主要作者与研究机构
本研究论文题为《重新思考旅游中的人工智能厌恶：因果效应与情境边界的元分析》（rethinking ai aversion in tourism: a meta-analysis of causal effects and contextual boundaries），作者包括陈明鹏（chenming peng，对外经济贸易大学商学院）、孙九月（jiuyue sun，南京航空航天大学经济与管理学院）、冯超（chao feng，南京航空航天大学经济与管理学院，通讯作者）、陈增祥（zengxiang chen，中山大学国际商学院）以及李翔（xiang (robert) li，香港中文大学酒店与旅游管理学院）。该论文发表于《旅游管理》（tourism management）期刊2026年第117卷，文章编号为105475，于2026年6月16日在线发布。
研究背景与目的
人工智能（artificial intelligence，AI）在旅游行业中已变得无处不在，约有40%的游客曾使用人工智能工具规划旅行，超过一半的旅游公司在预订流程中采用生成式人工智能支持消费者。然而，旅游作为一个“高接触”（high-touch）领域，服务体验本身构成产品的一部分，游客在陌生环境中面临不确定性，重视个性化帮助和情感劳动。关于游客对人工智能服务代理的反应，现有研究结论高度不一致：部分研究记录了“人工智能厌恶”（ai aversion，即相对于人工智能服务代理更偏好人类员工），而另一些证据则表明游客对人工智能的响应与人类相当甚至更优。研究设计的差异——如人工智能概念化方式不同（类人与非类人）、服务场景各异（旅行规划、住宿、餐饮）、任务风险感知不同以及样本异质性——可能是导致这些矛盾发现的原因。为整合这些碎片化证据，本研究基于社会认知理论中的温暖—能力框架（warmth–competence framework），提出了一个包含人工智能设计属性、服务场景、任务特征和游客人口统计特征的四维权变框架，并采用元分析方法加以检验。研究旨在建立游客对人工智能与人类服务提供者反应的因果基准，识别人工智能厌恶的边界条件，从而将学术叙事从绝对厌恶转向条件性接受。
研究设计与工作流程
本研究采用严格的元分析程序，具体包含以下步骤：
第一，系统文献检索与筛选。研究者于2025年1月完成了多路径检索：首先在EBSCO Business Source Premier、ProQuest ABI/INFORM Collection和Web of Science三个电子数据库中，使用人工智能相关关键词（如“artificial intelligence”“robot*”“chatbot*”“ChatGPT”“LLM”等）结合对比词“human”以及实验方法学过滤器进行检索；其次对旅游与酒店管理、服务与商业、市场营销领域的代表性期刊进行定向检索，仅使用人工智能关键词以扩大覆盖面；最后检索灰色文献（学位论文、预印本和会议论文）以缓解发表偏倚。研究限定发表时间在2019年之后以捕捉当代人工智能形态。经过去重和两阶段筛选（标题摘要筛选与全文评估），从1510篇初始文献中最终纳入46篇实验研究，涵盖126个独立样本和286个效应量（effect size），总样本量达27,612人。纳入标准要求每项研究必须对比人类与人工智能代理、采用实验方法、涉及旅游情境并聚焦于游客的情感、服务绩效、态度或意图。
第二，效应量编码与调节变量提取。研究采用Cohen’s d作为效应量指标，量化人工智能与人类服务条件下结果变量的标准化均值差异；正d值表示游客对人工智能的反应优于人类，负值则表示人工智能厌恶。在编码方案中，研究构建了四类调节变量：（1）人工智能因素，包括类人外观（低、中、高三个水平）和物理具身性（embodiment，即人工智能是否具有物理形态如服务机器人，抑或仅通过数字界面运作）；（2）服务场景因素，包括服务情境（旅行、酒店、餐厅三类）、国内与国外场景、奢华与非奢华服务、高尴尬与低尴尬情境；（3）任务特征因素，包括任务主观性（主观任务如行程推荐与客观任务如送餐）和任务后果性（高后果性任务如不可退款预订与低后果性任务如常规问询）；（4）人口统计因素，包括样本平均年龄、女性比例以及文化背景（东方与西方）。此外，研究还控制了响应领域（情感、功能、评估、意图四个类别）、是否处于新冠疫情期间、测量信度、发表年份、期刊质量和期刊领域等六个方法学与发表相关变量。对于相对主观的调节变量（任务主观性和任务后果性），由两名独立编码员进行编码并通过共识过程解决分歧。缺失值（年龄缺失51.7%，性别缺失12.5%）采用样本均值插补，并通过样本中位数插补和年龄区间加权均值恢复两种方法进行稳健性检验。
第三，统计建模与分析。研究采用分层线性模型（hierarchical linear modeling，HLM）进行元分析，以处理同一研究内多个效应量之间的统计依赖性。似然比检验证实包含样本层随机效应的模型拟合显著更优，组内相关系数为0.626，表明62.6%的方差归因于样本层聚类，验证了使用HLM的必要性。调节效应分析通过元回归（meta-regression）实现，所有方差膨胀因子均低于5，表明多重共线性不构成问题。为便于解释，研究通过切换哑变量在0与1之间生成Cohen’s d的预测值，连续变量则在均值±1.5个标准差处生成预测（性别例外，在0与100处分别对应全男性与全女性样本）。发表偏倚通过失效安全数（fail-safe number）和轮廓增强漏斗图两种方法进行评估，均未显示有意义的偏倚。此外，研究还进行了调节变量组合分析，在组内和跨组层面分别计算最优与最差组合下的预测效应量，以揭示多因素的协同作用。
主要研究结果
总体效应方面，元分析发现游客对人工智能服务提供者存在显著但小规模的整体偏好于人类（Cohen’s d = −0.128，p = 0.006，95%置信区间[−0.219, −0.036]），支持假设H1。然而，分领域的分析揭示了一个关键现象——“意图瓶颈”（intention bottleneck）：仅在行为意图领域存在显著的人类优势（d = −0.177，p < 0.001），而情感反应（d = −0.174，p = 0.148）、功能判断（d = −0.102，p = 0.169）和总体评估（d = −0.077，p = 0.205）均未达到统计显著性。这意味着游客并不认为人工智能在情绪体验、任务绩效或一般态度上显著劣于人类，但当这些中性的评价需要转化为实际选择行为时，对人工智能的回避才显著显现。
人工智能设计因素方面，类人外观的影响呈现非线性特征。从低到中等类人外观的转变未产生显著差异（β = 0.071，p = 0.420；预测d值从−0.124变为−0.053），因此H2a未获支持。但高类人外观显著降低接受度（β = −0.436，p = 0.075），预测效应从低类人外观下的−0.124降至−0.561，支持H2b，与“恐怖谷效应”（uncanny valley effect）一致。物理具身性同样显著加剧厌恶（β = −0.272，p = 0.075），预测效应从非具身的0.056转为具身的−0.215，支持H3。
服务场景因素方面，酒店情境相对于旅行情境显著提高接受度（β = 0.330，p = 0.034；预测d值：旅行−0.365 vs. 酒店−0.035），支持H4a；但餐厅情境无显著差异（β = 0.216，p = 0.145），H4b未获支持。国内服务显著强化厌恶（β = −0.683，p < 0.001；国外0.340 vs. 国内−0.343），支持H5。奢华服务产生最强的负面调节效应（β = −0.916，p < 0.001；非奢华−0.091 vs. 奢华−1.006），支持H6。高尴尬情境则显著逆转了厌恶方向（β = 0.608，p < 0.001；非尴尬−0.177 vs. 尴尬0.431），支持H7。
任务特征因素方面，任务主观性未显示显著调节作用（β = −0.070，p = 0.573），H8未获支持。任务后果性则显示出边际显著的负面效应（β = −0.176，p = 0.078；低后果性−0.104 vs. 高后果性−0.280），支持H9，表明任务风险越高，人工智能厌恶越强。
人口统计因素方面，年龄显著负向调节（β = −0.033，p = 0.010；年轻0.018 vs. 年长−0.308），支持H10。女性比例负向调节达边际显著（β = −0.008，p = 0.083；男性0.292 vs. 女性−0.508），支持H11。文化背景则产生强烈影响（β = −0.427，p < 0.001；东方0.004 vs. 西方−0.423），支持H12。
控制因素方面，新冠疫情期间的研究显示更高的人工智能接受度（β = 0.446，p = 0.001；非疫情期间−0.195 vs. 疫情期间0.251），可能与无接触服务和健康安全感知有关。期刊质量越高，预测的人工智能厌恶越弱（β = 0.252，p = 0.013）。
调节变量组合分析显示，最不利组合（高类人外观的具身人工智能、国内奢华旅行场景、高后果性主观任务、年长女性西方游客）可产生极强的厌恶效应（预测d = −2.927），而最有利组合（中等类人外观的非具身人工智能、国外非奢华酒店场景、低后果性客观任务、年轻男性东方游客）则产生强烈的偏好效应（预测d = 2.187），两者差距达5.114个Cohen’s d单位，表明人工智能厌恶是多种因素协同决定的嵌入式现象。
研究结论与价值
本研究的核心结论是：旅游领域的人工智能厌恶并非普遍固有，而是高度条件化的。总体上，游客对人工智能存在轻微但显著的偏好劣势，但这一效应集中在行为意图阶段，呈现“意图瓶颈”特征。人工智能厌恶在高度类人或具身化设计、奢华服务、国内旅游、高风险任务以及年长、女性和西方游客群体中显著加剧；在标准化酒店场景和高尴尬情境中则减弱甚至逆转为人工智能偏好。这一发现将学术讨论从“绝对厌恶”转向“条件接受”，具有重要的理论价值和实践意义。
理论上，本研究是首个综合人工智能与人类服务提供者实验对比的元分析，建立了因果基准，拓展了温暖—能力框架在人工智能驱动旅游服务中的应用，并通过调节变量组合分析揭示了多因素的协同作用机制。研究还通过跨学科对比，阐明了旅游领域人工智能厌恶相对于医疗、教育、创意等领域的独特性——其高接触、体验性和关系性特征使人工智能厌恶更易受奢华地位、文化亲近性和社会尴尬等情境因素影响。
实践上，本研究提供了明确的部署指导：管理者应避免过度拟人化投资，在标准化和尴尬情境中优先部署人工智能，在高接触场景中保留人类主导；应采用行为指标而非仅满意度评分来衡量人工智能效果；还应针对不同细分市场定制人工智能策略，对年轻、男性、东方游客群体优先推广人工智能渠道，对年长、女性、西方游客群体保持充分的人类服务选项。
研究亮点
本文的主要亮点包括：第一，首次通过实验对比的元分析建立了旅游人工智能厌恶的因果基准，揭示了“意图瓶颈”这一独特现象；第二，系统识别了人工智能设计、服务场景、任务特征和人口统计特征四个维度的边界条件，并发现高尴尬情境下人工智能厌恶逆转的悖论效应；第三，采用调节变量组合分析方法，量化了多因素协同配置对人工智能接受度的巨大影响，为预测和诊断提供了整合框架；第四，研究结果将人工智能相关叙事从绝对厌恶推向条件接受，为旅游企业的人工智能部署提供了精细化、情境化的战略指导。