本研究由来自中国电子科技大学的张杨婷、方嘉明、廖密妍、韩琳彤，来自美国俄亥俄北方大学的温超，以及来自加纳Akenten Appiah-Menka技能培训与创业发展应用科学与数学教育学院的Adddo Prince Clement共同完成。该研究成果于2025年发表在Journal of Business Research 期刊第192卷上。
学术背景
本研究属于营销学、人机交互与设计心理学的交叉领域，聚焦于人工智能（AI）大语言模型产品的用户界面设计如何影响消费者行为。近年来，生成式AI和大型语言模型（LLM）产品（如ChatGPT）迅速普及，消费者对这些产品的接受度和付费意愿（Willingness to Pay, WTP）成为企业成功的关键。付费意愿是衡量消费者感知价值、满意度并影响购买决策的核心指标。尽管已有研究探讨了消费者期望（如性能）和感知（如风险）对WTP的影响，但作为用户与AI交互中最直接、最直观的视觉元素之一的字体，其作用在很大程度上被忽视了。
字体不仅是信息载体，也是一种强大的设计工具，能够影响消费者的第一印象，传递专业、友好等不同特质。例如，机器感字体（machine-like typeface）通常与精准、效率、专业相关联，而手写感字体（handwritten-like typeface）则更能传递个性、温暖和友好。同时，用户向AI提出的问题类型也可以分为两类：寻求事实、知识或建议的非对话式问题（non-conversational question），以及旨在引发讨论、寻求社交互动的对话式问题（conversational question）。
本研究正是基于这一背景，旨在填补理论空白。研究者们提出核心问题：字体与问题类型的匹配是否会影响消费者对AI产品的付费意愿？ 其背后的心理机制是什么？例如，当用户提出一个需要精确答案的专业问题时，机器感字体是否会因为增强了AI的“权威感”而提高付费意愿？反之，当用户进行轻松聊天时，手写感字体是否会因为提升了“友好感”而更受欢迎？本研究旨在通过一系列严谨的实验来验证这些匹配效应，并揭示其背后的中介机制和边界条件。
详细研究流程
本研究共包含六个实验，共涉及来自美国、加纳和中国三个不同文化背景国家的3634名参与者，确保了研究发现的普遍性和外部效度。整体研究流程设计精巧，层层递进，从验证主效应到探究中介机制，再到排除替代解释并验证边界条件。
流程一：核心效应的初步验证与跨文化检验（研究1） 研究1是整个研究的基石，旨在初步验证字体与问题类型匹配对WTP的影响（假设H1和H2），并在三个不同文化背景的国家（美国、加纳、中国）中进行检验，以增强结论的普适性。 - 研究对象与样本量：研究1分为三个子研究。研究1a在美国进行，招募了264名大学生，最终有效样本251人。研究1b在加纳进行，招募了479人，有效样本452人。研究1c在中国进行，招募了436人，有效样本428人。所有参与者均被随机分配到不同实验条件中。 - 实验设计：采用2（字体：机器感 vs. 手写感）x 2（问题类型：非对话式 vs. 对话式）的组间设计。研究者精心设计了实验材料：例如，非对话式问题示例为“珠穆朗玛峰有多高？”，对话式问题示例为“你对远程工作的未来有何看法？”。字体则选用了标准的、几何感强的无衬线字体（如Helvetica）代表机器感，以及模仿手写笔迹的不规则字体代表手写感。 - 实验流程：参与者首先阅读一段模拟的AI对话记录（包含问题与AI的回答），对话内容与字体根据实验条件进行组合。随后，参与者需要报告他们对这个AI产品的付费意愿（WTP），测量使用三个7分量表题项，例如“我愿意订阅这个AI产品”。此外，实验还测量了作为控制变量的AI熟悉度和字体偏好，并对问题类型和字体进行了操纵检验。 - 数据分析方法：采用协方差分析，在控制AI熟悉度、字体偏好、文本长度等因素后，检验字体与问题类型对WTP的交互作用，并对简单效应进行分析。 - 预实验：在研究1之前，进行了两项预实验。预实验1旨在筛选和验证有效的实验刺激材料（对话内容和字体），确保参与者能清晰区分两种问题类型和两种字体。预实验2则验证了研究者对AI产品六种主要使用目的（如文本写作、虚拟聊天）的分类是否符合非对话式/对话式的框架，结果支持了分类的有效性。
流程二：排除干扰因素，增强效应稳健性（研究2） 研究2旨在复制研究1的发现，同时排除潜在干扰因素，如实验主题的特殊性、对话内容的可比性以及界面中人类图像的影响。 - 研究对象与样本量：通过Credamo在线平台招募了400名参与者，最终有效样本386人。 - 实验设计：同样采用2x2的组间设计，但使用了与研究1完全不同的对话主题（例如，围绕“城市交通规划”展开），并且在界面中没有使用任何人物图像，以确保效应纯粹由字体和文本内容驱动。 - 实验流程与数据分析：与研究1a类似，参与者观看新主题的AI对话，报告WTP，并进行操纵检验。数据分析方法相同。
流程三：探究中介机制及排除替代解释（研究3） 在确立了核心匹配效应后，研究3转向探究“为什么”会发生这种效应。基于心智感知理论，研究假设感知权威性（perceived authority，对应能力维度）和感知友好性（perceived friendliness，对应温暖维度）是潜在的中介变量，并通过“对AI的欣赏”（appreciation of ai）最终影响WTP。同时，研究3还系统性地排除了一些可能的替代解释。 - 研究对象与样本量：通过Credamo平台招募了464名参与者，最终有效样本451人。 - 实验设计：2（字体）x 2（问题类型）的组间设计，使用与研究1相同的材料。 - 实验流程：除了测量WTP，本研究还测量了四个关键中介变量：感知权威性（例如，“AI的回答是基于事实、逻辑和参数的”）、感知友好性（例如，“AI是温暖的”）、对AI的欣赏（例如，“AI的回答是有趣的、有说服力的”）。此外，为了排除替代解释，还测量了可能影响WTP的其他因素，如字体的易读性、对话的趣味性、以及感知流畅性和独特性。 - 数据分析方法：首先进行ANCOVA验证主效应。然后，使用Hayes的PROCESS宏（Model 7和Model 6）进行有调节的中介效应分析和链式中介效应分析，检验在非对话式问题中，字体是否通过“感知权威性 -> 对AI的欣赏”的路径影响WTP；在对话式问题中，是否通过“感知友好性 -> 对AI的欣赏”的路径影响WTP。同时，检验易读性、趣味性等变量是否具有显著的中介作用。
流程四：通过“过程调节”方法进一步验证中介机制（研究4） 研究4采用了一种称为“过程调节”的严谨方法，通过直接操纵中介变量（感知权威性和友好性），观察核心匹配效应是否因此被削弱或消失，从而为中介机制提供因果证据。 - 研究4a：操纵感知权威性 - 研究对象与样本量：招募452人，有效样本438人。 - 实验设计：2（字体）x 2（问题类型）x 2（权威性：高 vs. 低）的组间设计。低权威性组在AI对话界面中增加了一个提示语：“AI可能会犯错。请核实重要信息。”以降低用户对AI权威性的预期。 - 流程与结果：测量WTP并进行操纵检验。预期结果：只有在高权威性（无提示语）条件下，字体与问题类型的交互效应才会显著；在低权威性（有提示语）条件下，该交互效应应消失或减弱。 - 研究4b：操纵感知友好性 - 研究对象与样本量：招募436人，有效样本418人。 - 实验设计：2（字体）x 2（问题类型）x 2（友好性：高 vs. 低）的组间设计。低友好性组的提示语为：“我无法提供情感交流；请尽我所能提问问题。” - 流程与结果：测量WTP并进行操纵检验。预期结果：只有在高友好性条件下，字体与问题类型的交互效应（尤其是对话式问题中手写体更优）才会显著；在低友好性条件下，该效应应消失。
流程五：排除“AI偏见”这一替代解释（研究5） 有研究表明，消费者可能对AI生成的内容存在偏见，尤其是在涉及创造性的领域。研究5旨在检验：使用手写感字体会否让用户觉得AI更拟人化，从而可能触发对“AI冒充人类”的负面反应，进而影响实验结果。 - 预实验：验证手写感字体（相较于机器感字体）确实能显著提升用户对AI的拟人化感知。 - 主实验研究对象与样本量：招募200人，针对非对话式和对话式问题分别进行实验，有效样本分别为98人和96人。 - 实验设计：所有材料均使用手写感字体。关键操纵是告知参与者对话回答的来源：“此回答由人类生成” vs. “此回答由AI生成”。 - 流程与结果：参与者阅读对话后，分别评估感知权威性（非对话式问题组）或感知友好性（对话式问题组）。通过比较两组评价的差异，检验“AI来源”标签是否会导致负面评价。若无显著差异，则说明在本研究的信息交流语境下，不存在针对AI生成内容的系统性贬低偏见。
流程六：探索边界条件——消费者AI知识水平的调节作用（研究6） 研究6探讨了核心匹配效应的适用范围，假设对AI技术了解较少的消费者更容易受到字体设计线索的影响。 - 研究对象与样本量：通过Credamo平台招募400人，最终有效样本398人。 - 实验设计：2（字体）x 2（问题类型）的组间设计。 - 实验流程：在测量WTP和控制变量之外，新增了对消费者AI知识的测量（例如，“我对AI了解很多”）。 - 数据分析方法：使用PROCESS宏（Model 3）进行有调节的调节效应分析，检验AI知识水平是否调节了字体与问题类型的交互效应。进一步使用“探照灯分析”来识别在AI知识水平的哪些取值区间内，字体对WTP的影响是显著的。
主要研究结果
核心匹配效应得到一致证实（支持H1和H2）：在所有六个实验（研究1a, 1b, 1c, 2）中，结果模式高度一致。协方差分析均显示，字体与问题类型对WTP存在显著的交互作用，而两者的主效应不显著。具体而言：
中介机制得到验证（支持H3和H4）：研究3的链式中介分析结果清晰地揭示了内在心理路径：
“过程调节”提供因果证据：研究4的结果为中介机制提供了强有力的支持。
“AI偏见”在信息交流语境中影响有限：研究5的结果表明，尽管手写感字体会增强AI的拟人化感知，但在本研究所用的问答和聊天语境下，当明确告知内容由AI生成时，用户对其权威性或友好性的评价并未系统性低于“人类生成”标签下的评价。这说明核心效应并非由消费者对拟人化AI的负面偏见所驱动，而是在于字体与用户期望的匹配。
消费者AI知识构成重要的边界条件：研究6发现，核心匹配效应受到消费者AI知识水平的调节。调节的调节效应显著，进一步的探照灯分析显示：
研究结论与意义
本研究得出明确结论：在AI产品交互中，字体与问题类型的视觉-功能匹配能有效提升消费者的付费意愿。其内在逻辑是：匹配的设计（非对话式问题用机器体，对话式问题用手写体）通过满足用户在不同情境下的心理期望（权威性或友好性），提升了对AI的欣赏，最终转化为更高的支付意愿。这一效应对于AI知识水平较低的消费者尤为明显。
理论价值： 1. 拓展了AI产品研究视角：首次系统地将视觉设计元素（字体）与用户任务类型（问题类型）的匹配效应引入AI产品付费意愿的研究中，弥补了该领域的空白。 2. 深化了对WTP驱动因素的理解：在已有研究关注交互功能的基础上，强调了静态视觉设计的关键作用，并引入了“一致性理论”来解释这种匹配效应如何通过满足用户期望来创造价值。 3. 丰富了心智感知理论的应用：将心智感知的两个基本维度（能力与温暖）具体化为“权威性”和“友好性”，并实证了它们在特定设计线索（字体）和任务语境（问题类型）下的差异化中介作用，提供了更精细的理论框架。
应用价值： 为AI产品（尤其是基于LLM的聊天助手、文本工具等）的设计师和营销者提供了直接、可操作的指导： 1. 动态界面设计：AI产品可以根据用户输入问题的类型（可通过自然语言处理技术初步判断），自动切换或推荐匹配的字体风格，以优化用户体验和转化率。 2. 市场细分与定位：针对AI新手或大众市场，精心设计的字体匹配策略能更有效地提升产品吸引力和付费意愿。对于专业用户或科技爱好者，则需要强调其他价值主张。 3. 成本效益优化：相较于开发复杂的交互功能，调整字体是一种低成本、高杠杆的设计干预手段，能显著影响用户感知和行为。
研究亮点