《Journal of Theoretical and Applied Electronic Commerce Research》：Explainable AI Transparency, Algorithmic Trust, and Privacy Calculus in Mobile Banking: A Generation Z Study of Continuance Intention and Digital Financial Well-Being in the United States
编辑推荐：
生成式人工智能（AI）正在推动移动银行从静态的、以交易为中心的系统，转向动态生成面向消费者的综合金融指导、理由与建议的引擎。探索移动银行持续使用意愿与数字金融福祉驱动因素的研究仍处于起步阶段；然而，关于人工智能系统披露透明度、终端用户对自动化决策的信任（“算法
生成式人工智能（AI）正在推动移动银行从静态的、以交易为中心的系统，转向动态生成面向消费者的综合金融指导、理由与建议的引擎。探索移动银行持续使用意愿与数字金融福祉驱动因素的研究仍处于起步阶段；然而，关于人工智能系统披露透明度、终端用户对自动化决策的信任（“算法信任”）以及对隐私风险-收益权衡的感知（“隐私计算”）在塑造上述关键行为结果中所起的作用，目前知之甚少。本研究旨在填补这一空白，通过实证检验可解释人工智能（XAI）透明度、算法信任、隐私计算收益、隐私计算风险、移动银行持续使用意愿与数字金融福祉之间的关系模型，研究对象为美国Z世代（Gen Z）移动银行消费者。研究采用定量横断面调查设计，使用标准化在线问卷收集了377名Z世代（18–29岁）受访者的数据。数据分析采用描述性统计、皮尔逊相关、多元方差分析（MANOVA）及主体间效应检验，使用IBM SPSS软件31.0版完成。结果显示，XAI透明度显著预测持续使用意愿（F = 8.69, p = 0.003）和数字金融福祉（F = 66.22, p < 0.001），尽管对两个结果变量的预测方向相反。算法信任是数字金融福祉（F = 320.13, p < 0.001）和持续使用意愿（F = 10.78, p = 0.001）的统计显著预测因子；隐私计算风险也是持续使用意愿（F = 36.04, p < 0.001）和数字金融福祉（F = 165.69, p < 0.001）的统计显著预测因子，但其方向为正向而非假设的负向。然而，由于隐私计算风险量表内部一致性信度较弱（α = 0.47），且四个预测因子之间存在严重相互相关（方差膨胀因子为9.19–26.79），这些个体系数应谨慎解释，而非作为四个独立可区分心理机制的证据。隐私计算收益显著预测数字金融福祉（F = 14.78, p < 0.001），但未显著预测持续使用意愿（F = 2.97, p = 0.085）。持续使用意愿与数字金融福祉之间存在极强相关（r = 0.908, p < 0.001）。本研究讨论了对可解释人工智能系统设计的理论贡献与管理启示、算法信任的生成以及金融科技中的隐私考量。鉴于大语言模型（LLM）银行助手和代理式金融自动化部署的加速，以及监管对强制性AI可解释性的推动（如《欧盟人工智能法案》），这些发现具有及时性；所有这些都使XAI透明度在数字金融行为中日益成为核心而非边缘性构念。由于样本通过在线方式招募，且偏向重度新银行和金融科技应用用户，这些发现应被理解为最直接适用于具有类似参与度的Z世代移动银行消费者，而非推广至整个美国Z世代人群。
研究背景与问题
移动银行正从静态交易系统转向由生成式人工智能（AI）驱动的个性化金融助手；大语言模型（LLM）助手和代理式金融自动化加速部署，同时监管机构（如欧盟《人工智能法案》）要求高风险AI系统具备可解释性。然而，现有技术接受模型（TAM）、扩展技术接受与使用统一理论（UTAUT2）和期望确认模型（ECM）主要解释首次采纳，难以覆盖AI中介交互中的透明度、算法信任与隐私权衡。隐私计算理论虽涉及风险-收益权衡，但尚无实证研究将这些AI特定前因与持续使用意愿和数字金融福祉联系起来。Z世代是数字原生群体，且对算法决策持怀疑态度，因此成为检验这些关系的合适人群。本研究所属研究系列的前两篇文章分别指出安全感知重要却未解释机制，以及需要将信任、感知风险和AI助手纳入模型；本研究正是为填补这些空白而展开。
研究内容与主要结论
研究人员以美国377名18–29岁Z世代移动银行用户为样本，采用横断面问卷收集数据，通过描述统计、皮尔逊相关、多元方差分析（MANOVA）和主体间效应检验，验证了可解释人工智能（XAI，旨在使AI决策可理解、可审计的技术）透明度、算法信任、隐私计算收益、隐私计算风险对持续使用意愿与数字金融福祉的影响。结果发现：XAI透明度显著预测持续使用意愿，但对数字金融福祉呈负向预测；算法信任显著预测两个结果；隐私计算风险正向预测两个结果（与假设方向相反）；隐私计算收益仅显著预测数字金融福祉；持续使用意愿与数字金融福祉强相关。不过，四个预测因子严重共线性（VIF = 9.19–26.79），隐私计算风险量表信度低（α = 0.47），且算法信任与数字金融福祉存在数据核对异常，因此系数需谨慎解读。研究意义在于将XAI透明度和算法信任置于模型中心，并将结果变量从采纳扩展到数字金融福祉，为生成式和代理式金融AI时代提供了实证基础。
关键技术方法
研究采用定量、横断面调查设计，通过社交媒体（Instagram、TikTok、Reddit）、LinkedIn和大学邮件列表以非概率便利抽样和年龄分层（18–20、21–24、25–29岁）招募美国Z世代移动银行用户，最终纳入377份有效问卷。研究使用标准化在线问卷测量六个构念；采用描述性统计、皮尔逊相关、多元方差分析（MANOVA）和主体间效应检验（IBM SPSS 31.0）分析数据。量表信度以Cronbach's α评估；由于使用复合量表得分，未进行验证性因子分析。
研究结果
样本特征：377名受访者中，男性占51.5%，女性占48.5%；52.3%处于25–29岁年龄段；学生占50.4%。数据集未记录参与者主要使用的移动银行平台。
描述性统计：六个构念的均值介于3.91–4.16之间，呈狭窄高分区，表现出天花板效应；数字金融福祉峰度为7.42，偏离正态分布。
相关分析：所有构念两两之间均呈现强至极强正相关（r = 0.757–0.976）。持续使用意愿与数字金融福祉的相关系数为0.908，支持H4；XAI透明度与算法信任的相关系数为0.828，支持H1。但高度多重共线性意味着构念区分度有限。
多元方差分析：四个预测因子的多元效应均显著，其中算法信任的效应最大（Pillai's Trace = 0.677），其次为XAI透明度（0.509）、隐私计算风险（0.394）和隐私计算收益（0.206）。
单因素效应：模型解释了持续使用意愿75.3%的方差和数字金融福祉94.8%的方差。XAI透明度对持续使用意愿正向显著，对数字金融福祉负向显著；算法信任对两个结果均正向显著；隐私计算风险对两个结果均正向显著；隐私计算收益显著预测数字金融福祉，但未显著预测持续使用意愿（p = 0.085）。
假设检验汇总：H1、H2a、H2b、H3b、H3c和H4共六项假设按预期方向获得支持；H2c未获支持；H2d、H3d和H3a的方向与假设相反。
讨论总结
讨论部分指出，研究结果不支持原先设想的透明度优先分层模型，而是显示算法信任、XAI透明度和隐私计算风险均同时预测两个结果。四个预测因子之间高度共线，可能反映一个共享的底层因素（如对AI银行服务的整体积极态度），而非四个独立机制。隐私计算风险的正向效应可能受受限范围、未测量混淆、模型设定和自选择偏差影响，且量表信度低，故只能视为描述性结果。持续使用意愿与数字金融福祉的强相关支持持续使用作为通向财务福祉的机制，但相关设计不能确证因果。讨论还强调了在生成式和代理式AI背景下，透明度、被动算法信任与委托信任的区别，以及身份欺诈风险对隐私计算的影响。
研究结论
本研究在377名美国Z世代移动银行用户中检验了一个整合模型，其中可解释AI透明度、算法信任、隐私计算收益和隐私计算风险预测移动银行持续使用意愿与数字金融福祉。没有一个预测因子主导两个结果：算法信任和隐私计算风险对数字金融福祉具有最大独特效应，XAI透明度和隐私计算风险对持续使用意愿具有最大效应，隐私计算收益仅预测数字金融福祉。四个预测因子高度相关（VIF = 9.19–26.79），因此系数应视为该样本中的描述性模式，而非完全独立或稳定的效应；隐私计算风险结果因信度低（α = 0.47）而尤为初步；算法信任与数字金融福祉的关系因数据核对问题尚未确认。持续使用意愿与数字金融福祉强正相关，支持持续使用移动银行是用户实现更高财务福祉的机制。由于样本偏向高参与度用户，研究结果最直接适用于具有类似参与度的Z世代群体，推广到整个美国Z世代需谨慎。研究结果对金融服务中生成式AI的可解释性设计具有重要启示。
