《Frontiers in Human Dynamics》：The influence of exposure to AI-generated social media content on verification intention: the mediating effect of trust and the moderating effect of AI literacy
编辑推荐：
本研究考察了曝光于AI生成的社交媒体内容与核查意向之间的关联，其中信任作为一个中介统计路径，AI素养则作为调节变量。一项定量横截面调查从约旦地理多样、以大学为中心的便利样本中收集了1150份有效问卷。偏最小二乘结构方程模型（PLS-SEM）显示，曝光与对AI生
本研究考察了曝光于AI生成的社交媒体内容与核查意向之间的关联，其中信任作为一个中介统计路径，AI素养则作为调节变量。一项定量横截面调查从约旦地理多样、以大学为中心的便利样本中收集了1150份有效问卷。偏最小二乘结构方程模型（PLS-SEM）显示，曝光与对AI生成内容的信任呈负相关，而与核查意向呈正相关。信任与核查意向呈负相关，并且通过信任的间接估计效应显著。AI素养与核查意向呈正相关，并调节了信任-核查之间的关联，这种关联在AI素养较高的受访者中较弱。这些结果通过在一个整合模型中检验曝光、信任和AI素养，拓展了关于人工智能传播、数字素养和错误信息的研究。由于研究设计为横截面，依赖于自我报告的意向和便利抽样，因此研究结果表明的是关联而非因果效应，不应推广至所有约旦社交媒体用户。
论文解读文章
1. 研究背景与问题提出
在当代数字传播领域，生成式人工智能已成为关键组成部分。随着大型语言模型、图像生成器、语音合成系统等技术的普及，个人和组织能够以前所未有的规模和速度生成逼真的内容。这一变革在社交媒体上尤为显著，用户如今面临着由AI生成的各类内容，如字幕、新闻摘要、评论、图像、短视频等。尽管AI生成内容（AIGC）带来了创造力与个性化等机遇，但也引发了关于真实性、来源透明度、可信度及错误信息传播的重大问题。AI生成内容可能不仅是虚假信息，还可能刻意隐藏来源、模仿人类语言，使得用户难以判断是否应相信、忽略、核实或分享该信息。本研究聚焦的核心问题是：日常接触AI生成的社交媒体内容是否与较低的内容特定信任度和更强的核查意向相关联，以及AI素养是否会改变用户在决定是否核实时对信任的依赖程度。
2. 研究内容与结论
为解答上述问题，研究人员开展了一项定量横截面调查研究，通过在线问卷收集数据。研究基于MAIN模型（即模态、代理、交互性和导航性线索）和详尽可能性模型（ELM）构建了概念框架，旨在检验曝光、信任、核查意向和AI素养之间的关系。研究共收集了来自约旦北部、中部和南部地区以大学为中心的1150份有效问卷。数据分析采用偏最小二乘结构方程模型（PLS-SEM）。
研究得出的主要结论如下：
- •
假设H1：曝光于AI生成的社交媒体内容（AIGSMC）显著负向影响对该内容的信任（TRUST）。
- •
假设H2：对AI生成社交媒体内容的信任（TRUST）显著负向影响核查意向（VERIFY）。
- •
假设H3：曝光于AI生成的社交媒体内容（AIGSMC）显著正向影响核查意向（VERIFY）。
- •
假设H4：信任（TRUST）在曝光（AIGSMC）与核查意向（VERIFY）的关系中起到显著的统计中介作用。
- •
假设H5：AI素养（AIL）显著调节了信任（TRUST）与核查意向（VERIFY）之间的关系，即在高AI素养水平下，信任对核查意向的负向影响会减弱。
这些发现表明，曝光与核查意向之间存在两条路径：一条是通过降低信任进而增强核查意向的间接路径，另一条是与信任无关的直接路径（可能与警惕性有关）。同时，AI素养作为一种关键的个人能力，能够削弱用户因信任而减少核查的倾向。
3. 关键技术方法
本研究采用了定量横截面调查设计。研究对象为约旦境内活跃于社交媒体的大学附属成年人，通过非概率的便利抽样方式招募，样本覆盖了以耶尔穆克大学、约旦大学为代表的北部、中部和南部地区的高校网络。数据分析使用了SmartPLS软件，并遵循两阶段PLS-SEM流程：首先评估测量模型，通过指标载荷、克隆巴赫系数、组合信度、平均方差萃取量（AVE）和异质-单质比率（HTMT）来验证构念的信度和效度；其次评估结构模型，通过路径系数、决定系数（R2）、效应量（f2）和模型拟合指标（如SRMR和NFI）来检验假设关系。所有假设检验均基于5000次自助法（bootstrapping）重抽样。
4. 研究结果
- •
测量模型评估：所有指标的标准化外载荷均超过推荐值0.70，各构念的组合信度（CR）和克隆巴赫系数均高于0.70，AVE值均超过0.50，表明具有良好的内部一致性和收敛效度。所有HTMT值均低于保守阈值0.85，证明各潜变量间具有良好的区分效度。
- •
结构模型评估：模型解释了信任（TRUST）12.1%的方差，以及核查意向（VERIFY）34.8%的方差。整体模型拟合良好（SRMR = 0.058，NFI = 0.955）。
- •
假设检验：所有五个假设均得到支持。具体而言：
- •
H1（AIGSMC → TRUST）：曝光与信任呈显著负相关（β = -.348, p < .001）。
- •
H2（TRUST → VERIFY）：信任与核查意向呈显著负相关（β = -.270, p < .001）。
- •
H3（AIGSMC → VERIFY）：曝光与核查意向呈显著正相关（β = .293, p < .001）。
- •
H4（AIGSMC → TRUST → VERIFY）：信任的中介效应显著，间接效应值为0.094（p < .001），表明曝光通过降低信任来增强核查意向。
- •
H5（AIL × TRUST → VERIFY）：AI素养与信任的交互项对核查意向有显著正向影响（β = .123, p < .001）。简单斜率分析显示，信任对核查意向的负向影响在低AI素养水平下最强（β = -.393），在平均水平下居中（β = -.270），在高AI素养水平下最弱（β = -.147），证实了AI素养的调节作用。
5. 讨论与结论总结
讨论部分指出，这些发现形成了一个连贯的模式。曝光与信任的负相关符合对合成媒体操纵性的担忧，并支持了MAIN模型中关于不确定的代理（agency）线索会影响可信度判断的观点。信任与核查意向的负相关表明，信任充当了一种认知捷径，降低了进行系统性核查的需求，这与详尽可能性模型（ELM）相符。曝光对核查意向的正向直接影响，则暗示了一种独立的警惕性机制，即频繁接触AI内容本身就会促使用户更倾向于核查。信任的中介作用揭示了曝光如何通过削弱信任来间接提升核查意愿，这是一个重要的心理路径。AI素养的调节作用是本研究的亮点，它表明具备更高AI素养的用户，即使对内容有一定信任，也更有可能保持批判态度并进行核查，从而削弱了“信任即不核查”的默认模式。
研究结论可总结为：本研究通过对约旦社交媒体用户的横截面调查，发现曝光于AI生成内容与较低的信任和较高的核查意向相关；信任在其中扮演了部分中介角色；而AI素养不仅直接促进核查意向，还削弱了信任对核查意向的抑制作用。这些发现将曝光、信任和AI素养置于一个整合模型中，扩展了关于AI传播、数字素养和错误信息的现有研究。然而，鉴于研究设计的局限性（横截面、自我报告、便利抽样），这些发现仅表明统计关联，而非因果关系，且不应无条件地推广至所有人群。
