户创新，推动整个人机协同创意生态的繁荣发展。
