AI数字人直播中购买行为倾向的技术-情感配置与平台异质性：基于SOR–PAD框架

《Journal of Theoretical and Applied Electronic Commerce Research》：Technical–Emotional Configurations and Platform Heterogeneity of Purchase Behavior Tendencies in AI Digital-Human Livestreaming: Based on the SOR–PAD Framework

　　

AI数字人直播因其低成本和全天候运营已成为电商直播的关键形式。数字人的技术特征如何与消费者的心理感知协同驱动消费，是一个重要的学术和实践问题。现有研究多采用线性分析范式，聚焦于数字人的拟人化外观特征，鲜有研究从组态视角解释技术-情感因素的协同效应，且对不同平台生态系统下边界条件的实证检验也较为缺乏。基于SOR–PAD理论框架，本研究以从京东、百度和美团40个AI数字人直播间收集的18,690条直播弹幕评论为研究材料，采用文本挖掘、机器学习和fsQCA相结合的混合实证分析。因变量购买行为倾向通过匹配弹幕评论与脱敏后台交易数据训练SVM模型获得，该指标作为主观购买意愿的代理测量。SVM模型实现了0.97的准确率、0.94的召回率和0.95的F1分数。研究结果如下：第一，专业性、模拟保真度、响应性和个性化等四项技术特征，以及愉悦、唤醒和信任等三种心理感知，构成高购买行为倾向的关键前因。第二，没有任何单一条件能触发高购买行为倾向，识别出五种等价的技术-情感配置路径，包括响应导向型、愉悦导向型和多重协同型。第三，配置路径的转换效果显示出明显的平台边界，不同电商格式匹配差异化的配置路径。本研究将组态因果逻辑引入现有SOR–PAD框架，扩展了该框架在AI数字人直播场景中的应用边界，补充了人机交互下消费者行为的实证证据，并为平台和商家运营AI数字人直播提供了实践参考。

**论文解读：AI数字人直播中购买行为倾向的技术-情感配置与平台异质性——基于SOR–PAD框架的组态分析**

**研究背景与问题**
随着互联网技术与数字经济的深度融合，电商直播已成为在线零售的核心竞争领域。自2022年起，融合人工智能和虚拟现实技术的AI数字人直播迅速增长，其运营成本仅为人工主播的10%（京东平台），2024年中国AI数字人市场规模达41.2亿元，展现出快速产业化趋势和战略价值。然而，现有学术研究滞后于产业实践，存在三个主要缺口：第一，研究对象上，现有研究过度关注数字人的拟人化外观和视觉吸引力，忽视功能性技术属性（如专业性、响应性、个性化）的组态协同，未能充分体现数字人作为“技术服务载体”的本质角色。第二，分析范式上，主流线性方法（如回归、结构方程模型）聚焦变量独立净效应，但购买行为倾向是多因素耦合的结果，具有等效路径和不对称因果性，传统线性模型难以捕捉技术特征与用户情绪间的联合组合效应。第三，理论应用上，SOR模型和PAD情绪理论虽已应用于直播消费研究，但多数组合停留在线性检验思维，缺乏从组态视角的整合推导，且极少考虑平台生态系统的情境边界约束。

**研究内容与结论**
基于上述理论与实践缺口，本研究突破单一线性净效应分析思维，以技术-情感因素的组态协同为主线，将平台异质性作为组态效应的重要边界条件。研究人员采用混合实证分析，结合文本挖掘、机器学习和模糊集定性比较分析（fsQCA），旨在扩展SOR–PAD框架在AI数字人直播场景中的应用边界，而非构建全新理论体系。研究提出三个核心问题：RQ1：基于实时弹幕数据，哪些核心技术刺激和情感感知维度是AI数字人直播中购买行为倾向的关键前因？RQ2：基于SOR–PAD理论，哪些类型的技术-情感组态因果路径驱动高购买行为倾向？RQ3：平台异质性作为关键边界条件，如何对不同配置的效果施加差异化约束？

**关键技术方法**
研究采用“数据采集与预处理→核心变量提取与量化→组态分析与异质性分析”三步框架。数据层：使用Python爬虫从京东、百度和美团三个平台收集AI数字人直播弹幕评论，经过分词、去重、停用词过滤等预处理，最终获得18,690条有效弹幕（京东7,826条、百度6,542条、美团4,322条）。变量层：采用潜在狄利克雷分配（LDA）主题建模对预处理文本进行无监督聚类，结合扎根理论编码进行人工验证和分类，提取技术刺激（专业性、模拟保真度、响应性、个性化）和心理感知（愉悦、唤醒、信任）维度。量化方案结合自建情绪词典（基于SOR–PAD框架和领域词汇）和SVM机器学习模型（基于脱敏交易数据训练，准确率0.97、召回率0.94、F1分数0.95）将弹幕文本转化为标准化变量。分析层：使用fsQCA 4.0软件进行组态分析（案例数N=40，条件数=7，案例-条件比达到方法最低可接受水平），并通过全样本回归（Stata 18）检验平台异质性边界效应，子样本回归仅作辅助探索。

**研究结果**
**4.1 基于LDA的核心变量识别**：通过LDA主题提取和双重扎根编码，将9个文本主题映射到SOR–PAD框架：S层包含专业性、模拟保真度、响应性、个性化四项技术刺激；O层包含愉悦、唤醒、信任三维心理感知（保留PAD中的愉悦和唤醒，新增信任以适配弹幕语料特征）；R层为购买行为倾向结果变量。
**4.2 变量量化结果**：自建情绪字典和SVM模型对每个弹幕进行量化，示例显示不同弹幕得分差异显著，反映消费者异质性感知。SVM生成的购买行为倾向代理分数与维度级情感分数呈中强相关，验证量化流程合理性。
**4.3 基于fsQCA的组态分析**：校准采用直接法（完全隶属=90%分位数、交叉点=50%分位数、完全不隶属=10%分位数）。必要性分析显示所有条件一致性均低于0.9，无单一必要条件。充分性分析（一致性阈值=0.8、PRI阈值=0.75、频数阈值=1）识别出5条高购买行为倾向的组态路径，总体一致性=0.93，覆盖率=0.47。根据核心条件组合，分为三类驱动模式：响应主导型（S1）、愉悦主导型（S2）、多因素协同型（S3、S4、S5）。S1（响应性+专业性）适合理性比价场景；S2（专业性+愉悦）适合低决策门槛的快消品；S3（响应性+专业性+愉悦+信任）适合高感知风险产品；S4（响应性+愉悦+信任+唤醒）适合科普类直播；S5（所有技术和心理维度）适合全维度需求的本地即时零售。
**4.4 平台异质性分析**：全样本交互模型显示，平台情境显著调节配置效果。京东上S2和S3效果增强；百度上S1、S2、S3效果增强；美团作为基线，S5无跨平台差异。表明不同电商格式匹配差异化配置路径。
**稳健性检验**：将一致性阈值提高至0.85和0.9，核心条件不变，指标无显著波动，验证结果稳健。

**讨论与结论**
讨论部分总结了关键发现：一是提炼出AI数字人功能性技术属性系统，弥补了外观聚焦的缺口；二是通过组态路径揭示技术-心理协同逻辑，补充了等效因果证据；三是平台异质性扩展了SOR模型的情境边界。研究引入组态因果逻辑，扩展了SOR–PAD框架的应用范围，提出了可复现的“文本挖掘-机器学习-组态分析”混合方法。实践建议包括分类运营优化、差异化平台策略和产业政策支持。局限性包括样本覆盖有限（仅成熟直播间）、数据测量依赖弹幕文本、理论框架边界（未整合TAM等）、因果推断限制（组态非时序）和静态截面数据。结论重申无单一前因决定高购买行为倾向，五条等效路径支持多种差异化转换，平台边界效应显著，并强调未来需更大样本验证。

研究发表在《Journal of Theoretical and Applied Electronic Commerce Research》。