这篇由深圳大学媒体与传播学院的Rukun Zhang, Yiling Liu和Bingcan Li（通讯作者）共同完成的研究，题为“Personalization and Social Closeness Buffer Negative Reactions to AI-Generated Birthday Wishes on Social Media: Evidence from Two Experiments”，于2025年12月29日在线发表在期刊*Information, Communication & Society*上。该研究通过两项严格设计的在线实验，系统性地探讨了生成式人工智能（Generative AI， GenAI）在社交媒体上发送生日祝福这一具体情境中，如何影响人际关系感知，并揭示了文本个性化（Personalization）与社会亲密度（Social Closeness）在其中起到的关键缓冲作用。

学术背景与研究目标

本研究根植于传播学、社会心理学与消费者行为学的交叉领域，核心关注点是生成式人工智能技术渗透到人际情感交流（如发送生日祝福）后所产生的社会心理影响。随着Celebrateally、Birthday Wishes AI等工具的出现，用户能够快速生成精美的个性化祝福信息，这固然降低了发送者的认知与时间成本，但将这种富含象征意义和情感价值的“非物质礼物”（Intangible Gift）的创作委托给算法，可能带来意想不到的社交风险。

研究的理论起点是“礼物馈赠理论”（Gift-Giving Theory）和“公平理论”（Equity Theory）。在人际交往中，生日祝福作为一种非物质礼物，其价值主要不在于文字本身，而在于其传递出的“努力”（Effort）与“真诚”（Sincerity）信号，这些信号是维持和深化社会纽带（Social Bonds）的关键。当接收者感知到发送者投入了心思（如回忆共同经历、精心措辞），他们会感到被重视，从而提升对祝福的喜爱（Liking of the Wish）和对友谊的满意度（Friendship Satisfaction）。反之，若感知到努力不足或不够真诚，则可能破坏关系中的公平感，导致负面评价。

现有研究已发现，在情感丰富的领域（如吊唁、道歉）存在“算法厌恶”（Algorithm Aversion），即人们对AI生成的内容持有怀疑，认为其缺乏真实性和人情味。然而，这些研究多集中于商业或功能型场景，对于AI如何影响朋友间的关系维护，尤其是哪些因素可以缓解AI带来的负面影响，尚缺乏深入探讨。

因此，本研究旨在填补这一空白，具体目标包括： 1. 验证与人类撰写的祝福相比，AI生成的祝福是否会导致接收者更低的喜爱度和友谊满意度（H1）。 2. 探究“感知努力”和“感知真诚”在上述关系中的中介（Mediation）作用（H2, H3）。 3. 检验“文本个性化”（H4）和“社会亲密度”（H5）是否能够调节（Moderate）AI祝福的负面影响，即作为“缓冲器”（Buffer）。

详细研究流程与数据分析方法

研究采用了两项独立的2×2因子组间设计（Between-Subjects Design）在线实验。所有实验材料、测量量表均通过开放科学框架（OSF）公开，确保了研究的可重复性。

研究一：聚焦文本个性化的调节作用

研究一旨在测试H1至H4。其实验设计为2（祝福来源：人类 vs. AI） × 2（文本个性化：低 vs. 高）。

1. 参与者与抽样：通过腾讯问卷平台，采用年龄和性别配额抽样，招募了404名中国成年人。经过注意力检查筛选后，最终获得341份有效样本。样本在性别（男44.9%，女55.1%）、年龄（18-24岁至40岁以上各年龄段均有分布）、教育程度和月收入方面具有多样性，确保了样本的代表性。
2. 实验刺激物与流程：参与者被随机分配到四个实验条件之一。他们需要想象自己在社交媒体上收到一位线下朋友的生日贺卡。关键的自变量通过文字描述进行操纵：
   • 祝福来源：“这张贺卡是你的朋友亲手写的” vs. “你的朋友使用了一个AI工具来生成这条生日祝福”。
   • 文本个性化：
     • 高个性化：祝福文本中包含对特定共同经历（如“我们一起在你最喜欢的咖啡店度过的那个下午”）和接收者个人目标（如“愿你的摄影技术更上一层楼，这样我们就可以一起旅行了！”）的引用。
     • 低个性化：祝福文本为通用祝福语（如“愿你实现目标，拥抱生活中的美好时刻”），不包含任何个人细节。 参与者阅读贺卡后，首先完成两项操纵检验：判断祝福作者（人类/AI）以及评估感知到的个性化程度（7点量表）。随后，使用经过验证的7点李克特量表依次测量中介变量（感知努力、感知真诚）和因变量（对祝福的喜爱度、友谊满意度）。最后，参与者填写了对AI的态度以及人口统计学信息作为协变量。
3. 数据分析方法：首先通过t检验验证操纵是否成功。随后，为检验H1（主效应），研究采用了多元协方差分析（MANCOVA），将祝福来源作为固定因子，四个因变量作为联合因变量，并控制了年龄、性别等协变量。为检验H2和H3（中介效应），以及H4（有调节的中介效应），研究使用了Hayes开发的PROCESS宏（分别使用Model 4和Model 7），进行了5000次Bootstrap抽样，并同样控制了协变量。

研究二：聚焦社会亲密度的调节作用

研究二旨在复制H1-H3的发现，并重点检验H5。其实验设计为2（祝福来源：人类 vs. AI） × 2（社会亲密度：远距离朋友 vs. 亲密朋友）。研究二在实验流程、测量工具和数据收集设置上与研究一基本相同，唯一的区别是将“个性化”因素替换为“社会亲密度”。

1. 参与者与抽样：采用与研究一相同的抽样方法，最终获得325份有效样本。人口统计学特征与研究一相似（见表1）。
2. 亲密度操纵：在阅读生日祝福之前，参与者需要完成一个“名字回忆任务”来强化亲密度感知：
   • 亲密朋友条件：写下“一位你非常亲密的朋友”名字的最后一个字。
   • 远距离朋友条件：写下“一位你认识但情感上并不亲密（例如，点头之交）”名字的最后一个字。 随后的生日祝福中会提及这个名字。亲密度操纵的检验采用经典的“自我中包含他人”（Inclusion of Other in the Self, IOS）七圈量表进行测量。
3. 数据分析方法：与研究一类似，先进行操纵检验，然后使用MANCOVA检验主效应（H1），并使用PROCESS的Model 4和Model 7分别检验中介效应（H2, H3）和有调节的中介效应（H5）。

主要研究结果

两项研究的结果高度一致，且通过严谨的统计分析提供了有力的证据。

1. AI祝福的负面影响得到确认（支持H1）：无论是研究一还是研究二，MANCOVA结果均显示，与人类撰写的祝福相比，已知由AI生成的祝福导致了显著更低的感知努力、感知真诚、对祝福的喜爱度以及友谊满意度（所有p < .001）。具体均值对比显示（见表2），AI条件下的评分在各个维度上都显著低于人类条件。这证实了在情感性社交互动中存在算法厌恶。

2. 感知努力与感知真诚的完全中介作用（支持H2, H3）：中介分析提供了关键的机制解释。在两个研究中，祝福来源（AI vs. 人类）对喜爱度和友谊满意度的总效应均显著为负。然而，当纳入感知努力和感知真诚作为中介变量后，祝福来源对两个结果的直接效应变得不显著。具体的中介路径系数均为显著，且Bootstrap置信区间不包含0。这表明，AI祝福之所以不受欢迎，并非源于技术本身，而是因为接收者通过AI作者身份推断出发送者投入的努力更少，表达的真诚度更低。这两种感知完全解释了（即“完全中介”）AI带来的负面关系后果。

3. 文本个性化的缓冲作用（支持H4）：研究一的有调节的中介分析得出了重要发现。文本个性化显著调节了通过感知努力和感知真诚的间接效应。具体而言：

   • 在低个性化（非个性化） 条件下，AI祝福通过降低感知努力和真诚，进而降低喜爱度和友谊满意度的负面间接效应更强。
   • 在高个性化（个性化） 条件下，同样的负面间接效应显著减弱。 如图2所示，当祝福文本包含个人细节时，人类祝福与AI祝福在感知努力和真诚上的差距缩小了。这意味着，个性化的内容能够恢复因AI作者身份而受损的努力和真诚信号，从而缓冲AI的负面影响。个性化可能通过启发式加工（Heuristic Processing）使接收者感觉信息“更相关”、“更对路”，从而减少对信息来源的批判性分析。

4. 社会亲密度的意外缓冲作用（否定H5，但发现反向模式）：研究二的结果挑战了研究者最初的假设（H5）。研究者原假设亲密朋友对AI祝福的反应会更负面，因为他们对真诚和努力有更高的期望。然而，有调节的中介分析显示：

   • 社会亲密度确实显著调节了中介路径，但调节方向与假设相反。
   • AI祝福对远距离朋友（弱关系）的负面间接效应更强。
   • 对亲密朋友（强关系）的负面间接效应较弱。 如图3所示，在亲密朋友条件下，人类与AI祝福在感知努力和真诚上的差距更小。这说明，亲密关系非但没有放大AI的危害，反而起到了缓冲作用。文章在讨论部分给出了合理解释：高质量友谊具有韧性，包含更多的共情、积极归因偏见（Positive Attributional Bias）和相互包容的义务。接收者可能会为朋友使用AI寻找合理化的理由（如“他太忙了，用AI是为了不忘掉我的生日”），从而覆盖了低努力的信号。

研究结论与价值意义

本研究得出以下核心结论：在社交媒体上，接收者普遍对AI生成的生日祝福持有负面反应，认为其不如人类祝福真诚、费力，因此更喜欢人类祝福，并报告更低的友谊满意度。这一负面效应主要通过降低接收者对发送者“努力”和“真诚”的感知来实现。然而，情境因素至关重要：当祝福内容高度个性化时，AI的缺点可以得到缓解；当祝福来自亲密朋友而非泛泛之交时，AI对关系的损害也更小。

理论价值： 1. 深化对AI厌恶的理解：将算法厌恶的研究从功能型、商业性场景拓展至核心的人际关系维护领域，强调了情感交流中“人力投入”信号的重要性。 2. 发展礼物馈赠与公平理论：将公平理论应用于技术中介的人际互动，明确指出在非物质礼物交换中，“心理努力”（Psychic Effort）是比经济成本更关键的 equity 衡量指标，而AI的使用恰恰削弱了这一信号的传递。 3. 揭示关系韧性的边界条件：发现了亲密关系的“免疫”或“缓冲”功能，修正了“高期望导致更严厉惩罚”的简单推断，凸显了积极归因和关系承诺在应对技术介入时的保护作用。 4. 整合双加工理论：为个性化如何缓冲AI厌恶提供了理论解释（启发式 vs. 系统式加工），丰富了人机交互（Human-AI Interaction）的理论框架。

实践价值： 1. 对普通用户的启示：在使用AI工具辅助社交时，不应直接发送生成结果。应将其作为初稿，积极添加具体的个人回忆、内部笑话或接收者特征，以注入“人力痕迹”。结合一段语音、一个电话或手写便条，能更有效地传达关心。 2. 对平台与开发者的建议：AI社交工具的设计应致力于降低个性化的门槛，例如提供引导用户添加个人记忆的智能提示，或整合便捷的附加人性化元素（如短音频录制、手写输入）的功能，鼓励用户在算法便利的基础上增添“人情味”。

研究亮点与创新

1. 严谨精巧的实验设计：两项研究采用因子设计，分别聚焦两个重要的调节变量（个性化、亲密度），既相互独立又互为补充，通过交叉验证增强了结论的可靠性。
2. 对中介机制的深入挖掘：不仅验证了主效应，更重要的是通过中介分析揭示了“感知努力”和“感知真诚”这一对关键的心理机制，明确了AI影响人际关系的具体路径。
3. 反直觉的重要发现：关于“社会亲密度缓冲AI危害”的发现是本研究最突出的亮点。它突破了常规认知，揭示了亲密关系复杂性及其在数字时代的新韧性，具有重要的理论创新价值。
4. 高度的现实关联性：研究选题紧扣生成式AI融入日常社交的最新趋势，研究结论对于数以亿计使用社交媒体维持关系的用户具有直接的指导意义。
5. 方法论的透明性：研究预先注册了实验，公开了所有材料、数据和代码，遵循了开放科学实践，提升了研究的可信度和可重复性。

其他有价值的讨论

文章在讨论部分也坦诚指出了研究的局限性，为未来研究方向提供了清晰的路线图： 1. 单方视角：研究仅从礼物接收者角度出发，未来需要考察发送者使用AI的动机、心理及其对关系的影响。 2. 文化普适性：样本仅来自中国，结论需要在不同文化背景下进行检验。 3. 操纵的明确性：实验中明确告知了祝福来源，而现实中来源往往模糊。未来研究可采用更隐蔽的操纵方式。 4. 场景单一性：研究只考察了生日祝福这一种关系维持行为，其结论能否推广至祝贺、慰问、道歉等其他情感交流场景，有待进一步验证。 5. 测量与设计：未来研究可采用连续变量测量亲密度，并使用Johnson-Neyman法更精确地定位调节效应的显著区域，或探索其他潜在的中介变量（如对AI的信任）。

这项研究为理解生成式人工智能如何重塑我们的社交世界提供了及时、深刻且富有启发性的实证证据。它告诉我们，技术不会简单地摧毁或维系关系，其影响深度取决于我们如何使用技术，以及技术介入发生在何种关系土壤之中。在AI时代，维持人际纽带的关键，或许在于如何巧妙地融合算法的效率与人性化的温度。