交互自然性的心理結(jié)構(gòu)及其影響*

曹劍琴 張警吁 張 亮 王曉宇

交互自然性的心理結(jié)構(gòu)及其影響*

曹劍琴 張警吁 張 亮 王曉宇

(中國科學院行為科學重點實驗室, 北京 100101) (中國科學院大學心理學系, 北京 100049)

本文通過3個研究探究了交互自然性的心理結(jié)構(gòu)及其影響。研究1通過開展字典檢索, 文獻回顧和專家訪談, 得到了包含有9個條目的初始量表。研究2問卷調(diào)查了353名智能網(wǎng)聯(lián)汽車用戶, 探索性因素分析發(fā)現(xiàn)了兩因素結(jié)構(gòu) (“通達舒暢”和“隨景應(yīng)人”)。后續(xù)分析表明這兩個因素對滿意度等關(guān)鍵效標有顯著獨特的預(yù)測作用。研究3使用新樣本(= 349) 驗證了雙因素模型的穩(wěn)定性, 還發(fā)現(xiàn)這兩個交互自然性體驗維度對推薦意愿、忠誠感等重要變量也有顯著預(yù)測作用, 此外還發(fā)現(xiàn), 通達舒暢更多受到基本駕駛輔助系統(tǒng)等功能的影響, 而隨景應(yīng)人更多受到交互和智能相關(guān)功能的影響。本文進一步討論了該量表如何用于未來的人機交互研究。

交互自然性, 智能網(wǎng)聯(lián)汽車, 心理結(jié)構(gòu), 可用性

1 引言

人機交互經(jīng)歷了從依賴鍵盤輸入的命令行界面, 到大量使用鼠標的圖形界面, 再到當前多種新型交互方式(如手勢交互、語音交互、體感交互、智能交互等)的轉(zhuǎn)變。對于這些似乎更接近于人類天生本能的交互方式, 產(chǎn)業(yè)界和人機交互的學者往往直接稱之為自然人機交互, 而使用這種方式進行交互的界面, 通常被稱為自然用戶界面(Natural User Interface, NUI)。

但是, 所謂的自然交互一定自然嗎？Norman (2010)對此的答案是否定的, 他認為所謂的自然交互并不一定自然。以有望成為未來重要交互方式的手勢交互為例, 相較于傳統(tǒng)的鍵盤鼠標, 手勢交互能提供更全面、更人性化的互動, 但是, 大多數(shù)手勢既不是天生就會的, 也不容易學習和記憶(Grandhi et al., 2011)。與手勢一樣, 語音交互或者體感交互, 也需要通過特別的身體活動來表明交互意圖(Hsiao, 2017)。在這個過程中, 設(shè)計良好的交互界面和設(shè)計不好的界面之間的差異巨大, 進而影響控制感(Verberne et al., 2012)、便捷感(Kamide et al., 2012; Li & Yeh, 2010; Zhou, 2011), 甚至是愉悅感(Norman& Nielsen, 2010)。除了使用上的體驗差異, 交互界面還可能影響用戶對其購買意愿(Moons & de Pelsmacker, 2015)、忠誠度和推薦意愿(Black et al., 2015; Grandhi et al., 2011; Rajendran & Jayakrishnan, 2018)。

可以看到, 在第一段提及的觀點中, 自然人機交互中的“自然”, 指向的是采用了某種“自發(fā)的”, “直覺性的”特定新型交互方式(Grandhi et al., 2011)。而在以Norman為代表的心理學家眼中, 區(qū)分交互系統(tǒng)是否自然, 關(guān)鍵在于系統(tǒng)是否能縮短用戶的學習時間, 減少心理負荷和增加更愉快的情緒體驗(張警吁, 張亮, 2018)。為了達到這樣的標準, 在人與設(shè)備進行信息交換時, 交互過程應(yīng)該符合人的信息加工模型的規(guī)律。具體來講, 在“輸入”時, 不同交互模態(tài)應(yīng)符合基本的知覺組織原則, 以用戶已有的知識表征為基礎(chǔ), 合理引導用戶的注意分配; 在“輸出”時, 應(yīng)提供給用戶及時的反饋和告警, 交互界面需考慮整個交互過程中用戶信息加工的動態(tài)變化, 調(diào)整系統(tǒng)模型與用戶心理模型相匹配。也就是說, 用戶通過自然的交互通道進行輸入和輸出時, 不僅要關(guān)注交互模態(tài)本身的接口融合機理, 還要提高界面與記憶決策的相容性, 實現(xiàn)并優(yōu)化情景-心理-信道相匹配的交互路徑(史元春, 2018)。因此, 在評估“這個交互體驗是否自然”的時候, 不再局限于特定產(chǎn)品、交互方式和界面特征, 而轉(zhuǎn)向以人為中心的體驗, 即用戶在使用產(chǎn)品、與界面進行交互時是否感到自然(Jain et al., 2011; Wigdor & Wixon, 2011), 以及系統(tǒng)是否符合上述提到的自然交互的認知機理, 對此我們可以稱之為感知到的自然性或者自然體驗。隨著新型交互技術(shù)的快速發(fā)展, 新的開發(fā)標準和相應(yīng)的評估方法也越來越重要(Norman, 2010), 感知到的自然性或者自然體驗應(yīng)該成為自然人機交互的重要評估內(nèi)容。

然而究竟如何評估感知到的自然性程度呢？實際上, 大多數(shù)研究使用傳統(tǒng)的“可用性”維度來衡量自然交互方式的體驗(Agarwal et al., 2013; Bailey et al., 2018; Bassano et al., 2020; Falcao et al., 2015; Kharoub et al., 2019; Vallejo et al., 2016; Villaroman et al., 2011), 比如傳統(tǒng)的圖形交互中重視的可見性(Chuah et al., 2016)、可用性(Brooke, 1996)、易用性(Kamide et al., 2012; Li & Yeh, 2010; Zhou, 2011)、流暢性(Hsiao, 2017)、易學性(Brooke, 1996; Lewis, 1992; Norman & Nielsen, 2010; Roupe et al., 2014)、愉悅感(Urakami et al., 2020)以及跨情景的一致性(Biever et al., 2020; Liljamo et al., 2018)等其他傳統(tǒng)可用性維度來“對應(yīng)”感知到的自然性。但是, 這些傳統(tǒng)的可用性標準, 是否就等價于自然性？首先, 從概念本身出發(fā), 可用性更多地衡量了用戶能否用產(chǎn)品工作這一基礎(chǔ)特征, 一般包含了有效性、滿意度和高效三個維度(Kortum & Bangor, 2013)。如果自然性簡單的等于可用性, 那么很多超出產(chǎn)品可用以外的特質(zhì)無法被測量。再者, Norman (2010)認為可用性可能只是自然性體驗的一個前提, 沒有可用性肯定談不上自然, 但充分可用也不一定就自然。更進一步地, 自然性是這些特性的加總嗎？對這個問題, 現(xiàn)有研究無法回答。

亦有研究開始初步探討直接對自然性進行測量, 如Almeida等人(2019)在測量沉浸現(xiàn)實的電子手套的體驗時, 使用一個單獨條目來測量自然性, 即“你認為虛擬現(xiàn)實環(huán)境的交互有多自然?”, 結(jié)果發(fā)現(xiàn)行動更自由, 可用性高, 更有沉浸感的手套自然性體驗更佳。也有測量手勢傳感器的研究得到結(jié)論認為流暢性是影響自然體驗的關(guān)鍵因素(Hsiao, 2017)。也有研究者以用戶為中心的方法確定常見計算機操作的自然手勢和標準化自然手勢詞匯庫(Bailey & Johnson, 2020), 在評估手勢自然時, 選擇了從“完全任意”到“完全自然”的6點評分方式。在語音交互中, 有研究者在測量聊天機器人時使用用戶是否能感知聊天機器人的“人性化”來判定交互是否自然(Atiyah et al., 2019), 結(jié)果顯示人性化得分高的聊天機器人, 用戶在自然性體驗上的打分更高。同樣測量語音交互的還有Urakami等人(2020)使用愉悅感對語音自然性進行測量。

采用“自然的”或某種“自然的”的同義詞來測量感知到的自然性, 當然是一件非常直接的方式。但用單條目進行測量, 即便僅從測量學的角度來說, 也并非是一個可靠的測量方法。同時, 不同個體對交互中自然性體驗可能很難以有統(tǒng)一的理解, 這就造成了在不同的問題上測量的內(nèi)容實際上南轅北轍的可能性。更重要的問題在于, 這些研究仍然未能回答最為核心的問題：作為用戶而言, 什么是自然的交互, 它包括哪些成分？是否存在穩(wěn)定的結(jié)構(gòu)？如果有這樣一種結(jié)構(gòu)的話, 不同的成分是否會產(chǎn)生不同作用？要回答這些問題, 必須以系統(tǒng)的方式來探討交互自然性這一心理構(gòu)念的結(jié)構(gòu)組成和作用機制。

為了填補這一空白, 本研究試圖通過系統(tǒng)的心理測量學方法, 構(gòu)建起交互自然性體驗的概念框架并予以驗證。主要包括三個步驟：(1)研究1將采用質(zhì)性研究方法, 結(jié)合字典檢索, 文獻總結(jié)和專家訪談等方式建立全面而具有代表性的交互自然性的條目集, 對交互自然性可能所包含的概念網(wǎng)絡(luò)予以明確; (2)在研究1得到的條目基礎(chǔ)上, 研究2將采用定量研究的方法, 考察這些條目所形成的因素結(jié)構(gòu), 并結(jié)合智能網(wǎng)聯(lián)汽車的體驗和關(guān)鍵消費行為的關(guān)聯(lián)進行效度驗證。選擇智能網(wǎng)聯(lián)汽車作為第一個驗證對象, 是因為這類新型汽車是交互自然的重要應(yīng)用場景, 代表著交互自然的發(fā)展方向(Brunswicker & Chesbrough, 2018; Kuang et al., 2019; Pütz et al., 2019; Xu, 2019; Zhou et al., 2020)。(3)研究3將使用新的樣本與更多的效標變量對上述研究發(fā)現(xiàn)進行進一步驗證, 以保證所開發(fā)的測量工具的結(jié)構(gòu)有可靠性、有效性和獨特性。

2 研究1：基于質(zhì)性研究的交互自然性量表開發(fā)

2.1 研究目的

通過質(zhì)性研究, 建立全面而有代表性的交互自然性的條目庫。

2.2 研究方法

2.2.1 字典釋義檢索

首先從不同的詞語釋義了解交互自然性的多種構(gòu)念的可能性。在常用的英語詞典中搜索自然性不同的詞根, 如“nature, naturality, natural, naturally”,使用的英語詞典為牛津高階英語詞典第四版, 韋氏詞典第三版, 維基百科。在中文詞典(即現(xiàn)代漢語詞典第七版)中搜索“自然, 自然的, 自然地”。

2.2.2 文獻回顧與總結(jié)

在谷歌學術(shù)、Web of Science中搜索1990～2021年交互自然性相關(guān)的文獻, 檢索關(guān)鍵詞為[nature (OR) Human-computer interaction], [natural (OR) user interface], [natural interaction], [naturalness (OR) interactive scale], 檢索得到287篇文獻, 專家推薦文獻5篇。組成待篩選文獻庫292篇, 根據(jù)標題和摘要刪除105篇, 全文閱讀187篇文獻后, 根據(jù)全文刪除139篇。文獻排除標準包括：(1)文獻為專利、會議摘要; (2)純算法/技術(shù)改進類研究, 動物研究等與人機交互中的交互自然性無關(guān)的研究 (3)文獻報告的數(shù)據(jù)不完整。最終得到48篇核心文獻。

2.2.3 訪談

采用半結(jié)構(gòu)化的深度訪談,訪談時間為30～60分鐘/人。受邀訪談的專家共8名(5位男性, 3位女性), 其中6名為交互設(shè)計和工程心理學專家, 2名為資深產(chǎn)品經(jīng)理, 他們均從事用戶體驗和人機交互領(lǐng)域多年, 能夠充分表達對自然交互和交互體驗的看法。訪談主要詢問訪談對象對交互自然性的了解程度和定義方式, 例如“請說說對人機交互自然性的定義、概念, 對交互自然性的理解, 以及最早在什么時候聽過呢？”; 并將從字典和文獻回顧中已經(jīng)形成的條目仔細審閱, 將不易理解、產(chǎn)生歧義或意思相近的條目進行修改、合并或刪除, 并對措辭進行了評級和優(yōu)化。

2.3 結(jié)果

3種來源的資料整理結(jié)果如下：第一, 字典釋義檢索共計收集原始條目45條, 其中現(xiàn)代漢語詞典收集了6條, 英文詞典收集了39條。由兩名工程心理學專家進行重復詞義、不符合交互自然主題的釋義進行刪除和合并, 共保留條目16條, 刪除率為64.4%。第二, 文獻回顧與總結(jié)共計收集原始條目62條。同樣由2名專家討論表述不清或容易歧義的條目進行刪減。共保留條目45條。第三, 訪談中由專家提及的交互自然性定義已經(jīng)全部包括在字典和文獻檢索得到的條目中。專家審閱和對現(xiàn)有的條目進行措辭優(yōu)化后, 最終精煉為9個條目(如表1所示), 刪除率為47.5%, 合并的原則是通過發(fā)現(xiàn)和建立概念類屬之間的相互關(guān)系, 并進行不斷的比較, 將近似的描述鏈接在一起。評分者內(nèi)部信度的肯德爾和諧系數(shù)均大于0.90。

表1 質(zhì)性研究得到的交互自然性條目

3 研究2：交互自然性量表結(jié)構(gòu)的初步確定和信效度分析

3.1 研究目的

在第一批網(wǎng)絡(luò)招募的樣本中構(gòu)建交互自然性量表結(jié)構(gòu)并初步驗證其有效性。

3.2 研究對象

在網(wǎng)絡(luò)招募智能網(wǎng)聯(lián)汽車車主(2016年及之后購買了L2及以上水平的智能網(wǎng)聯(lián)汽車的用戶) 進行問卷調(diào)查, 共發(fā)放在線問卷413份, 排除了重復的IP地址和作答時間過長的被試(作答時長= 1506.84 s,= 991.90 s, 刪除3個標準差以外的被試, 即>+ 3= 4483 s)保留有效問卷353份, 問卷有效率為85.47%。被試年齡范圍在21～65歲之間(= 32.75,= 5.47), 50.7%為男性, 教育程度以本科和碩士為主, 駕駛總里程主要集中在2～10萬公里。

3.3 研究方法

3.3.1 研究工具

(1)交互自然性量表: 使用研究1得到的9個條目, 均為5點李克特量表評分(1: 很不好～ 5: 很好), 評分越高代表被試認為使用的產(chǎn)品在這個條目上完成得更好。

(2)傳統(tǒng)可用性量表: 使用7點李克特評分(1：很不同意～7：很同意)可用性問卷作為效標變量的測量工具。評分越高代表被試認為產(chǎn)品在這個條目上完成得更好。使用了3個條目測量個體使用智能網(wǎng)聯(lián)汽車車機基本功能的可用、好用、易用的程度(Visser et al., 2012; Luo et al., 2018; Pak et al., 2012)。包括了以往研究提到可用性最常使用的3個維度, 即“用戶能否讓產(chǎn)品工作”的可用程度, “用戶使用產(chǎn)品的流暢和不容易出錯”的好用程度, 以及“用戶學習使用產(chǎn)品時間少, 容易上手”的易用程度。如“操縱這輛車的方向盤、剎車及油門能感到流暢自如的程度” (α = 0.82)。

(3)關(guān)鍵消費行為量表: 使用7點李克特評分(1：很不同意～7: 很同意)關(guān)鍵消費行為問卷作為效標變量的測量工具, 該量表由使用意愿和滿意度兩個維度共9個條目組成。滿意度通過三個形容詞等級程度評定來測量個體對智能網(wǎng)聯(lián)汽車駕駛體驗的滿意程度(Pyrialakou et al., 2020), 例如“極少滿足了我的需要–極大滿足了我的需要” (α = 0.96)。使用意愿通過調(diào)整之前的量表使用6個條目來測量個體駕駛智能網(wǎng)聯(lián)汽車的意愿程度(Moons & de Pelsmacker, 2015), 例如“如果不使用該汽車, 我會感到不舒服” (α = 0.90)。

3.3.2 程序

在所有被試簽署知情同意書后, 他們首先會閱讀一段調(diào)研介紹, 首先是智能網(wǎng)聯(lián)汽車的定義, 即智能網(wǎng)聯(lián)汽車可以根據(jù)環(huán)境靈活調(diào)整自己的行動, 甚至遵循道路的相關(guān)規(guī)則, 在大多數(shù)情況下, 它不需要駕駛員控制, 但仍然需要人類駕駛員在適當?shù)臅r間密切監(jiān)視和接管控制。車載設(shè)備通過無線通信技術(shù), 有效利用車輛的所有動態(tài)信息, 為車輛運行提供各種功能和服務(wù)(National Highway Traffic Safety Administration, 2016; SAE, 2016)。之后介紹了調(diào)研的目的, 即被試需要表達他們對智能網(wǎng)聯(lián)汽車的態(tài)度。在確認被試都理解智能網(wǎng)聯(lián)汽車, 并購買了智能網(wǎng)聯(lián)汽車以后, 被試完成條目可理解性評價、交互自然性量表、其他效標的測量和人口統(tǒng)計學問題。

3.3.3 統(tǒng)計處理

采用SPSS 25.0、Jamovi 1.2.27對數(shù)據(jù)進行處理。

3.3.4 共同方法偏差檢驗

采用探索性因子分析法對可能存在的共同方法偏差進行檢驗(Podsakoff et al., 2003)。整合各問卷所有項目進行探索性因素分析, 析出的第一個公因子解釋率為33.02%, 小于40%。因此, 本研究數(shù)據(jù)不存在嚴重的共同方法偏差。

3.4 研究結(jié)果

3.4.1 條目可理解性檢驗

所有被試對使用的交互自然性量表、關(guān)鍵消費行為量表和傳統(tǒng)可用性量表的條目均進行“理解”和“不理解”的評價。結(jié)果發(fā)現(xiàn), 所有被試都理解所有條目的含義及內(nèi)容。結(jié)合專家意見, 認為可以進行大樣本調(diào)查。

3.4.2 項目分析

根據(jù)項目分析程序, 按照27%分位數(shù)分成高低兩組, 經(jīng)過條目均值檢驗, 由研究1形成的9個條目的值均在0.01的統(tǒng)計水平上顯著, 說明條目均具有良好的鑒別水平, 都予以保留。

3.4.3 因子分析結(jié)果

把研究1得到的9個條目進行探索性因子分析(= 353), 首先進行KMO和巴特利特球形檢驗, 結(jié)果顯示KMO值為0.85, 高于經(jīng)驗標準0.80, 表明變量間的共同因素較多。巴特利特球形檢驗c2= 482 (= 36,< 0.001), 表明適合做因子分析。

使用主成分分析來進行因子抽取。在確定因子個數(shù)時, 不同于常用的因子特征值大于1和碎石圖檢驗的標準, 本研究采用平行分析來決定因子保留數(shù)。前者特征根小于1對變量的數(shù)目比較敏感而顯得不穩(wěn)定, 碎石圖在曲線平滑或具有多個拐點時難以決定且不夠客觀(Ledesma & Valero, 2007)。后者是基于數(shù)理基礎(chǔ)得出的結(jié)論, 即通過比較真實數(shù)據(jù)的兩條特征值曲線與隨機矩陣的交點來確定提取因子的絕對最大個數(shù)(Franklin et al., 1995)。相較而言, 平行分析的標準更加嚴格(Crawford et al., 2010; Hayton et al., 2004)。通過使用平行分析和正交旋轉(zhuǎn), 得到了兩個因子(載荷如表2所示)。雙因子模型解釋了總方差的32.1%, 不存在明顯的跨因子載荷的條目。6個測量易學與流暢的成分聚合在一起, 而其他三個項目是測量跨情景適宜性的因子。因此, 將這兩個因子分別命名為通達舒暢和隨景應(yīng)人。

表2 交互自然性條目的結(jié)構(gòu)

注：負載小于0.3都未顯示。

3.4.4 信度檢驗

對自編問卷進行信度分析, 通達舒暢與隨景應(yīng)人的一致性系數(shù)分別為0.90和0.87, 總量表的分半信度為0.74, 反映量表信度良好。

3.4.5 效度檢驗

效標關(guān)聯(lián)效度。將得到的兩因子進行相關(guān)分析, 兩因子間的相關(guān)性(= 0.19,< 0.001)較低, 表明兩因子獨立, 兩者之間的關(guān)聯(lián)性較弱, 說明存在不同的組成部分, 也可能意味著有不同的影響因素。然后將得到的兩因子、量表總分與購后和交互體驗因素進行相關(guān)分析, 結(jié)果如表3所示?？梢钥吹? 所有變量均與得到的兩因子顯著相關(guān)(< 0.01), 說明交互自然性量表的效標效度良好。

表3 相關(guān)分析：交互自然性條目的效標關(guān)聯(lián)效度

注：*< 0.05.**< 0.01.***< 0.001.

區(qū)分效度。根據(jù)Wang等人(2005)的建議, 計算每個維度的方差提取量AVE值是否大于該維度與其它維度的相關(guān)方差, 如果AVE值大于兩維度間的相關(guān)系數(shù)平方, 則表示這兩個維度具有較好的區(qū)分效度。我們利用平均萃取變異量分別對2個變量的區(qū)分效度進行檢驗。兩維度的AVE值分別為0.68和0.63, 均高于0.5的臨界值, 均大于兩個構(gòu)建間相關(guān)系數(shù)的平方(φ = 0.74, φ2 = 0.55), 表明具有良好的區(qū)分效度。

預(yù)測效度。為了探究交互自然性量表的預(yù)測效度, 以及交互自然性與傳統(tǒng)的可用性標準是否有本質(zhì)上的區(qū)別, 交互自然性是否能解釋可用性無法包括的額外的差異, 進行了層次回歸分析。首先, 將人口統(tǒng)計學變量和可用性作為控制變量, 第一層納入需要控制的人口統(tǒng)計學變量, 第二層納入可用性, 第三層納入兩個交互自然性因子。

表4 層次回歸分析檢驗兩因子結(jié)構(gòu)的獨特作用

注：*< 0.05.**< 0.01.***< 0.001.

結(jié)果顯示(表4), 在控制人口學變量和傳統(tǒng)可用性指標后, 交互自然性對滿意度和使用意愿兩個模型有顯著的預(yù)測作用。其中, 通達舒暢對滿意度(置信區(qū)間為[0.02, 0.36])和使用意愿(置信區(qū)間為[0.07, 0.45])模型預(yù)測良好?？赡艿慕忉屖? 當用戶在使用過程和回憶整個產(chǎn)品的表現(xiàn)時, 流暢和愉悅的體驗是更關(guān)鍵的影響因素。

4 研究3：交互自然性量表結(jié)構(gòu)的驗證和信效度分析

4.1 研究目的

在新的樣本中進一步驗證交互自然性量表結(jié)構(gòu)的有效性和區(qū)分效度。增加了忠誠度和推薦意愿兩個關(guān)鍵消費行為的變量。購后的推薦與顧客忠誠度密切相關(guān)。當一個產(chǎn)品符合預(yù)期 (即價值、效率、經(jīng)濟、安全vs. 潛在的問題、風險或約束), 用戶更有可能再次購買和推薦該產(chǎn)品(Black et al., 2015; Grandhi et al., 2011; Rajendran & Jayakrishnan, 2018)。在新的樣本中增加更多的變量進行效度分析和回歸預(yù)測, 不僅能夠驗證交互自然性量表在跨樣本中的穩(wěn)定表現(xiàn), 還能在更廣闊的消費行為的視域中證明交互自然性量表的獨特作用。

4.2 研究對象

通過網(wǎng)絡(luò)招募智能網(wǎng)聯(lián)汽車車主進行問卷調(diào)查, 共發(fā)放在線問卷428份, 保留有效問卷349份, 問卷有效率為81.5%。獨立樣本檢驗顯示, 研究2和研究3的樣本在性別、年齡、教育程度、駕駛總里程數(shù)等人口變量上沒有顯著差異。

4.3 研究方法

4.3.1 研究工具

(1)交互自然性量表：同研究2, 通達舒暢α = 0.91和隨景應(yīng)人α = 0.90。

(2)傳統(tǒng)可用性量表：同研究2, α = 0.83。

(3)關(guān)鍵消費行為量表：除了研究2用到的2個因素(使用意愿α = 0.92, 滿意度α = 0.98), 增加了7點評分的忠誠度(1：很不同意～7：很同意) 測量個體對購買的智能網(wǎng)聯(lián)汽車產(chǎn)品或品牌產(chǎn)生的信任程度和繼續(xù)購買的可能性(Moons & de Pelsmacker, 2015), 共包括6個條目, 例如“我經(jīng)常鼓動其他人也購買這個品牌的車”, α = 0.93; 和11點評分的推薦意愿(0：完全沒有可能推薦～10：極有可能推薦) 來測量某個客戶將會向其他人推薦某個企業(yè)或服務(wù)可能性的指數(shù)(Grisaffe, 2007), 使用1個條目進行測量, 即“根據(jù)你的體驗, 以后你把這輛汽車推薦給朋友或同事的可能性有多大？”, 作為效標測量。

(4)智能網(wǎng)聯(lián)汽車車機功能滿意度：包括媒體播放、導航系統(tǒng)、語音交互、倒車雷達、定速巡航、自動泊車、車道保持、自動跟車8個功能。均為7點李克特評分(1：很不滿意～7：很滿意)。評分越高代表被試認為產(chǎn)品在這個功能上完成得更好。

4.3.2 程序

同研究2。

4.4 研究結(jié)果

4.4.1 因子分析

使用新的樣本對所得到的交互自然性結(jié)構(gòu)進行驗證性因子分析。結(jié)果表明, 雙因子結(jié)構(gòu)(c2= 35.3,= 27, CFI = 0.98, TLI = 0.98, RMSEA = 0.03, SRMR = 0.04, AIC = 7151, BIC= 7253)比單因子結(jié)構(gòu)(c2= 46.8,= 28, CFI = 0.95, TLI = 0.94, RMSEA = 0.05, SRMR= 0.03, AIC = 7042, BIC = 7047)的擬合指標更好(Δc2= 11.5, △= 1,< 0.001), 與研究2的結(jié)果一致, 表明所得的因子結(jié)構(gòu)是合理有效的。

4.4.2 信度檢驗

對自編問卷再次進行信度分析, 通達舒暢與隨景應(yīng)人的一致性α系數(shù)分別為0.91和0.90, 分半信度均在0.7以上, 反映量表信度良好。

4.4.3 效度檢驗

效標關(guān)聯(lián)效度。將兩因子及量表總分與購后和交互體驗因素進行相關(guān)分析, 結(jié)果如表5所示?？梢钥吹? 所有變量均與得到的兩因子顯著相關(guān)(< 0.01), 說明交互自然性量表的效標效度良好。

表5 相關(guān)分析：交互自然性條目的效標關(guān)聯(lián)效度

注：*< 0.05.**< 0.01.***< 0.001.

預(yù)測效度。為了在新的樣本中繼續(xù)探究交互自然性的預(yù)測效度以及交互自然性與可用性是否有區(qū)別, 進行了層次回歸分析。首先第一層納入需要控制的人口統(tǒng)計學變量, 第二層納入可用性, 第三層納入兩個自然性因子。

結(jié)果與研究2一致, 在加入交互自然性的兩個因子后, 可用性在模型中的作用顯著減弱。在預(yù)測滿意度、使用意愿、凈推薦值、感知忠誠度和感知支持感時, 只有交互自然性的兩個因子被納入模型。在解釋感知可控性時, 通達舒暢和可用性被納入模型, 隨景應(yīng)人被排除在模型之外。

表6 層次回歸分析檢驗兩因子結(jié)構(gòu)的獨特作用

注：*< 0.05.**< 0.01.***< 0.001.

結(jié)果顯示(表6), 在控制人口學變量和傳統(tǒng)可用性指標后, 交互自然性對滿意度和使用意愿兩個模型有顯著的預(yù)測作用。其中, 通達舒暢對滿意度(置信區(qū)間為[0.34, 0.67])和使用意愿(置信區(qū)間為[0.21, 0.55])模型預(yù)測良好, 而隨景應(yīng)人對這兩個變量預(yù)測作用不顯著, 與研究2得到的結(jié)果一致。另一方面, 交互自然性的兩個維度都對推薦意愿(置信區(qū)間為[0.45, 1.22], [0.01, 0.49])和忠誠感 (置信區(qū)間為[0.47, 0.94], [0.23, 0.52])有顯著預(yù)測作用。

4.4.4 車機功能滿意度與交互自然性的關(guān)系

對得到的兩個因子分別與車機功能滿意度進行相關(guān)分析, 結(jié)果發(fā)現(xiàn)(表7)通達舒暢與常見的基本功能(如媒體播放和倒車雷達)的體驗更相關(guān), 而隨景應(yīng)人這一維度與帶有智能特征的功能(如語音交互, 自動泊車等)更相關(guān)。這也進一步說明, 兩個因子在不同功能上有著獨特的作用。

表7 交互自然性與智能網(wǎng)聯(lián)車機功能滿意度的相關(guān)分析

注：*< 0.05.**< 0.01.

5 討論

本研究構(gòu)建了交互自然性體驗的概念框架并進行系統(tǒng)的驗證, 同時構(gòu)建了一個交互自然性量表, 并驗證了其結(jié)構(gòu)效度和效標關(guān)聯(lián)效度。為此, 開展了包含定性和定量的三項研究, 研究結(jié)果提供了一致的證據(jù), 即包括通達舒暢和隨景應(yīng)人的雙因素結(jié)構(gòu), 最好地捕捉了交互自然性體驗的本質(zhì)。相關(guān)分析表明, 這兩個成分與所有其他購后和用戶體驗的變量之間存在顯著的相關(guān)性(< 0.01)。進一步的層次回歸分析證明了交互自然性能更好地解釋和預(yù)測購后和體驗變量。

本研究的意義主要體現(xiàn)在三個方面：第一, 依據(jù)系統(tǒng)的定性、定量研究確定了交互自然性的心理結(jié)構(gòu)?；谠~典、文獻檢索和專家訪談等質(zhì)性研究以形成的交互自然性體驗的條目集, 彌補了以往研究尚未全面、扎根地從語義和概念網(wǎng)絡(luò)對交互自然性這一構(gòu)念進行定性分析的研究空白(Agarwal et al., 2013; Bailey et al., 2018; Bassano et al., 2020; Falcao et al., 2015; Kharoub et al., 2019; Vallejo et al., 2016; Villaroman et al., 2011)。我們的研究表明, 雙因素更適合捕捉交互自然性結(jié)構(gòu)的本質(zhì)。通過考察可能的結(jié)果變量如購買意愿, 忠誠度和推薦意愿, 我們發(fā)現(xiàn)這兩個組成部分都與這些標準有顯著的關(guān)系, 表明量表具有良好的效標效度。此外, 還發(fā)現(xiàn)了一些證據(jù), 表明雙因素結(jié)構(gòu)可能有助于解釋可用性和易用性之外的變異, 具有良好的區(qū)分效度和預(yù)測效度。

第二, 系統(tǒng)驗證了在智能網(wǎng)聯(lián)汽車這一產(chǎn)品類別中影響交互自然性的其他相關(guān)變量的影響路徑。交互自然性的兩個維度與所有的購后、用戶體驗變量均存在顯著的相關(guān)。但交互自然性的兩個因子與不同的車機功能的滿意度還存在相關(guān)性差異。首先, 可用性與兩個維度的交互自然性存在顯著相關(guān)。這從定量的數(shù)據(jù)驗證了Norman (2010)的觀點, 自然的產(chǎn)品一定可用。好的自然性體驗需要保證產(chǎn)品能使用, 關(guān)注產(chǎn)品是否容易使用, 從而達到降低用戶的認知負荷、縮短學習路徑(Lewis, 1992; Norman & Nielsen, 2010)和優(yōu)化用戶體驗的好用目的。其次, 在購后因素中, 忠誠感與二因素的交互自然性相關(guān)關(guān)系最強。這一發(fā)現(xiàn)表明, 良好的自然性體驗?zāi)軌蚣訌娪脩魧Ξa(chǎn)品或品牌的反復消費的可能性, 進而確立忠誠度, 這一發(fā)現(xiàn)和品牌忠誠度的概念內(nèi)涵一致(Wernerfelt, 1991)。可以推論, 在產(chǎn)品開發(fā)和設(shè)計時關(guān)注交互自然性的體驗有助于更積極的消費和購后行為產(chǎn)生。最后, 通達舒暢與車機的基本功能更相關(guān), 而隨景應(yīng)人與車機的智能交互功能相關(guān)關(guān)系更強。這一發(fā)現(xiàn)也與在分析預(yù)測效度中得到的相關(guān)結(jié)果相互印證?？赡艿慕忉屖? 當用戶在決定自己是否喜歡或者使用某個產(chǎn)品時, 更關(guān)注功能流暢好用與否, 與預(yù)期是否相符合, 這些在某種層面上更多地體現(xiàn)為工具性動機的滿足(Khalid et al., 2012)。但當用戶決定忠誠于某個品牌或者將產(chǎn)品推薦給他人時, 不僅看中產(chǎn)品對工具性的動機滿足, 還需要能滿足某種情感性或象征性的動機(Helander et al., 2013; McDonagh & Lebbon, 2000)。隨景應(yīng)人這一維度, 反映了交互產(chǎn)品能夠理解用戶的意圖并提供人性化服務(wù)的程度, 在目前的階段, 它可能更多地與科技感、智能感、人性化設(shè)計這些概念聯(lián)系在一起(Hsiao, 2017), 從而給消費者帶來了更多不同動機的滿足。

第三, 跨樣本分析交互自然性相對于其他可用性指標的額外貢獻。兩個不同樣本的層次回歸分析結(jié)果顯示, 交互自然性兩個維度可以區(qū)別于傳統(tǒng)的可用性, 易用性和好用性, 穩(wěn)定地解釋和預(yù)測關(guān)鍵消費行為。這說明, 交互自然性具有相對于其他可用性指標的額外貢獻, 再一次論證了自然的交互體驗不等價于可用性的觀點。研究2關(guān)注自然交互對用戶使用過程和使用后自身對產(chǎn)品的滿意度的影響。具體地, 用戶在自行使用產(chǎn)品時, 流暢和愉悅的體驗?zāi)茏層脩舾敢馐褂迷摦a(chǎn)品, 對產(chǎn)品的滿意度打分更高, 這與之前的研究一致(Atiyah et al., 2019; Kamide et al., 2012; Li & Yeh, 2010)。進一步, 研究3不僅考慮個體的購后體驗, 還關(guān)注個體與其他重要他人的購后互動上。當用戶想要將產(chǎn)品推薦給他人使用, 甚至對該產(chǎn)品產(chǎn)生忠誠感時, 不僅需要有通達舒暢的體驗, 更勝一籌的產(chǎn)品還需要理解用戶的意圖并提供人性化的服務(wù)(隨景應(yīng)人)。前者滿足的是用戶的基本功能需求(Khalid et al., 2012), 屬于產(chǎn)品的基本屬性; 后者更關(guān)注到了用戶的情感需求(Helander et al., 2013), 以及對更智能化產(chǎn)品的偏好, 屬于產(chǎn)品的高級屬性。這種自然的交互體驗?zāi)茏層脩趔w驗到更強的身份認同和價值體驗, 這也是產(chǎn)生忠誠感和推薦意愿的關(guān)鍵因素(Moons & de Pelsmacker, 2015)。而新的智能技術(shù)帶來的智能的、懂人所需的體驗與用戶產(chǎn)生滿意感, 甚至推薦給他人的意愿, 也是至關(guān)重要的(Biever et al., 2020; Liljamo et al., 2018)。

本研究的局限性體現(xiàn)在以下幾個方面。首先, 交互自然性的測量不是基于具體的任務(wù), 而是采用消費行為的研究思路, 更關(guān)注產(chǎn)品的整體特征以及人在認知上如何理解自然。這種方式也對產(chǎn)品的具體功能和體驗在交互自然性的改進上提供了一定的方法論, 未來研究可以進一步細化功能和體驗的探究。但目前該工具仍可以在產(chǎn)品開發(fā)初期和末期迭代時提供較為全面的方向性指導。之后的研究可以關(guān)注適應(yīng)人的運動發(fā)展與學習過程的自然設(shè)計, 用自然探索的方式開發(fā)適應(yīng)運動技能發(fā)展的設(shè)計, 可以為開發(fā)者提供更細致的交互模態(tài)設(shè)計準則。第二, 問卷調(diào)查的結(jié)果與實際情況存在一定的差距, 因為對條目的反應(yīng)可能與實際情況不一致。在未來, 可以考慮使用行為實驗、真實產(chǎn)品測試或模擬器研究。第三, 該量表僅在智能網(wǎng)聯(lián)汽車這一個產(chǎn)品上進行了驗證, 雖然存在一定的推廣限制, 但在質(zhì)性研究時并未采用具體產(chǎn)品的表述, 而是廣泛、全面的建立條目庫。之后的進一步研究中將在智能手表, 可編程機器人, 智能音響和VR眼鏡等智能產(chǎn)品中做進一步驗證, 以提高該工具跨產(chǎn)品的信效度。

6 結(jié)論

本研究系統(tǒng)地運用了心理測量學方法, 探究了交互自然性的心理結(jié)構(gòu)及其影響, 并開發(fā)了一套測量智能產(chǎn)品交互自然性的工具。我們發(fā)現(xiàn)交互自然性包括通達舒暢和隨景應(yīng)人兩個維度, 它們在傳統(tǒng)可用性指標以外, 對消費者的關(guān)鍵體驗和消費行為有顯著的額外預(yù)測力。這兩個結(jié)構(gòu)穩(wěn)定可區(qū)分, 其測量工具未來可以用于多種自然人機交互研究, 并對智能交互產(chǎn)品的設(shè)計和評估具有一定的指導意義。未來的研究可以針對更多類型的智能產(chǎn)品, 進一步探索這兩個維度的作用機制及產(chǎn)生原因。

致謝：感謝王黨校教授、周榮剛教授、張宇博博士、魏翔博士、劉夢迪博士等專家為本研究概念梳理所提供的支持, 感謝史元春教授和喻純副教授在研究方向上提供的建議。

Abowd, G. D., & Mynatt, E. D. (2000). Charting past, present, and future research in ubiquitous computing.,(1), 29–58.

Agarwal, R., Sampath, H. A., & Indurkhya, B. (2013). A usability study on natural interaction devices with ASD children.(pp.447–453). Springer, Berlin, Heidelberg.

Almeida, L., Lopes, E., Yal?inkaya, B., Martins, R., Lopes, A., Menezes, P., & Pires, G. (2019, October). Towards natural interaction in immersive reality with a cyber-glove.(pp.2653–2658). IEEE.

Atiyah, A., Jusoh, S., & Alghanim, F. (2019, April). Evaluation of the naturalness of Chatbot Applications.(pp.359–365). IEEE. DOI: 10.1109/SMC.2019.8914239.

Bailey, S. K., & Johnson, C. I. (2020, July). A human-centered approach to designing gestures for natural user interfaces. In(pp.3–18). Springer, Cham. https://doi.org/10.1007/978-3- 030-49062-1_1

Bailey, S. K., Johnson, C. I., & Sims, V. K. (2018, August). Using natural gesture interactions leads to higher usability and presence in a computer lesson. In(pp.663–671). Springer, Cham. https://doi.org/10.1007/978-3-319-96065-4_70.

Bassano, C., Chessa, M., & Solari, F. (2020, February). A study on the role of feedback and interface modalities for natural interaction in virtual reality environments. In the 15th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications, (pp.154–161). Science and Technology Publications. DOI: 10.5220/0008963601540161

Biever, W., Angell, L., & Seaman, S. (2020). Automated driving system collisions: Early lessons.,(2), 249–259. https://doi.org/10.1177/0018720819872034

Black, H. G., Vincent, L. H., & Skinner, S. J. (2015). Customers helping customers: Payoffs for linking customers in service settings. In(pp. 179–179). Springer.

Brooke, J. (1996). SUS: A “quick and dirty’usability.,(194), 4?7.

Brunswicker, S., & Chesbrough, H. (2018). The adoption of open innovation in large firms: Practices, measures, and risks a survey of large firms examines how firms approach open innovation strategically and manage knowledge flows at the project level.,(1), 35–45.

Chuah, S. H.-W., Rauschnabel, P. A., Krey, N., Nguyen, B., Ramayah, T., & Lade, S. (2016). Wearable technologies: The role of usefulness and visibility in smartwatch adoption.,, 276–284. https://doi.org/ 10.1016/j.chb.2016.07.047

Crawford, A. V., Green, S. B., Levy, R., Lo, W.-J., Scott, L., Svetina, D., & Thompson, M. S. (2010). Evaluation of parallel analysis methods for determining the number of factors.,(6), 885–901.

de Visser, E. J., Krueger, F., McKnight, P., Scheid, S., Smith, M., Chalk, S., & Parasuraman, R. (2012). The world is not enough: Trust in cognitive agents.,(1), 263–267.

Falcao, C., Lemos, A. C., & Soares, M. (2015). Evaluation of natural user interface: A usability study based on the leap motion device.,, 5490–5495.

Franklin, S. B., Gibson, D. J., Robertson, P. A., Pohlmann, J. T., & Fralish, J. S. (1995). Parallel analysis: A method for determining significant principal components.,(1), 99–106.

Grandhi, S. A., Joue, G., & Mittelberg, I. (2011). Understanding naturalness and intuitiveness in gesture production: Insightsfor touchless gestural interfaces., 821– 824.

Grisaffe, D. B. (2007). Questions about the ultimate question: Conceptual considerations in evaluating Reichheld’s net promoter score (NPS).,, 36.

Hayton, J. C., Allen, D. G., & Scarpello, V. (2004). Factor retention decisions in exploratory factor analysis: A tutorial on parallel analysis.,(2), 191–205.

Helander, M. G., Khalid, H. M., Lim, T. Y., Peng, H., & Yang, X. (2013). Emotional needs of car buyers and emotional intent of car designers.,(5), 455–474.

Hsiao, K.-L. (2017). What drives smartwatch adoption intention? Comparing apple and non-apple watches.,(1), 186–206. https://doi.org/10.1108/LHT-09-2016-0105

Jain, J., Lund, A., & Wixon, D. (2011). The future of natural user interfaces. In(pp. 211–214).

Kamide, H., Mae, Y., Kawabe, K., Shigemi, S., Hirose, M., & Arai, T. (2012, March). New measurement of psychological safety for humanoid. In(pp. 49?56). IEEE. doi: 10.1145/2157689.2157698.

Khalid, H. M., Opperud, A., Radha, J. K., Xu, Q., & Helander, M. G. (2012). Elicitation and analysis of affective needs in vehicle design.,(3), 318–334.

Kharoub, H., Lataifeh, M., & Ahmed, N. (2019). 3D user interface design and usability for immersive VR.,(22), 4861.

Kortum, P. T., & Bangor, A. (2013). Usability ratings for everyday products measured with the system usability scale.,(2), 67–76.

Kuang, X., Zhao, F., Hao, H., & Liu, Z. (2019). Assessing the socioeconomic impacts of intelligent connected vehicles in China: A cost–benefit analysis.,(12), 3273.

Ledesma, R. D., & Valero-Mora, P. (2007). Determining the number of factors to retain in EFA: An easy-to-use computer program for carrying out parallel analysis.,(1), 2.

Lewis, J. R. (1992, October). Psychometric evaluation of the post-study system usability questionnaire: The PSSUQ.,(16), 1259–1260.

Liljamo, T., Liimatainen, H., & P?ll?nen, M. (2018). Attitudes and concerns on automated vehicles.,, 24–44. https://doi.org/10.1016/j.trf.2018.08.010

Li, Y.-M., & Yeh, Y.-S. (2010). Increasing trust in mobile commerce through design aesthetics.,(4), 673–684.

Luo, Z., Chen, S., Management, S. O., & University, J. (2018). A literature review of social support in marketing and prospects.,(1), 18?32.

McDonagh, D., & Lebbon, C. (2000). The emotional domain in product design.,(1), 31?43

Montoro, L., Useche, S. A., Alonso, F., Lijarcio, I., Bosó- Seguí, P., & Martí-Belda, A. (2019). Perceived safety and attributed value as predictors of the intention to use autonomous vehicles: A national study with Spanish drivers.,, 865–876. https://doi.org/10.1016/j.ssci. 2019.07.041

Moons, I., & de Pelsmacker, P. (2015). An extended decomposed theory of planned behaviour to predict the usage intention of the electric car: A multi-group comparison.,(5), 6212–6245.

National Highway Traffic Safety Administration. (2016).. US Department of Transportation.

Nielsen, J. (1994).. Morgan Kaufmann.

Norman, D. A. (2010). Natural user interfaces are not natural.,(3), 6–10.

Norman, D. A., & Nielsen, J. (2010). Gestural interfaces: A step backward in usability.,(5), 46–49.

Pak, R., Fink, N., Price, M., Bass, B., & Sturre, L. (2012). Decision support aids with anthropomorphic characteristics influence trust and performance in younger and older adults.,(9), 1059–1072.

Podsakoff, P. M., MacKenzie, S. B., Lee, J.-Y., & Podsakoff, N. P. (2003). Common method biases in behavioral research: A critical review of the literature and recommended remedies.,(5), 879.

Pütz, F., Murphy, F., & Mullins, M. (2019). Driving to a future without accidents? Connected automated vehicles’ impact on accident frequency and motor insurance risk.,(4), 383–395.

Pyrialakou, V. D., Gkartzonikas, C., Gatlin, J. D., & Gkritza, K. (2020). Perceptions of safety on a shared road: Driving, cycling, or walking near an autonomous vehicle.,, 249–258. https://doi.org/10.1016/j.jsr. 2019.12.017

Rajendran, K., & Jayakrishnan, J. (2018). Consumer perceived risk in car purchase.,(2).

Roupe, M., Bosch-Sijtsema, P., & Johansson, M. (2014). Interactive navigation interface for Virtual Reality using the human body.,(Jan.), 42–50.

SAE On-Road Automated Vehicle Standards Committee. (2014).(Surface Vehicle Recommended Practice: Superseding J3016 Jan 2014). SAE International: Warrendale, PA, USA.

Shi, Y. (2018). Natural human-computer interaction.(5), 8–10.

[史元春. (2018). 自然人機交互.,(5), 8–10.]

Urakami, J., Sutthithatip, S., & Moore, B. A. (2020). The effect of naturalness of voice and empathic responses on enjoyment, attitudes and motivation for interacting with a voice user interface., 244–259.

Vallejo, V., Tarnanas, I., Yamaguchi, T., Tsukagoshi, T., Yasuda, R., Müri, R., Mosimann, U. P., & Nef, T. (2016). Usability assessment of natural user interfaces during serious games: Adjustments for dementia intervention.,, 333–339.

Verberne, F. M., Ham, J., & Midden, C. J. (2012). Trust in smart systems: Sharing driving goals and giving information to increase trustworthiness and acceptability of smart systems in cars.,(5), 799–810.

Villaroman, N., Rowe, D., & Swan, B. (2011, October).. Paper presented at the meeting of the 2011 Conference on Information Technology Education, West Point, NY.

Wang, H., Law, K. S., Hackett, R. D., Wang, D., & Chen, Z. X. (2005). Leader-member exchange as a mediator of the relationship between transformational leadership and followers’ performance and organizational citizenship behavior.,(3), 420–432.

Wernerfelt, B. (1991). Brand loyalty and market equilibrium.,(3), 229–245.

Wigdor, D., & Wixon, D. (2011). Brave NUI world: Designing natural user interfaces for touch and gesture.,(6), 29?30.

Xu, X. (2019). Value creation for intelligent connected vehicles: An industry value-chain perspective. In(pp. 57–79). Springer.

Zhang, J., & Zhang, L. (2018). Cognitive mechanism and mental model of natural interaction.,(5), 30–35.

[張警吁, 張亮. (2018). 自然交互的認知機理與心理模型.,(5), 30–35.]

Zhou, B., Hu, H., & Dai, L. (2020). Assessment of the development of time-sharing electric vehicles in Shanghai and subsidy implications: A system dynamics approach.,(1), 345.

Zhou, T. (2011). The effect of initial trust on user adoption of mobile payment.,(4), 290–300.

The psychological structure and influence of interactive naturalness

CAO Jianqin, ZHANG Jingyu, ZHANG Liang, WANG Xiaoyu

(Institute of Psychology, Chinese Academy of Sciences, Beijing 100101, China)(Department of Psychology, University of Chinese Academy of Sciences, Beijing 100049, China)

This paper investigated the structure and function of interactive naturalness through three studies. After command-line interaction and graphic interaction, natural interactions have increased and become mainstream. In measuring interactive experience, the traditional usability standard is not enough to measure the usability and naturality of product interaction. The possible reason is that natural interaction is no longer limited to the product's features but is more concerned with the human experience (the perceived naturalness) or natural experience. A direct, reliable measurement tool is urgently needed to evaluate the natural experience. Most studies used traditional usability dimensions such as visibility and ease of use to simply measure naturalness. But if naturalness simply equals usability, then many traits beyond product usability cannot be measured. Some studies directly measured naturalness with a single item or synonyms of naturalness, but the reliability of these measurements is not enough. This paper aimed to develop and verify a conceptually solid and quantitatively validated scale to measure the naturalness of interaction.

In Study 1, a comprehensive item set related to the concept of natural interaction was established by using qualitative methods including dictionary retrieval, literature review, and expert interviews. In Study 2, participants (= 353) were recruited to evaluate the experience of different intelligent connected vehicles. In addition to the interactive naturalness scale, several key consumer behaviors and traditional usability criteria, including drive intention, satisfaction, and usability, were also collected. In Study 3, new samples (= 349) and more criterion-related variables (two key consumption behaviors were added, namely perceived loyalty and recommendation intention) were used to further verify the validity and reliability of the developed measurement tool. We used SPSS 25.0 and Jamovi 1.2.27 to analyze the data.

According to Study 1, the naturalness of the interactive experience scale of 9 items was developed based on the qualitative research. In Study 2, the exploratory factor analysis found that the two–dimensional model (six items for joyful fluency and three items for universal awareness) best suited the data. Confirmatory factor analysis verified the stability of the two–factor model. Correlation analysis and hierarchical regression analysis suggested that these two components had good criterion-related validity and joyful fluency played a crucial role in predicting satisfaction and drive intention. In Study 3, a new sample (= 349) was used to validate the validity of the scale further. And the validity of the scale was further verified in Study 3. The criterion-related variables used in Study 2 also obtained the same correlation and regression results in Study 3. Two factors of interactive naturalness had a significant predictive effect on the newly included variables, namely recommendation intention and perceived loyalty. In addition, joyful fluency was more related to basic vehicle functions, while universal awareness was more related to advanced intelligent interaction functions.

This study explored the structure and function of interactive naturalness. A psychometrically sound tool was obtained to measure the interactive naturalness experience of intelligent products in two dimensions: joyful fluency and universal awareness. We found that interactive naturalness is strongly linked to key experiential and post-purchase dimensions and has an additional contribution to predicting these variables that traditional usability dimensions cannot include. This finding was also supported by the difference of correlation between two factors in different vehicle functions. These results indicate that the scale developed in this study can measure the natural interaction experience of intelligent products reliably and effectively. This tool can be used in future human-computer interaction research and guidance for interface and product design.

interactive naturalness, intelligent connected vehicles, psychological structure, usability

2021-06-07

* 國家自然科學基金重大項目[T2192932], 民航聯(lián)合研究基金重點項目(U2133209)資助。

張警吁, E-mail: zhangjingyu@psych.ac.cn.

B842