《Frontiers in Psychology》：Human–AI co-creation in generative AI video: content characteristics, flow experience, and continued creation intention—a hybrid SEM–ANN study
编辑推荐：
基于刺激—有机体—反应（Stimulus–Organism–Response，S-O-R）理论与心流（Flow）理论，研究人员考察了生成式人工智能（AI）视频的五维内容特征——生成质量（Generation Quality，GQ）、情感共鸣（Emotional
基于刺激—有机体—反应（Stimulus–Organism–Response，S-O-R）理论与心流（Flow）理论，研究人员考察了生成式人工智能（AI）视频的五维内容特征——生成质量（Generation Quality，GQ）、情感共鸣（Emotional Resonance，ER）、视觉新颖性（Visual Novelty，VN）、交互（Interaction，INT）与叙事连贯性（Narrative Coherence，NC）——影响大学生AI视频创作意愿（AI video creation Willingness，AW）的路径，并重点关注心流体验的中介作用。方法上，研究人员采用结构方程模型（Structural Equation Modeling，SEM）与人工神经网络（Artificial Neural Network，ANN）混合方法，以即梦（Jimeng/Dreamina）AI视频生成平台为情境，收集512名具有1个月以上使用经验的中国大学生问卷数据。结果显示：五维AI视频内容特征均显著正向影响心流体验，心流体验进而显著影响AW；其中视觉新颖性与叙事连贯性对AW影响最突出；Bootstrap中介检验证实心流体验在所有路径中均显著中介；ANN敏感性分析进一步验证视觉新颖性是心流体验的主要预测因子，心流体验是创作意愿的核心预测因子。讨论部分指出，该研究将S-O-R理论应用边界拓展至生成式AI创作情境，阐释了外部刺激转化为行为反应的心理机制，并为AI视频平台优化用户体验与提升采纳意愿提供理论依据与实践指导。
研究背景方面，生成式人工智能（Generative Artificial Intelligence，生成式AI）重塑数字媒体生产，AI视频生成不再是被动消费，而是用户通过提示词输入与内容再生成参与的人机协同创作（Human–AI Co-creation）。既有研究多把平台当作技术工具或内容平台，沿用静态媒体消费或网站使用的S-O-R框架，且主要用线性模型，难以解释AI视频生成里提示词、随机种子与参数设置带来的随机性与非线性；同时大学生群体科技敏感度高、创作需求强，但使用3个月后活跃度下降率可达47%，持续创作意愿低。因此，研究人员以大学生为对象，把心流（Flow）理论引入AI视频内容特征研究，用SEM–ANN混合方法解释内容特征如何通过心流体验影响持续创作意愿。
该研究发表于《Frontiers in Psychology》。研究人员开展以即梦（Jimeng/Dreamina）为情境的问卷调查与混合建模研究，样本为512名有1个月以上使用经验的中国大学生，得出五维内容特征均正向影响心流体验、心流体验中介作用于AI视频创作意愿（AI video creation Willingness，AW）、视觉新颖性（Visual Novelty，VN）为心流主要预测因子等结论；意义在于把S-O-R与心流理论拓展到动态人机协同创作情境，为平台优化沉浸体验与持续创作转化提供依据。
关键技术方法上，研究人员采用结构方程模型（Structural Equation Modeling，SEM）验证线性路径，用人工神经网络（Artificial Neural Network，ANN）多层感知与敏感性分析捕捉非线性关系；样本来自中国西南两所高校线下课程与国内线上“问卷星”补充样本，经试点信效度检验、共同方法偏差（Common Method Bias，CMB）Harman单因子与全共线性VIF检验、验证性因子分析后保留512份有效问卷；模型以五维内容特征为刺激变量，心流体验为有机体变量，AW为反应变量。
2 理论基础与研究假设
研究人员在S-O-R框架下将AI视频内容特征作为刺激，心流体验作为有机体，AW作为反应，并提出情感共鸣、交互、生成质量、视觉新颖性、叙事连贯性分别正向影响心流体验（H1–H5），也分别正向影响AW（H6–H10）；心流体验正向影响AW（H11）；心流体验在内容特征与AW间起中介作用（H12）。依据是对人机协同中意图被系统理解、反馈与再调整的论述，以及交互循环、算法叙事限制、感官刺激相关文献。
3 研究方法与实验设计
研究人员对无经验学生开展即梦平台标准化培训与4周“理想”主题课程，线下368人加线上学习项目补充，最终512份有效问卷；量表为5点李克特，五维内容特征与心流体验、AW均用既有文献改编题项。
4 数据分析
4.1 共同方法偏差检验
研究人员用Harman单因子（首因子方差<40%）与全共线性VIF（各潜变量VIF<3）检验，认为共同方法偏差不严重。
4.2 信度与效度检验
研究人员用SPSS与AMOS得出各变量Cronbach's α>0.8，平均方差萃取（Average Variance Extracted，AVE）>0.5，组合信度（Composite Reliability，CR）>0.8，判别效度满足平方根AVE大于因子间相关系数。
4.3 结构方程模型检验
研究人员用AMOS拟合模型，CMIN/DF=1.281，RMSEA=0.023，GFI=0.950，IFI=0.988，CFI=0.988；H1–H11全支持，视觉新颖性对AW标准路径β=0.173最突出，叙事连贯性次之。
4.4 中介效应检验
研究人员用Bootstrap重采样5000次、95%置信区间，五条“内容特征→心流体验→AW”间接效应为0.031、0.046、0.047、0.036、0.046，区间均不含0，心流体验中介成立。
4.5 ANN结果
研究人员用前馈反向传播（Feed-forward Back-propagation，FFBP）双隐藏层网络，训练/测试90:10与10折交叉验证；Model A预测心流体验，Model B预测AW，测试RMSE约0.10；敏感性分析显示视觉新颖性对心流体验贡献最大，心流体验对AW贡献最大。
讨论与结论翻译部分，研究人员指出：本研究将S-O-R理论的应用边界拓展到生成式AI创作情境，阐明了外部刺激转化为行为反应的心理机制；发现视觉新颖性与叙事连贯性在预测心流体验与AW时相对重要性更高，SEM路径系数与ANN敏感性排序具有一致性趋势；结果表明AI视频平台应强化视觉新颖性、叙事连贯性、实时反馈与情感对齐，以提升大学生心流体验与持续创作意愿。研究同时为生成式AI语境下的人机协同创作、沉浸式数字艺术平台与平台体验设计提供了理论支撑与实践指导。
