综述：消费者智能的未来：人工智能在神经营销学中的系统性文献综述

《Computers in Human Behavior Reports》：“The Future of Consumer Intelligence: A Systematic Literature Review of AI in Neuromarketing”

　　

人工智能显著提升了神经营销学解析消费者潜意识认知及开发新型计算方法的能力，然而该领域尚缺乏关于人工智能在方法论、理论与实践中影响的统一综合框架，制约了理论与实证进展。本研究遵循PRISMA 2020指南，对Web of Science与Scopus数据库中95篇同行评审文献开展系统性综述，旨在厘清：（1）人工智能在神经营销中的当前应用；（2）主流方法论与技术路径；（3）人工智能对基础理论的重构效应；（4）研究缺口与局限；（5）人工智能驱动的神经营销未来演进方向。研究识别出情绪识别、预测性分析等14类人工智能应用场景，推动神经营销从传统技术向实时消费者洞察范式转型。尽管人工智能可优化从数据采集到个性化分发的全流程，但72%的研究仍偏好传统机器学习方法而非深度学习。人工智能通过揭示动态认知过程、潜意识决策机制及演化构念，对双重加工理论（Dual-Process Theory）、精细加工可能性模型（Elaboration Likelihood Model, ELM）、前景理论（Prospect Theory）等经典理论形成挑战。当前研究仍存在显著缺口：多模态融合应用率仅20%，先进人工智能技术利用率不足28%，同时面临验证缺陷与隐私保护困境。研究提出联邦学习（Federated Learning）、生态效度验证、多模态融合、隐私治理、可解释人工智能（Explainable AI, XAI）及自适应框架六大战略优先级。上述发现为应对人工智能对神经营销这一新兴商业领域的变革性影响提供了理论框架，同时为破解方法论与伦理挑战提供实践指引。

1. 1.
   引言
   神经营销学通过神经生理与心理生理测量手段解析消费者行为，能够捕捉自我报告工具无法有效测量的潜意识决策过程。但该领域长期受限于设备成本高昂、采集流程复杂导致样本量受限，分析方法静态单一且单模态主导，以及实验室范式向真实消费场景迁移时的生态效度损耗等问题，制约了研究结论的普适性及从学术研究向规模化商业应用的转化。人工智能通过处理高维多模态生物信号数据、实时捕捉神经动态时序特征、利用迁移学习降低样本量需求，以及依托可穿戴传感器实现自然场景下的数据采集，从根本上突破了传统计算方法的瓶颈，推动该领域从描述性分析向预测性分析、从实验室环境向实地部署、从单模态测量向集成化消费者智能管道转型。当前三重趋势使得对该转型过程的系统性综合尤为迫切：其一，基于实时情绪与生理反应的AI驱动个性化推荐已从研究原型走向程序化广告与需求侧平台的商业落地，但验证其效能与操纵风险的证据基础仍显薄弱；其二，基于神经特征的预测性消费者分析正大规模融入营销工作流，亟需标准化性能基准与跨研究验证框架；其三，大语言模型与多模态基础模型催生的合成刺激生成与计算消费者模拟能力，彻底改变了神经营销的研究边界，而现有综述尚未覆盖这一前沿。既往综述多将神经营销与营销领域的人工智能视为独立领域，未探讨二者融合对方法论、基础理论及商业应用的重构效应。本研究通过整合14类AI应用场景的成熟度分类与实施周期、从三个维度审视AI证据对五大经典消费者行为理论的挑战、量化方法论、理论、验证与数据治理层面的研究缺口，并纳入2020年后深度学习、生成式AI与大语言模型的最新进展，实现了对既有研究的超越。本综述面向四类受众：寻求当前技术能力与开放问题的学术研究者、评估AI-神经营销技术部署就绪度的营销从业者、需要验证基准与架构指导的技术开发者，以及亟需AI-神经营销特定伦理与监管证据的决策者。研究围绕五个递进问题展开：RQ1为AI在神经营销中的当前应用；RQ2为主导性方法论与技术；RQ3为AI如何重塑基础消费者行为理论；RQ4为核心研究缺口与局限；RQ5为未来演进方向与落地应用。本研究将AI定位为重构该领域理论基础、方法标准与商业可能性的颠覆性力量，而非传统范式下的单一分析工具。研究贡献体现为三方面：首次系统绘制涵盖情绪检测、视觉注意分析、预测建模、推荐系统、脑信号处理、客户分群、内容与创意生成、价格优化、社交聆听与情感分析、A/B测试、产品设计评估、广告效果测量、场所管理与对话代理的14类AI应用域；揭示了AI证据驱动的经典理论三重重构方向——从静态模型转向动态模型、从意识加工转向潜意识加工、从二元构念转向连续构念；提出了联邦学习、生态效度验证、多模态信号融合、隐私导向数据治理、可解释AI与实时自适应交互系统六大战略优先级，为利益相关方提供应对快速演进的AI驱动消费者智能格局的证据基础。
2. 2.
   方法论
   本研究严格遵循PRISMA 2020指南开展，以保障透明度、可复现性与方法严谨性。完整PRISMA清单见补充材料A。流程依次为确立研究问题、制定检索策略、设定纳排标准、执行数据库检索、文献筛选、数据提取、质量评估与综合。
   2.1 检索策略
   检索于2025年4月15日在Scopus与Web of Science两个核心数据库独立执行，二者因覆盖多学科同行评审文献、索引可靠且质量标准公认而被选为数据源。检索结果导出为RIS格式后合并去重，最终获得352篇独特记录。检索式采用布尔运算符组合神经营销与人工智能相关关键词，限定为英文文献，未设起始时间下限。鉴于2014年是深度学习架构开始应用于神经生理消费者数据的转折点，且卷积神经网络与循环神经网络在情感计算与EEG情绪识别中广泛扩散，同时为避免重复覆盖2014年前已被既有综述充分讨论的经典方法，筛选阶段设定2014年为时间下限，这一做法符合系统性综述将检索窗口与研究现象涌现期对齐的最佳实践。
   2.2 纳排标准
   纳入标准要求文献为2014年后发表的英文同行评审原创实证研究，明确涉及AI或机器学习与神经营销或消费者神经科学的结合。排除标准包括：无全文获取权限的文献、综述与元分析类非原创研究、重复发表文献、非英文文献、会议论文、书籍章节与学位论文、仅单独讨论神经营销或AI而未涉及二者融合的研究，以及博客、杂志等非学术出版物。方法学质量不作为筛选阶段的排除标准，而是采用混合方法评价工具（Mixed Methods Appraisal Tool, MMAT）对所有合格研究进行系统评估，低质量研究被保留在综合中但予以标记说明。
   2.3 筛选流程
   筛选分为两个阶段：第一阶段基于标题与摘要初筛，排除不相关文献；第二阶段对初筛合格的161篇文献进行全文精读评估。两名评审员独立完成全文筛选，采用Cohen's kappa系数评估评分者间信度，计算得κ=0.84（95%CI：0.80-0.88），显示几乎完全一致，12项分歧经结构化讨论达成共识。筛选决策与kappa计算过程见补充材料B。
   2.4 资格评估
   采用MMAT对纳入研究进行质量评估，因其适用于整合实验、调查与计算等多种设计类型的AI-神经营销文献。两名评审员独立打分，每项研究的质量得分范围为0%-100%，按≥60%、30%-59%、<30%划分为高、中、低三个等级。MMAT仅用于表征文献群的方法学质量而非额外排除标准，最终95篇合格研究中，高质量71篇（75%）、中等质量19篇（20%）、低质量5篇（5%），低质量研究在其局限性被明确标注的前提下纳入综合。完整MMAT评分矩阵见补充材料C。
   2.5 数据提取
   在筛选前预先设计标准化数据提取表，由两名评审员对20%的随机子样本独立填写以校验一致性，分歧经讨论后对模板修订再开展全样本提取。提取内容包括出版信息、研究特征、方法学特征、所用AI技术与神经营销工具、核心发现、优势与局限、伦理考量及未来研究方向。
   2.6 数据综合与分析
   鉴于纳入研究的异质性，采用叙述性综合方法围绕研究问题开展主题化分析，识别文献中的模式、趋势与缺口。
   2.6.1 定量分析
   未进行效应量的荟萃分析与统计合并。定量部分包含两类互补分析：一是描述性统计，刻画AI技术、神经营销模态、应用域、样本量与地理分布的特征；二是基于Bibliometrix R包biblioshiny界面的文献计量聚类分析，通过关键词共现网络映射领域概念结构。预处理阶段合并同义词以提升聚类准确性。聚类参数设定最小频率为9、社区排斥力为0，采用Walktrap算法进行网络社区检测。通过密度（内部连接数/最大可能内部连接数）与中心性（集群外部连接数/集群总出现频次，经最小-最大缩放至0-1区间）两个指标评估聚类质量，将研究主题划分为基础主题（高中心性、低密度）、引擎主题（高中心性、高密度）、利基主题（低中心性、高密度）与过渡主题（低中心性、低密度）。
   2.6.2 定性分析
   采用系统性主题分析法，通过多轮迭代编码、模式识别与主题提炼，对纳入文献的定性结果进行分析，为定量发现的模式提供情境化与解释性补充。
   2.6.3 数据整合与综合
   定量分析与定性分析的三角互证，既通过文献计量聚类把握领域宏观概念结构，又通过描述性统计揭示研究特征与趋势，辅以定性主题分析提供深层解释，共同支撑研究缺口识别与未来方向推演，确保研究问题回应的全面性与推断的稳健性。
3. 3.
   结果
   3.1 语料概览与发表趋势
   经两阶段筛选后，95篇纳入文献分布于55种期刊，包括Psychology and Marketing（IF=5.3，3篇）、IEEE Access（IF=3.9，3篇）、Frontiers in Human Neuroscience（IF=3.7，6篇）等高影响力刊物及神经科学与工程领域专业期刊，跨学科分布特征表明单一学科渠道无法主导该领域文献。2014-2025年间AI技术在神经营销中的应用呈四阶段演进：2014年前以统计分析与线性判别为主，聚焦fMRI偏好预测与EEG基线测量；2014-2019年以支持向量机（SVM）、决策树、随机森林等传统机器学习为主，用于EEG情绪分类与注视路径预测；2019-2022年卷积神经网络（CNN）、长短期记忆网络（LSTM）、CNN-LSTM混合架构与自编码器成为主流，实现深度EEG分类与实时情感检测；2022年至今Transformer、生成对抗网络（GAN）、大语言模型（LLM）、联邦学习与强化学习逐步应用，支撑多模态神经融合与生成式内容创作。2020年后发文量显著增长，67%的文献发表于2020-2025年，与深度学习工具普及及消费级生理可穿戴设备上市降低研究门槛直接相关。
   3.2 AI在神经营销研究中的历史演进
   第一阶段为神经成像奠基期（2014年前），依赖fMRI、EEG、GSR/HRV等测量消费者反应，分析以一般线性模型与相关性分析为主，受限于小样本、实验室环境与多模态数据计算能力不足。第二阶段为传统机器学习时代（2014-2019年），SVM、随机森林等算法广泛应用于EEG偏好预测，DEAP数据集与早期EEG基准促进了跨实验室比较，但样本量通常小于50且以单模态为主，泛化能力有限。第三阶段为深度学习融合期（2019-2022年），CNN、LSTM等架构逐步取代传统方法，结合黎曼几何的深度学习方法在EEG分类准确率上达到89.95%，远超传统SVM的48.5%；基于摄像头的CNN回归实现实时注视估计，多模态融合管道在情感计算领域取得精度增益，可穿戴传感器将数据采集延伸至实验室外，但深度学习在整体语料中仍属少数。第四阶段为生成式与多模态AI时期（2022年至今），LLM与BERT/RoBERTa变体支持与神经活动关联的情感敏感社交媒体分析，GAN用于神经验证内容生成，强化学习框架基于实时EEG参与度分数实现动态刺激个性化，但此类技术仍主要停留在孤立演示阶段，尚未实现规模化系统验证。
   3.3 神经营销研究中的AI应用
   研究识别出14个AI功能应用域：情绪识别通过CNN面部表情分析、LSTM语音情感检测与多信号融合SVM/随机森林集成，实现广告与包装刺激的实时效价-唤醒分类；视觉注意分析基于YOLO/MediaPipe眼动点检测、注视向量回归CNN与显著性图GAN，无需昂贵眼动仪即可预测网页与货架布局的注视路径与驻留时间；预测性消费者行为利用梯度提升树（XGBoost、LightGBM）、多层感知机/Transformer编码器与贝叶斯网络，基于神经生理痕迹与元数据预测点击率与购买转化率；个性化系统通过情境感知深度协同过滤、强化学习重排序器与图神经网络，基于实时神经特征提供产品推荐；脑信号处理采用深度CNN/RNN/Transformer管道、黎曼几何分类器与小波-LSTM混合模型，解码认知负荷与奖赏价值；客户分群基于潜在情感特征的K-means/层次聚类、自组织映射与高斯混合模型，构建神经行为画像；内容与创意生成利用GAN、进化算法与LLM，生成符合目标情绪唤起水平的视觉、音乐与文案；定价管理通过弹性网络与GBT回归、深度前馈网络与贝叶斯优化，基于EEG/面部肌电预估支付意愿与最优价格点；社交聆听与情感分析依托BERT/RoBERTa微调、LDA主题建模与多模态Transformer，挖掘品牌情感并关联神经活动指标，其中合成AI工具使用指数（SIUAIT）可量化媒体AI采纳度与神经关键绩效指标的关联；A/B测试采用基于EEG参与度的汤普森采样或贝叶斯老虎机算法实现流量动态分配；产品设计评估通过3D CNN分析VR交互数据、特征重要性随机森林与GAN对比框架，评估原型的美学吸引力与可用性；广告效果优化利用XGBoost+CNN集成栈、因果推断模型与深度强化学习智能体，自动优化创意序列以提升回忆率与销售转化；场所管理结合头顶计算机视觉跟踪、热力图CNN与SLAM-注视融合技术，优化实体与虚拟门店布局；对话代理与客服机器人通过情感感知序列到序列模型、情感控制响应生成器与强化学习对话管理器，实现基于用户情绪的语调与优惠自适应调整。文献计量聚类显示，情绪识别、视觉注意分析、个性化系统与广告效果优化属于高中心性-高密度的引擎主题；脑信号处理与预测性消费者行为为高中心性-低密度的基础主题；客户分群、内容与创意生成、伦理与隐私为低中心性-低密度的过渡主题；场所管理、产品设计评估、定价管理、对话代理、社交聆听与A/B测试优化为低中心性-高密度的利基主题。
   3.4 语料的方法学特征
   对95篇文献的方法学分析显示，72%的研究采用SVM、随机森林等传统机器学习，仅28%使用CNN、LSTM等深度学习，Transformer架构占8%，强化学习占3%，集成或混合模型占7%，迁移学习应用仅占4%，同一数据集上的跨架构系统比较不足10%。数据模态方面，55%仅使用EEG，单模态研究占比63%，双模态融合占20%，三模态及以上显式融合不足1%，联邦或跨站点数据集应用占4%。验证与泛化方面，不足10%的研究验证了预测结果与实际购买行为的关联，仅2%采用因果推断方法，非西方样本研究不足10%，纵向设计占7%，刺激时长超过10秒的研究不足34%。研究设置方面，74%为实验室环境，可穿戴或实地采集占26%，33%的研究样本量小于30，49%为30-100，仅18%超过100。伦理报告方面，仅16%的研究讨论了伦理或隐私问题，5%提及GDPR、CCPA等合规要求，3%展示了隐私-by-design管道，15%公开了代码或模型权重，23%报告了标准化预处理协议。上述特征表明该领域在方法上相对保守，生态效度与统计效力受限，跨文化泛化性严重不足。
   3.4.1 神经科学结构分析
   AI通过融合fMRI的空间分辨率与EEG的时间精度，绘制消费者决策的神经网络图谱。深度学习架构在分类准确率上达到89.95%，显著高于传统SVM的48.5%，并能识别偏好形成与购买意图相关的脑区。
   3.4.2 高级诊断工具
   AI通过CNN回归实现注视估计，利用CNN架构评估情绪状态，并通过AI增强的模式识别提升GSR与HRV监测的唤醒检测精度，减少人为误差，实现神经反应的连续评估。
   3.4.3 智能信号处理
   AI通过自适应算法自动化完成伪迹去除、降噪与信号增强，基于机器学习的独立成分分析（ICA）分离神经信号与噪声，小波变换与连接性指标从高维生物信号中提取有意义模式，一致性优于人工处理。
   3.4.4 机器学习应用
   CNN-LSTM网络、自编码器、Transformer与脉冲神经网络（SNN）实现了更高的分类性能。AI增强系统支持实时推理与自动化决策辅助，通过EEG、眼动与生理信号的实时多模态融合输出参与度评分。
   3.4.5 认知-感知建模
   AI复现消费者决策中的人类认知过程，实现从神经活动到市场行为的预测。注意力机制建模刺激加工过程，预测模型预判偏好与购买概率。AI驱动的神经营销定价显示出15%的价格容忍度，优于传统方法的3%-19%，且在更小样本量下即可获得有效结果。
   3.5 AI对基础消费者行为理论的重构
   3.5.1 双重加工理论中二元假设的再检验
   双重加工理论假设直觉型系统1与分析型系统2为离散加工模式。基于连续EEG分析的AI提取theta/alpha比值显示，认知加工处于动态连续体上，存在不符合二元模型的微过渡态。机器学习检测到消费者同时激活两种系统的混合加工状态，挑战了互斥加工模式的假设，复杂AI模式识别证实多情境下的并行加工机制。
   3.5.2 精细加工可能性模型中动态路径切换
   精细加工可能性模型传统上假设消费者沿中枢或边缘路径二选一加工。AI驱动的多模态眼动-EEG分析表明，双路径加工可同时发生，个体在单次暴露期间可在路径间切换。机器学习模型以毫秒级分辨率捕捉路径转换，要求将ELM重构为动态并行加工框架，由AI算法预测实时路径转换而非固定序列路径。