学术研究报告：技术乐观主义胜过错失恐惧症——基于技术乐观主义水平的假定媒体影响对生成式人工智能技术采纳的多群组分析
一、 主要作者、机构与发表信息
本研究的主要作者包括：来自山东大学新闻与传播学院的Xiaodong Yang（通讯作者）和Bing Song，来自清华大学新闻与传播学院的Liang Chen，以及来自新加坡南洋理工大学黄金辉传播与信息学院的Shirley S. Ho。此外，山东大学的Jin Sun也参与了研究。这项研究成果以题为 “Technological optimism surpasses fear of missing out: A multigroup analysis of presumed media influence on generative AI technology adoption across varying levels of technological optimism” 的论文形式，发表于国际期刊 Computers in Human Behavior 第162卷（2025年），论文在线发表日期为2024年10月2日。
二、 研究学术背景
本研究的科学领域主要涉及传播学、社会心理学与技术采纳研究的交叉领域，具体关注生成式人工智能（Generative AI） 这一新兴技术的社会采纳机制。研究的背景源于生成式AI技术的迅猛发展及其带来的双重影响。一方面，以ChatGPT为代表的技术正快速融入社会生活，展现出提升效率、解决复杂问题的巨大潜力；另一方面，其滥用也引发了关于虚假信息、隐私侵犯、内容剽窃和创造力下降等风险的社会担忧。有趣的是，尽管风险认知在增长，但ChatGPT等工具的用户数量却在极短时间内呈现爆炸式增长。这种矛盾现象促使研究者思考：在技术尚处萌芽阶段、公众主要通过媒体获取相关信息的情境下，是什么因素驱动了公众对生成式AI的采纳意愿？现有关于新兴技术采纳的研究虽已证实媒体作为主要信息源的关键角色，但大多关注媒体的直接影响，可能简化了复杂的媒体效应过程。
为此，本研究引入假定媒体影响模型（Influence of Presumed Media Influence, IPMI） 作为核心理论框架。该模型认为，媒体对个体行为的影响往往是间接的：个体注意到媒体内容后，会假定这些内容对他人产生了影响（即“媒体对他人的影响”），进而基于对这种假定的感知来调整自己的态度和行为（即“假定媒体影响的后果”）。然而，传统的IPMI研究在测量“假定影响”时，多关注他人受到的媒体注意力或态度影响的程度，较少直接考察个体如何假定他人的具体行为。同时，已有研究通常将受众视为同质整体，忽视了受众内部因预存态度差异而可能导致的媒体效应异质性。
基于此，本研究旨在达成三个核心目标：第一，在生成式AI技术采纳的语境下，检验并扩展IPMI模型，特别关注个体如何假定他人对生成式AI的使用是负责任的还是不负责任的。第二，在传统IPMI模型强调的社会规范感知和态度改变两条路径之外，引入错失恐惧症（Fear of Missing Out, FoMO） 这一心理动机，探讨其是否构成影响技术采纳的第三条路径。第三，考察受众的技术乐观主义（Technological Optimism） 水平是否会对整个IPMI模型产生影响，即模型的作用机制在不同乐观水平的群体间是否存在差异。本研究期望通过回答这些问题，为理解公众如何接纳兼具巨大潜力与潜在风险的生成式AI技术提供更精细的理论视角和实践启示。
三、 详细研究流程
本研究采用在线问卷调查法和结构方程模型（Structural Equation Modeling） 进行数据收集与分析，具体流程如下：
1. 数据收集与样本构成 研究通过中国在线调研平台Credamo进行数据采集，调查时间为2023年9月12日至30日。为确保样本的代表性，研究者要求平台将问卷分发给中国不同省份、年龄在18岁及以上、且听说过但未使用过生成式AI工具（如文心一言、ChatGPT、Claude等）的成年人。平台从其超过300万人的样本库中随机分发问卷链接，并设置了性别比例与总体人口大致相当的配额。最终共收回1296份问卷。研究者通过嵌入的注意力检查题项（一道反向措辞的题项）筛除了无效回答，最终获得有效样本 1061份。有效样本的平均年龄为31.26岁（范围18-69岁），其中女性占52.8%，男性占47.2%。约75.4%的受访者拥有学士或同等学历，月家庭收入中位数在13，001至15，000元人民币之间。
2. 变量测量与模型构建 所有核心变量均采用李克特7点量表（1=非常不同意，7=非常同意）进行测量，量表均改编自成熟的学术文献。 * 自变量： 包括关注生成式AI积极影响的媒体内容（4个题项，测量在微信、微博、抖音、腾讯新闻等数字平台上对正面内容的关注度）和关注生成式AI消极影响的媒体内容（4个题项，测量对负面内容的关注度）。 * 中介变量（IPMI第一阶段）： 感知他人负责任使用生成式AI（3个题项，如“我相信他人会恰当使用生成式AI”）和感知他人不负责任使用生成式AI（3个题项，如“我相信生成式AI可能被他人滥用”）。 * 中介变量（IPMI第二阶段）： 社会规范（4个题项，测量感知到的家人、重要他人、社会公众对使用生成式AI的认可程度）、对使用生成式AI的积极态度（4个题项，评估使用该技术是有价值、有意义、简单且有益的）、错失恐惧症（3个题项，测量担心自己因不使用该技术而落后于他人的焦虑感）。 * 因变量： 生成式AI采纳意愿（3个题项，如“我打算将生成式AI融入日常生活”）。 * 调节变量： 技术乐观主义（4个题项，如“新技术有助于提高生活质量”），用于将样本划分为高乐观主义和低乐观主义两个子群组。 * 控制变量： 包括年龄、性别、教育程度、家庭收入、先前使用生成式AI的经验以及感知到的相关知识。
基于理论假设，研究者构建了一个包含两条主要影响路径的结构方程模型。第一条路径：媒体关注 → 感知他人使用行为（负责任/不负责任） → 社会规范/态度/FoMO → 采纳意愿。第二条路径：媒体关注 → 感知他人使用行为（负责任/不负责任） → 社会规范/态度/FoMO → 采纳意愿。同时，计划通过多群组分析检验技术乐观主义的调节作用。
3. 数据分析方法 首先，使用Mplus 8.4软件，采用最大似然估计法对全样本（N=1061）进行结构方程模型分析，以检验假设模型的有效性及各个假设路径的显著性。模型拟合度通过比较拟合指数（CFI）、塔克-刘易斯指数（TLI）、卡方值、规范卡方值以及近似误差均方根（RMSEA）等指标进行评估。 其次，为了检验技术乐观主义的调节效应（研究问题RQ1），研究者以技术乐观主义量表得分的中位数（5.00）为界，将总样本划分为低技术乐观主义组（n=551）和高技术乐观主义组（n=510）。随后进行多群组比较分析。具体步骤包括：首先运行一个未限制模型（所有路径在两组中自由估计），然后运行一个完全限制模型（强制所有路径系数在两组间相等）。通过卡方差异检验比较这两个模型，若差异显著，则说明两组间的模型存在整体差异。接着，为了定位差异具体存在于哪些路径上，研究者又运行了一系列“单一路径限制模型”（每次仅限制一条路径在两组间相等），并通过卡方差异检验比较这些模型与未限制模型，以识别出存在显著组间差异的特定路径。
四、 主要研究结果
1. 全样本IPMI模型检验结果 模型拟合指标显示结构模型具有可接受的拟合度（χ2/df = 2.58, CFI = .92, TLI = .91, RMSEA = .05）。假设检验结果如下： * 关于假定媒体影响（H1， H2）： 全部得到支持。关注积极媒体内容正向预测感知他人负责任使用（β = .55），负向预测感知他人不负责任使用（β = -.51）。相反，关注消极媒体内容负向预测感知他人负责任使用（β = -.46），正向预测感知他人不负责任使用（β = .58）。这表明，个体的媒体消费内容显著塑造了他们关于他人如何使用生成式AI的假定。 * 关于态度路径（H3）： H3a得到支持，感知他人负责任使用正向影响个人对生成式AI的积极态度（β = .48）。但H3b未得到支持，感知他人不负责任使用与个人积极态度之间无显著关系。研究者解释，这可能是因为当人们感知到他人不负责任使用时，对社会主流态度是支持还是反对存在不确定性，从而削弱了其对个人态度的明确影响。 * 关于社会规范路径（H4）： H4a和H4b均得到支持。感知他人负责任使用正向影响社会规范感知（β = .23），而感知他人不负责任使用负向影响社会规范感知（β = -.26）。这表明，人们将他人的行为视为社会规范的信号。 * 关于错失恐惧症路径（H5）： H5a未得到支持，感知他人负责任使用与FoMO无显著关联。但H5b得到支持，感知他人不负责任使用正向预测FoMO（β = .16）。研究者分析，当人们认为他人通过不负责任的方式（如欺诈、剽窃）使用AI获益时，会产生一种“不公平优势”的感知，从而加剧害怕错失的焦虑。而负责任使用带来的益处被视为正当竞争，不易引发FoMO。 * 关于采纳意愿的影响因素（H6， H7， H8）： H6和H7得到支持。对生成式AI的积极态度（β = .32）和感知到的社会规范（β = .54）均能显著正向预测采纳意愿。然而，H8未得到支持，FoMO对采纳意愿的直接影响在全样本中不显著。该模型解释了采纳意愿86.7%的变异量。
2. 基于技术乐观主义的多群组分析结果 卡方差异检验表明，高技术乐观主义组和低技术乐观主义组的IPMI模型存在统计上的显著差异（δχ2(1) = 36.48, p < .001），这回答了研究问题RQ1。 进一步的路径比较分析揭示了两条存在显著组间差异的具体路径： * 差异路径一：关注积极内容对感知他人不负责任使用的影响。 这条路径的负向关系在高技术乐观主义组中更强（β = -.58） ，而在低技术乐观主义组中较弱（β = -.43）。这意味着，高乐观主义者接触积极内容后，更不容易相信他人会不负责任地使用AI。研究者用社会认知理论解释：高乐观主义者的预存认知结构使其更倾向于将积极信息解读为对技术的信任和信心，从而强化“技术会被善用”的信念。 * 差异路径二：错失恐惧症对采纳意愿的影响。 这是本研究最核心的发现之一。在低技术乐观主义组，FoMO对采纳意愿有显著的正向影响（β = .11, p < .05）。然而，在高技术乐观主义组，这种关系不显著。这表明，对于技术乐观程度较低的人，害怕落后于他人的焦虑感（FoMO）是驱动他们考虑采纳生成式AI的一个重要动机。相反，对于技术乐观程度高的人，其自身对技术的积极信念和态度已足够驱动采纳意愿，FoMO的作用被“压制”或取代了。这正是标题所述“技术乐观主义胜过错失恐惧症”的含义。
五、 研究结论与价值
本研究证实了IPMI模型在解释生成式AI技术采纳意愿中的适用性，揭示了媒体通过塑造个体对他人使用行为的假定，进而经由社会规范、态度和（特定条件下的）FoMO等机制，间接影响技术采纳的复杂过程。
研究的科学价值与应用价值体现在： 1. 理论拓展： 首先，将IPMI模型中的“假定影响”操作化为更具体、更贴近行为结果的“假定他人行为”（负责任/不负责任使用），推动了理论的精细化。其次，成功将FoMO这一重要的社会心理动机整合进IPMI框架，提供了理解媒体间接影响的新视角。最后，通过多群组分析，打破了将受众视为同质体的研究传统，揭示了技术乐观主义作为关键调节变量，能导致媒体效应路径的实质性分化，极大地丰富了我们对受众异质性的理解。 2. 实践启示： 研究结果为政策制定者、科技传播者和技术开发者提供了重要参考。 * 对媒体与传播者： 研究强调了媒体内容（积极/消极框架）对公众认知的塑造力。这要求媒体在报道生成式AI时需力求平衡，全面呈现其益处与风险，避免单一框架导致的认知偏差。同时，针对不同技术乐观水平的公众，应采取差异化的传播策略。例如，对低乐观群体，可以适当强调技术普及的趋势和采纳的必要性（利用其FoMO心理）；对高乐观群体，则应侧重于展示技术的具体优势和创新应用（契合其内在积极态度）。 * 对政策制定者： 研究发现，公众对他人不负责任使用AI的感知会加剧FoMO，这可能催生非理性的采纳压力或对技术的负面情绪。因此，建立健全针对生成式AI的监管法规，打击滥用和欺诈行为，保障透明、公平、负责任的使用环境，不仅关乎技术伦理，也是缓解公众焦虑、引导健康技术采纳文化的重要手段。 * 对技术开发者： 研究指出社会规范（关联需求）和FoMO（关联与能力需求）反映了用户深层的心理需求。因此，在设计和推广生成式AI产品时，应充分考虑如何满足用户的关联感（如融入社交、协作功能）和能力感（如提升效率、解决难题），从而促进积极的、内化的采纳动机，而非仅仅依赖外部焦虑驱动。
六、 研究亮点
七、 其他说明
研究者在文末也指出了本研究的若干局限性，包括：横截面数据难以确立因果关系；样本偏向年轻、高学历人群，可能影响结论向更广泛人群（如老年群体）的推广；在线调查可能遗漏非网民；研究聚焦“假定”的媒体影响而非实际影响；以及研究基于特定文化背景（中国）。这些为未来研究指明了方向，例如进行纵向追踪、扩大样本多样性、开展跨文化比较，以及考察生成式AI在不同应用场景（如医疗、教育、创意产业）中的具体采纳机制。