“无法停止，却又怨恨它”：短视频推荐算法如何塑造用户的持续使用意愿

《Recycling》：“Cannot Stop, Yet Resent It”: How Short-Form Video Recommendation Algorithms Shape Users’ Continuance Intention

　　

短视频平台已深度嵌入人们的数字日常生活，算法推荐在提升用户体验的同时，也引发了对侵入性和操纵性的担忧。本研究基于认知-情感-意动（Cognitive-Affective-Conative, CAC）框架，考察了用户对推荐算法的认知评价如何通过算法依赖和算法厌恶影响持续使用意愿，并识别与高持续使用意愿相关的组态路径。基于来自中国短视频用户的547份有效问卷，研究测量了个性化、多样性、侵入性、操纵性、算法依赖、算法厌恶和持续使用意愿。采用偏最小二乘结构方程模型（Partial Least Squares Structural Equation Modeling, PLS-SEM）检验直接效应和中介效应，并采用模糊集定性比较分析（fuzzy-set Qualitative Comparative Analysis, fsQCA）识别与高持续使用意愿相关的充分组态。结果显示，个性化和多样性正向预测持续使用意愿，并通过算法依赖产生显著的间接效应；操纵性负向预测持续使用意愿；侵入性和算法厌恶无显著直接效应。fsQCA结果识别出三条依赖维持路径——经验强化依赖、风险缓冲依赖和风险容忍依赖，其中算法依赖在所有四个充分组态中均为核心条件。值得注意的是，算法依赖和算法厌恶在两条与高持续使用意愿相关的风险容忍组态中共存。通过区分算法依赖与算法厌恶，本研究细化了CAC框架的情感维度，厘清了它们在持续使用意愿中的差异化作用，并为负责任的推荐系统治理提供了组态化见解。

短视频推荐算法已成为数字内容消费的核心机制，它在提升匹配效率的同时也引发了用户对隐私和自主性的担忧。然而，既有研究多聚焦算法收益的正面作用或单一风险因素，缺乏将正面认知与负面感知纳入同一框架的探索，也未能澄清算法依赖和算法厌恶这两个情感取向在持续使用意愿中的差异化角色。为回应这一缺口，研究人员基于认知-情感-意动（CAC）框架提出研究问题：用户对推荐算法的认知评价如何通过算法依赖和算法厌恶影响持续使用意愿？哪些组态路径可导致高持续使用意愿？该研究以中国短视频用户为对象，通过在线和滚雪球招募方式收集了547份有效问卷，测量了用户对个性化（personalization, PE）、多样性（diversity, DI）、侵入性（invasiveness, IN）、操纵性（manipulativeness, MA）的认知，以及算法依赖（algorithm dependence, AD）、算法