本文档属于类型a，即报告了一项单一原创研究的科学论文。以下是对该研究的详细介绍：
本研究的主要作者包括Hua Jiang、Yang Cheng、Jeongwon Yang和Shanbing Gao，分别来自美国雪城大学（Syracuse University）、北卡罗来纳州立大学（North Carolina State University）和中国南京师范大学（Nanjing Normal University）。该研究于2022年5月12日在线发表在期刊《Computers in Human Behavior》上，文章编号为107329。
本研究主要关注人工智能驱动的聊天机器人（AI-powered chatbot）与客户之间的对话式互动（dialogic interactions），探讨其对客户满意度、社交媒体参与度以及客户行为的影响。研究基于社会交换理论（Social Exchange Theory）和资源交换理论（Resource Exchange Theory），旨在揭示聊天机器人的响应性（responsiveness）和对话语气（conversational tone）如何影响客户对聊天机器人服务的满意度，并进一步影响客户的社交媒体参与度、支付溢价意愿（price premium）和购买意图（purchase intention）。研究背景包括近年来客户参与度在营销和传播研究中的重要性日益增加，以及人工智能技术（如聊天机器人）在组织与客户双向互动中的广泛应用。
研究流程包括以下几个主要步骤：
数据收集
研究通过亚马逊Mechanical Turk（MTurk）平台进行数据收集，调查了965名居住在美国且使用过企业聊天机器人服务的客户。参与者被要求选择一家他们使用过其聊天机器人服务的企业，并回答相关问题。数据收集时间为2018年12月。
测量模型
研究采用七点李克特量表（Likert-type scale）测量各变量，包括对话式聊天机器人沟通的响应性和对话语气、客户对聊天机器人服务的满意度、社交媒体参与度、支付溢价意愿和购买意图。测量模型的信度和效度通过验证性因子分析（CFA）进行检验。
结构方程模型（SEM）分析
研究使用Mplus软件进行结构方程模型分析，检验了提出的假设模型。模型包括直接效应和间接效应的检验，特别是客户满意度和社交媒体参与度在聊天机器人沟通与客户行为之间的中介作用。
控制变量
研究控制了年龄、性别、教育水平、聊天机器人使用频率、品牌使用频率和品牌使用满意度等变量，以确保结果的可靠性。
研究的主要结果如下：
直接效应
间接效应
本研究揭示了对话式聊天机器人沟通在提升客户满意度、社交媒体参与度以及客户行为中的重要作用。通过响应性和对话语气，聊天机器人能够提供更人性化的互动体验，从而增强客户的满意度和参与度，最终促进客户的支付溢价意愿和购买意图。研究不仅丰富了关于人工智能聊天机器人在品牌社区建设中的应用讨论，还为企业在营销传播中如何有效利用聊天机器人提供了实践指导。
理论贡献
本研究将社会交换理论和资源交换理论应用于聊天机器人沟通与客户参与的研究中，填补了该领域的研究空白。
实践意义
研究结果为AI设计师、品牌经理和商业传播专业人士提供了重要启示，强调了对话式沟通在提升客户体验和促进企业长期业务发展中的关键作用。
方法论创新
研究采用结构方程模型（SEM）进行数据分析，通过验证性因子分析（CFA）确保测量模型的信度和效度，为类似研究提供了方法论参考。
研究还讨论了未来研究方向，包括跨文化比较、人口统计变量的调节作用以及不同类型聊天机器人服务的有效性比较。这些方向为进一步探索聊天机器人在不同情境下的应用提供了思路。
通过本研究，学术界和实务界能够更好地理解人工智能聊天机器人在客户互动中的潜力，并为未来的研究和实践提供了坚实的基础。