增强现实对用户体验与线上冲动购买意愿的影响：一种混合结构方程模型-人工神经网络（SEM-ANN）方法

《Sage Open》：The Impact of Augmented Reality on User Experience and Online Impulse Buying Intention: A Hybrid SEM-ANN Approach

　　

增强现实（Augmented Reality，AR）正在成为数字商务中的变革性技术，但其在高涉入产品品类中的心理机制仍未被充分理解。基于刺激-有机体-反应（Stimulus-Organism-Response，SOR）框架，本研究考察AR特有属性如何影响用户体验与线上冲动购买意愿。利用来自越南的382份有效受访者数据，研究人员采用混合结构方程模型（Structural Equation Modeling，SEM）与人工神经网络（Artificial Neural Network，ANN）分析方法，以检验线性因果关系，并由ANN捕捉非线性预测变量重要性。SEM结果表明，真实性、有用性与交互性正向提升用户体验，而感知风险产生负向影响。有用性是满意度的最强驱动因素，而交互性最强地塑造态度。ANN分析进一步确认满意度与态度是六个输入中预测冲动购买意愿的前两大预测因子，从而强化并扩展了线性SEM发现。在机体状态中，消费者体验对驱动线上冲动购买意愿具有显著作用。通过整合AR特有刺激、双重体验状态与行为响应，本研究扩展了SOR模型，并对电商中AR采纳提供了更全面理解。研究结果为寻求提升体验质量与强化消费者冲动购买意愿的AR开发者和零售商提供了可操作见解。

研究背景方面，过去十年电子商务快速扩张，但在线购物缺乏直接与多感官交互，导致产品评估困难、感知风险与不确定性上升，高退货率与购买犹豫问题突出。增强现实（Augmented Reality，AR）可提升产品可视化、降低不确定性并通过虚拟试戴等模拟真实体验，然而既有文献多将AR视为功能增强工具，主要检验其对行为结果的直接效应，较少在理论上系统建模“AR刺激—内部认知/情感状态—冲动购买意愿”的完整刺激-有机体-反应（Stimulus-Organism-Response，SOR）链条；同时既有研究偏重线性方法，可能遗漏沉浸式技术中复杂的非线性消费响应。眼镜作为高适配品类，需要精确面部贴合与空间评估，比服装更易因微小偏差放大风险，而越南兼具数字准备度与较低AR渗透率，构成新兴市场中检验AR心理机制的合适场景。因此，研究人员以SOR为框架，将AR真实性、有用性、交互性、感知风险作为刺激，将满意度与态度作为机体状态，将线上冲动购买意愿作为响应，并采用解释性与预测性结合的方法填补理论与方法空白。

该论文发表于《Sage Open》。研究人员开展的研究为：以越南有过AR线上购物经验的382名受访者为样本，围绕眼镜/太阳镜AR虚拟试戴场景，构建AR属性—满意度/态度—线上冲动购买意愿的SOR模型，并用验证性因子分析（Confirmatory Factor Analysis，CFA）、结构方程模型（Structural Equation Modeling，SEM）与人工神经网络（Artificial Neural Network，ANN）混合路径进行检验与预测。

主要关键技术方法概括如下：研究人员采用便利抽样并结合多看屏筛选，受访者需观看AR试戴演示、证明真实使用经验并体验LessLens眼镜AR应用后填答五点李克特量表；样本为越南AR线上配镜用户队列（n=382）。测量模型用CFA校验效度与信度；因果结构用SEM估计路径系数与中介关系；非线性预测与变量重要性用多层感知机（Multilayer Perceptron，MLP）人工神经网络，以六输入、单隐藏层八神经元、输出为冲动购买意愿，做十次随机七三训练-测试划分，从而补充SEM的线性假设。

研究结果部分保留小标题说明。文献综述（Literature Review）中，研究人员界定AR、用户体验、线上冲动购买意愿构念，论证SOR相比技术接受模型（Technology Acceptance Model，TAM）与计划行为理论（Theory of Planned Behavior，TPB）更能同时容纳认知与情感机制，并提出真实性、有用性、交互性、感知风险四类刺激及其对满意度与态度的假设方向。假设（Hypothesis）部分提出H1a/H1b真实性正向影响满意度/态度，H2a/H2b有用性正向影响满意度/态度，H3a/H3b交互性正向影响满意度/态度，H4a/H4b感知风险负向影响满意度/态度，H5满意度正向影响线上冲动购买意愿，H6态度正向影响线上冲动购买意愿。方法与抽样（Methods and Sampling）通过专家润色量表、预测试CFA（n=70）后开展主研究，Stata 14完成CFA/SEM，SPSS 20完成ANN。信度评估（Reliability Assessment）显示各构念Cronbach’s α均大于0.7，真实性最高（α=0.930），风险最低但仍可接受（α=0.747）。研究一：验证性因子分析（Study 1: Confirmatory Factor Analysis）得出χ2/df=1.865、CFI=0.960、TLI=0.955、RMSEA=0.048，标准化载荷大多超0.70，风险构念AVE略低但组合信度达标；Fornell–Larcker出现满意度与冲动意愿边际重叠，但HTMT均低于0.85，判别效度可接受。研究二：结构方程模型（Study 2: Structural Equation Model）得出模型拟合良好（CFI=0.957、RMSEA=0.049）；有用性对满意度影响最强（β=0.279），交互性对态度影响最强（β=0.483），满意度（β=0.507）与态度（β=0.424）均强预测冲动购买意愿；R2分别为满意度0.639、态度0.679、冲动购买意愿0.762。研究三：人工神经网络（Study 3: Artificial Neural Network）以六输入预测输出，十次重抽样中满意度与态度仍为前两大重要预测因子，证实非线性情形下SEM结论稳健，并补充了变量重要性排序。

讨论与结论翻译部分：研究人员指出，AR并非单纯功能工具，而是通过真实性、有用性、交互性降低不确定性、借由感知风险产生阻力的刺激系统；满意度代表认知性评价、态度代表情感性取向，二者共同把AR属性转化为线上冲动购买意愿。结论为：真实性、有用性与交互性正向增强用户体验，感知风险负向削弱；有用性是满意度最强驱动，交互性最能塑造态度；满意度与态度是冲动购买意愿最主要预测因子；混合SEM-ANN能同时验证理论结构与识别非线性预测重要性。该研究扩展了SOR模型在沉浸式电商与高涉入眼镜品类中的解释边界，为AR开发者与零售商优化真实感、控制风险、强化交互与提升冲动转化提供了基于新兴市场的经验依据。