这篇文档属于类型a，是一篇关于人工智能在客户服务中表达积极情绪影响的原创研究论文。以下是详细的学术报告：

主要作者与发表信息

本研究由三位学者合作完成：
- Elizabeth Han（麦吉尔大学Desautels管理学院）
- Dezhi Yin（南佛罗里达大学Muma商学院）
- Han Zhang（佐治亚理工学院Scheller商学院）
论文题为《Bots with Feelings: Should AI Agents Express Positive Emotion in Customer Service?》，已获《Information Systems Research》期刊录用（Forthcoming），预印本发布于SSRN平台（2022年）。

学术背景

研究领域：本文交叉融合了消费者行为学（Consumer Behavior）、人机交互（Human-AI Interaction）和情感计算（Affective Computing）领域，聚焦于AI驱动的对话代理（Conversational Agents，即聊天机器人）在客户服务中的情感表达效果。

研究动机：
1. 现实需求：2020年全球56%的企业在至少一项职能中应用AI，其中超50%的案例涉及服务运营（McKinsey 2021）。AI客服因其成本效益逐渐替代人工，但人类客服通过表达积极情绪提升服务评价的机制是否适用于AI尚不明确。
2. 理论缺口：现有研究多关注人类客服的情感表达（如微笑效应），而AI的情感表达效果存在争议。例如，心理学领域发现机器人表达情绪可能引发“恐怖谷效应”（Uncanny Valley），但非商业场景的结论能否推广至客服场景仍需验证。

研究目标：
- 探究AI客服表达积极情绪如何通过情感传染（Emotional Contagion）和期望违背（Expectation-Disconfirmation）双路径影响客户评价；
- 揭示客户关系规范取向（Relationship Norm Orientation）的调节作用。

研究流程与方法

研究包含预实验和三项主实验，采用实验室控制实验法，总样本量超400人（主要为美国高校学生）。

1. 预实验（Pretest）

目的：验证情绪表达操纵的有效性。
设计：
- 对象：105名Amazon Mechanical Turk被试，84人通过注意力检查。
- 操纵：AI客服的积极情绪分三级（低/中/高），通过文本中的情感形容词和感叹号实现（如低情绪：“您的订单已处理”；高情绪：“非常高兴为您处理订单！”）。
- 测量：
- 情绪强度（3题项，如“服务代理表达的情绪强度”）；
- 情绪适当性（4题项，如“情绪表达是否合适”）。
结果：低 vs. 高情绪组在强度上差异显著（p < .001），但适当性无差异，确认操纵有效且无混淆。

2. 研究一（Study 1）

假设H1：AI vs. 人类客服表达积极情绪的效果差异。
设计：
- 2（情绪：有/无）×2（代理身份：AI/人类）组间设计，158名被试。
- 关键操作：
- 人类代理：聊天界面显示真人头像；
- AI代理：显示机器人图标。
- 因变量：服务质量评价（3题项）和满意度（3题项）。
结果：
- 人类代理的情绪表达显著提升评价（服务质量：M_无情绪=5.42 vs. M_有情绪=6.37；满意度：M_无情绪=5.86 vs. M_有情绪=6.57，p < .01）；
- AI代理无显著效果（p > .9），支持H1。

3. 研究二（Study 2）

假设H3：关系规范取向（Communal- vs. Exchange-Oriented）的调节作用。
设计：
- 仅AI代理，92名被试，测量关系规范取向（3题项，如“希望与客服的关系像家人/纯商业”）。
结果：
- 社群导向客户：积极情绪提升评价（β = 0.89, p < .01）；
- 交易导向客户：积极情绪降低评价（β = -0.57, p < .05）。

4. 研究三（Study 3）

假设H2a/H2b：双路径机制检验（情感传染 vs. 期望违背）。
设计：
- 186名被试，新增中介变量：
- 情感传染：被试的积极情绪（5题项）；
- 期望违背：反向计分的期望确认度（3题项）。
结果：
- 情感传染路径：AI情绪表达→客户积极情绪→服务评价（间接效应β = 0.16, 90% CI [0.006, 0.332]）；
- 期望违背路径：AI情绪表达→期望违背→评价下降（间接效应β = -0.043, 90% CI [-0.106, -0.002]）。

主要结论与价值

1. 理论贡献：

   • 首次揭示AI情感表达的“双刃剑效应”：情感传染的积极作用被期望违背抵消；
     
   • 提出关系规范取向作为关键边界条件，拓展了人机交互中的个体差异理论。
     

2. 实践意义：

   • 定制化AI情感设计：对社群导向客户（如忠诚计划会员）启用情绪表达，对交易导向客户（如售后咨询）保持中性；
     
   • 情境化部署：情感AI更适合高人际互动场景（如医疗、教育），而非标准化服务（如金融）。
     

研究亮点

1. 创新性发现：AI情感表达的效果取决于客户对“机器能否感受情绪”的预设，挑战了传统情感传染理论的普适性。
   
2. 方法论严谨性：通过多实验交叉验证，结合操纵检查（Manipulation Check）和中介分析（Mediation Analysis），确保结论稳健。
   
3. 跨学科融合：将心理学中的关系规范理论引入信息系统研究，为AI伦理设计提供新视角。
   

其他价值

论文呼吁未来研究探索：
- 其他情绪维度（如悲伤、愤怒）的AI表达效果；
- 文化差异（如集体主义vs.个人主义）对期望违背的影响；
- 动态情绪调节算法，以实时适配客户关系取向。

（报告字数：约1,500字）