本研究由Qian Chen（华中农业大学）、Yaobin Lu（华中科技大学）、Yeming Gong（法国emlyon business school）及Jie Xiong（法国ESSCA School of Management）合作完成，发表于期刊Internet Research 2023年第33卷第6期。研究聚焦人工智能（AI）聊天机器人（chatbot）的服务质量对客户忠诚度（customer loyalty）的影响机制，属于信息系统（IS）与管理科学的交叉领域。

学术背景

随着AI技术重塑服务业，聊天机器人作为一线服务主体，其服务质量直接影响客户对组织的印象。尽管传统研究证实服务质量通过满意度（satisfaction）和感知价值（perceived value）驱动客户忠诚度，但AI服务的特殊性（如非人类交互、自我学习能力）使这一链条的适用性存疑。现有研究多关注聊天机器人的技术属性（如易用性、响应速度），而缺乏对其服务质量的系统性定义及对忠诚度影响的实证分析。本研究旨在填补以下空白：
1. 理论缺口：构建AI聊天机器人服务质量的九维属性框架；
2. 实证缺口：验证服务质量通过认知信任（cognitive trust）、情感信任（affective trust）、满意度与感知价值影响忠诚度的链式机制。

研究流程与方法

1. 服务质量维度构建

• 数据来源：结合行业报告（如Deloitte 2018）与50名大学生的半结构化访谈（semi-structured interviews），采用内容分析法（content analysis）提取关键词。
  
• 编码流程：双盲开放编码（open coding）→ 轴向编码（axial coding），编码者间信度（inter-coder reliability）达0.95。最终确定九大维度：
  
  • 技术功能类：始终可用性（always available）、全渠道存在（omnipresence）、响应准确性（accuracy of response）、自我学习（self-learning）；
    
  • 交互体验类：人性化共情（human-like empathy）、个性化推荐（personalized recommendation）；
    
  • 服务保障类：人工服务可替代性（availability of human service alternatives）、一致性（consistency）、易用性（ease of use）。
    

2. 模型构建与假设验证

• 理论基础：基于Harris和Goode（2004）的“服务质量-忠诚度链式模型”，引入认知与情感信任的双路径，构建结构方程模型（SEM）。
  
• 数据收集：通过问卷平台（wenjuanxing）采集459名使用过AI聊天机器人的用户数据，采用7级李克特量表（7-point Likert scale）测量各变量。
  
• 分析方法：使用SmartPLS 3.2.8进行偏最小二乘分析（PLS-SEM），通过以下步骤验证假设：
  
  • 测量模型检验：信度（Cronbach’s α均>0.83）、组合信度（CR均>0.90）、收敛效度（AVE均>0.70）及区分效度（交叉载荷与Fornell-Larcker准则）均达标。
    
  • 结构模型检验：验证九维度对服务质量的贡献（路径系数0.12–0.24，p<0.001）及中介效应。
    

主要结果

1. 服务质量对中介变量的影响：

   • 感知价值（H1支持，β=0.11）：全渠道存在与自我学习显著提升用户感知收益（如节省时间），降低非货币成本（如学习成本）。
     
   • 认知信任（H2支持，β=0.15）：响应准确性与人工服务可替代性增强用户对AI能力的理性评估（如“准确理解需求”）。
     
   • 情感信任（H3支持，β=0.24）：人性化共情（如“感知被理解”）与个性化推荐触发情感依赖。
     
   • 满意度（H4支持，β=0.36）：服务质量通过提升价值感知与信任间接提高满意度。
     

2. 中介变量对忠诚度的影响：

   • 情感信任（β=0.57）与满意度（β=0.59）作用最强，验证了AI服务中情感联结的重要性。
     
   • 模型整体解释力达41.6%（R²=0.416），显著高于传统服务质量模型。
     

结论与价值

1. 理论贡献：
   
   • 扩展了IS领域的服务质量研究，提出首个AI聊天机器人服务质量的多维框架。
     
   • 验证了链式模型在AI场景的适用性，并引入信任的双路径机制（认知/情感）。
     
2. 实践意义：
   
   • 为企业优化聊天机器人设计提供具体维度（如强化自我学习功能的用户提示）。
     
   • 揭示情感化设计（如共情表达）对忠诚度的关键作用，超越传统技术性能导向。
     

研究亮点

1. 方法创新：结合质性访谈与量化分析，构建情境化的服务质量量表。
   
2. 发现特殊性：情感信任对忠诚度的影响超过认知信任，区别于人类服务场景。
   
3. 跨学科整合：将信息系统理论（如Delone & McLean模型）与营销学（服务质量-忠诚度链）结合，推动AI服务研究的范式创新。
   

其他价值

研究指出未来需关注具身聊天机器人（embodied chatbot）的服务质量差异，并建议采用纵向设计（longitudinal design）追踪用户态度演变。附录中整理的AI聊天机器人文献综述（表A1）为后续研究提供了系统性参考。