《Acta Psychologica》:A dual-path trust–risk model of GenAI continuance: Conversational attributes, psychological evaluations, and configurational patterns
编辑推荐:
摘要专业翻译
本研究构建并检验了一个双路径信任—风险模型,用以解释生成式人工智能(GenAI)持续使用意愿的形成机制。研究整合了期望确认模型(ECM)中采纳后满意度—持续使用逻辑、刺激—机体—反应(SOR)框架以及信任—风险视角,考察了四种对话属性(能力感知、
摘要专业翻译
本研究构建并检验了一个双路径信任—风险模型,用以解释生成式人工智能(GenAI)持续使用意愿的形成机制。研究整合了期望确认模型(ECM)中采纳后满意度—持续使用逻辑、刺激—机体—反应(SOR)框架以及信任—风险视角,考察了四种对话属性(能力感知、交互性、拟人化、信息准确性)如何与用户信任和感知风险相关联,进而影响满意度和持续使用意愿。研究采用偏最小二乘结构方程模型(PLS-SEM)与模糊集定性比较分析(fsQCA)相结合的混合分析方法,基于中国452名具有GenAI使用经验的用户问卷数据进行分析。结构方程模型结果显示:四种对话属性均与信任显著正相关;然而,在感知风险方面,仅信息准确性与感知风险显著负相关,能力感知、交互性和拟人化与感知风险的关联均不显著。信任与满意度直接正向关联于持续使用意愿,而感知风险仅通过满意度间接发挥作用,其对持续使用意愿的直接效应不显著。fsQCA结果识别出多条与高持续使用意愿相关联的等效组态路径,表明信任、满意度和低感知风险可以以多种组合方式共同促成持续使用。研究结论支持校准信任(calibrated trust)理念与以人为本的GenAI设计原则,为生成式人工智能的可持续使用提供了理论与实证依据。
论文解读
一、研究背景与问题提出
生成式人工智能(GenAI)的迅猛发展正在深刻改变人机交互的基本范式。与传统信息系统执行预定义任务不同,GenAI系统具备生成自主性、动态响应能力和类人交互特征,已广泛应用于教育、医疗、金融、旅游和创意产业等领域。然而,GenAI的广泛应用也伴随着一系列社会性关切:生成内容的真实性与可靠性难以验证、训练数据中嵌入的偏见可能损害公平性、数据隐私与知识产权问题悬而未决,加之算法黑箱、责任归属模糊等结构性不确定性,使得用户对GenAI的长期依赖面临心理层面的障碍。这些挑战在中国尤为突出——GenAI应用快速扩散,而算法治理、平台责任和数据监管等制度安排仍在演进之中。
在信息系统研究领域,用户行为通常区分为初始采纳与采纳后持续使用两个阶段。相较于初始采纳,持续使用意愿对信息系统的长期成功更为关键。然而,现有GenAI研究存在三方面局限:其一,已有研究多聚焦技术功能或绩效属性,对实际交互过程中对话特征如何影响用户心理评估关注不足;其二,信任与感知风险常被割裂研究或视为同一连续体的两端,缺乏对二者在高不确定性情境下共存且不对称作用的考察;其三,多数研究依赖方差导向方法,仅关注变量间结构关系,难以揭示技术与心理条件如何联合促成持续使用意愿。基于此,该研究提出三个核心研究问题:GenAI对话属性如何与用户信任和感知风险相关联;信任、感知风险与满意度如何联合影响持续使用意愿;哪些技术与心理条件的组合与高持续使用意愿相关联。
二、研究设计与方法
为回答上述问题,研究人员构建了一个整合性分析框架,选择性借鉴期望确认模型(ECM)中满意度—持续使用的采纳后逻辑、刺激—机体—反应(SOR)框架以及信任—风险视角。该研究并未完整检验ECM,确认度等原始构念未被单独建模;SOR框架用于组织对话属性作为外部刺激与用户内部心理评估之间的关联;信任—风险视角则捕捉技术不确定性下正负评估的共存与不对称角色。
研究采用定量横截面设计,通过问卷星平台在中国收集数据,采用目的性抽样与滚雪球抽样相结合的策略,通过微信、QQ及相关在线社区分发问卷。数据收集时间为2025年6月18日至7月1日,共回收532份问卷,经数据筛查后获得452份有效样本。样本性别分布相对均衡,以21至40岁、大专或本科学历人群为主。测量工具基于已有量表进行情境化改编或针对GenAI情境新开发,所有题项采用五点李克特量表。
数据分析采用两阶段混合策略。第一阶段使用SmartPLS 4.0进行偏最小二乘结构方程模型(PLS-SEM)分析,评估测量模型与结构模型;第二阶段使用fsQCA 3.0进行模糊集定性比较分析,识别与高持续使用意愿相关联的条件组态。
三、研究结果
测量模型评估。 所有指标外载荷介于0.766至0.902之间,超过0.70的推荐阈值;Cronbach's alpha介于0.809至0.901,组合信度(CR)介于0.887至0.930,平均方差抽取量(AVE)介于0.677至0.775,均满足推荐标准,表明量表具有良好的内部一致性信度与收敛效度。异质—单质比率(HTMT)值介于0.051至0.618,低于0.85的保守阈值;Fornell-Larcker准则亦得到满足,表明判别效度良好。Harman单因素检验显示第一个未旋转因子仅解释10.917%的总方差,内部方差膨胀因子(VIF)介于1.004至1.593,未显示严重的共同方法偏差。
结构模型评估与假设检验。 结构模型解释了信任37.3%的方差、满意度30.2%的方差和持续使用意愿22.3%的方差;感知风险的解释方差较低,仅为2.6%,提示风险感知可能还受模型中未包含的更广泛社会、伦理和制度因素影响。模型拟合方面,标准化残差均方根(SRMR)为0.053,处于可接受水平。假设检验结果显示:能力感知、交互性、拟人化和信息准确性均与信任显著正相关,支持假设H1至H4;在感知风险方面,仅信息准确性与感知风险显著负相关,支持假设H8,而能力感知、交互性和拟人化与感知风险的关联均不显著,假设H5至H7未获支持。信任与满意度显著正相关,支持H9;感知风险与满意度显著负相关,且效应量较大(f2=0.403),支持H10。满意度与持续使用意愿显著正相关,支持H11;信任与持续使用意愿显著正相关,支持H12a;但感知风险对持续使用意愿的直接效应不显著,H12b未获支持。
fsQCA组态分析。 研究人员以第5、50、95百分位数作为完全非隶属、交叉点和完全隶属的校准阈值,采用频率阈值5、原始一致性阈值0.890、PRI一致性阈值0.700构建真值表。必要性分析未发现单一必要条件。组态分析识别出多条与高持续使用意愿相关联的等效路径,表明信任、满意度与低感知风险可以以不同组合方式共同促成持续使用意愿,支持了变量导向与组态导向分析结果的互补性。
四、讨论与结论
研究发现揭示了GenAI持续使用中信任与感知风险的不对称作用模式:四种对话属性均有助于建立信任,但仅信息准确性能够直接降低感知风险。这一结果表明,信任与感知风险并非同一连续体的两端,而是相对独立、可共存的心理评估维度。感知风险主要通过降低满意度间接削弱持续使用意愿,而非直接作用于持续使用行为。信任则兼具直接与间接的双重路径——既直接促进持续使用意愿,也通过提升满意度发挥间接作用。
研究结论支持校准信任(calibrated trust)的理念:GenAI系统的可持续使用不仅需要技术功能层面的改进,更需要通过对话体验培育与系统实际能力相匹配的适度信任,同时有效缓解用户的感知风险。研究为GenAI系统设计与治理提供了实践启示:提升信息准确性是降低用户风险感知的最直接途径,而能力感知、交互性和拟人化在建立用户信任方面各有独特贡献。在理论层面,研究将变量导向与组态视角整合于统一分析框架,深化了对高不确定性AI情境下用户持续使用行为的理解。