关于AIGC平台用户信息采纳影响因素研究的学术报告
本文报告了一项针对人工智能生成内容（Artificial Intelligence-Generated Content, AIGC）平台用户信息采纳行为的研究。该研究由杭州电子科技大学管理学院的周涛（Tao Zhou）与中国科学院大学杭州高等研究院教育评价研究中心的方晓倩（Xiaoqian Fang）共同完成，发表于学术期刊《Journal of Information Science》2025年的第1-15卷。研究基于“刺激-机体-反应”（Stimulus-Organism-Response， S-O-R）理论框架，从“促进因素”和“抑制因素”双重视角，深入探讨了AIGC平台用户采纳生成信息的内在机制。以下将对该研究进行全面、详细的介绍。
一、 研究背景与目的
本研究隶属于信息科学与管理学交叉领域，重点关注新兴技术情境下的用户信息行为。随着以ChatGPT为代表的大型语言模型取得突破性进展，AIGC产业迎来了爆发式增长。众多科技公司（如百度的文心一言、阿里的通义千问、字节的豆包）相继推出各自的AIGC平台，通过提供丰富功能与多样化服务，显著提升了用户的工作与学习效率，创造了巨大价值。用户对AIGC的采纳与使用已成为一种新的内容创作与消费范式。
信息采纳（Information Adoption）作为一种关键的信息行为，对AIGC平台的生存与发展至关重要。用户访问AIGC平台的主要目的是获取高质量内容以辅助决策。若用户不愿采纳AIGC，则可能转而使用其他平台，导致用户流失，进而影响平台的可持续发展。然而，AIGC平台在带来高效内容输出的同时，也暴露出诸如信息过载（Information Overload）、错误信息（Misinformation）和算法偏见（Algorithm Bias）等问题。这些负面问题可能损害用户的信任，影响其信息采纳意愿。因此，探究AIGC平台用户信息采纳的形成机制，识别影响信息采纳的关键因素，具有重要的理论和现实意义。
现有研究多聚焦于社交媒体、在线健康社区等传统技术背景下的用户信息采纳，而对AIGC这一新兴应用平台的用户信息采纳行为探索较少。传统平台中，用户交互对象是其他用户，采纳的是用户生成内容（User-Generated Content, UGC）；而在AIGC平台中，用户交互对象是AI系统，采纳的是AIGC。相较于传统平台，基于大型语言模型构建的AIGC平台具有透明度低、拟人化交互、信息幻觉（Information Hallucination）等新特征，这些特征可能对用户采纳行为产生独特影响。此外，以往研究多采用信息采纳模型（Information Adoption Model， IAM）等理论，侧重于论证质量（Argument Quality）、感知有用性（Perceived Usefulness）等促进因素对信息采纳的影响，鲜有同时考察促进与抑制双方面因素的研究，这限制了对用户信息采纳发展过程的全面理解。
鉴于此，本研究旨在基于S-O-R模型，从促进因素和抑制因素的双重视角，探究AIGC平台用户信息采纳意愿的形成机制。具体研究目标包括：1）识别并验证影响用户对AIGC信任感的关键促进因素；2）识别并验证导致用户认知失调（Cognitive Dissonance）的关键抑制因素；3）探究用户信任与认知失调如何共同影响其信息采纳意愿；4）为AIGC平台设计者和管理者提供促进用户信息采纳的实践启示。
二、 研究理论与模型
本研究以S-O-R理论作为核心框架。该理论由Mehrabian和Russell提出，认为外部环境刺激（Stimulus）会引发个体内部心理状态（Organism）的变化，进而导致最终的行为反应（Response）。该理论有助于深入理解复杂的信息行为机制。
基于S-O-R框架并结合文献回顾，本研究构建了如图1所示的研究模型。模型将内容质量（Content Quality）、透明度（Transparency）和感知拟人化（Perceived Anthropomorphism）视为促进因素（刺激S），它们正向影响用户对AIGC的信任（Trust in AIGC）（机体O1）。将信息过载、错误信息和算法偏见视为抑制因素（刺激S），它们正向导致用户的认知失调（Cognitive Dissonance）（机体O2）。用户对AIGC的信任与认知失调则共同影响最终的信息采纳意愿（Response）。此外，模型假设信任对认知失调有负向影响。研究还包含了性别、年龄、教育程度、使用频率和使用经验作为控制变量。
基于理论推导，研究提出了9条具体假设（H1-H9）： - H1：内容质量正向影响用户对AIGC的信任。 - H2：透明度正向影响用户对AIGC的信任。 - H3：感知拟人化正向影响用户对AIGC的信任。 - H4：用户对AIGC的信任负向影响认知失调。 - H5：用户对AIGC的信任正向影响信息采纳。 - H6：信息过载正向影响认知失调。 - H7：错误信息正向影响认知失调。 - H8：算法偏见正向影响认知失调。 - H9：认知失调负向影响信息采纳。
三、 研究设计与实施流程
本研究采用在线问卷调查法收集数据，并运用结构方程模型（Structural Equation Modeling, SEM）和模糊集定性比较分析（Fuzzy-Set Qualitative Comparative Analysis, fsQCA）两种混合方法进行数据分析。整个研究流程严谨，包含以下几个核心步骤：
步骤一：测量工具开发与预测试 研究模型包含9个变量。为确保内容效度，所有测量题项均改编自已有文献，并根据AIGC平台的具体情境进行了修改。测量采用李克特七点量表（1=非常不同意，7=非常同意）。最终测量题项及其来源详见表2。例如，内容质量的测量题项包括“AIGC满足我的个性化需求”、“AIGC清晰易懂”、“AIGC充分且完整”；信息采纳的测量题项包括“我愿意采纳AIGC”、“我愿意向他人推荐AIGC”、“我愿意基于AIGC做出决策”。 在正式发放问卷前，研究邀请了10位AIGC平台的活跃用户参与预测试。根据他们的反馈，对部分题项的表述进行了修订，以提高其清晰度和易懂性。
步骤二：问卷发放与数据收集 研究通过在线调查平台编制问卷，并利用社交媒体渠道进行分发，以加速数据收集过程。问卷中设置了注意力检查题项，以确保回答质量。在剔除从未使用过AIGC平台或未通过注意力检查的无效问卷后，最终获得463份有效回复。
样本人口统计学特征如下： - 性别： 男性占47.9%，女性占52.1%。 - 年龄： 92.9%的受访者在40岁以下。 - 教育程度： 87.5%的受访者拥有学士及以上学位。 - 使用平台： 使用过文心一言的占72.4%，ChatGPT占68.3%，豆包占60.5%，Kimi占46.9%。 - 使用频率： 33.9%的用户每天使用一次或以上，31.1%的用户每周使用3-4次。 - 使用经验： 35.0%的用户拥有超过一年的使用经验。
步骤三：共同方法偏差检验 为避免共同方法偏差（Common Method Variance， CMV）对结果的干扰，研究进行了两项检验。首先，进行Harman单因子检验，结果显示最大方差解释率为9.718%，未出现单一因子解释大部分方差的情况。其次，将所有题项作为一个方法因子进行模型拟合，结果显示拟合指标很差（GFI=0.495<0.90， RMSEA=0.201>0.08）。两项检验均表明CMV在本研究中不是一个严重问题。
步骤四：数据分析方法 研究采用混合分析方法： 1. 结构方程模型（SEM）： 使用SPSS 26和AMOS 28软件进行。首先，对测量模型进行信度（Cronbach‘s α系数、组合信度CR）和效度（收敛效度AVE、区分效度）检验。然后，利用AMOS 28估计结构模型路径系数，检验研究假设。此外，还使用Process宏程序估计了信任和认知失调的中介效应。 2. 模糊集定性比较分析（fsQCA）： 使用fsQCA 3.0软件进行。首先，将各变量题项得分取平均值，然后根据Ragin的建议，使用0.05（完全非隶属）、0.5（交叉点）、0.95（完全隶属）三个阈值进行校准，将变量转换为模糊集分数。接着进行必要性条件分析。最后，以信息采纳为结果变量，八个前因条件（三个促进因素、三个抑制因素、信任、认知失调）进行构型分析，探寻导致高信息采纳意愿的多元并发因果路径。案例频率阈值设为7，一致性阈值设为0.8，PRI一致性阈值设为0.75。
四、 研究主要结果
（一）SEM分析结果 1. 测量模型检验： 如表3所示，所有变量的Cronbach‘s α系数介于0.811至0.919之间，组合信度（CR）值均大于0.7，因子载荷均超过0.7，平均方差抽取量（AVE）值均高于0.5，表明量表具有良好信度和收敛效度。表4显示，各变量AVE平方根均大于其与其他变量的相关系数，表明区分效度良好。 2. 结构模型与假设检验： 模型拟合指标良好（χ²/df=1.985， GFI=0.910， CFI=0.961， RMSEA=0.046），优于推荐标准。路径系数及显著性如图2和表5所示。 - 促进因素路径： 所有假设均得到支持。内容质量（β=0.455， p<0.001）、透明度（β=0.192， p<0.001）和感知拟人化（β=0.212， p<0.001）均显著正向影响用户对AIGC的信任，其中内容质量的影响最强。用户对AIGC的信任显著正向影响信息采纳（β=0.596， p<0.001），并显著负向影响认知失调（β=-0.227， p<0.001）。 - 抑制因素路径： 所有假设均得到支持。信息过载（β=0.254， p<0.001）、错误信息（β=0.173， p<0.001）和算法偏见（β=0.192， p<0.001）均显著正向影响认知失调，其中信息过载的影响最大。认知失调显著负向影响信息采纳（β=-0.213， p<0.001）。 - 控制变量： 仅使用经验对信息采纳有显著正向影响（β=0.104， p<0.05）。 - 中介效应： 如表6所示，信任和认知失调在三个促进因素（内容质量、透明度、感知拟人化）与信息采纳之间起到了显著的链式中介作用。同时，认知失调在三个抑制因素（信息过载、错误信息、算法偏见）与信息采纳之间起到了显著的中介作用。 - 备择模型检验： 研究还检验了一个备择模型（促进因素影响认知失调，抑制因素影响信任），结果发现其解释方差（信任16.4%，认知失调20.1%）远低于原模型（信任41.4%，认知失调35.6%），且拟合度较差，从而支持了原模型的合理性。
（二）fsQCA分析结果 必要性条件分析显示，所有前因条件的一致性水平均低于0.9，表明不存在导致高信息采纳的必要条件。构型分析产生了三条通向高信息采纳意愿的等效路径（见表7），总体解的一致性为0.930，覆盖度为0.386。 - 路径1： 内容质量*透明度*~感知拟人化*~错误信息*~算法偏见*信任*~认知失调。该路径核心条件是高质量内容、高透明度、高信任，且低错误信息、低算法偏见、低认知失调。感知拟人化作为边缘条件缺失，表明在此路径中，较低的拟人化水平（可能与工具性导向用户相关）结合其他高质量和可信条件，也能导致高信息采纳。 - 路径2： 内容质量*感知拟人化*~信息过载*~错误信息*~算法偏见*信任*~认知失调。该路径核心条件是高质量内容、高拟人化、高信任，且低信息过载、低错误信息、低算法偏见、低认知失调。透明度为可选条件，表明对部分用户而言，只要内容优质、交互拟人且可信，他们可能不那么关注AIGC的工作原理是否透明。 - 路径3： 内容质量*透明度*感知拟人化*~信息过载*~错误信息*信任*~认知失调。此路径原始覆盖度最高（0.312），结果与SEM最为一致。它表明当所有促进因素（内容质量、透明度、拟人化）均处于高水平，且抑制因素（信息过载、错误信息）和认知失调处于低水平时，会导致高信息采纳。算法偏见在此路径中为可选条件，暗示用户可能对算法潜在的偏见有一定容忍度，或者并未意识到偏见的存在。
五、 研究结论与价值
本研究得出以下核心结论：AIGC平台用户的信息采纳行为受到促进因素和抑制因素的双重影响。一方面，高质量的内容、透明的运作机制和拟人化的交互能有效建立用户对AIGC的信任，而信任是驱动信息采纳的最关键因素。另一方面，信息过载、错误信息和算法偏见会引发用户的认知失调，从而阻碍信息采纳。研究还发现，信任能够有效缓解认知失调。这一机制揭示了在AIGC这一新兴人机交互情境下，用户信息采纳决策的复杂心理过程。
本研究的理论贡献主要体现在四个方面：第一，将信息采纳研究拓展至AIGC这一新兴应用场景，丰富了该领域的研究版图。第二，基于S-O-R框架，揭示了“内容质量→信任→信息采纳”和“信息过载→认知失调→信息采纳”两条核心作用路径，阐明了AIGC平台用户信息采纳的形成机制。第三，创新性地整合了促进与抑制双重视角，弥补了以往研究多关注单方面因素的不足，为全面理解信息采纳的发展过程提供了更完整的理论视角。第四，研究发现信任是影响信息采纳的首要因素，且对认知失调有直接缓解作用，这深化和拓展了以往主要强调感知有用性的理论认知。
本研究对AIGC平台的设计与运营具有重要的实践启示：首先，平台应着力构建用户信任。核心是保障AIGC的内容质量，通过优化算法提供精准、个性化、完整清晰的内容。同时，应增强系统透明度，例如通过数据可视化展示内容生成过程或信息来源，减少“黑箱”效应带来的不确定性。此外，设计拟人化的交互界面和对话风格，可以增强用户的情感连接和亲切感，从而提升信任。其次，平台需积极降低用户的认知失调。重点在于管理信息输出，避免提供过量、冗余信息导致用户决策疲劳。必须采取措施减少错误信息和算法偏见，例如开发偏见检测程序、使用高质量数据训练模型、并对生成内容进行事实核查和标注来源，以提升信息可信度。
六、 研究亮点
本研究的亮点在于：第一，研究视角新颖：率先从促进与抑制双重视角系统探究AIGC用户信息采纳，更全面地揭示了影响用户行为的“推拉”力量。第二，理论框架适配性强：巧妙运用S-O-R模型，将AIGC平台特性（刺激）、用户心理状态（机体）和行为结果（反应）有机串联，清晰阐释了作用机制。第三，方法混合创新：结合SEM（验证净效应）和fsQCA（发现构型效应）两种分析方法，不仅检验了变量间的线性关系，还揭示了导致高信息采纳的多种条件组合路径，使结论更加丰富、稳健，发现了如“低拟人化+高质量+高信任”等有趣的非对称等效路径。第四，实践指导明确：研究结论直接指向AIGC平台提升用户体验和留存的关键操作点（如优先保障内容质量、管理信息过载），具有很高的应用价值。
七、 其他说明
研究也指出了自身的局限性：第一，数据收集于中国，而中国的AIGC平台虽发展迅速但仍处早期阶段，结论推广至其他AI发展程度不同的国家需谨慎。第二，AIGC平台正快速与教育、医疗等行业融合，未来研究可关注特定行业平台用户的信息采纳行为。第三，本研究主要关注信任和认知失调的中介作用，未来可探索感知价值、用户体验等其他潜在影响因素。
这项研究为理解AIGC时代用户如何评估和采纳机器生成信息提供了重要的理论洞见和实践指南，对推动AIGC技术负责任、可持续地发展具有重要意义。