一篇关于个性化AI智能体接受度的实证研究报告

作者与发表信息

本文作者为Keiko Toya、Koiti Hasida和Kie Sanada。Keiko Toya来自明治大学全球商务研究科，Koiti Hasida来自理化学研究所高级智能项目中心，Kie Sanada来自立命馆亚洲太平洋大学。该研究发表于 Computers in Human Behavior: Artificial Humans 期刊2026年第8卷，文章编号100299，于2026年1月4日投稿，2026年3月22日收到修改稿，2026年3月25日接受，2026年4月4日在线发表。

研究背景

本研究属于人机交互（Human–AI Interaction）与人工智能接受度研究领域。随着人工智能技术深度依赖个人数据并日益融入日常消费场景，传统的技术接受模型（Technology Acceptance Model, TAM）和整合型技术接受与使用理论（Unified Theory of Acceptance and Use of Technology, UTAUT）在解释用户接受行为时暴露出明显不足。这些经典框架侧重于感知有用性（Perceived Usefulness, PU）、感知易用性（Perceived Ease of Use, PEOU）和信任（Trust）等认知评价，但数据密集型且不透明的AI系统引发的心理挑战并未被充分捕捉。用户在缺乏足够信息形成稳定信任判断的情况下，仍需在不确定性条件下做出接受决策。

本研究的核心理论创新在于引入山岸俊男（Yamagishi, 1998, 1999）关于信任（Trust）与保障（Assurance）的理论区分。信任指向对他人善意的前瞻性认知期待，而保障则指通过外部约束、制度安排或结构性保护降低感知风险的状态。作者据此提出“感知保障”（Perceived Assurance）这一核心概念，指用户感知到结构性或制度性条件使得AI提供商的有害行为难以发生的程度，并重新将个性化AI接受概念化为一种“情感–认知调节过程”（Affective–Cognitive Regulation Process）。研究同时纳入了类别信任（Category Trust）、拟人化（Anthropomorphism）和自主性丧失感知（Perceived Loss of Autonomy）等变量，旨在揭示这些认知、情感与经验因素如何共同塑造接受意图。

研究方法与流程

研究采用基于情景的实验设计（Scenario-based Experimental Design）结合问卷调查的方法，具体包含以下流程。

首先，研究者开发了一段时长5分21秒的视频刺激材料，用于向参与者介绍一个假设性的个人AI智能体（Personal AI Agent, PAI）的概念与功能。视频包含六个部分：PAI概念概述、具体用例（如保险协商、手机套餐解约、饮食支持）、个人数据管理说明、潜在风险提示、PAI选择与数据转移的便利性、总结。视频中PAI以人形机器人动画呈现，以增强拟人化感知。在正式实验前，研究者进行了包含6名无PAI知识背景参与者的预实验操控检查，根据反馈优化了视频的叙述节奏、语音语调和拟人化场景，使参与者对PAI的拟人化感知达到预期水平（5点量表均值为3.3）。

其次，研究通过Rakuten Insight公司在日本进行两阶段在线调查。筛选调查于2025年1月14日至17日进行，共收集25,094份回答，排除无法报告对话式AI使用经验者、年龄在20岁以下或80岁以上者、无法报告私人智能手机使用时间者以及对AI完全不感兴趣者后，剩余21,103名合格参与者。主调查于2025年1月27日至30日进行，按照对话式AI使用经验（无经验、尝试过一次、很少使用、偶尔使用、频繁使用）进行分层抽样，每组目标约250人，共获得1,395份回答。参与者在回答问卷前必须观看PAI介绍视频并通过三项理解测试，全部答错者被排除。此外，对于44个李克特量表项目中超过90%选择同一量表点的直行作答（Straight Lining）受访者予以剔除，最终有效样本为1,247人。

测量工具包括用5点李克特量表测量的39个解释变量和用7点李克特量表测量的4个结果变量（对PAI的态度3项、使用意图1项）。感知保障通过四个维度操作化：个人数据保护（PD Protection）、切换PAI的便利性（Ease of Switching）、公开的客观PAI评价（Public Disclosure of Objective PAI Evaluation）以及对PAI提供商的保障感知（Assurance towards PAI Provider），共13个题项。类别信任分用户利益、能力和诚信三个子维度共8个题项。此外还测量了感知有用性、感知易用性、拟人化、享乐动机、社会影响、主观规范和自主性丧失担忧等构念。为减少共同方法偏差，研究采取了题项随机化、刺激呈现与测量分离、匿名作答等措施。

数据分析采用结构方程模型（Structural Equation Modeling, SEM）。首先进行验证性因子分析（Confirmatory Factor Analysis, CFA），所有构念的平均方差提取值（Average Variance Extracted, AVE）均高于0.50，异质–单质比率（Heterotrait–Monotrait Ratio, HTMT）均低于0.85的保守阈值，表明收敛效度和区分效度良好。Harman单因子检验显示不存在严重的共同方法偏差。结构模型拟合指标中，CFI（Comparative Fit Index）=0.915、RMSEA（Root Mean Square Error of Approximation）=0.058、SRMR（Standardized Root Mean Square Residual）=0.061均达到可接受水平，尽管AGFI（Adjusted Goodness of Fit Index）=0.780略低于0.80的常规阈值，但综合多个指标认为模型拟合足够稳健。此外，针对对话式AI使用经验对自主性丧失担忧的影响，采用独立样本t检验进行组间比较。

主要研究结果

结构方程模型分析揭示了多个层次的研究发现。在直接影响路径方面，态度对使用意图的路径系数为0.77（p<0.001），感知有用性对态度的影响最强（β=0.75, p<0.001），类别信任（β=0.34, p<0.001）和感知保障（β=0.20, p<0.001）均通过态度正向影响接受意图。这一结果表明，感知保障作为一种结构性风险缓解机制，与传统工具性评价和类别层面的信念共同作用，而非单一因素主导接受判断。

在影响感知有用性的前因变量中，享乐动机的效应最强（β=0.58, p<0.001），社会影响（β=0.12, p<0.001）和主观规范（β=0.09, p<0.01）也呈显著正向影响。然而，感知易用性（β=0.01, n.s.）和拟人化（β=0.03, n.s.）对感知有用性没有显著影响，这与传统技术接受模型的预期形成鲜明对比，说明在数据密集且高度自动化的AI情境下，操作便利性和类人外观的重要性下降。

对话式AI使用经验的增加对使用意图有显著正向影响（β=0.10, p<0.001）。t检验结果显示，高经验组（偶尔/频繁使用）的自主性丧失担忧均值为2.86，显著高于低经验组（尝试过/很少使用）的2.68（t=2.858, p=0.004, Cohen’s d=0.181）。然而，自主性丧失担忧通过态度对接受意图产生了微弱的正向影响（β=0.07, p<0.001），表明依赖AI被部分参与者解读为有益的认知卸载（Cognitive Offloading）而非能动性的丧失。

研究结论与价值

本研究得出以下核心结论：第一，感知保障在高不确定性情境中作为接受的关键调节机制，依托外部制度性保障为用户提供心理安全感，这与基于前瞻性期待的信任有本质区别。第二，随着AI从“工具”向“被委托的能动者”转变，感知易用性和简单拟人化的传统驱动因素显著性下降，结构性保障和感知有用性变得至关重要。第三，自主性担忧与使用意图之间的正相关关系表明，担忧并非单纯的障碍，而可能反映高认知用户经过深思熟虑后的“审慎接受”过程。

本研究的科学价值在于将山岸俊男的社会心理学信任理论引入技术接受研究，构建了情感–认知调节视角下的人格化AI接受模型，为理解人类如何应对不透明、数据驱动技术的心理机制提供了理论整合框架。应用价值方面，研究提示提升个性化AI的接受度不能仅靠改善功能性能，更需要建立稳健的制度环境来提供基本的安全感，这对AI系统的设计、治理和监管策略具有重要参考意义。此外，研究揭示的拟人化设计策略的边界条件，即仅靠类人外观无法促进数据密集型AI的接受，而体验性愉悦才是更有效的路径，为交互设计提供了实践启示。

研究亮点

本研究的创新性体现在四个方面：一是理论概念的原创性，通过区分信任与感知保障，为技术接受研究引入了新的心理机制；二是研究对象的特殊性，聚焦于尚未商业化的个人AI智能体，填补了对高度个人化、数据密集型AI系统接受行为研究的空白；三是方法学上的精心设计，通过视频刺激与分层抽样的结合，在模拟首次接触场景中有效诱发了情感反应和认知判断；四是发现了若干与传统预期相悖的经验规律，如感知易用性和拟人化的非显著性、自主性担忧的正向效应等，为后续研究提出了值得深入探讨的非线性关系假设。

研究同时诚实报告了局限：情景式单次测量限制了因果推断能力；仅测量接受意图而非实际使用行为；拟人化只操作化为一般感知层面；自主性担忧的测量未区分原则性价值与日常经验；文化制度背景可能影响结论的普适性。这些局限为未来采用纵向设计、行为测量、跨文化比较以及非线性模型的研究指明了方向。