人工智能信任度及其在AI技术接受中的作用：基于扩展技术接受模型（TAM）的实证研究
作者及发表信息
本研究由美国密歇根州立大学的Hyesun Choung（传播艺术与科学学院）、Prabu David（媒体与信息学系）和Arun Ross（计算机科学与工程系）合作完成，发表于2023年的*International Journal of Human–Computer Interaction*（卷39，期9，页码1727–1739），DOI: 10.1080⁄10447318.2022.2050543。
学术背景
随着人工智能（AI）技术在智能家居、健康监测、自动驾驶等领域的普及，用户对AI的信任成为技术接受的关键因素。然而，现有研究对AI信任的维度划分及其与技术接受模型（Technology Acceptance Model, TAM）的整合缺乏系统性探讨。本研究基于TAM框架，提出“AI信任”的多维构念，旨在揭示信任对AI技术使用意愿的影响路径，并区分“拟人化信任”（human-like trust）与“功能信任”（functionality trust）的差异化作用。研究目标包括：
1. 验证信任在TAM中的中介作用；
2. 开发AI信任的维度测量工具；
3. 比较两类信任对技术接受的影响差异。
理论背景融合了组织信任（Mayer et al., 1995）、技术信任（McKnight et al., 2011）和自动化信任（Lee & See, 2004）的经典维度，提出AI信任需同时涵盖伦理属性（如公平性、透明度）与技术能力（如可靠性、安全性）。
研究流程与方法
研究分为两个阶段，采用混合方法设计：
研究1：AI语音助手的信任与接受（学生样本）
- 研究对象：312名美国大学生（56%女性，平均年龄21岁），96%有语音助手使用经验。
- 测量工具：
- TAM核心变量：感知易用性（perceived ease of use）、感知有用性（perceived usefulness）、使用态度（attitude）和行为意向（behavioral intention），采用5级李克特量表（α=0.81–0.98）。
- 信任：4项自定义题项（如“我相信AI语音助手会保护我的隐私”，α=0.81）。
- 数据分析：路径分析（lavaan包）验证信任通过感知有用性和态度间接影响使用意向的假设模型。
研究2：智能技术的多维信任验证（全美代表性样本）
- 研究对象：640名美国成年人（50.1%女性，平均年龄46.4岁），覆盖不同种族与年龄段。
- 信任维度开发：
- 通过探索性因子分析（EFA）将11项信任题项分为两类：
- 拟人化信任（6项，α=0.92）：涵盖善意（benevolence，如“智能技术关心用户福祉”）与诚信（integrity，如“智能技术遵守承诺”）。
- 功能信任（5项，α=0.91）：聚焦能力（competence，如“智能技术可靠且功能完备”）。
- 模型验证：分别将两类信任纳入TAM路径模型，比较其效应差异。
主要结果
1. 研究1：
- 信任通过感知有用性（β=0.39, p<0.001）和态度（β=0.23, p<0.001）间接影响使用意向，总效应β=0.32（p<0.001）。
- 感知易用性对使用意向的总效应最大（β=0.63），表明用户更关注AI技术的操作简便性。
结论与价值
1. 理论贡献：
- 首次将AI信任明确划分为拟人化与功能维度，为后续研究提供测量工具（附录含完整量表）。
- 扩展TAM在AI领域的适用性，证明信任是连接技术属性（易用性）与心理接受（态度）的关键中介。
研究亮点
1. 方法创新：结合学生样本的初步验证与全美样本的维度细化，增强结论普适性。
2. 跨学科整合：融合心理学（信任理论）、人机交互（TAM）与AI伦理（FATE框架）的多领域视角。
3. 动态视角：指出AI信任可能随技术演进（如生成式AI的涌现）需进一步分层研究（如初始信任vs.持续信任）。
局限与展望
- 样本局限于美国，未来需跨文化验证；
- 未区分高风险（如医疗AI）与低风险场景（如语音助手）的信任差异，建议后续研究结合具体应用领域细化模型。
（注：原文附录包含完整量表题项及EFA载荷矩阵，此处从略。）