本研究的主要作者包括Janarthanan Balakrishnan（印度国家理工学院提鲁吉拉伯利分校）、Yogesh K. Dwivedi（英国斯旺西大学）、Laurie Hughes（英国斯旺西大学）和Frederic Boy（英国斯旺西大学）。该论文于2021年10月15日在学术期刊《Information Systems Frontiers》在线发表，并于2024年印刷出版于其第26卷第921-942页。
这项研究属于信息系统与信息技术采纳交叉领域，具体聚焦于人工智能应用的用户接受度问题。研究背景源于工业4.0的快速发展，人工智能（Artificial Intelligence, AI）已深度融入价值链和商业周期，旨在改善人类生活。其中，AI驱动的语音助手（AI-powered Voice Assistants，简称AIVA），如苹果的Siri、谷歌的Google Assistant、微软的Cortana和亚马逊的Alexa，已成为人机交互的普遍形式，其用户量预计将从2019年的32.5亿增长至2024年的84亿。然而，尽管其功能日益强大，现有文献主要集中于技术层面，对用户态度和采纳阻力的深层心理机制缺乏足够的实证关注。用户在与自动化环境交互时，往往因感知价值、成本、隐私担忧等因素而产生抗拒。基于此，研究团队识别了三个关键的知识空白：1）对导致AIVA采纳阻力的抑制因素缺乏理解；2）对形成AIVA积极态度的促进因素认识有限；3）缺乏对年龄和性别在这些关系中调节作用的实证研究。因此，本研究旨在通过整合两种理论模型，探究用户对AIVA的抗拒和态度的形成因素。具体研究问题包括：RQ1——哪些抑制因素会增强对AIVA的抗拒？RQ2——哪些促进因素有助于形成对AIVA的积极态度？RQ3——性别和年龄在“抑制因素-抗拒”和“促进因素-态度”的关系中扮演什么角色？
研究的详细工作流程包括研究设计、数据收集、测量工具开发、数据分析与假设检验等多个严谨步骤，具体如下：
首先，研究采用横截面研究设计。研究对象为参加过印度六场AI相关技术会议的专业人士和学生。为确保样本具备足够的相关知识，研究者通过非概率抽样，从约1300名与会者中初步接触了925人。采用两个筛选问题进行定性筛选：1. 您是否对AI和语音助手有足够了解（是/否）；2. 尽管您了解语音助手的广泛功能，您是否仍对其使用有抗拒心理（是/否）。最终，438名参与者对两个问题均回答“是”，这些参与者构成了初始样本。随后，通过操作化的测量工具进行调查，最终获得420份有效问卷用于分析。根据G*Power软件进行的统计功效分析，在期望功效为0.95、效应量为0.15的情况下，研究所需最小样本量为178，因此420的样本量是充足的。数据收集过程持续了两个月，并通过比较早期和后期收集的答复来评估无应答偏差，结果显示无显著差异。
其次，研究工具的开发基于成熟的量表。调查问卷分为四个部分。第一部分是两个分类问题，确认参与者对AI和语音助手的知晓度。第二部分是核心构念测量，所有构念均采用七点李克特量表（1=非常不同意，7=非常同意）。构念测量借鉴了前人研究并进行了情境化调整： * 抑制因素（基于现状偏见理论Status Quo Bias Theory）： * 沉没成本：测量用户在现有技术上已投入的时间。 * 后悔规避：测量对选择AIVA可能带来的后悔的恐惧。 * 惯性：测量因压力或习惯而继续使用现有技术的倾向。 * 感知价值：测量转向AIVA的益处评估。 * 转换成本：测量掌握AIVA所需的时间精力投入。 * 感知威胁：测量对失控、不确定性、安全和隐私风险的担忧。 * 促进因素（基于技术接受模型Technology Acceptance Model, TAM）： * 感知易用性：测量AIVA被认为易于使用的程度。 * 感知有用性：测量AIVA被认为能提高工作效率的程度。 * 结果变量： * 对AIVA的抗拒：测量不遵守、不合作、反对改变的程度。 * 对AIVA的态度：测量喜欢、感觉良好、总体态度积极的程度。 第三部分是两个开放式问题，用于了解用户最喜欢和最抗拒AIVA的方面。第四部分收集社会人口统计信息，包括性别、年龄（划分为青年组：19-28岁；年长组：29-55岁，划分依据为2020年印度中位年龄28.4岁）、教育程度和职业。
第三，数据分析采用了两步结构方程建模方法，使用IBM SPSS AMOS 26软件。 1. 测量模型分析：首先进行验证性因子分析以评估测量模型的信度和效度。所有构念的克朗巴赫阿尔法系数均高于0.75，组合信度值均达标，表明内部一致性良好。所有测量题项的标准化因子载荷均大于0.70，平均方差提取值均大于0.50，满足聚合效度要求。通过比较各构念AVE的平方根与构念间相关系数，确认了良好的判别效度。模型拟合指数显示测量模型拟合良好（χ²/df = 2.852; NFI = 0.933; CFI = 0.955; RMSEA = 0.066）。此外，研究采用共同方法因子法检验了共同方法偏差，结果表明数据不存在严重的共同方法偏差问题。 2. 结构模型分析：在测量模型验证的基础上，使用最大似然法估计结构模型，检验提出的9个直接关系假设。同时，计算了抗拒和态度两个内生变量的决定系数R²。 3. 多群组分析：为检验性别和年龄的调节作用（假设10和11），研究进行了多群组分析。在进行路径比较前，首先进行了测量不变性检验，结果显示在性别和年龄分组上均实现了构形、度量和标量不变性，这支持了后续跨组比较的有效性。随后，分别比较了男性和女性样本、青年和年长样本在各条路径系数上的差异（通过计算Z分数）。
本研究的主要结果如下：
结构模型与直接假设检验结果：模型整体拟合良好（χ²/df = 2.603; NFI = 0.919; CFI = 0.942; RMSEA = 0.073）。对AIVA的抗拒解释了46.5%的方差，对AIVA的态度解释了37.2%的方差。具体假设检验结果如下： * 抑制因素与抗拒的关系：除假设3外，其他抑制因素假设均得到支持。 * H1：沉没成本对AIVA抗拒有显著正向影响（β = 0.212， p < 0.01）。表明用户在现有技术上的投资会增强其对AIVA的抗拒。 * H2：后悔规避对AIVA抗拒有显著正向影响（β = 0.119， p < 0.01）。表明害怕决策后悔会增加抗拒。 * H3：惯性对AIVA抗拒的影响不显著（β = 0.064， p = 0.150）。这是本研究的一个意外发现，表明“不愿改变”本身可能不再是采纳AIVA的主要障碍。 * H4：感知价值对AIVA抗拒有显著负向影响（β = -0.254， p < 0.01）。这表明认识到AIVA的高价值可以有效降低采纳抗拒。 * H5：转换成本对AIVA抗拒有显著正向影响（β = 0.244， p < 0.01）。表明学习使用新系统所需付出的努力和成本会增加抗拒。 * H6：感知威胁对AIVA抗拒有显著正向影响（β = 0.280， p < 0.01）。这是所有抑制因素中影响最强的，表明对隐私、安全和失控的担忧是阻碍采纳的最重要因素。该发现与开放式问题的结果相互印证：38.10%的受访者将“隐私担忧”列为抗拒使用语音助手的主要原因。 * 促进因素与态度的关系： * H7：感知易用性对AIVA态度有显著正向影响（β = 0.307， p < 0.01）。其影响强度高于感知有用性，说明用户更看重AIVA是否易于操作。 * H8：感知有用性对AIVA态度有显著正向影响（β = 0.197， p < 0.01）。 * 抗拒与态度的关系： * H9：对AIVA的抗拒对其态度有显著负向影响（β = -0.199， p < 0.01）。表明抗拒心理会直接导致对AIVA形成负面态度。
多群组分析（调节作用）结果： * 性别差异：男性和女性在三条路径上存在显著差异。 * 感知价值 → 抗拒：此路径在男性样本中显著为负，但在女性样本中不显著。女性用户对AIVA价值的感知可能未能有效抵消其抗拒。 * 后悔规避 → 抗拒：此路径在女性样本中显著为正，但在男性样本中不显著。女性用户可能更易因担心未来后悔而产生抗拒。 * 惯性 → 抗拒：在两组中均不显著。 * 年龄差异：青年组和年长组在四条路径上存在显著差异。 * 惯性 → 抗拒：该路径在年长组中显著为正，在青年组中为负但不显著。这表明惯性（不愿改变）主要影响年长用户，而青年用户对新技术的适应性和接受度更高。 * 后悔规避 → 抗拒：在青年组中显著为正，在年长组中不显著。这可能与年长用户决策更自信有关。 * 感知威胁 → 抗拒：在青年组中路径系数更高，且两组均显著。尽管年长用户通常被认为更抵触新技术，但本研究表明青年用户对AIVA带来的不确定性（如隐私、数据安全）感知到的威胁更大，从而产生更强的抗拒。 * 感知易用性 → 态度：两组中均显著为正，但路径强度在年龄组间存在显著差异（青年组β=0.282， 年长组β=0.401）。这说明“易于使用”这一特性对年长用户形成积极态度更为关键。
本研究得出以下结论：首先，采纳AIVA的决策受到抑制因素和促进因素的双重影响。其中，感知威胁是导致用户抗拒的最强抑制因素，而感知价值是降低抗拒的关键促进因素。令人意外的是，惯性并未显示出显著影响，这可能反映了当代用户对技术变革的心理适应性增强。其次，在促进积极态度方面，感知易用性比感知有用性发挥着更重要的作用。最后，用户抗拒会直接导致对AIVA形成负面态度。更重要的是，研究揭示了这些影响机制在人口统计学上的差异：性别影响了价值感知和后悔规避的作用路径，而年龄则显著调节了惯性、后悔规避、感知威胁和感知易用性的影响效应。这些结论为理解AI技术采纳的复杂性提供了精细化的视角。
本研究的价值体现在理论和实践两个层面。理论价值：1）创新性地将现状偏见理论和技术接受模型整合进双因素模型框架，为信息系统研究提供了新的理论视角；2）扩展了现状偏见理论在人工智能领域的应用，并细化了其子构念在AIVA情境下的作用；3）首次实证检验并确认了“抗拒”与“态度”之间的负向关系，弥合了用户抗拒理论与态度理论之间的研究空白；4）深入揭示了人口统计学变量（性别、年龄）在理论模型中的调节作用，为相关理论的边界条件提供了新的见解；5）融合了认知心理学理论（如认知失调）和理性选择理论来支撑假设，丰富了跨学科的理论对话。实践价值：为AIVA的开发者和营销者提供了具体指导：1）降低抗拒策略：必须优先解决用户的隐私和安全担忧（感知威胁），通过提高系统透明度和强化伦理设计来建立信任。同时，应降低用户感知的转换成本，例如将AIVA功能集成到更多现有设备中。2）提升采纳策略：应着重优化产品的易用性设计，并通过营销沟通清晰传达AIVA能带来的实际价值（感知价值）。3）细分市场策略：针对不同用户群体采取差异化策略。例如，对年长用户需着重简化操作流程（强调易用性），并帮助他们克服惯性；对女性用户需更有效地传达产品价值；对年轻用户则需特别关注并回应其隐私安全顾虑。
本研究的亮点在于：重要发现：明确指出在AIVA采纳中，感知威胁（尤其是隐私安全）是最大的阻力，而感知易用性是塑造积极态度的最强动力。同时，惯性作用的消失以及年龄、性别带来的差异化影响是极具价值的洞察。方法创新：首次在AIVA研究领域系统性地应用并整合了双因素模型，同时考察了促进和抑制两方面的力量，视角更为全面。研究严谨地检验了测量不变性，确保了跨组比较结论的可靠性。研究对象的特殊性：聚焦于新兴市场（印度）的AI技术采纳，样本兼具专业人士和学生，并确保所有参与者均具备相关知识但仍存在抗拒心理，研究情境具有较高的现实针对性和代表性。
其他有价值的内容还包括研究指出的局限性及未来方向：例如横截面设计的因果推断限制、未控制用户先前AI经验、以及基于研究发现提出的未来研究议题，如探究女性用户中感知价值作用不显著的原因、将TAM2等其他模型整合进双因素框架、深入探究惯性在技术抗拒中的角色演变、针对新兴市场进行更多研究，以及对开放式问题中识别出的其他态度影响因素（如个性化体验、推荐系统）进行模型化探索等。这些都为后续研究提供了清晰的路线图。