本研究由Yinying Tao（浙江科技学院，同济大学）、Haodong Wu（江南大学）、Chenlu Li（浙江科技学院）、Manshu Huang（浙江树人大学）、Chunhong Yuan（喀山联邦大学）、Dinara Valeeva（喀山联邦大学）合作完成。论文《Dissemination Effects of AI-Generated Content for Design on Social Media Platforms: A Comparative Analysis of User Engagement and Emotional Responses》发表于2025年12月26日的国际期刊《International Journal of Human–Computer Interaction》。
本研究的学术背景是，随着深度学习与自然语言处理等人工智能技术的飞速发展，人工智能生成内容（AIGC, Artificial Intelligence-Generated Content）已广泛应用于建筑设计、产品设计、平面设计、新闻、营销等多个创意领域，并正在重塑社交媒体沟通的格局。然而，尽管AIGC在内容生产效率与个性化定制方面展现出巨大优势，但社交媒体用户对AIGC的具体参与行为和情感反应，以及AIGC在社交媒体平台上的传播效果与影响机制，尚缺乏系统性的实证研究。现有研究或聚焦于商业领域中消费者对AI广告的态度，或集中于用户对AI工具本身的使用意愿与体验，而针对AIGC内容面向的目标用户的接受度、情感反应及其对传播效果的影响机制的研究存在明显空白。此外，AIGC内容在不同平台、不同时间段的传播规律也未得到深入剖析。因此，本研究旨在系统地探讨AIGC在社交媒体平台上的传播效果，填补这一研究缺口。其核心目标是通过整合量化与质化研究方法，深入探索AIGC的传播特征、用户互动行为与用户态度，揭示其相较于非AIGC（传统人力生成内容）的传播差异，分析用户情感反应的关键作用，并阐明不同平台特性与时间维度对传播动态的影响。
本研究采用了严谨的混合方法研究设计，构建了一个多维度的系统性分析框架。工作流程主要包括四个相互关联的层次：数据采集与处理、用户参与度分析、情感分析和时间序列分析。
第一，在数据采集与处理方面，研究团队从Twitter、Instagram、YouTube和TikTok这四大代表性社交媒体平台收集了多源数据，样本时间跨度为2023年全年。数据分为三类：1）平台内容数据：通过平台API和网络爬虫技术收集了总共40,000个内容样本，其中AIGC与非AIGC各占50%，内容包括发布的基本属性（如时间、类型）和传播指标（如浏览量、点赞数、评论数、分享数）。为了可靠地区分AIGC与非AIGC，研究采用了四阶段验证流程：首先分析创作者自我披露的标签（如#ai-generated）、平台标签等元数据；其次，对无明确标记的内容使用技术检测工具（如图像AI检测器、GPT-2输出检测器）进行识别，准确率阈值设为85%；再次，由三位受过训练的独立编码员对2000个分层随机样本进行人工验证，编码员间信度高（Krippendorff’s α = 0.89）；最后，与已知真实来源的样本进行交叉验证，分类精度达到92%，召回率88%，F1分数0.90。2）用户交互数据：追踪了500,000个用户账户的互动行为，记录了点击行为、停留时间、互动深度等指标。3）问卷调查数据：通过在线问卷收集了1000份有效样本，问卷设计涵盖用户基本信息、平台使用习惯、AIGC认知度和内容偏好等维度，并采用了分层抽样以确保样本在人口统计学特征上的代表性。所有数据均经过严格的清洗、去重、异常值处理，并建立了标准化的数据标注系统。
第二，在用户参与度分析上，研究对收集到的40,000个内容样本进行了大规模的定量比较。通过描述性统计、t检验和方差分析等方法，系统对比了AIGC与非AIGC在浏览量、点赞数、评论数和分享数等关键参与指标上的表现。该分析旨在检验假设1：AIGC在参与度指标上是否显著优于非AIGC。
第三，在情感分析层面，研究利用基于BERT的深度学习模型对用户评论进行情感极性（积极、中性、消极）和主题聚类分析。该模型经过专门针对社交媒体评论和AIGC相关文本的微调，以提升分类准确性。研究也承认了自动情感分析在处理反讽、混合情感和上下文依赖等方面的局限性，并实施了相应的缓解策略，例如使用包含讽刺注释的数据集微调模型，实施多标签分类以识别混合情感，并进行了人工验证（总体准确率为82%，Cohen’s κ = 0.76）。该流程旨在验证假设2：用户对AIGC的情感态度如何直接影响其传播效果。
第四，在时间序列分析中，研究采用了自回归综合移动平均（ARIMA）模型，并结合季节性调整，深入分析了AIGC传播的时间动态特征。研究过程包括平稳性检验（Augmented Dickey-Fuller检验）、模型识别（通过自相关函数ACF和偏自相关函数PACF图）、参数估计（基于赤池信息准则AIC和贝叶斯信息准则BIC选择最优模型），最终确定了SARIMA(2,1,2)(1,1,1)为最终模型。模型经过了严格的诊断检验，包括残差自相关检验（Ljung-Box Q检验）、异方差性检验（ARCH-LM检验）和残差正态性检验（Jarque-Bera检验），并使用后8周数据作为保留样本进行了预测准确性验证，平均绝对百分比误差（MAPE）为8.2%，表明模型具有良好的预测效度。该分析旨在探索假设3和假设4：即不同平台的特性如何调节AIGC的传播动态，以及AIGC的传播过程是否展现出特定的时间模式（如参与高峰、季节性波动）。
本研究的主要结果丰富而具体，清晰揭示了AIGC在社交媒体传播中的独特表现与动态规律。
在用户参与度方面，数据分析结果显示，AIGC在多项关键指标上显著优于非AIGC。标准化数据显示（以非AIGC为基准100%），AIGC的浏览量平均高出47%（t=8.94，p<0.001），点赞数高出32%（t=7.23，p<0.001），分享数高出28%（t=6.85，p<0.001），这些差异均具有高度统计显著性。然而，在评论数上，AIGC仅显示8%的增长，且差异未达到统计显著性（t=1.72，p=0.089）。雷达图分析进一步直观显示，AIGC在引发浏览和点赞等浅层互动方面优势突出，但在激发评论这类深度互动方面相对较弱。这一结果为假设1提供了有力支持，表明AIGC确实具有更强的传播吸引力和分享潜力，但在促进深度用户对话和内容讨论上仍有提升空间。参与度分析的发现直接引导了下一步的情感分析，因为评论行为的差异可能反映了用户对AIGC更为复杂和微妙的情感态度。
情感分析的结果揭示了一个以积极情绪为主导但包含理性审视的用户情感图景。对用户评论的分析表明，AIGC的积极情绪占比高达58%，远高于非AIGC的45%。反映积极情绪的词云中，“创新”、“高效”、“智能”等关键词突出，体现了用户对AIGC技术创造力和效率的赞赏。AIGC的中性情绪占比为27%，低于非AIGC的35%，表明用户对AIGC的态度正从模糊中立转向更明确的倾向。与此同时，AIGC的负面情绪占比为15%，低于非AIGC的20%。负面词云中出现了“人工的”、“缺乏人情味”、“机械的”等词汇，表明用户的担忧主要集中在内容的真实性、情感深度和个性化不足等方面。这些结果部分支持了假设2，即用户情感反应对传播效果有直接影响。AIGC引发的高比例积极情绪解释了其为何能获得更高的点赞和分享（正向行为），而相对较低的评论参与度则可能与部分用户对其深度和真实性的保留态度（反映在中性和负面情绪中）有关。情感分析结果将用户的主观感受与客观的参与行为数据联系起来，为理解AIGC传播机制提供了关键的中介变量解释。
时间序列分析揭示了AIGC传播高度动态且复杂的特征。通过ARIMA模型对用户参与度随时间变化的分析，研究发现了几个关键模式：1）显著的参与度高峰与波动：AIGC的用户参与度呈现出比非AIGC更剧烈的波动，在特定时间点能达到约62%的峰值，表明其传播具有更强的“爆发性”。2）平台特异性模式：AIGC在不同平台上的传播曲线形态和波动幅度存在明显差异，反映了平台算法、用户群体和内容形式（如Instagram的视觉属性与Twitter的文本属性）对AIGC传播的调节作用。3）季节性变化规律：分析识别出了传播的周期性特征，在特定季节或时间节点会出现明显的参与度峰值，这与节假日内容消费模式、社会热点话题的季节性更迭相关。这些结果验证了假设3和假设4，明确指出AIGC的传播效果并非一成不变，而是受到平台生态和时间周期的显著影响。其传播生命周期呈现出独特的动态演化特征，这为内容创作者优化发布时机和平台策略提供了直接依据。
本研究得出的结论是多层次的，具有重要的理论与应用价值。核心结论是：AIGC在社交媒体平台上表现出显著优于传统非AIGC的传播效果，尤其在引发广泛浏览和浅层互动（点赞、分享）方面优势明显；用户对AIGC的整体情感态度偏向积极，主要基于对其创新性和效率的认可，但也对其真实性和情感深度存在关切；AIGC的传播是一个高度动态的过程，受到平台特性、算法机制和时间因素的复杂影响。从理论意义上看，本研究超越了以往对AIGC的碎片化讨论，通过整合“使用与满足理论”与“技术接受模型”的扩展、真实性信任理论以及平台可供性理论，构建了一个解释AIGC传播动态的综合理论框架。它不仅验证了“AIGC效应”的存在，更重要的是解释了其“为何”以及“在何种条件下”发生，为数字传播理论在人工智能时代的发展提供了新见解。特别是所构建的时间模式分析框架，为理解内容传播的动态性提供了系统性的分析范式。从实践意义上看，研究结果为社交媒体平台优化AIGC内容推荐算法、为内容创作者制定高效的AIGC生产与发布策略、为数字营销从业者精准触达用户提供了数据驱动的决策依据。例如，可根据不同平台的特性和用户情绪反馈，定制差异化的AIGC内容；依据识别出的传播高峰和季节性规律，战略性规划内容发布时间以最大化影响力。
本研究的亮点突出体现在以下几个方面：研究方法的系统性与创新性：采用混合研究方法，将大规模平台数据分析、先进的自然语言处理情感分析（基于BERT的细粒度模型）和严谨的时间序列建模（SARIMA）有机结合，形成了多维立体的证据链，增强了结论的可靠性和深度。理论框架的整合性：并非简单套用单一理论，而是创造性地将传播学、心理学和人机交互领域的多个理论整合成一个连贯的解释模型，用以指导实证研究并解读潜在的矛盾发现（如高参与度与真实性担忧并存）。研究发现的实践导向性：不仅回答了学术问题，更提炼出可直接应用于优化内容策略、平台运营和营销实践的关键成功因素与具体建议，如内容创新、技术驱动的个性化、发布时机与平台适配等。对传播动态性的深入挖掘：区别于多数将传播视为静态过程的研究，本研究通过精细的时间序列分析，深刻揭示了AIGC传播的生命周期特征、平台调节效应和季节性规律，这是本研究的一个重要贡献。
此外，论文在讨论部分还坦诚指出了本研究的局限性，如数据主要来源于全球四大平台，未来可扩展至更多平台与文化语境进行跨文化比较研究；研究侧重于短期传播效果，AIGC的长期影响和内容质量的深度评估（如创新性、原创性、事实准确性）是未来值得深入探索的方向。这些思考也为后续研究开辟了有价值的路径。总体而言，这项研究为理解人工智能时代的数字内容传播奠定了重要的实证与理论基础，预示着AIGC作为重塑数字传播格局的关键驱动力的巨大潜力。