基于偏最小二乘结构方程模型（PLS-SEM）算法建模的高科技与高触感（High-Touch）酒店业体验研究：员工在场（Employee Presence）与技术认同（Technology Identity）的调节角色

《Algorithms》：PLS-SEM Algorithmic Modeling of High-Tech and High-Touch Hospitality Experiences with Moderating Roles of Employee Presence and Technology Identity Ibrahim A. Elshaer, Osman Elsawy, Alaa M. S. Azazz, Mohammed Ali R. Aldossary, Mahmoud Ahmed Salama and Sameh Fayyad

　　

随着旅游企业日益将拟人化（Anthropomorphic）及人工智能（AI）赋能技术整合至服务职能中，一个关键的管理与理论挑战在于平衡高科技表现与高触感（High-Touch）的人力参与。针对此问题，研究人员应用PLS-SEM（偏最小二乘结构方程模型）算法建模方法，以探究在酒店服务环境中，拟人化技术体验如何塑造客人的体验分享意愿（ESIs）。基于社会反应理论（Social Response Theory）与服务体验理论（Service Experience Theory），研究人员开发并实际评估了一个有调节的中介模型，该模型描述了拟人化技术体验如何影响体验分享意愿（ESIs）。具体而言，该模型通过情感体验（AF_EX）和感知服务创新（PSI）检验了拟人化体验对ESI的直接与间接影响，同时评估了员工在场（Employee Presence）与技术认同（Technology Identity）的调节角色。结果提供了强有力的证据以支持所开发的框架。拟人化体验能正向影响客人的情感体验、PSI及与他人分享的ESI。AF_EX与PSI均能作为ESI的重要预测因子，并可充当互补的中介机制，这意味着情感投入与创新信号技术通过双经验路径强化了客人的倡导行为。值得注意的是，研究结果揭示了一个关键的边界条件：技术认同能放大拟人化体验对AF_EX和PSI的影响，这表明将技术视为自我概念一部分的客人，能从类人操作中获得更高水平的体验价值。通过将PLS-SEM算法建模应用于整合拟人化、感知创新及体验价值于一个有调节的中介框架内，本文推进了对高科技-高触感酒店体验的理论理解，并为开发协同的技术赋能服务环境提供了实践见解。

论文解读：高科技与高触感酒店体验的PLS-SEM算法建模研究

研究背景与问题提出

在当前的酒店与旅游业中，企业正日益将拟人化（Anthropomorphic）及人工智能（AI）赋能的技术（如服务机器人、AI礼宾、智能助手）整合到服务职能中。这种做法带来了显著的管理与理论挑战，即如何在提升“高科技”（High-Tech）服务性能的同时，保持“高触感”（High-Touch）的人际温暖与人力参与，避免技术替代感带来的负面效应。目前存在的问题主要包括：既往研究对拟人化体验如何影响感知服务创新及分享行为的结果尚不明确，且常得出矛盾结论；现有文献多强调智能技术的功能利益，忽视了顾客与技术互动的象征性与情感维度；此外，以往研究常假设拟人化技术具有统一的效果，忽略了个人特质（如技术认同，Technology Identity）和情境因素（如员工在场，Employee Presence）可能对顾客反应产生的调节作用。因此，研究人员开展了此项研究，旨在探讨拟人化技术体验如何通过情感体验（Affective Experience, AF_EX）和感知服务创新（Perceived Service Innovation, PSI）影响客人的体验分享意愿（Experiential Sharing Intentions, ESI），并考察技术认同和员工在场的调节效应。该研究得出的结论对于理解技术介导的酒店服务互动中创新的感知与传播具有重要意义，论文发表在《Algorithms》期刊。

主要技术方法

研究人员采用了定量研究方法，数据通过结构化量表问卷收集，对象为埃及新阿拉曼城、北海岸和沙姆沙伊赫高评级酒店的顾客（N=430），这些酒店广泛使用AI服务（如聊天机器人、服务机器人、智能应用程序）。研究变量包括：拟人化体验（AN_EX，4题项）、感知服务创新（PSI，3题项）、情感体验（AF_EX，4题项）、技术认同（TID，4题项）、员工在场（EP，4题项）和体验分享意愿（ESI，5题项），均使用5点李克特量表。数据分析采用SmartPLS v.4软件进行PLS-SEM（偏最小二乘结构方程模型）分析，包括测量模型（信度、收敛效度、判别效度）和结构模型（路径系数、R²、Q²、假设检验）的评估，并检验了有调节的中介效应。

研究结果

1. 信度与效度评估（4.1 Validity and Reliability Assessment）

研究人员通过Cronbach’s α（0.792–0.899）、组合信度（CR, 0.876–0.929）和平均方差萃取量（AVE, 0.642–0.767）确认了聚合效度。判别效度通过Fornell-Larcker准则（√AVE 0.801–0.876，大于其他构念间相关系数）和HTMT矩阵（最大值0.709 < 0.85）得到支持。此外，Harman单因子检验（31.675% < 50%）、VIF值（1.380–3.388 < 5）及数据正态性（偏度-0.682至0.253，峰度-1.359至-0.628）表明无严重共同方法偏差与多重共线性问题。

2. 假设检验（内模型）（4.2 Hypotheses Testing (Inner Model)）

研究结果表明：

• •
  拟人化体验（AN_EX）显著正向影响情感体验（AF_EX: β=0.325, p<0.001）、感知服务创新（PSI: β=0.347, p<0.001）和体验分享意愿（ESI: β=0.099, p=0.037）。
• •
  情感体验（AF_EX: β=0.318, p<0.001）和感知服务创新（PSI: β=0.402, p<0.001）均是ESI的显著预测因子。
• •
  中介效应显著：AF_EX（β=0.103, p<0.001）和PSI（β=0.140, p<0.001）在AN_EX与ESI间起中介作用，证实双路径机制。
• •
  调节效应显著：技术认同正向调节AN_EX对PSI（β=0.165, p<0.001）和AF_EX（β=0.117, p=0.002）的影响；员工在场正向调节AN_EX对PSI（β=0.166, p=0.001）和AF_EX（β=0.102, p=0.020）的影响。
• •
  模型解释力：R²值为AF_EX 0.486、ESI 0.474、PSI 0.270；Q²值均大于0（AF_EX 0.343、ESI 0.285、PSI 0.167），SRMR=0.062（<0.08），NFI=0.799（0.60–0.90），表明模型拟合度良好。

讨论与结论总结

研究人员在讨论中指出，基于刺激-机体-反应（SOR）框架，拟人化线索作为刺激，通过情感体验（机体）和感知服务创新（机体）两条路径驱动分享意愿（反应）。AN_EX对ESI的直接影响较小（β=0.099），主要通过AF_EX和PSI的中介作用产生间接影响，这体现了完全或主导的中介机制。PSI对ESI的影响最强（β=0.402），是技术赋能服务环境中顾客倡导的关键驱动因素。

基于人-情境互动理论（PSIT）和社会存在理论（Social Presence Theory），研究发现员工在场（如员工协助AI互动）能增强社会存在感、感知创新和情感参与，尤其在人机协作服务范式中；而技术认同高的客人更易将拟人化互动视为自我一致，从而产生更强反应。这表明拟人化的效果依赖于情境与个人特质的匹配，而非普遍适用。

理论贡献在于：扩展了SOR框架中的“机体”为双路径（情感与认知）；重新定义了社会存在理论至AI介导的酒店活动；通过PSIT证明了拟人化效果的边界条件；并将酒店运营重构为体验与符号价值创造者，而非仅效率驱动。

实践意义包括：酒店应将拟人化AI设计为体验工具（而非仅运营工具），融入同理心语言、个性化等；采用协作的人-AI服务范式，员工引导与增强AI中介体验；根据客人技术认同进行细分，定制技术暴露与人力协助；主动促进事后体验分享（如社交媒体互动）。

局限性与未来研究：横截面设计限制因果推断，建议纵向研究；便利抽样限制代表性，建议其他抽样策略；样本限于智慧酒店，建议扩展至餐厅、医疗等；自报告数据可能有偏差，建议田野实验；可加入信任、技术焦虑、国家文化等变量。

综上，该研究通过PLS-SEM算法建模，系统揭示了拟人化技术体验在酒店业中通过情感与创新感知双路径影响体验分享意愿的机制，并明确了技术认同与员工在场的关键边界条件，为高科技与高触感服务的平衡提供了理论与实操依据。

需要我帮你把这篇解读里的核心变量关系，整理成一段方便引用的结论摘要吗？