这篇文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：

作者及机构：
本研究由香港浸会大学（Hong Kong Baptist University）的Yu-Leung Ng独立完成，发表于期刊《new media & society》2024年第26卷第3期（1429-1444页），文章DOI号为10.1177/14614448221074047。

学术背景：
研究领域为传播学与新媒体技术交叉领域，聚焦对话式人工智能（conversational AI）（如Apple Siri、Google Assistant等语音助手）的使用与社会资本（social capital）的关联。传统研究认为，电视等传统媒体会削弱社会资本（Putnam, 1995），而社交媒体的交互性则可能促进社会资本（Ellison et al., 2007）。然而，对话式AI作为新兴媒介，其对社会资本的影响尚未明确。本研究旨在填补这一空白，探讨对话式AI的使用是否通过社会行为者范式（Computers Are Social Actors, CASA）（Nass et al., 1994）和修订的拟人化概念（revised ethopoeia concept）（Nass & Yen, 2010）促进社会资本形成，或依据时间置换假说（time displacement hypothesis）（Putnam, 2000）导致社会资本流失。

研究流程：
1. 样本与数据收集：
- 研究对象为香港18岁以上成年人，通过YouGov在线面板抽样，采用性别、年龄、教育水平和收入的配额抽样法，最终获得1022份有效样本（对话式AI用户398人，非用户624人）。
- 数据收集时间为2021年5月至6月，通过计算设备（手机、平板、电脑等）完成在线调查。

1. 变量测量：

   • 核心变量：
     
     • 对话式AI使用：分为用户与非用户（二分类变量）。
       
     • 使用强度：改编自Facebook强度量表（Ellison et al., 2007），5点李克特量表（α=0.84）。
       
     • 使用频率：过去一周日均使用时长（5级分类：≤5分钟至≥1小时）。
       
   • 社会资本指标：
     
     • 线下/线上纽带型社会资本（bonding social capital）与桥接型社会资本（bridging social capital）：采用Williams（2006）量表的简化版，12题项4维度（α=0.69-0.78）。
       
     • 社会信任（social trust）：单题项测量（“大多数人值得信任”）。
       
     • 公民参与（civic participation）：3题项（如过去12个月是否参与慈善募捐）。
       
   • 协变量：性别、年龄、收入、教育水平。
     

2. 数据分析方法：

   • 独立样本t检验：比较用户与非用户的社会资本差异（RQ1）。
     
   • 分层回归分析：分两步（模型1：协变量；模型2a/b：加入使用强度或频率）检验对话式AI使用对社会资本的预测作用（RQ2-3）。
     

主要结果：
1. 用户与非用户差异（RQ1）：
- 对话式AI用户在所有社会资本指标上均显著高于非用户（p<0.001），效应量中等（Cohen’s d=0.25-0.59），其中线上社会资本（如线上纽带型d=0.52）差异大于线下（如线下纽带型d=0.25）。

1. 使用强度与频率的影响（RQ2-3）：

   • 使用强度：正向预测所有社会资本指标（β=0.21-0.43, p<0.001），尤其对线上桥接型社会资本（β=0.42）和纽带型（β=0.43）影响最大（f²=0.27-0.29，中等到大效应）。
     
   • 使用频率：除线下纽带型社会资本（β=0.03, p=0.57）外，其余指标均显著正相关（β=0.11-0.30），但对公民参与的效应最强（β=0.30, f²=0.15）。
     

2. 协变量作用：

   • 年龄和收入普遍负向预测社会资本，但加入对话式AI使用变量后，收入的影响多数被覆盖，表明对话式AI使用可能通过资源补偿机制（如技术便利性）抵消社会经济差异。
     

结论与价值：
1. 理论意义：
- 支持CASA范式和修订的拟人化概念，表明人机交互（如与对话式AI的语音互动）可延伸至人际互动，促进社会资本积累。
- 反驳时间置换假说，证明对话式AI的使用并未挤占社会互动时间，反而可能通过提升沟通舒适度（Traeger et al., 2020）间接强化社会资本。

1. 实践价值：
   
   • 为智慧城市政策提供依据：对话式AI可作为社会资本培育工具，尤其在线上社区建设中。
     
   • 启示AI开发者：强化社交属性的设计（如拟人化语音）可能增强用户的社会连接。
     

研究亮点：
1. 创新性：首次实证检验对话式AI与社会资本的关系，拓展了媒介效果研究的第三阶段（从传统媒体、社交媒体到AI媒介）。
2. 方法严谨性：采用代表性样本和多重测量（强度、频率），控制人口学变量，增强结论普适性。
3. 效应分层：揭示线上社会资本对AI使用更敏感，呼应源交互性（source interactivity）理论（Sundar, 2012），即人机交互模糊了线上人际互动的边界。

其他价值：
研究提出未来方向，如考察感知拟人化（perceived anthropomorphism）和社会临场感（social presence）的中介作用，以及不同使用动机（如信息获取vs.社交娱乐）的调节效应。局限性包括横断面设计无法推断因果关系，需纵向研究验证。