王林 荊林波

摘 要：AI（人工智能）設(shè)備在生活中的使用范圍逐漸擴(kuò)大，用戶對(duì)AI設(shè)備的接受意愿受到多方面因素的影響。本研究在整合認(rèn)知失調(diào)理論和技術(shù)接受模型的基礎(chǔ)上，構(gòu)建和實(shí)證檢驗(yàn)一個(gè)AI設(shè)備的接受意愿模型，目的在于解釋用戶在接受服務(wù)中使用AI設(shè)備的意愿影響因素的相互關(guān)系。該模型包括社會(huì)影響力、享樂(lè)動(dòng)機(jī)、情感喜好、人文交互等潛變量，通過(guò)對(duì)用戶進(jìn)行問(wèn)卷調(diào)查收集數(shù)據(jù)，對(duì)間接影響用戶對(duì)AI設(shè)備接受的可靠預(yù)期和效率預(yù)期因素進(jìn)行了檢驗(yàn)。研究結(jié)果表明：用戶對(duì)在服務(wù)過(guò)程中使用AI設(shè)備的接受意愿，心理性因素對(duì)決策的影響顯著。該研究重大意義在于，驗(yàn)證了向用戶傳遞AI設(shè)備的信息，滿足用戶的社會(huì)心理需求，從而提升用戶對(duì)AI設(shè)備可靠預(yù)期和效率預(yù)期的判斷，最終提升用戶對(duì)AI設(shè)備的接受意愿。為后續(xù)理論研究和AI設(shè)備在服務(wù)交付過(guò)程中的滿意度提升提供了指引。

關(guān)鍵詞：人工智能；接受意愿；可靠預(yù)期；人文交互

一、前言

2020年1月，新型冠狀病毒肺炎在武漢爆發(fā)，在全國(guó)抗擊疫情的過(guò)程中，影院、劇場(chǎng)、商場(chǎng)、商業(yè)區(qū)等人員密集型場(chǎng)所關(guān)閉，需要重新審視人工智能設(shè)備在服務(wù)交付過(guò)程中的使用。從2016年開(kāi)始，人工智能（Artificial Intelligence 下文簡(jiǎn)稱(chēng)：AI）設(shè)備的研發(fā)、制造與市場(chǎng)應(yīng)用在全球范圍內(nèi)呈現(xiàn)快速增長(zhǎng)態(tài)勢(shì)（Yogesh K. Dwivedi et al.，2019）。從汽車(chē)制造生產(chǎn)線使用的裝配機(jī)器人、檢測(cè)機(jī)器人，到醫(yī)院使用的基因檢測(cè)技術(shù)，AI技術(shù)逐漸成為許多行業(yè)的得力助手。目前，傳統(tǒng)且必須有人參與的工作，如車(chē)輛駕駛、同聲傳譯、翻譯、人像核對(duì)等工作現(xiàn)在可以很容易地由AI設(shè)備實(shí)現(xiàn)，表現(xiàn)為自動(dòng)駕駛、語(yǔ)音識(shí)別、語(yǔ)義識(shí)別、圖像識(shí)別等相關(guān)的技術(shù)和應(yīng)用（Michael Allen，2019）。提供各種服務(wù)的公司也已開(kāi)始在其服務(wù)的生產(chǎn)和交付過(guò)程中使用AI技術(shù)。例如，在酒店業(yè)，阿里巴巴將許多AI技術(shù)應(yīng)用到了酒店服務(wù)中，打造出了全球首家無(wú)人實(shí)體酒店，名字叫做FlyZoo Hotel，并正式開(kāi)始商用（梁春麗，2018）。在航空業(yè)中，荷航使用名為“Spencer”的AI設(shè)備來(lái)回答旅客提問(wèn)，提升旅客的旅行體驗(yàn)（程紹禹等，2019）。在零售業(yè)中，在線零售商店（例如，淘寶、京東、拼多多）用在線AI技術(shù)開(kāi)發(fā)的個(gè)性化推薦系統(tǒng)來(lái)幫助用戶選擇最合適的商品。AI系統(tǒng)通過(guò)對(duì)龐大的數(shù)據(jù)集進(jìn)行智能分析，向用戶提出個(gè)性化的建議，這種基于AI的銷(xiāo)售應(yīng)用程序不僅可以提供快速、準(zhǔn)確的個(gè)性化建議，同時(shí)也大大節(jié)省了企業(yè)人力成本（王昕天等，2019）。

企業(yè)在AI開(kāi)發(fā)、集成和應(yīng)用在服務(wù)交付方面的行業(yè)進(jìn)展表明，在服務(wù)環(huán)境中采用AI設(shè)備并不僅僅是一種技術(shù)時(shí)尚，而是逐漸上升為一種行業(yè)發(fā)展的趨勢(shì)，原因在于AI設(shè)備相比于人類(lèi)員工的優(yōu)勢(shì)表現(xiàn)在：從服務(wù)交付的角度來(lái)看，由于AI技術(shù)帶來(lái)的數(shù)據(jù)存儲(chǔ)功能、高處理速度和個(gè)性化推薦功能，與人類(lèi)員工相比，AI設(shè)備不僅可以提供更一致、更及時(shí)的服務(wù)，而且還可以提供統(tǒng)一質(zhì)量標(biāo)準(zhǔn)的服務(wù)（West et al.，2018）；從運(yùn)營(yíng)角度來(lái)看，AI設(shè)備可以通過(guò)減少人員數(shù)量來(lái)提高運(yùn)營(yíng)效率，滿足及時(shí)交付的需求，從而減少員工的工作量和工作時(shí)長(zhǎng)，從而降低運(yùn)營(yíng)成本（Wang et al.，2019）。

用戶在服務(wù)交付期間接受使用AI設(shè)備的意愿影響因素的研究，主要基于現(xiàn)有技術(shù)接受理論。例如，對(duì)AI機(jī)器人采用意愿的研究是基于Davis等在1989年提出的技術(shù)接受模型（Technology Acceptance Model，下文簡(jiǎn)稱(chēng)：TAM）（Sundar et al.，2016）。整合型技術(shù)接受模型（Unified Theory of Acceptance and Use of Technology，下文簡(jiǎn)稱(chēng)：UTAUT）在2012年被提出，隨后在多個(gè)環(huán)境中進(jìn)行了檢驗(yàn)和改進(jìn)（Anja et al.，2019；孫元等，2019；徐姝等，2019）。傳統(tǒng)的技術(shù)接受模型在一定程度上解釋了用戶使用AI技術(shù)的意愿，但是這些模型最初是用于研究采用非智能技術(shù)，如自助服務(wù)技術(shù)（自動(dòng)化技術(shù)）的服務(wù)交付，而AI設(shè)備則是擁有由AI技術(shù)驅(qū)動(dòng)的類(lèi)人化智能（Jeon et al.，2018）。因此，這些設(shè)備不需要用戶學(xué)習(xí)如何操作它們，這使得所有以易用性為核心指標(biāo)的技術(shù)接受模型在服務(wù)與檢查用戶是否接受AI設(shè)備的意愿無(wú)關(guān)，也就是在有效性檢驗(yàn)中，主客體不相關(guān)（Lu et al.，2019）。

本研究通過(guò)整合認(rèn)知失調(diào)理論（Festinger，1962）和認(rèn)知評(píng)估理論（Lazarus，1991a；Lazarus，1991b）這兩個(gè)模型，提出了AI設(shè)備使用接受度的理論模型（AI Device Use Acceptance Model，下文簡(jiǎn)稱(chēng)：AIAM模型），該模型解釋了用戶在AI設(shè)備使用過(guò)程中的多步驟的接受演進(jìn)，確定細(xì)分了用戶在被服務(wù)期間接受AI設(shè)備的意愿影響因素。此外，本研究還對(duì)建議AIAM模型以識(shí)別方向和強(qiáng)度提議中包含構(gòu)架之間的關(guān)系模型，暨使用AI設(shè)備代替人類(lèi)的存在已經(jīng)成為有爭(zhēng)議的主題，以至于大多數(shù)用戶都不支持公司（組織）對(duì)AI設(shè)備的立場(chǎng)（Makridakis，2017；Kaler，2019）。因此，支持或反對(duì)因素可能共存并相互作用以影響用戶的接受行為?？紤]到將AI設(shè)備整合到用戶的產(chǎn)品中的多面性服務(wù)交易，有必要在相同的概念框架中，充分闡釋決策階段導(dǎo)致正面（接受）和負(fù)面（反對(duì)）的不同效果（Lin et al.，2019）。這項(xiàng)研究將為研究人員和管理人員提供有關(guān)在服務(wù)交付期間用戶對(duì)AI設(shè)備接受意愿的影響因素，這些發(fā)現(xiàn)可以幫助公司在AI設(shè)備的投資、研發(fā)評(píng)估或測(cè)試階段提供決策的模型依據(jù)。

本文的框架如下：在文獻(xiàn)綜述部分，回顧有關(guān)AI設(shè)備的用戶行為研究，并討論Lazarus的認(rèn)知—?jiǎng)訖C(jī)—情感框架。通過(guò)構(gòu)建AIAM模型，深入研究其實(shí)現(xiàn)方法和用于測(cè)試?yán)碚撃Ｐ偷慕＿^(guò)程，并進(jìn)行數(shù)據(jù)收集和模型驗(yàn)證。最后，提出結(jié)果的研究和討論那些在現(xiàn)有理論和實(shí)證檢驗(yàn)，討論理論貢獻(xiàn)、管理意義、研究的局限性，以及后續(xù)的研究方向。

二、文獻(xiàn)綜述與模型構(gòu)建

社會(huì)影響力是指：用戶認(rèn)為在服務(wù)交付中使用AI設(shè)備，與其所在的社會(huì)團(tuán)體規(guī)范相關(guān)且一致性的程度，如果群體對(duì)他們來(lái)說(shuō)很重要，人們就更可能遵循群體規(guī)范，用戶的社交網(wǎng)絡(luò)規(guī)范和態(tài)度是個(gè)人行為意圖的關(guān)鍵決定因素（Rather，2018）。當(dāng)個(gè)人沒(méi)有足夠的知識(shí)做出明智的決策時(shí)，其受到所在社群的影響力就會(huì)越大，顧客傾向于采用自己社會(huì)群體的文化、價(jià)值觀和規(guī)范作為自己的評(píng)估標(biāo)準(zhǔn)，并據(jù)此做出行為決策（王崇等，2019）。采用一個(gè)群體的行為規(guī)范將加強(qiáng)個(gè)人對(duì)該群體的歸屬感，如果用戶的社交網(wǎng)絡(luò)（例如朋友、同事、親屬）對(duì)服務(wù)交付中使用AI設(shè)備持有正向的意見(jiàn)和態(tài)度，并建議用戶使用AI設(shè)備，那么使用AI設(shè)備將使用戶的社交身份受益（Lu et al.， 2019）。根據(jù)這些理論和經(jīng)驗(yàn)證據(jù)，提出了假說(shuō)1：

H1： 社會(huì)影響力與AI設(shè)備的可靠預(yù)期正相關(guān)

用戶態(tài)度的另一個(gè)方面是預(yù)期的工作量，是指使用AI設(shè)備的感知困難。根據(jù)Lazarus的框架理解，即社會(huì)規(guī)范影響到努力預(yù)期。社會(huì)規(guī)范（又稱(chēng)為：主觀規(guī)范）的構(gòu)建和感知的困難，已成為在各種背景下進(jìn)行一些實(shí)證研究的重要參考（Hall et al.， 2008）。如果用戶的社會(huì)團(tuán)體通過(guò)相信它易于使用而對(duì)AI設(shè)備持有積極意見(jiàn)，那么用戶就不太可能認(rèn)為該設(shè)備難以使用（Hsu et al.， 2008）。 根據(jù)這些理論和經(jīng)驗(yàn)證據(jù)，提出假說(shuō)2：

H2： 社會(huì)影響力與AI設(shè)備的效率預(yù)期正相關(guān)

享樂(lè)主義動(dòng)機(jī)是指?jìng)€(gè)人期望通過(guò)在服務(wù)交付中使用AI設(shè)備而獲得的樂(lè)趣（Veenhoven，2003）。部分研究者認(rèn)為享樂(lè)動(dòng)機(jī)是技術(shù)采用行為的主要預(yù)測(cè)因素（Allam et al.，2019；Venkatesh et al.， 2012）。當(dāng)用戶對(duì)AI設(shè)備存有狂熱的動(dòng)機(jī)時(shí)，使用AI設(shè)備將通過(guò)滿足其個(gè)人興趣或?qū)で笮路f性、娛樂(lè)性的需求而使用戶受益（Fryer et al.，2017；Jeannette et al.，2019）。結(jié)果，對(duì)使用AI設(shè)備有狂熱動(dòng)機(jī)的用戶可能會(huì)對(duì)使用它們的可靠性持積極的預(yù)期。根據(jù)這些理論和經(jīng)驗(yàn)證據(jù)，提出假說(shuō)3：

H3： 享樂(lè)動(dòng)機(jī)與AI設(shè)備的可靠預(yù)期正相關(guān)

早期的研究表明，在任務(wù)難度增加情況下，用戶動(dòng)機(jī)代表了一種保護(hù)性能的補(bǔ)償策略（Humphreys et al.，1984）。動(dòng)機(jī)與任務(wù)難度相互作用，從而影響執(zhí)行任務(wù)所需的感知精神努力（Hockey，1997）。有研究者已經(jīng)驗(yàn)證了享樂(lè)動(dòng)機(jī)與感知到任務(wù)的困難、努力期望水平之間的關(guān)系（Capa et al.， 2008）。根據(jù)前面的討論可推斷為，積極進(jìn)取的用戶不太可能發(fā)現(xiàn)與AI設(shè)備相關(guān)的執(zhí)行任務(wù)很困難，用戶享樂(lè)動(dòng)機(jī)與AI設(shè)備的期望效率預(yù)期之間存在關(guān)聯(lián)關(guān)系。 根據(jù)這些理論和經(jīng)驗(yàn)證據(jù)，提出假說(shuō)4：

H4： 享樂(lè)動(dòng)機(jī)與AI設(shè)備的效率預(yù)期正相關(guān)

接受使用AI設(shè)備的情感喜好是指，用戶在將來(lái)的服務(wù)中使用AI設(shè)備的接受程度，即，經(jīng)過(guò)用戶復(fù)雜的內(nèi)心評(píng)估過(guò)程后，將產(chǎn)生對(duì)AI設(shè)備使用的情緒，這將決定用戶在接受服務(wù)期間是否愿意接受AI設(shè)備，即對(duì)使用AI設(shè)備的從強(qiáng)到弱的程度（Watson et al.，2007）。研究發(fā)現(xiàn)諸如預(yù)期、滿足、快樂(lè)、高興和驚奇之類(lèi)的情緒，影響用戶對(duì)接受外部事物的期望值的變化，從而影響對(duì)AI設(shè)備可靠預(yù)期的判斷（Stock et al.，2017）。正如認(rèn)知評(píng)估理論所建議的那樣，對(duì)AI設(shè)備持有積極情緒的用戶，將在服務(wù)交付過(guò)程中更愿意接受使用AI設(shè)備。根據(jù)這些理論和經(jīng)驗(yàn)證據(jù)，提出假說(shuō)5：

H5： 情感喜好與AI設(shè)備的可靠預(yù)期正相關(guān)

AI設(shè)備的使用需要與用戶之間進(jìn)行交互， 關(guān)于AI設(shè)備的決策過(guò)程中的情緒可能不但涉及積極的情緒，而且涉及與沮喪、恐懼、不確定性和焦慮感以及擔(dān)憂有關(guān)的消極情緒（Rucker et al.，2004）。 根據(jù)認(rèn)知評(píng)估理論的假設(shè)，這種情緒很可能導(dǎo)致某些產(chǎn)品或服務(wù)被拒絕，某些形式的情緒導(dǎo)致用戶拒絕技術(shù)革新所帶來(lái)的變化，由于用戶拒絕與AI設(shè)備的交互，或者配合程度不夠?qū)е碌男暑A(yù)期的變化（Chen，2012）。 根據(jù)這些理論和經(jīng)驗(yàn)證據(jù)，提出假說(shuō)6：

H6： 情感喜好與AI設(shè)備的效率預(yù)期正相關(guān)

人文交互又稱(chēng)擬人化，是指對(duì)象的類(lèi)人特征水平，例如擬人的外表、自我意識(shí)和情感。AI設(shè)備的物理、智力、邏輯重新設(shè)計(jì)，觸發(fā)了用戶對(duì)自我相關(guān)性的初步評(píng)估，這種設(shè)計(jì)是否符合用戶對(duì)用于服務(wù)交互技術(shù)的傳統(tǒng)使用習(xí)慣，一定程度上決定了用戶是否有興趣接受設(shè)備的使用（Kim et al.，2018）。人文交互是用戶對(duì)AI設(shè)備使用行為的重要決策的依據(jù)，例如，電腦的鍵盤(pán)基本沿用了傳統(tǒng)打字機(jī)的字母布局模式（Van et al.，2017）。一般而言，對(duì)AI設(shè)備人文交互需求程度較高的用戶，認(rèn)為具有類(lèi)人特征的AI設(shè)備，將會(huì)有助于將人類(lèi)從單調(diào)、重復(fù)的活動(dòng)中解放出來(lái)，提升人類(lèi)的獨(dú)特性和自我認(rèn)同（Ackerman，2016）。由于人文交互特征可能會(huì)與用戶使用AI設(shè)備的可靠預(yù)期產(chǎn)生關(guān)聯(lián)，因此，可評(píng)估AI設(shè)備的人文交互性與可靠預(yù)期之間具有關(guān)聯(lián)關(guān)系（Gursoy，2019）。根據(jù)這些理論和經(jīng)驗(yàn)證據(jù)，提出假說(shuō)7：

H7： 人文交互與AI設(shè)備的可靠預(yù)期正相關(guān)

用戶可以假定與AI設(shè)備進(jìn)行交互比與人類(lèi)員工進(jìn)行交互可能需要更多的努力，這是因?yàn)橛脩舯黄扰cAI設(shè)備進(jìn)行交互，這可能會(huì)進(jìn)一步證明用戶反對(duì)在服務(wù)交付中使用AI設(shè)備，是基于他們自己的社會(huì)信仰、行為規(guī)范的聰明人假設(shè)（Kim et al.，2018）。AI設(shè)備作為類(lèi)人的身份暗示著來(lái)自?xún)蓚€(gè)方面的努力：設(shè)備與真實(shí)人類(lèi)互動(dòng)所需的努力（算法學(xué)習(xí)）、用戶學(xué)習(xí)AI技術(shù)設(shè)備所需的努力（人文交互接受性）（Brown，2005）。因此，人文交互的功能可能會(huì)增加用戶使用AI設(shè)備時(shí)所需的工作量，也會(huì)影響用戶對(duì)于AI設(shè)備接受意愿的程度預(yù)期，所以提出假說(shuō)8：

H8： 人文交互與AI設(shè)備的接受意愿正相關(guān)

用戶對(duì)AI設(shè)備較高的可靠性預(yù)期，即與現(xiàn)有信念不一致的評(píng)估會(huì)導(dǎo)致認(rèn)知失調(diào)，在這種情況下，用戶傾向于通過(guò)遵循先前的評(píng)估來(lái)最小化不和諧的因素，而不是去挑戰(zhàn)它，從而漸漸適應(yīng)使用AI設(shè)備（Festinger，1962）。對(duì)使用AI設(shè)備的成本和收益進(jìn)行的評(píng)估，將導(dǎo)致產(chǎn)生在服務(wù)交付中使用AI設(shè)備的情緒，如果用戶認(rèn)為使用AI設(shè)備可以通過(guò)提供快速、可靠、準(zhǔn)確和一致的服務(wù)而受益，從而改善服務(wù)質(zhì)量，就會(huì)產(chǎn)生積極的情緒（West et al.，2018）。根據(jù)這些理論和經(jīng)驗(yàn)證據(jù)，提出假說(shuō)9：

H9： 可靠預(yù)期與AI設(shè)備的接受意愿正相關(guān)

在服務(wù)交付中使用AI設(shè)備也可能會(huì)導(dǎo)致用戶與AI設(shè)備之間的溝通障礙（Lu et al.，2019），或者需要更多的認(rèn)知才能理解AI設(shè)備的混亂和復(fù)雜設(shè)計(jì)（Thompson et al.，1991），這可能會(huì)增加溝通所需的工作量。因此，如果用戶認(rèn)為使用AI設(shè)備會(huì)花費(fèi)過(guò)多的精力，就會(huì)因?qū)I設(shè)備的效率預(yù)期下降，從而產(chǎn)生負(fù)面情緒（Lazarus，1991b）。根據(jù)這些理論和經(jīng)驗(yàn)證據(jù)，提出假說(shuō)10：

H10： 效率預(yù)期與AI設(shè)備的接受意愿正相關(guān)

潛變量分為：社會(huì)影響力、享樂(lè)動(dòng)機(jī)、情感喜好、人文交互、可靠預(yù)期、效率預(yù)期和接受意愿，潛變量拆分為可進(jìn)行測(cè)量的顯變量，如表1所示。

通過(guò)對(duì)前人研究模型的借鑒，結(jié)合對(duì)AI設(shè)備使用過(guò)程中影響因素的綜合分析，本研究初步構(gòu)建了AI設(shè)備使用接受度理論模型（AIAM模型），如圖1所示。

三、模型擬合與結(jié)果分析

擬議的AIAM模型使用了通過(guò)問(wèn)卷星網(wǎng)站（www.wjx.cn）提供的在線用戶小組收集的數(shù)據(jù)進(jìn)行檢驗(yàn)。這個(gè)基于Web的平臺(tái)數(shù)據(jù)收集的方法與傳統(tǒng)線下問(wèn)卷統(tǒng)計(jì)的方法相比，具有更好的數(shù)據(jù)來(lái)源質(zhì)量，更具代表國(guó)內(nèi)的用戶樣本（李紀(jì)真等，2019）。在當(dāng)前的研究中，要求參與者完成在線調(diào)查后，可以換取少量的積分、抽獎(jiǎng)等物質(zhì)獎(jiǎng)勵(lì)，目的是為了確保問(wèn)卷回答的有效性和可靠性。在線調(diào)查中插入了許多驗(yàn)證和注意檢查的問(wèn)題，以識(shí)別隨機(jī)答復(fù)已完成調(diào)查的可靠性，保證問(wèn)卷填寫(xiě)方是自然人，而非類(lèi)人思維的AI設(shè)備。

（一）基礎(chǔ)數(shù)據(jù)分析

本研究中使用的調(diào)查工具包括兩個(gè)部分：人口統(tǒng)計(jì)信息和主要問(wèn)題。人口信息部分主要詢(xún)問(wèn)有關(guān)性別、年齡、受教育程度和收入狀況的問(wèn)題；主要問(wèn)題包括用于測(cè)量提議模型中包括的七個(gè)潛變量，大多數(shù)項(xiàng)目是從以前比較成熟的量表中采用。更具體地說(shuō)，用于社會(huì)影響力（6個(gè)項(xiàng)目）、享樂(lè)動(dòng)機(jī)（5個(gè)項(xiàng)目）、情感喜好（5個(gè)項(xiàng)目）、人文交互（4個(gè)項(xiàng)目）、可靠預(yù)期（4個(gè)項(xiàng)目）、效率預(yù)期（3個(gè)項(xiàng)目）、接受意愿（3個(gè)項(xiàng)目）從UTAUT量表和SRIW量表這兩個(gè)成熟的量表中選取。用于評(píng)估情緒的項(xiàng)目使用7點(diǎn)雙極量表（例如無(wú)聊/放松或不滿意/滿意）進(jìn)行測(cè)量。通過(guò)7點(diǎn)不同意的李克特量表（1–完全不同意， 7–完全同意）來(lái)衡量用于評(píng)估建議模型中其他構(gòu)造的項(xiàng)目。

使用AMOS 7.0軟件對(duì)提出的概念模型進(jìn)行了測(cè)試，在大數(shù)據(jù)問(wèn)卷的發(fā)放之前，先進(jìn)行了100份小樣本數(shù)據(jù)的驗(yàn)證性因素分析（CFA）測(cè)試，以測(cè)試測(cè)量模型的科學(xué)性。之后測(cè)試了結(jié)構(gòu)模型的擬合性，以評(píng)估所建議關(guān)系的強(qiáng)弱程度和影響方向。第一步，從正常性、可靠性、收斂效度和判別效度方面評(píng)估測(cè)量模型。在第二步中，通過(guò)使用基于最大似然估計(jì)的CB-SEM評(píng)估結(jié)構(gòu)模型方法，與PLS-SEM相比，當(dāng)研究的目的是測(cè)試?yán)碚撃Ｐ?，并且?dāng)構(gòu)建物的測(cè)量模型為CBSEM時(shí)，CB-SEM可提供較小的偏差和更準(zhǔn)確的結(jié)果概念化為反射性并通過(guò)一個(gè)公共因子模型進(jìn)行衡量（吳明隆，2010）。

通過(guò)網(wǎng)絡(luò)渠道發(fā)放1 500份問(wèn)卷，回收有效問(wèn)卷1 205份，有效回收率為80.33%。如表2所示，參與者中57.5%是女性，43.5%是男性。很大一部分參與者年齡在26-34歲之間（38.2%），擁有學(xué)士學(xué)位（41.4%），家庭年收入5 000元至￥ 9 999元（19.1%）。這項(xiàng)研究報(bào)告中受訪者的人口狀況相似，在利用各種數(shù)據(jù)的采集方法，如以前關(guān)于零售商店的研究（Foroudi et al.，2018），或市場(chǎng)研究中的隨機(jī)抽樣方法（丁寧等，2019；毛振福等，2019）。這表明就人口分布而言，該樣本適合本研究。

（二）測(cè)量模型評(píng)估

為了確保數(shù)據(jù)分析的質(zhì)量，通過(guò)CFA評(píng)估了測(cè)量模型。首先，檢查每個(gè)結(jié)構(gòu)的測(cè)量項(xiàng)目的正態(tài)性（Thompson，2004），基于偏度和峰度應(yīng)小于2的規(guī)則，結(jié)果表明沒(méi)有當(dāng)前數(shù)據(jù)集中的問(wèn)題（Hair et al.，1998）。接下來(lái)，評(píng)估了項(xiàng)目和構(gòu)造的內(nèi)部一致性可靠性、收斂有效性和判別有效性。如表3所示，AIAM模型的所有Cronbachs Alphas值均大于建議的臨界值0.70（Hair et al.，2011），并且所有項(xiàng)目的因子負(fù)荷（Item loadings）均是顯著的，提供強(qiáng)大的內(nèi)部一致性證據(jù)。所有構(gòu)建體的平均方差提?。ˋVE）值均高于0.50，表明所需的收斂效度滿足模型擬合需求（Fornell et al.，1981）。

最后，評(píng)估總體測(cè)量模型的整體擬合度。結(jié)果表明，該測(cè)量模型具有良好的模型擬合度。CFI和TLI分別為0.97和0.98，超過(guò)了良好模型擬合的建議臨界值0.95；近似均方根誤差（RMSEA）為0.04，標(biāo)準(zhǔn)均方根殘差（SRMR）為0.04，也表明模型擬合良好（Hu et al.，1999）。測(cè)量模型的卡方值為909.19，其中為492自由度，卡方與自由度的比率小于3，這表明模型具有足夠的擬合度（Kline，2005）。

（三）結(jié)構(gòu)模型評(píng)估

CFA結(jié)果提供了強(qiáng)有力的證據(jù)，證明了該測(cè)量模型的有效性和可靠性。接下來(lái)，利用CBSEM檢查AIAM結(jié)構(gòu)模型。首先，評(píng)估結(jié)構(gòu)模型的模型擬合度。結(jié)構(gòu)模型的卡方值1 290.3，和自由度是506（卡方值和自由度的比率是2.55），這表明AIAM模型擬合為良好（Kline，2005）。CFI和TLI分別為0.95和0.94，表明模型擬合良好。RMSEA和SRMR的對(duì)應(yīng)值分別為0.07和0.06，分別提供了更多的證據(jù)為結(jié)構(gòu)模型的充分性（Hu et al.，1999），AVE的構(gòu)造根與平方根之間的相關(guān)性如表4所示，說(shuō)明測(cè)量模型的判別效率是符合要求的（Hu et al.，1999）。

如圖2所示，AIAM結(jié)果表明，所有提出的假設(shè)均得到支持，說(shuō)明AIAM模型的構(gòu)建是成立的。更具體地說(shuō)，這項(xiàng)研究發(fā)現(xiàn)，在AI設(shè)備的用戶接受影響因素中，用戶對(duì)AI設(shè)備的態(tài)度，間接通過(guò)可靠預(yù)期和效率預(yù)期的反饋。

圖2結(jié)果表明，用戶對(duì)使用AI設(shè)備的重要性和相關(guān)性的評(píng)估基于其社交網(wǎng)絡(luò)、群體規(guī)范、享樂(lè)動(dòng)機(jī)和人文交互。同時(shí)，在間接影響中，可靠預(yù)期和效率預(yù)期強(qiáng)烈地決定用戶對(duì)AI設(shè)備使用的接受意愿。在用戶最后的決策階段，心理預(yù)期在AI設(shè)備的使用決策意圖方面，起著至關(guān)重要的作用。模型結(jié)果清楚地表明用戶在確定使用AI設(shè)備接受服務(wù)中的意愿，實(shí)際上的確是一個(gè)復(fù)雜的多階段決策影響過(guò)程，這是對(duì)Lazarus的認(rèn)知—?jiǎng)訖C(jī)—情感框架理論的重要延伸與發(fā)展。

（四）模型結(jié)果分析

模型擬合結(jié)果表明，用戶所處的社會(huì)環(huán)境，暨社會(huì)影響、情感喜好（例如，鼓勵(lì)親朋好友使用AI設(shè)備）與用戶接受AI設(shè)備使用的意愿息息相關(guān)，在使用AI設(shè)備過(guò)程中的認(rèn)知成本越低，使用AI設(shè)備相關(guān)的意愿越強(qiáng)。當(dāng)用戶的社會(huì)影響力不足時(shí)，借助AI設(shè)備，用戶的意見(jiàn)不僅幫助確定這些AI設(shè)備是否值得使用，也有影響用戶對(duì)AI設(shè)備感知利益的主觀需求。這項(xiàng)研究揭示了享樂(lè)動(dòng)機(jī)原理的新見(jiàn)解，解釋社會(huì)影響力在用戶對(duì)AI設(shè)備使用意愿方面的積極作用，已經(jīng)突破TAM和UTAUT模型研究發(fā)現(xiàn)的范疇。

這項(xiàng)研究表明，用戶很可能會(huì)關(guān)注AI設(shè)備與其社交網(wǎng)絡(luò)的關(guān)聯(lián)性，即，用戶所在社交網(wǎng)絡(luò)群體是否已經(jīng)認(rèn)可了這項(xiàng)新技術(shù)。首先，用戶可能會(huì)相信其他人愿意接受使用AI設(shè)備，因?yàn)锳I設(shè)備帶來(lái)了好處或優(yōu)勢(shì)，例如效率預(yù)期的相對(duì)提升，這種信念會(huì)積極影響用戶本身對(duì)AI設(shè)備的效率預(yù)期評(píng)估。其次，基于社會(huì)認(rèn)同理論，用戶可能會(huì)相信在其社交網(wǎng)絡(luò)中使用AI設(shè)備，有益于其社交身份在其社交團(tuán)體中得到提升，從而更愿意接受在服務(wù)交付中AI設(shè)備的使用，產(chǎn)生相得益彰的效果，即，對(duì)AI設(shè)備的使用持積極態(tài)度正是由于這種外部社會(huì)動(dòng)機(jī)因素引起的。此外，在社會(huì)影響力與期望的工作量（效率預(yù)期）方面，用戶不必?fù)?dān)心AI設(shè)備在期望工作量與AI設(shè)備的使用時(shí)間的矛盾，起決定作用的是，用戶認(rèn)為AI使用是與他們的社會(huì)影響力一致的。因此，正如調(diào)查結(jié)果所表明的，用戶更有可能專(zhuān)注于使用AI設(shè)備的收益而不是使用時(shí)長(zhǎng)。實(shí)際上，社會(huì)影響力（或社會(huì)規(guī)范）會(huì)影響用戶對(duì)采用技術(shù)的決策。雖然Venkatesh的研究已經(jīng)證實(shí)了社交影響力積極影響用戶對(duì)技術(shù)的接受度，但其研究?jī)H對(duì)其進(jìn)行了直接檢驗(yàn)，沒(méi)有支持證據(jù)解釋其潛在機(jī)制的證據(jù)（Venkatesh et al.，2000），本研究是對(duì)Venkatesh研究的進(jìn)一步論證。

研究還表明，人文交互是用戶評(píng)估AI設(shè)備的性能優(yōu)勢(shì)（可靠預(yù)期），進(jìn)而引導(dǎo)用戶積極的情緒和行為的結(jié)果。此外，享樂(lè)動(dòng)機(jī)對(duì)效率預(yù)期具有正相關(guān)作用，這與Torres認(rèn)為享樂(lè)動(dòng)機(jī)（例如娛樂(lè)性和趣味性）在確定用戶的技術(shù)接受行為方面具有相同作用。另一個(gè)有趣發(fā)現(xiàn)是，人文交互與接受意愿正相關(guān)，這一發(fā)現(xiàn)似乎挑戰(zhàn)了先前的研究，這表明人類(lèi)更喜歡AI新技術(shù)的特點(diǎn)，不再簡(jiǎn)單認(rèn)為這是一種普通的自動(dòng)化技術(shù)，人文交互的積極影響是僅適用于具有人類(lèi)外觀的非智能設(shè)備，并且AI設(shè)備的算法邏輯是居于人類(lèi)思考邏輯，從而提高用戶的情感需求（感知性能）。實(shí)際上，根據(jù)目前的研究，有理由得出這樣的結(jié)論：用戶所使用的高人文交互性的AI設(shè)備，會(huì)提升用戶自我認(rèn)同和自我滿足。

調(diào)查結(jié)果表明，AI設(shè)備的感知性能和使用它們需要付出的交互成本是關(guān)鍵因素，這一發(fā)現(xiàn)突出了用戶評(píng)估行為的功利性，就是具有趨利避害的特性。用戶在AI設(shè)備使用前，可能會(huì)分析與任何AI設(shè)備相關(guān)的收益和成本選項(xiàng)。但是，還有許多其他因素，例如，社會(huì)影響力、享樂(lè)動(dòng)機(jī)、情感喜好等可能導(dǎo)致對(duì)成本和收益的影響。更確切地說(shuō)，用戶對(duì)他們?cè)敢饨邮苁褂肁I設(shè)備的喜好，受到其所在社會(huì)圈子內(nèi)類(lèi)似AI設(shè)備使用數(shù)量的影響?？煽款A(yù)期對(duì)接受意愿的影響遠(yuǎn)大于效率預(yù)期對(duì)接受意愿的影響，此表明用戶對(duì)AI設(shè)備性能感知關(guān)系到對(duì)設(shè)備期望的評(píng)估，即，可靠預(yù)期是重要的決策動(dòng)機(jī)。用戶情緒是最終的先決條件，即用戶愿意接受AI設(shè)備用于服務(wù)交付。情感喜好是決定用戶是否愿意接受使用AI設(shè)備，用戶較高的積極情緒會(huì)產(chǎn)生較高的AI設(shè)備接受意愿。

四、討論

（一）理論貢獻(xiàn)

該研究對(duì)影響用戶在AI設(shè)備接受意愿過(guò)程中的因素進(jìn)行理論假設(shè)與模型構(gòu)建，并檢驗(yàn)這些因素之間的相互關(guān)系。這項(xiàng)研究表明，利用傳統(tǒng)的技術(shù)接受模型，即用戶對(duì)技術(shù)的接受以及統(tǒng)一接受和使用技術(shù)的相關(guān)理論，可能不適用于研究用戶對(duì)AI設(shè)備的接受意愿。人工智能技術(shù)與非智能技術(shù)（主要指的是自動(dòng)化技術(shù)）確定的一些技術(shù)采納因素不適用對(duì)AI設(shè)備的用戶使用意愿研究，本研究是對(duì)技術(shù)接受模型理論的重要發(fā)展。

本研究的模型表明，用戶經(jīng)歷了認(rèn)知的多階段決策過(guò)程，確定在服務(wù)交互期間接受AI設(shè)備使用的意愿，通過(guò)識(shí)別潛在的心理路徑來(lái)解釋用戶行為意圖的演變，從而超越了現(xiàn)有的技術(shù)接受文獻(xiàn)，而AI設(shè)備扮演這個(gè)角色（Tracy et al.，2004）。該框架沒(méi)有像Venkatesh的研究（Venkatesh et al.，2012）那樣將所有前因視為獨(dú)立因素，而是揭示了這些決策驅(qū)動(dòng)因素及其發(fā)生順序的相互依存關(guān)系。這可以借助認(rèn)知評(píng)估理論解釋了，積極情緒的產(chǎn)生最終決定了用戶接受AI設(shè)備的決策，對(duì)AI設(shè)備的人文交互的感知水平，顯著影響了用戶使用AI設(shè)備的效率預(yù)期。解釋了Ackerman研究中，人文交互的影響還在于對(duì)預(yù)期的工作量的影響，用戶通過(guò)使用與人類(lèi)相似的功能，來(lái)假設(shè)拒絕使用AI設(shè)備是合理的，人文交互的便利性所影響到用戶情緒行為，這超出了關(guān)于人類(lèi)外貌施加的身份威脅的爭(zhēng)論（Ackerman，2016），表明人文交互這個(gè)因素在用戶接受AI設(shè)備過(guò)程中的關(guān)鍵影響作用，即，AI設(shè)備所采用的決策邏輯，符合人類(lèi)的決策邏輯。

（二）管理意義

如前所述，越來(lái)越多的服務(wù)公司投資開(kāi)發(fā)AI設(shè)備，以提高工作效率、降低成本。然而，研究表明，并非所有用戶都愿意在服務(wù)期間接受AI設(shè)備（Lu et al.，2019）。因此，在無(wú)法明確判斷用戶是否接受AI設(shè)備的意愿的情況下盲目投資AI技術(shù)可能會(huì)導(dǎo)致資源浪費(fèi)，甚至導(dǎo)致原有用戶流失。在服務(wù)行業(yè)中尤其如此，員工與用戶之間的互動(dòng)被認(rèn)為是服務(wù)質(zhì)量的關(guān)鍵決定因素，用AI設(shè)備來(lái)履行人類(lèi)員工承擔(dān)的功能、社會(huì)和情感角色，從根本上挑戰(zhàn)了用戶在接受服務(wù)時(shí)的心理和社交需求。因此，用戶可能無(wú)法在接受服務(wù)期間與AI設(shè)備進(jìn)行無(wú)障礙交互，并可能要求與人類(lèi)員工進(jìn)行交互。因此，了解導(dǎo)致在服務(wù)交付中接受使用AI設(shè)備的決策驅(qū)動(dòng)因素，對(duì)于計(jì)劃引入或增加AI設(shè)備的服務(wù)公司而言，在服務(wù)交付期間對(duì)用戶的前期習(xí)慣和社交圈子的了解顯得至關(guān)重要。

研究結(jié)果表明，用戶對(duì)AI設(shè)備的情感偏好可以減輕用戶在遇到服務(wù)時(shí)對(duì)使用AI設(shè)備的異議。對(duì)AI設(shè)備使用異議是通過(guò)與滿足用戶人文交互需求的因素來(lái)衡量，某些用戶在服務(wù)期間需要與人類(lèi)員工進(jìn)行互動(dòng)，但這并不意味著公司應(yīng)該避免將AI設(shè)備用于服務(wù)過(guò)程中，而是可以在人類(lèi)員工的監(jiān)督下將AI設(shè)備用作服務(wù)輔助工具，這可能會(huì)滿足AI反對(duì)者的需求?？煽啃灶A(yù)期是用戶接受的重要決定因素，管理人員應(yīng)專(zhuān)注于確保和增強(qiáng)AI設(shè)備的可靠性，以消除不必要的錯(cuò)誤。

研究結(jié)果還強(qiáng)調(diào)了社會(huì)影響力對(duì)重要性AI設(shè)備的效率預(yù)期。隨著越來(lái)越多的用戶愿意接受AI設(shè)備的使用，用戶很可能將AI設(shè)備的使用視為一種服務(wù)交付的有效載體，因此，他們也更愿意接受在服務(wù)交付中使用AI設(shè)備。因此，需要關(guān)注那些愿意在服務(wù)交付中使用AI設(shè)備的用戶，并使用個(gè)性化推薦向他們傳遞證明AI設(shè)備的卓越性能的信息，并激勵(lì)這些活躍的用戶通過(guò)社交媒體分享他們的經(jīng)歷，從其內(nèi)部社交網(wǎng)絡(luò)中提升對(duì)AI設(shè)備社會(huì)影響力的氛圍，促進(jìn)更多的用戶使用AI設(shè)備的意愿產(chǎn)生。

五、結(jié)論

本文基于既有研究中確定了對(duì)用戶AI設(shè)備接受行為有重大影響的因素，包括社會(huì)影響力、享樂(lè)動(dòng)機(jī)、情感喜好、人文交互、可靠預(yù)期、效率預(yù)期等?；谡J(rèn)知評(píng)估理論，本研究提出了AI設(shè)備接受意愿（AIAM）模型，包括用戶對(duì)AI設(shè)備使用的重要性和相關(guān)性的評(píng)估，用戶對(duì)使用AI設(shè)備的感知收益（效率預(yù)期）和預(yù)期成本（可靠預(yù)期）的評(píng)估，反映了情緒、喜好、預(yù)期等心理性因素對(duì)用戶接受AI設(shè)備接受意愿的不同程度。如前所述，盡管已有幾項(xiàng)研究探討了與AI相關(guān)的不同主題，但仍然沒(méi)有一個(gè)綜合的理論和概念框架可用來(lái)解釋用戶對(duì)AI設(shè)備使用態(tài)度生成過(guò)程中的關(guān)鍵因素。這項(xiàng)研究中提出的AIAM模型可以用來(lái)解釋用戶在服務(wù)中愿意接受AI設(shè)備或拒絕使用AI設(shè)備的意愿。

本研究并非沒(méi)有局限性。首先，AIAM模型需要進(jìn)行其他測(cè)試以提高其通用性。這項(xiàng)研究的數(shù)據(jù)是通過(guò)在線收集的方式，主要是國(guó)內(nèi)的用戶數(shù)據(jù)，因此該模型對(duì)其他國(guó)家或地區(qū)的用戶接受態(tài)度的普遍性尚不清楚。未來(lái)的研究應(yīng)使用多個(gè)大樣本進(jìn)行對(duì)比分析，最好是跨國(guó)的樣本，以評(píng)估本研究中提出和測(cè)試的AIAM模型的通用性。此外，還需要進(jìn)一步的研究來(lái)在不同的服務(wù)部門(mén)（例如酒店、飯店、零售商店或網(wǎng)約車(chē)等多個(gè)AI應(yīng)用場(chǎng)景）測(cè)試此AIAM模型。因?yàn)椴煌姆?wù)部門(mén)可能涉及不同類(lèi)型、數(shù)量的員工，與用戶互動(dòng)的頻率、深入度也存在差異，因此在特定部門(mén)中測(cè)試AIAM可以提供更多的研究洞察及發(fā)現(xiàn)，以了解用戶采用AI設(shè)備的行為。本研究?jī)H考察了少數(shù)幾個(gè)因素，這些因素會(huì)影響用戶在接受服務(wù)時(shí)接受AI設(shè)備的意愿，可能還有其他變量可能會(huì)對(duì)用戶接受AI設(shè)備的意愿產(chǎn)生重大影響。未來(lái)的研究應(yīng)該繼續(xù)找尋是否還有其他因素可以添加到當(dāng)前框架中，以增加AIAM模型對(duì)AI設(shè)備使用意愿的評(píng)估。

參考文獻(xiàn)：

[1] 梁春麗. 未來(lái)酒店來(lái)了——阿里巴巴開(kāi)設(shè)首家無(wú)人酒店[J]. 金融科技時(shí)代，2018（11）：91.

[2] 程紹禹，李修娣，孫一楠，林家宏，樊丹麗，張玉林. 人工智能技術(shù)在我國(guó)大型機(jī)場(chǎng)值機(jī)服務(wù)中的應(yīng)用與發(fā)展研究[J]. 科學(xué)技術(shù)創(chuàng)新，2019（16）：66-67.

[3] 王昕天，汪向東. 社群化、流量分配與電商趨勢(shì)：對(duì)“拼多多”現(xiàn)象的解讀[J]. 中國(guó)軟科學(xué)，2019（07）：47-59.

[4] 孫元，賀圣君，尚榮安，傅金娣. 企業(yè)社交工作平臺(tái)影響員工即興能力的機(jī)理研究——基于在線社會(huì)網(wǎng)絡(luò)的視角[J]. 管理世界，2019，35（03）：157-168.

[5] 徐姝，夏凱，蔡勇. 消費(fèi)者對(duì)農(nóng)產(chǎn)品可追溯體系接受意愿的影響因素研究——基于擴(kuò)展的技術(shù)接受模型視角[J]. 貴州財(cái)經(jīng)大學(xué)學(xué)報(bào)，2019（01）：82-92.

[6] 王崇，陳大峰. O2O模式下消費(fèi)者購(gòu)買(mǎi)決策影響因素社群關(guān)系研究[J]. 中國(guó)管理科學(xué)，2019，27（01）：110-119.

[7] 李紀(jì)珍，周江華，谷海潔. 女性創(chuàng)業(yè)者合法性的構(gòu)建與重塑過(guò)程研究[J]. 管理世界，2019，35（06）：142-160+195.

[8] 郭凱明. 人工智能發(fā)展、產(chǎn)業(yè)結(jié)構(gòu)轉(zhuǎn)型升級(jí)與勞動(dòng)收入份額變動(dòng)[J]. 管理世界，2019，35（07）：60-77+202-203.

[9] 丁寧，王晶. 基于感知價(jià)值的消費(fèi)者線上線下購(gòu)買(mǎi)渠道選擇研究[J]. 管理學(xué)報(bào)，2019，16（10）：1542-1551.

[10] 毛振福，余偉萍，李雨軒. 企業(yè)環(huán)保主張對(duì)消費(fèi)者綠色購(gòu)買(mǎi)意愿的影響機(jī)制研究[J]. 商業(yè)經(jīng)濟(jì)與管理，2019（09）：68-78.

[11] Yogesh K. Dwivedi，Laurie Hughes，Elvira Ismagilova，Gert Aarts， Michael D. Williams.ArtificialIntelligence（AI）：Multidisciplinary perspectives on emerging challenges， opportunities， and agenda for research， practice and policy International Journal of Information Management， In press， corrected proof， Available online 27 August 2019.

[12] Michael Allen. The Chief Security Officers Handbook： Leading Your Team into the Future[M]2019， Pages 35-65.

[13] West， A.， Clifford， J.， & Atkinson， D. （2018）. “Alexa， build me a brand”： An investigation into the impact of artificial intelligence on branding. The Business & Management Review， 9（3）， 321–330.

[14] Wang， L. and Dai， X. （2020）. Exploring factors affecting the adoption of mobile payment at physical stores， Int. J. Mobile Communications， Vol. 18， No. 1， pp.67–82.

[15] Sundar， S. S.， Waddell， T. F.， & Jung， E. H. （2016）. The Hollywood robot syndrome media effects on older adults attitudes toward robots and adoption intentions”， in Human-Robot Interaction （HRI）. 2016 11th ACM/IEEE International Conference， 343–350 Christchurch， New Zealand.

[16] Anja Garone， Bram Pynoo， Jo Tondeur， Celine Cocquyt，Silke Vanslambrouck，Bram Bruggeman，Katrien Struyven. Clustering university teaching staff through UTAUT： Implications for the acceptance of a new learning management system[J]. British Journal of Educational Technology，2019，50（5）.

[17] Jeon， M. M.， Lee， S.， & Jeong， M. （2018）. e-Social influence and customers behavioral intentions on a bed and breakfast website. Journal of Hospitality Marketing &Management， 27（3）， 366–385.

[18] Lu， L.， Cai， R.， & Gursoy， D. （2019）. Developing and validating a service robot integration willingness scale. International Journal of Hospitality Management， 80， 36–51.

[19] Festinger， L. （1962）. A theory of cognitive dissonance （Mass communication series （Voice of America））. Stanford， CA： Stanford University Press.

[20] Lazarus， R. S. （1991a）. Cognition and motivation in emotion. American Psychologist， 46（4），352–367.

[21] Lazarus， R. S. （1991b）. Progress on a cognitive-motivational-relational theory of emotion.American Psychologist， 46（8）， 819–834.

[22] Makridakis， S. （2017）. The forthcoming Artificial Intelligence （AI） revolution： Its impact on society and firms. Futures， 90， 46–60.

[23] Kaler Jasmeet， Ruston Annmarie（2019）. Technology adoption on farms： Using Normalisation Process Theory to understand sheep farmers attitudes and behaviours in relation to using precision technology in flock management[J]. Preventive veterinary medicine，170.

[24] Lin Wang， Xuefeng Dai（2019）.Exploring factors affecting the adoption of Mobile Payment at physical stores[J].International Journal of Mobile Communications，06：123-134.

[25] Rather， R. A. （2018）. Investigating the impact of customer brand identification on hos- pitality brand loyalty： A social identity perspective. Journal of Hospitality Marketing & Management， 27（5）， 487–513.

[26] Hall， B. ， & Henningsen， D. D. . （2008）. Social facilitation and human–computer interaction. Computers in Human Behavior， 24（6）， 2965-2971.

[27] Hsu， C. L. ， & Lin， C. C. . （2008）. Acceptance of blog usage： the roles of technology acceptance， social influence and knowledge sharing motivation.Information & Management， 45（1）， 65-74.

[28] Veenhoven， R. . （2003）. Hedonism and happiness. Journal of Happiness Studies，4（4）， 437-457.

[29] Allam， H.， Bliemel， M.， Spiteri， L.， Blustein， J.， & Ali-Hassan， H. （2019）. Applying a multidimensional hedonic concept of intrinsic motivation on social tagging tools： A theoretical model and empirical validation. International Journal of Information Management， 45， 211–222.

[30] Venkatesh， V.， Thong， J.， & Xu， X. （2012）. Consumer acceptance and user of information technology： Extending the unified theory of acceptance and use of technology. MIS Quarterly， 36， 157–178.

[31] Fryer， L. K.， Ainley， M.， Thompson， A.， Gibson， A.， & Sherlock， Z. （2017）. Stimulating and sustaining interest in a language course： An experimental comparison of Chatbot and Human task partners. Computers in Human Behavior， 75， 461–468.

[32] Jeannette Paschen，Jan Kietzmann，Tim Christian Kietzmann. Artificial intelligence （AI） and its implications for market knowledge in B2B marketing[J]. The Journal of Business & Industrial Marketing，2019，34（7）.

[33] Humphreys， M. S.， & Revelle， W. （1984）. Personality， motivation， and performance： A theory of the relationship between individual differences and information processing.Psychological Review， 91（2）， 153.

[34] Hockey， G. R. J. （1997）. Compensatory control in the regulation of human performance under stress and high workload： A cognitive-energetical framework. Biological psychology，45（1-3）， 73–93.

[35] Watson， L.， & Spence， M. T. （2007）. Causes and consequences of emotions on consumer behaviour： A review and integrative cognitive appraisal theory. European Journal of Marketing， 41（5/6）， 487–511.

[36] Stock， R.， & Merkle， M. （2017）. A service robot acceptance model： User acceptance of humanoid robots during service encounters. IEEE International Conference on Pervasive Computing and Communications Workshops （PerCom Workshops）， 339–344.

[37] Rucker， D. D.， & Petty， R. E. （2004）. Emotion specificity and consumer behavior： Anger，sadness， and preference for activity. Motivation and Emotion， 28（1）， 3–21.

[38] Chen， S.， & Granitz， N. （2012）. Adoption， rejection， or convergence： Consumer attitudes toward book digitization. Journal of Business Research， 65（8）， 1219–1225.

[39] Kim， N.， & Kim， W. （2018）. Do your social media lead you to make social deal purchases？ Consumer-generated social referrals for sales via social commerce. International Journal of Information Management， 39， 38–48.

[40] van Doorn， J.， Mende， M.， Noble， S. M.， Hulland， J.， Ostrom， A. L.， Grewal， D.， et al. （2017）. Domo arigato Mr. Roboto： Emergence of automated social presence in organizational frontlines and customers service experiences. Journal of Service Research， 20（1）， 43–58.

[41] Ackerman， E. （2016）. Study： Nobody wants social robots that look like humans because they threaten our identity. IEEE Spectrum， 1–5.

[42] Gursoy， D. （2019）. A critical review of determinants of information search behavior and utilization of online reviews in decision making process. International Journal of Hospitality Management， 76， 53–60.

[43] Kim， H. Y.， & McGill， A. L. （2018）. Minions for the rich？ Financial status changes how consumers see products with anthropomorphic features. Journal of Consumer Research， 45（2）， 429–450.

[44] Brown， K. R.， & Jurisica， I. （2005）. Online predicted human interaction database.Bioinformatics，21（9）， 2076-2082.

[45] Festinger， L. （1962）. A theory of cognitive dissonance （Mass communication series （Voice of America））. Stanford， CA： Stanford University Press.

[46] West， A.， Clifford， J.， & Atkinson， D. （2018）. “Alexa， build me a brand”： An investigation into the impact of artificial intelligence on branding. The Business & Management Review， 9（3）， 321–330.

[47] Thompson， R. L.， Higgins， C. A.， & Howell， J. M. （1991）. Personal computing： Toward a conceptual model of utilization. MIS Quarterly， 125–143.

[48] Foroudi， P.， Gupta， S.， Sivarajah， U.， & Broderick， A. （2018）. Investigating the effects of smart technology on customer dynamics and customer experience. Computers in Human Behavior， 80， 271–282.

[49] Thompson， B. （2004）. Exploratory and confirmatory factor analysis. Understanding concepts and applications. American Psychological Association.

[50] Hair， J. F.， Anderson， R. E.， Tatham， R. L.， & William， C. （1998）. Multivariate data analysis. Upper Saddle River， NJ： Prentice Hall.

[51] Hair， J. F.， Ringle， C. M.， & Sarstedt， M. （2011）. PLS-SEM： Indeed a silver bullet. Journal of Marketing Theory and Practice， 19（2）， 139–152.

[52] Fornell， C. G.， & Larcker， D. F. （1981）. Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research， 18（1），39–50.

[53] Hu， L.， & Bentler， P. M. （1999）. Cutoff criteria for fit indexes in covariance structure analysis： Conventional criteria versus new alternatives. Structural Equation Modeling，6（1）， 1–55.

[54] Kline， R. B. （2005）. Methodology in the social sciences. Principles and practice of structural equation modeling （2nd ed.）. New York， NY， US： Guilford Press.

Research on Users Acceptance of Artificial Intelligence Devices

WANG Lin JING Lin-bo

Abstract： AI （Artificial Intelligence） devices are widely used in daily life， and users willingness to use AI devices is affected by many factors. Based on the integration of cognitive dissonance theory and technology acceptance model， this study constructs and empirically tests an AI device acceptance willingness model， aiming to explain the interrelation of factors influencing users willingness to use AI devices in receiving services Department. The model includes social influence， hedonic motivation， emotional preference， human interaction and other potential variables. By collecting data from users questionnaires， it tests the reliability expectation and efficiency expectation factors that indirectly affect users acceptance of AI devices. The results show that： users willingness to use AI devices in the service process， psychological factors have a significant impact on decision-making. The significance of this study is to verify that the information of AI devices is transmitted to users， to meet users social and psychological needs， so as to improve users judgment of reliability expectation and efficiency expectation of AI devices， and ultimately enhance users willingness to accept AI devices. It provides guidance for the follow-up theoretical research and the improvement of AI equipment satisfaction in the service delivery process.

Keywords： artificial intelligence； willingness to accept； reliable expectation； human interaction

〔執(zhí)行編輯：秦光遠(yuǎn)〕