用戶知識(shí)問(wèn)答轉(zhuǎn)移行為研究：從問(wèn)答社區(qū)到生成式AI

周 濤 吳曉穎 鄧勝利

(1. 杭州電子科技大學(xué)管理學(xué)院 杭州 310018;2.武漢大學(xué)信息管理學(xué)院 武漢 430072)

0 引 言

隨著知識(shí)信息的日益豐富和生活節(jié)奏的加快,用戶傾向于根據(jù)自身需求主動(dòng)搜尋知識(shí)內(nèi)容以解決不同場(chǎng)景下的問(wèn)題。傳統(tǒng)的知識(shí)問(wèn)答社區(qū)為用戶提供了知識(shí)分享和交流的平臺(tái),結(jié)合用戶生成內(nèi)容(UGC)和專業(yè)生成內(nèi)容(PGC)模式,平臺(tái)用戶群體主要由普通用戶和具備一定影響力的專家組成。普通用戶創(chuàng)作內(nèi)容門檻低,但存在創(chuàng)作動(dòng)力不足以及制造大量知識(shí)噪音的現(xiàn)象;而專家用戶生成內(nèi)容質(zhì)量高,但創(chuàng)作周期長(zhǎng)且部分需要知識(shí)付費(fèi),相對(duì)普通用戶而言互動(dòng)性較低。在此背景下,生成式AI技術(shù)拓寬了內(nèi)容生成的途徑,以ChatGPT為代表的生成式AI應(yīng)用能實(shí)現(xiàn)文本或代碼的生成并與用戶進(jìn)行實(shí)時(shí)問(wèn)答,已被運(yùn)用于教育、醫(yī)療、電子商務(wù)等諸多領(lǐng)域。因此在知識(shí)問(wèn)答領(lǐng)域,人工智能生成內(nèi)容(AI-generated content,AIGC)在讓用戶知識(shí)內(nèi)容獲取方式更加多元化的同時(shí),也必然會(huì)對(duì)傳統(tǒng)的知識(shí)問(wèn)答社區(qū)產(chǎn)生沖擊。知識(shí)問(wèn)答轉(zhuǎn)移行為反映了用戶減少或放棄使用傳統(tǒng)問(wèn)答社區(qū),轉(zhuǎn)而使用生成式AI來(lái)進(jìn)行知識(shí)問(wèn)答,這將導(dǎo)致傳統(tǒng)問(wèn)答社區(qū)用戶流失。因此,有必要研究用戶從傳統(tǒng)知識(shí)問(wèn)答社區(qū)向生成式AI問(wèn)答平臺(tái)的轉(zhuǎn)移行為,發(fā)現(xiàn)導(dǎo)致用戶轉(zhuǎn)移的顯著因素,從而采取有效措施實(shí)施用戶保持和促進(jìn)平臺(tái)的持續(xù)快速發(fā)展。

目前已有研究探討了生成式AI對(duì)學(xué)校教育[1]、學(xué)術(shù)生態(tài)[2]、情報(bào)工作[3]等的影響及ChatGPT用戶使用意愿[4],尚未有研究考察生成式AI在知識(shí)問(wèn)答場(chǎng)景下的作用及其對(duì)用戶轉(zhuǎn)移行為的影響。一方面,相對(duì)于傳統(tǒng)的知識(shí)問(wèn)答社區(qū),生成式AI具有顯著優(yōu)勢(shì),如能夠提供實(shí)時(shí)、較準(zhǔn)確、免費(fèi)的回答,用戶的交互體驗(yàn)更優(yōu),這可能使得用戶產(chǎn)生較強(qiáng)的轉(zhuǎn)移意愿。另外一方面,用戶對(duì)傳統(tǒng)問(wèn)答社區(qū)的負(fù)面認(rèn)知如內(nèi)容質(zhì)量參差不齊、信息過(guò)載和消極情感如倦怠也可能影響用戶的轉(zhuǎn)移意向。此外,環(huán)境因素如社會(huì)影響也可能促使用戶的轉(zhuǎn)移。因此,本文將基于推-拉-錨(push-pull-mooring,PPM)模型,整合用戶認(rèn)知和情感體驗(yàn)因素,考察生成式AI對(duì)用戶知識(shí)問(wèn)答轉(zhuǎn)移行為的影響,采用結(jié)構(gòu)方程模型(SEM)與模糊集定性比較分析(fsQCA)的混合方法考察轉(zhuǎn)移行為各前因的作用路徑。研究結(jié)果將有助于理解用戶知識(shí)問(wèn)答轉(zhuǎn)移行為機(jī)理。

1 文獻(xiàn)綜述

社會(huì)學(xué)認(rèn)為轉(zhuǎn)移行為反映了人類在物理空間上的遷移。該理論延伸到信息系統(tǒng)領(lǐng)域可理解為網(wǎng)絡(luò)空間內(nèi)的轉(zhuǎn)移,比如用戶在社交網(wǎng)絡(luò)的轉(zhuǎn)移,這種轉(zhuǎn)移通常是緩慢的、循序漸進(jìn)的,即用戶在開(kāi)始轉(zhuǎn)向新的媒體時(shí),并不會(huì)完全脫離原本使用的媒體,而是逐漸減少使用。已有研究將信息系統(tǒng)領(lǐng)域的用戶轉(zhuǎn)移行為定義為用戶減少對(duì)原有系統(tǒng)的使用, 而增加對(duì)新系統(tǒng)的使用。因此,生成式AI產(chǎn)品的出現(xiàn),在一定程度上對(duì)知識(shí)問(wèn)答社區(qū)產(chǎn)生了可替代性,當(dāng)有知識(shí)需求時(shí),用戶可以在向人或AI提問(wèn)之間選擇,該意向也將受到平臺(tái)內(nèi)容特征、用戶知識(shí)獲取需求及社會(huì)影響等因素的多重作用,在經(jīng)歷一段時(shí)間后,可能改變平臺(tái)間使用頻率占比,從而發(fā)生轉(zhuǎn)移行為。

用戶轉(zhuǎn)移行為包括三類:①不同媒介下的用戶轉(zhuǎn)移,即用戶將線下需求遷移到線上的過(guò)程,如曹玉枝等考察了影響用戶從傳統(tǒng)銀行到網(wǎng)銀轉(zhuǎn)移意愿的因素[5],徐孝娟等分析了影響用戶從傳統(tǒng)紙媒轉(zhuǎn)移到數(shù)字閱讀的價(jià)值導(dǎo)向[6]。②相同媒介下的用戶轉(zhuǎn)移,即用戶在提供相似服務(wù)的平臺(tái)間的轉(zhuǎn)移,如王晰巍等研究了社交媒體用戶轉(zhuǎn)移行為[7],夏立新等考察了用戶在移動(dòng)音樂(lè)平臺(tái)間的轉(zhuǎn)移[8]。③相同媒介不同質(zhì)的轉(zhuǎn)移。如Hsieh等研究了用戶從博客向微博這類互動(dòng)性更強(qiáng)的社交媒體平臺(tái)轉(zhuǎn)移的影響因素[9],趙宇翔等探索了回答者從免費(fèi)到付費(fèi)知識(shí)問(wèn)答平臺(tái)的轉(zhuǎn)移行為[10]。本文聚焦于用戶從傳統(tǒng)知識(shí)問(wèn)答社區(qū)轉(zhuǎn)移到生成式AI問(wèn)答平臺(tái)的過(guò)程,研究相同媒介不同質(zhì)類型下的用戶轉(zhuǎn)移。

作為研究轉(zhuǎn)移行為的主要理論基礎(chǔ),PPM認(rèn)為人們的遷移行為受推力、拉力和錨定三類因素作用。該模型最早出現(xiàn)在人口學(xué)中,是研究人口遷移的主導(dǎo)范式,后被廣泛運(yùn)用于信息系統(tǒng)領(lǐng)域用戶轉(zhuǎn)移行為的研究。在三類因素中,推力因素是將用戶推離原平臺(tái)的因素,如對(duì)原平臺(tái)的不滿意。代寶與鄧艾雯考察了社交媒體用戶轉(zhuǎn)移意愿[11],認(rèn)為推力因素包括社交媒體相關(guān)因素(信息質(zhì)量、社區(qū)支持和相對(duì)匱乏性等)和用戶自身因素(倦怠、后悔和隱私顧慮等)。拉力因素是將用戶拉向新平臺(tái)的因素,如新平臺(tái)對(duì)用戶具備吸引力。楊石山研究了社交網(wǎng)站的用戶轉(zhuǎn)移意向,將替代者吸引力作為其中的一項(xiàng)拉力因素[12],Ye和Potter認(rèn)為相對(duì)易用性和安全性顯著正向影響用戶轉(zhuǎn)移[13]。錨定因素是阻止或促進(jìn)用戶在平臺(tái)間轉(zhuǎn)移的因素,社會(huì)影響是常用的錨定因素。Cheng等認(rèn)為社會(huì)影響例如同輩影響力等將影響用戶的轉(zhuǎn)移行為[14],曹雄飛發(fā)現(xiàn)用戶從博客向微博轉(zhuǎn)移的過(guò)程中受到從眾效應(yīng)的影響[15]。此外,轉(zhuǎn)移代價(jià)如轉(zhuǎn)移成本、沉沒(méi)成本、持續(xù)成本作為錨定因素已被學(xué)者證實(shí)。

綜上所述,PPM已被應(yīng)用于研究社交網(wǎng)站、移動(dòng)購(gòu)物、移動(dòng)音樂(lè)、社交媒體等情境下的用戶轉(zhuǎn)移行為,而較少用于考察用戶在知識(shí)問(wèn)答平臺(tái)之間的轉(zhuǎn)移。因此,本文將基于PPM模型,分別將正負(fù)面的認(rèn)知和情感因素作為拉、推力因素,將社會(huì)影響作為促進(jìn)轉(zhuǎn)移的錨定因素,研究用戶從傳統(tǒng)問(wèn)答社區(qū)向生成式AI的轉(zhuǎn)移行為。

2 研究模型與假設(shè)

本文模型如圖1所示。推力因素方面,考察了問(wèn)答社區(qū)的內(nèi)容特征包括內(nèi)容質(zhì)量(內(nèi)容低質(zhì))和數(shù)量(信息過(guò)載)對(duì)用戶負(fù)面情感(社區(qū)倦怠)和轉(zhuǎn)移意愿的影響;錨定因素包括社會(huì)影響,反映了社交圈子對(duì)轉(zhuǎn)移意愿的影響;拉力因素方面,考察了生成式AI平臺(tái)特征(感知擬人度、感知準(zhǔn)確度、感知可信度)對(duì)用戶正面情感(沉浸體驗(yàn))和轉(zhuǎn)移意愿的影響。

圖1 研究模型

2.1 推力因素

2.1.1內(nèi)容低質(zhì)

內(nèi)容低質(zhì)反映了用戶對(duì)平臺(tái)內(nèi)容的有用性、準(zhǔn)確性和及時(shí)性等的低程度感知。Rieh認(rèn)為用戶對(duì)知識(shí)內(nèi)容質(zhì)量的感知受到信息本身和信息來(lái)源共同作用[16]。在問(wèn)答社區(qū)中,信息本身包括知識(shí)內(nèi)容的詳細(xì)程度等,而信息來(lái)源主要為用戶生成內(nèi)容。知識(shí)貢獻(xiàn)與社交媒體單純的信息共享相比門檻更高,而通常知識(shí)社區(qū)普通用戶創(chuàng)造內(nèi)容的動(dòng)力不足,多是尋求問(wèn)題,而回答者少,存在只看不說(shuō)的現(xiàn)象,這必將造成“公地悲劇”,長(zhǎng)遠(yuǎn)來(lái)看影響平臺(tái)內(nèi)容的整體質(zhì)量。Lin和Wu認(rèn)為,信息質(zhì)量是影響用戶信息期望和滿意度的關(guān)鍵因素[17]。當(dāng)用戶感知到內(nèi)容質(zhì)量較低,其對(duì)內(nèi)容的接受度也隨之降低,用戶感到自己的時(shí)間和精力等資源被耗盡,最終引起倦怠這一負(fù)面情緒。如果用戶在知識(shí)問(wèn)答社區(qū)無(wú)法尋找到滿意的答案或通常需要花費(fèi)很長(zhǎng)的時(shí)間才能滿足需求,那么隨之產(chǎn)生的無(wú)效率感將加深社區(qū)倦怠。因此,本文提出以下假設(shè):

H1:內(nèi)容低質(zhì)顯著影響社區(qū)倦怠。

2.1.2信息過(guò)載

信息過(guò)載反映了信息數(shù)量的激增超出了用戶自身信息處理能力所能接受的范圍。當(dāng)前知識(shí)問(wèn)答社區(qū)中產(chǎn)生的海量信息如商業(yè)化廣告、個(gè)性化推薦以及用戶生成內(nèi)容等需要用戶辨別數(shù)據(jù)的真?zhèn)涡圆ふ遗c自身需求相符的內(nèi)容,這無(wú)形中降低了用戶信息處理效率,甚至使其產(chǎn)生不堪重負(fù)的感覺(jué)。張安淇和李元旭認(rèn)為知識(shí)共享的過(guò)程中將不可避免地產(chǎn)生大量無(wú)用數(shù)據(jù),因此在知識(shí)共享與信息過(guò)載之間往往需要進(jìn)行質(zhì)與量的權(quán)衡[18]。黃英輝等研究發(fā)現(xiàn)過(guò)度特化問(wèn)題在非透明性的推薦算法機(jī)制的助推下日益突出[19],導(dǎo)致用戶在特定內(nèi)容框架下陷入信息過(guò)載。Dai等認(rèn)為感知信息過(guò)載會(huì)誘發(fā)用戶負(fù)面情感體驗(yàn),如倦怠、挫折感等,進(jìn)而引發(fā)用戶的消極行為[20]。因此,本文假設(shè):

H2:信息過(guò)載顯著影響社區(qū)倦怠。

2.1.3社區(qū)倦怠

社區(qū)倦怠指的是用戶心理上的疲倦、疲勞、倦怠感等。隨著用戶在社區(qū)中的活躍度增加,社區(qū)中存在的問(wèn)題如內(nèi)容特征等將在不同程度上被用戶感知并導(dǎo)致社區(qū)倦怠現(xiàn)象。社區(qū)倦怠作為一種情緒感知,其不僅會(huì)使平臺(tái)產(chǎn)生潛在的用戶流失風(fēng)險(xiǎn),也對(duì)用戶心理及行為產(chǎn)生負(fù)面影響。心理方面包括諸如焦慮和失望等情緒以及動(dòng)機(jī)降低和失去興趣等反應(yīng)。行為方面,薛靜和洪杰文認(rèn)為在青年群體中,較強(qiáng)的角色壓力通過(guò)影響社交媒體倦怠進(jìn)而產(chǎn)生隱退行為[21]。張艷豐等通過(guò)研究用戶畫(huà)像將倦怠群體劃分四類:潛水忽略型、忍耐使用型、平臺(tái)轉(zhuǎn)移型和行為替代型[22]。因此,在知識(shí)問(wèn)答情境下,用戶可能選擇轉(zhuǎn)移問(wèn)答平臺(tái)來(lái)緩解長(zhǎng)期處于知識(shí)問(wèn)答社區(qū)中積壓的負(fù)面情緒。由此本文提出以下假設(shè):

H3:社區(qū)倦怠顯著影響知識(shí)問(wèn)答轉(zhuǎn)移意愿。

2.2 拉力因素

2.2.1感知擬人度

感知擬人化反映用戶對(duì)非人類主體被賦予人的特質(zhì)(如特征、動(dòng)機(jī)或心理狀態(tài)等)的感知。得益于擬人化,基于人工智能開(kāi)發(fā)的生成式AI不僅具有工具性,還被賦予了一定的社會(huì)功能。生成式AI在與用戶進(jìn)行問(wèn)答交互時(shí)特別是在用戶具有感情訴求(如咨詢情感問(wèn)題)的情境下,可以表達(dá)認(rèn)知共情或展現(xiàn)言語(yǔ)幽默性來(lái)迎合用戶需求。Spatola和Wudarczyk發(fā)現(xiàn)用戶對(duì)AI的主次要情緒與感知到的AI擬人化程度有關(guān)[23]。用戶從有知識(shí)服務(wù)能力的生成式AI中滿足其知識(shí)需求,對(duì)其擬人度的感知(如對(duì)話模式、講話模式和人格扮演等)將促使用戶產(chǎn)生正面情緒,沉浸于知識(shí)學(xué)習(xí)或問(wèn)題得到解答的良好體驗(yàn)中。研究發(fā)現(xiàn)對(duì)于具有較高擬人化傾向的AI助手,通常用戶對(duì)其評(píng)價(jià)更積極[24],感知更多的樂(lè)趣,用戶體驗(yàn)更好。據(jù)此本文提出以下假設(shè):

H4:感知擬人度顯著影響沉浸體驗(yàn)。

2.2.2感知準(zhǔn)確度

問(wèn)答平臺(tái)的內(nèi)容準(zhǔn)確度包括認(rèn)可度(答案與提問(wèn)者期望的匹配程度)、一致性(綜合判斷所有答案之間的關(guān)聯(lián)度)和專業(yè)性(對(duì)問(wèn)題涉及領(lǐng)域的專業(yè)程度)三方面[25]。生成式AI問(wèn)答基于大數(shù)據(jù)集和復(fù)雜的數(shù)學(xué)算法生成內(nèi)容,協(xié)助用戶快速收集整理相關(guān)信息以給出建議,因此AI回復(fù)的準(zhǔn)確程度對(duì)用戶體驗(yàn)至關(guān)重要。對(duì)所提供回答的準(zhǔn)確度感知是用戶感知信息價(jià)值的決定因素,特別是知識(shí)類問(wèn)答,準(zhǔn)確的信息認(rèn)知將對(duì)用戶情感產(chǎn)生正向影響。換言之,若用戶感知內(nèi)容不準(zhǔn)確,則其將認(rèn)為繼續(xù)使用該平臺(tái)時(shí)需要費(fèi)時(shí)費(fèi)力地自主辨別內(nèi)容準(zhǔn)確程度,從而對(duì)其使用體驗(yàn)產(chǎn)生負(fù)面影響。Nadarzynski等研究了醫(yī)療診斷場(chǎng)景中信息準(zhǔn)確度與患者對(duì)AI診斷專業(yè)度感知之間的關(guān)系[26]。Yin和Qiu發(fā)現(xiàn)網(wǎng)絡(luò)購(gòu)物場(chǎng)景中人工智能技術(shù)的準(zhǔn)確性對(duì)消費(fèi)者感知效用價(jià)值和享樂(lè)價(jià)值均有顯著的正向影響[27]。因此本文假設(shè):

H5:感知準(zhǔn)確度顯著影響沉浸體驗(yàn)。

2.2.3感知可信度

在信息系統(tǒng)領(lǐng)域,當(dāng)生成式AI作為知識(shí)來(lái)源輔助用戶進(jìn)行決策時(shí),可信度是一個(gè)非常重要的指標(biāo)。用戶在進(jìn)行生成式AI問(wèn)答過(guò)程中會(huì)將感知到可靠、公平、不存在偏見(jiàn)的文本視為能夠信賴的回答。Jakesch等認(rèn)為用戶對(duì)Airbnb房東簡(jiǎn)介文本的信任度與其是否由AI撰寫(xiě)相關(guān)[28]。Li與Peng研究發(fā)現(xiàn)直播主播的可信度可以激發(fā)用戶對(duì)其的情感依戀,從而促進(jìn)打賞意愿的發(fā)生[29]。隨著AI語(yǔ)言處理和生成技術(shù)的不斷提升,大眾對(duì)其內(nèi)容生成可信度也逐漸認(rèn)同。當(dāng)用戶對(duì)生成式AI的信任度提高,他們?cè)趩?wèn)答過(guò)程中更有可能感到專注和愉悅,從而體驗(yàn)沉浸感。本文提出以下假設(shè):

H6:感知可信度顯著影響沉浸體驗(yàn)。

2.2.4沉浸體驗(yàn)

沉浸體驗(yàn)又稱心流體驗(yàn),指的是用戶全身心投入一項(xiàng)活動(dòng)并從中獲得樂(lè)趣和愉悅等的積極情緒體驗(yàn)。已有研究證實(shí)沉浸體驗(yàn)是用戶持續(xù)使用意愿的影響因素[30]。在知識(shí)問(wèn)答中,研究發(fā)現(xiàn)心流體驗(yàn)對(duì)用戶知識(shí)搜尋滿意度和持續(xù)信息搜尋具有顯著影響[31]。獲得沉浸體驗(yàn)的用戶會(huì)在知識(shí)問(wèn)答過(guò)程中感到可控、注意力集中和興趣,在未來(lái)有知識(shí)需求時(shí)選擇生成式AI平臺(tái),從而促進(jìn)知識(shí)問(wèn)答轉(zhuǎn)移意愿的發(fā)生。因此,本文提出以下假設(shè):

H7:沉浸體驗(yàn)顯著影響知識(shí)問(wèn)答轉(zhuǎn)移意愿。

2.3 錨定因素

社會(huì)影響反映了單個(gè)用戶態(tài)度和行為會(huì)受到其所處社會(huì)圈子的影響。根據(jù)社會(huì)網(wǎng)絡(luò)理論,用戶在進(jìn)行社會(huì)活動(dòng)時(shí),其接收的信息、資源和機(jī)會(huì)會(huì)受其所處的社會(huì)網(wǎng)絡(luò)如身邊的家人、朋友甚至線上關(guān)聯(lián)用戶等群體的影響。當(dāng)用戶對(duì)新應(yīng)用(如生成式AI產(chǎn)品)的了解尚不充分時(shí),群體信念被認(rèn)為是評(píng)估應(yīng)用的可靠信息源。已有研究認(rèn)為社會(huì)影響顯著影響消費(fèi)者與人工智能的交互意愿[32],促進(jìn)社交網(wǎng)絡(luò)用戶做出轉(zhuǎn)移決策。因此,如果用戶的社會(huì)網(wǎng)絡(luò)信任生成式AI平臺(tái)并進(jìn)行宣傳,建議他人參與使用,那么用戶將采取相似的行為,從傳統(tǒng)問(wèn)答平臺(tái)轉(zhuǎn)移到生成式AI平臺(tái)。由此本文假設(shè):

H8:社會(huì)影響顯著影響知識(shí)問(wèn)答轉(zhuǎn)移意愿。

3 數(shù)據(jù)收集

研究模型共包含9個(gè)變量,各個(gè)變量包括3至4個(gè)測(cè)量指標(biāo)。為確保量表的有效性,各題項(xiàng)均參考國(guó)外已有文獻(xiàn)中的成熟量表,并根據(jù)知識(shí)問(wèn)答的研究情境對(duì)各題項(xiàng)的文字表述進(jìn)行修正。問(wèn)卷采用五點(diǎn)李克特量表進(jìn)行測(cè)量,在正式發(fā)放問(wèn)卷前,在20名有過(guò)生成式AI和傳統(tǒng)問(wèn)答社區(qū)使用經(jīng)驗(yàn)的用戶進(jìn)行預(yù)測(cè)試,并根據(jù)得到的反饋對(duì)問(wèn)卷測(cè)量項(xiàng)進(jìn)行了修改。表1列出了測(cè)量指標(biāo)。

表1 各變量測(cè)量指標(biāo)和來(lái)源

問(wèn)卷通過(guò)見(jiàn)數(shù)(Credamo)平臺(tái)進(jìn)行設(shè)計(jì),并在熱門社交媒體如微信、微博等發(fā)布問(wèn)卷鏈接。數(shù)據(jù)收集持續(xù)兩周,共回收問(wèn)卷532份,區(qū)分無(wú)效問(wèn)卷的標(biāo)準(zhǔn)如下:a.總體作答時(shí)長(zhǎng)小于1分鐘;b.未通過(guò)注意力測(cè)試題;c.答案過(guò)于一致,即所有題目選項(xiàng)相同。最終得到有效問(wèn)卷483份。其中男性占44.7%,女性占55.3%;年齡集中在20-29歲之間,占92.8%;本科學(xué)歷占63.8%,碩士及以上學(xué)歷占32.5%。被調(diào)查者使用頻率較高的傳統(tǒng)知識(shí)問(wèn)答平臺(tái)包括知乎(91.3%)、百度知道(82.0%)、小紅書(shū)/微博/豆瓣等社交媒體類平臺(tái)(82.0%)、小猿搜題/作業(yè)幫等搜題類平臺(tái)(65.8%)、CSDN社區(qū)等技術(shù)類平臺(tái)(37.5%)。使用度較高的生成式AI包括ChatGPT(66.9%)、百度文心一言(24.6%)、New Bing(24.2%)。

4 數(shù)據(jù)分析與結(jié)果

4.1 結(jié)構(gòu)方程模型

4.1.1信效度檢驗(yàn)

本文首先采用SPSS 26軟件進(jìn)行信度檢驗(yàn),計(jì)算各變量的Alpha值,結(jié)果發(fā)現(xiàn)所有變量的Alpha值均大于 0. 8,表明數(shù)據(jù)內(nèi)部一致性較好。在驗(yàn)證性因子分析(CFA)中,各測(cè)量指標(biāo)的因子載荷大多數(shù)超過(guò)了0.7,CR均大于0.8,AVE均大于0.5,表明數(shù)據(jù)的聚合效度較好,結(jié)果見(jiàn)表2。此外,如表3所示,對(duì)角線為各變量AVE值的平方根,均大于各因子與其他因子之間的相關(guān)系數(shù),表明數(shù)據(jù)的區(qū)分效度較好,顯示測(cè)量模型具有良好的信效度。

表2 信效度檢驗(yàn)

表3 變量相關(guān)系數(shù)矩陣

4.1.2假設(shè)檢驗(yàn)

本文采用AMOS 28軟件對(duì)研究模型的理論假設(shè)進(jìn)行檢驗(yàn)。模型的各項(xiàng)擬合指數(shù)均符合推薦值,結(jié)果見(jiàn)表4。路徑系數(shù)值及顯著性如圖2所示。模型解釋了轉(zhuǎn)移意愿69%的方差,具有較好的解釋力。

表4 模型擬合指數(shù)

圖2 路徑系數(shù)值

4.2 模糊集定性比較分析

SEM基于單項(xiàng)線性關(guān)系研究各相互獨(dú)立的自變量對(duì)轉(zhuǎn)移意愿的邊際“凈效應(yīng)”。而各自變量之間不可避免的存在著多因素并發(fā)因果關(guān)系。fsQCA結(jié)合了定量與定性各自的優(yōu)點(diǎn),不僅可以開(kāi)展大案例數(shù)的研究,也能加強(qiáng)對(duì)個(gè)案獨(dú)特性和深度的分析。因此,本文采用模糊集定性比較分析方法研究模型中的各前因變量與用戶轉(zhuǎn)移意愿之間的作用路徑。

4.2.1變量選取與數(shù)據(jù)校準(zhǔn)

根據(jù)研究模型,本文選取內(nèi)容低質(zhì)、信息過(guò)載、感知擬人度、感知準(zhǔn)確度、感知可信度、社區(qū)倦怠、沉浸體驗(yàn)、社會(huì)影響為前因變量。首先對(duì)各個(gè)前因變量下的測(cè)量項(xiàng)取平均值并根據(jù)Ragin[40]提出的5%、95%及交叉點(diǎn)50%的標(biāo)準(zhǔn)進(jìn)行數(shù)據(jù)校準(zhǔn),以提高數(shù)據(jù)的可解釋性。然后進(jìn)行必要性分析,通常認(rèn)為必要條件的一致性閾值為0.9,分析結(jié)果顯示所有前因變量的一致性值均小于0.9,說(shuō)明沒(méi)有單一前因變量與轉(zhuǎn)移意愿之間構(gòu)成必要條件關(guān)系。下文進(jìn)一步對(duì)前因變量進(jìn)行組態(tài)分析來(lái)探尋發(fā)生轉(zhuǎn)移意愿的組態(tài)路徑。

4.2.2組態(tài)效應(yīng)分析

首先通過(guò)fsQCA軟件構(gòu)建真值表,對(duì)于大樣本數(shù)據(jù)(如超過(guò)150例)需要設(shè)置3或更高的案例頻數(shù)閾值。結(jié)合本文的實(shí)際研究情境,將頻數(shù)閾值設(shè)為5,一致性閾值設(shè)為0.8,PRI閾值設(shè)為0.7。結(jié)果見(jiàn)表5。其中●表示核心條件存在,?表示邊緣條件存在,?表示邊緣條件缺失,“空白”表示在構(gòu)型中該條件可有可無(wú)。

表5 用戶知識(shí)問(wèn)答轉(zhuǎn)移意愿組態(tài)路徑

由fsQCA得出的分析結(jié)果與前文SEM的研究結(jié)果大致相符。在6條路徑中,沉浸體驗(yàn)作為核心條件出現(xiàn)了5次,說(shuō)明其是影響用戶知識(shí)問(wèn)答轉(zhuǎn)移意愿的關(guān)鍵因素。推力因素中的信息過(guò)載及拉力因素中的感知準(zhǔn)確度均作為重要核心條件存在,與SEM得到的路徑系數(shù)結(jié)果一致,其分別為推拉力因素中影響情緒感知,進(jìn)而影響轉(zhuǎn)移意愿的最重要因素。社區(qū)倦怠和感知擬人度在4條路徑中作為邊緣條件共同存在,說(shuō)明兩者是用戶發(fā)生轉(zhuǎn)移意愿不可或缺的因素。在前三條路徑中,感知可信度與社會(huì)影響作為邊緣條件存在,說(shuō)明雖然兩者不是核心存在,但也發(fā)揮了不可或缺的作用。此外,內(nèi)容低質(zhì)在前三條路徑中為可有可無(wú)的存在,與SEM得到的不顯著的結(jié)果一致。

5 結(jié)果討論

由SEM結(jié)果(見(jiàn)圖2)可知,除了H1以外,其余假設(shè)均被支持。在fsQCA組態(tài)分析中,綜合三條影響轉(zhuǎn)移意愿的主要路徑(路徑1-3)后發(fā)現(xiàn)(見(jiàn)表5),信息過(guò)載、感知準(zhǔn)確度和沉浸體驗(yàn)作為核心條件存在,社區(qū)倦怠、感知擬人度、感知可信度和社會(huì)影響作為邊緣條件存在,而內(nèi)容低質(zhì)是可有可無(wú)的存在。

在推拉錨三類因素中,社會(huì)影響對(duì)轉(zhuǎn)移意愿的作用最大(β=0.54,p<0.001),沉浸體驗(yàn)的作用次之(β=0.49,p<0.001),社區(qū)倦怠的作用最小(β=0.10,p<0.01),顯示社會(huì)影響是導(dǎo)致用戶轉(zhuǎn)移的主要因素。生成式AI作為一項(xiàng)新興技術(shù)應(yīng)用,用戶使用行為會(huì)受到社交圈子或關(guān)鍵意見(jiàn)領(lǐng)袖(KOL)的影響。生成式AI平臺(tái)可通過(guò)宣傳平臺(tái)特色、建立用戶推薦鼓勵(lì)機(jī)制如發(fā)放積分等,以此擴(kuò)大用戶群。此外,雖然SEM結(jié)果顯示社會(huì)影響對(duì)轉(zhuǎn)移意愿的作用較強(qiáng),但在fsQCA結(jié)果中,社會(huì)影響在三條主要路徑中均作為邊緣條件出現(xiàn),這可能是因?yàn)镾EM單獨(dú)考察社會(huì)影響對(duì)轉(zhuǎn)移意愿的作用,而fsQCA基于組態(tài)視角考察變量組合對(duì)轉(zhuǎn)移意愿的作用,社會(huì)影響的作用受到其他變量的影響有所減弱。除了社會(huì)影響,沉浸體驗(yàn)也對(duì)轉(zhuǎn)移意愿具有較強(qiáng)作用,顯示用戶非常關(guān)注生成式AI的使用體驗(yàn),包括愉悅感、注意力聚集等。沉浸體驗(yàn)在fsQCA各主要路徑中均作為核心條件。因此,生成式AI平臺(tái)應(yīng)注重為用戶帶來(lái)更好的交互體驗(yàn),以促進(jìn)用戶轉(zhuǎn)移行為。

推力因素中,信息過(guò)載顯著影響社區(qū)倦怠(β=0.66,p<0.001),但內(nèi)容低質(zhì)對(duì)社區(qū)倦怠沒(méi)有顯著作用,表明問(wèn)答社區(qū)的信息過(guò)載是導(dǎo)致用戶倦怠的主要因素。傳統(tǒng)問(wèn)答社區(qū)上的廣告推送和平臺(tái)商業(yè)化信息夾雜在問(wèn)答內(nèi)容中,用戶需要投入更多的時(shí)間和精力進(jìn)行甄別。此外,當(dāng)個(gè)性化算法推薦機(jī)制根據(jù)用戶的歷史搜索記錄推送諸多類似話題并邀請(qǐng)回答時(shí),在一定程度上會(huì)導(dǎo)致用戶信息接收飽和和信息過(guò)載,降低平臺(tái)使用效率。問(wèn)答社區(qū)應(yīng)控制推送頻率并合理運(yùn)用個(gè)性化推送服務(wù),給予用戶信息接收選擇權(quán),降低信息過(guò)載。本文沒(méi)有發(fā)現(xiàn)內(nèi)容低質(zhì)對(duì)社區(qū)倦怠的影響。這可能是相對(duì)于娛樂(lè)性的社交媒體,問(wèn)答社區(qū)的用戶往往是帶著問(wèn)題而來(lái),他們有目標(biāo)地在問(wèn)答社區(qū)中搜尋答案,更多地關(guān)注精選答案、點(diǎn)贊數(shù)較多的熱評(píng)以及經(jīng)平臺(tái)認(rèn)證的專家回答等,而不大關(guān)注問(wèn)答社區(qū)中存在的話題爭(zhēng)議、無(wú)效回答或過(guò)時(shí)信息等低質(zhì)內(nèi)容,因此內(nèi)容低質(zhì)不會(huì)影響用戶在使用過(guò)程中的社區(qū)倦怠等負(fù)面感受。

拉力因素中,感知擬人度(β=0.11,p<0.01)、感知準(zhǔn)確度(β=0.31,p<0.001)和感知可信度(β=0.28,p<0.001)均對(duì)沉浸體驗(yàn)有顯著影響,且感知準(zhǔn)確度的作用最強(qiáng)。在fsQCA結(jié)果中,感知準(zhǔn)確度也多次作為核心條件存在,顯示用戶聚焦于解決問(wèn)題,因此也更多地關(guān)注回答的準(zhǔn)確性。不準(zhǔn)確的答案將增加用戶采納答案所帶來(lái)的不確定性和風(fēng)險(xiǎn),降低其對(duì)生成式AI的信任,影響其使用體驗(yàn)。生成式AI在進(jìn)行應(yīng)用開(kāi)發(fā)時(shí),需要圍繞用戶的使用需求,在可控范圍內(nèi)優(yōu)化擬人化細(xì)節(jié)以使用戶有更多的親近感,更重要的是,在回答下方注明信息來(lái)源,并通過(guò)大數(shù)據(jù)訓(xùn)練提高回答的準(zhǔn)確度和提供優(yōu)質(zhì)回答的能力。只有當(dāng)用戶獲取了可信、可靠的回答時(shí),才能在與生成式AI的交互中獲取良好體驗(yàn),從而促進(jìn)其轉(zhuǎn)移意愿。

6 結(jié) 論

基于PPM,本文研究了生成式AI對(duì)用戶知識(shí)問(wèn)答轉(zhuǎn)移行為的影響。研究結(jié)果顯示,推力(信息過(guò)載、社區(qū)倦怠)、拉力(感知擬人度、感知準(zhǔn)確度、感知可信度、沉浸體驗(yàn))、錨定(社會(huì)影響)三方面因素顯著影響用戶知識(shí)問(wèn)答轉(zhuǎn)移行為,SEM和fsQCA兩種方法得到的結(jié)果較為一致。

本文研究結(jié)果具有以下管理啟示:a.知識(shí)問(wèn)答平臺(tái)應(yīng)優(yōu)化個(gè)性化推薦算法。雖然個(gè)性化推薦滿足了用戶需求,但是過(guò)量的相似信息不僅使用戶陷入信息繭房,也讓其感知到信息過(guò)載。平臺(tái)可以通過(guò)用戶調(diào)研等方式合理設(shè)置推送量和推送頻率。此外,平臺(tái)可加強(qiáng)對(duì)廣告商的審核機(jī)制,以防過(guò)度商業(yè)化導(dǎo)致用戶的消極體驗(yàn)。b.生成式AI應(yīng)提高內(nèi)容的準(zhǔn)確度,通過(guò)改善數(shù)據(jù)源和智能算法以提供更加準(zhǔn)確無(wú)誤的回答。此外,進(jìn)一步優(yōu)化AI的文本表達(dá)方式,比如展現(xiàn)情感交流、有更多公平性詞匯的呈現(xiàn)等以使用戶在使用時(shí)產(chǎn)生興趣并投入其中。c.重視社會(huì)影響的作用。問(wèn)答平臺(tái)可以通過(guò)社交媒體提高知名度和大眾評(píng)價(jià),鼓勵(lì)現(xiàn)有用戶進(jìn)行平臺(tái)推薦以吸引更多用戶。

本文的局限包括:a.本文主要考察了當(dāng)前主流的生成式AI如ChatGPT、文心一言等,而生成式AI處于快速發(fā)展之中,未來(lái)更智能、更擬人化的AI可能會(huì)不斷涌現(xiàn),并對(duì)用戶行為產(chǎn)生顯著影響。這就需要進(jìn)一步的研究。b.影響用戶知識(shí)問(wèn)答轉(zhuǎn)移的因素較多,除了本文模型中的因素,未來(lái)的研究可考察隱私風(fēng)險(xiǎn)、不滿意、習(xí)慣等對(duì)轉(zhuǎn)移意愿的作用。