建議來源和歸因類型對犯錯后的代理平臺懲罰欲的影響

摘 要 隨著計算機技術的發(fā)展，代理平臺逐漸使用AI作為建議者為消費者提供建議。然而，與人類建議者一樣，AI在服務過程中也可能發(fā)生服務錯誤。在消費、投資和醫(yī)療情景中，采用2 × 3的被試間設計探討建議來源和歸因類型對消費者經歷錯誤建議后對代理平臺懲罰欲的影響。結果發(fā)現(xiàn)，建議來源對代理平臺懲罰欲沒有顯著影響；歸因類型顯著影響懲罰欲，具體表現(xiàn)為平臺意圖歸因增加了懲罰欲；平臺意圖歸因對代理平臺的懲罰欲的影響通過憤怒起作用。

關鍵詞 建議來源；歸因類型；憤怒；懲罰欲；AI

分類號 B849

DOI：10.16842/j.cnki.issn2095-5588.2024.10.002

1 引言

隨著計算機技術的發(fā)展，人工智能在各行各業(yè)中都扮演著重要角色。比如在駕駛汽車時，車載導航系統(tǒng)給出行駛路線的推薦；音樂軟件根據(jù)用戶的喜好推薦歌曲，這些都可以看成建議給予，其中導航軟件和音樂軟件可以看成建議者，汽車導航軟件與音樂軟件的所有者可以看成使用AI提供建議服務的代理平臺。提供的建議不符合消費者的期望就可以被視為建議是錯誤的。AI建議和人類建議一樣，也可能發(fā)生錯誤。由于人工智能和開發(fā)者、制造商、使用者交織在一起，當建議過程中發(fā)生錯誤時，消費者的責備對象主要為建議者和雇傭建議者提供建議服務的代理平臺（McColl-Kennedy et al.， 2011）。

已有文獻研究了消費者對服務失敗后的服務者（AI或人類）態(tài)度、行為反應（Chen et al.， 2021; Choi et al.， 2020; Ryoo et al.， 2024）。Chen等（2021）發(fā)現(xiàn)相比人類犯錯，人們更不能容忍AI犯錯誤。然而，目前僅有少量研究關注當建議錯誤發(fā)生時，人們對使用不同建議者（AI或人類）提供服務的代理平臺的反應（Leo & Huh， 2020; Ryoo et al.， 2024）。由于服務失敗后消費者的反應可能影響公司的長期品牌價值，因此了解服務失敗對代理平臺的反應至關重要（Sinha & Lu， 2016）。

Gailey（2013）發(fā)現(xiàn)當建議者服從程度高時，人們更多地把責任歸因于代理平臺公司。Ryoo等（2024）也發(fā)現(xiàn)，在服務領域中建議者的自我控制能力與對代理公司的懲罰欲呈負相關。而Gray等（2007）發(fā)現(xiàn)人們普遍認為人類更可能按自己的意志行事，感知到的行為控制能力高，服從程度低，AI自我意志低，感知到的行為控制能力低，服從程度高。Sands等（2022）也發(fā)現(xiàn)當責備對象是代理平臺時，人們對AI提供建議服務的代理平臺的責備程度高于使用人類提供建議服務的代理平臺。我們推測建議來源也會影響消費者對代理平臺的懲罰欲。Leo和Huh（2020）的研究發(fā)現(xiàn)，在收到錯誤建議時，人們對AI的責備程度低于對人類建議者的責備，但對使用AI建議者提供服務的代理平臺的懲罰程度高于使用人類建議者提供服務的代理平臺。

然而，當對服務失敗進行歸因時，消費者是否對建議者和代理平臺進行了區(qū)分？（Ryoo et al.， 2004）。過去的服務營銷研究指出，消費者對員工的評價與對代理平臺的評價相關聯(lián)（Parasuraman et al.， 1985）。Hartline等（2000）認為消費者與建議者的直接互動構成了消費者對代理平臺評價的主要基礎，這是因為建議者連接代理平臺與消費者以及外部環(huán)境。因此，我們推測相比于使用人類提供建議服務，使用AI提供建議服務，消費者對代理平臺公司的懲罰欲更低。

這兩種可能的結果是否是由于對錯誤建議的歸因不同而導致的呢？Fiske等（2007）認為個體對社會成員或其他事物存在能力與溫暖兩個方面的認知，其中前者指的是感知意圖相關特質，包括友好、樂于5GF2H3NeMRTk+ZQSghIt1dRgJyMb9I0SfZYBakbYLWk=助人、真誠、值得信賴和道德，而能力維度反映的是感知能力相關特質，包括智力、技能、創(chuàng)造力和效率。Kervyn等（2022）認為人們對公司品牌形成印象的方式與其對社會群體形成印象的方式相似，在品牌作為有意圖的代理人框架模型中，對公司品牌的認知也可以分為能力相關維度和溫暖相關維度，其中負面意圖且低能力的品牌會引起鄙視，正面意圖且低能力的品牌會引起憐憫。而在品牌危機相關研究中，Dutta和Pullig（2011）將品牌危機類型劃分為產品質量相關危機和道德相關價值觀危機。基于前人研究，本文將建議錯誤歸因劃分為建議者能力歸因和代理平臺溫暖相關意圖歸因。能力歸因是指代理沒有足夠的能力完成與個體交互的任務，導致最終服務結果與人類預期不一致或人類利益受損，如算法導航錯誤規(guī)劃路線導致人類上班遲到。意圖歸因是指代理平臺在與人類交互的過程中，能力上能夠滿足人類預期，但是因存在私心導致個體利益受損。

Tsarenk（2019）等研究發(fā)現(xiàn)，當歸因為代理能力不足時，人-人互動過程中，人類彼此之間存在高水平的同理心。Chen等（2021）發(fā)現(xiàn)同理心可以減輕客戶對員工失敗的憤怒和負面反應，但不能減輕對自助服務技術失敗后的憤怒與負面反應。這說明人-人互動受到社會情緒的影響。然而，人-機互動時人們考慮的更多是機器的能力，無關情緒（李思賢等， 2022; 劉國芳等， 2023）。因此我們提出假設H1：把錯誤建議歸因為代理能力不足時，相比于建議來源是人類，人們對AI建議來源代理平臺的懲罰欲更高。

Horan和Kaplan（1983）發(fā)現(xiàn)，當被試的道德推理能力強時，對高傷害意圖的不道德行為的懲罰欲大于對低傷害意圖的不道德行為懲罰欲。Jain和Sharma（2019）也發(fā)現(xiàn)代理平臺的不道德意圖通常會打破消費者對代理平臺的期望，引發(fā)強烈的被背叛的情感。Sands等（2022）的研究也發(fā)現(xiàn)在服務失敗中，消費者感到不被尊重時，對使用AI提供服務和讓人類提供服務時的負面反應不存在差異。因此，我們提出假設H2：在經歷錯誤建議后，當歸因為平臺意圖時，不管建議來源是什么，對代理平臺的懲罰欲沒有顯著差異。

憤怒情緒大多與意愿違背、目標不一致、損害自身利益等認知評價有關（Wickless & Kirsch， 1988）。有研究人員發(fā)現(xiàn)憤怒是服務失敗后的主要情緒反應（Kalamas et al.， 2008; Menon & Dubé， 2004）。Miceli和Castelfranchi（2019）認為憤怒意味著感知到傷害。在服務失誤事件中，人們往往把責任歸咎于公司，從而導致憤怒（Folkes， 1984）。情緒認知評價理論認為個體對外部事物作出反應是自身情緒體驗的基礎，憤怒情緒導致個體產生對抗性行為，它是個體宣泄憤怒情緒的主要方式（Lazarus， 1991）。有研究也發(fā)現(xiàn)，服務失敗后，憤怒不僅會引發(fā)報復的想法和感覺，還會引發(fā)行為意圖（Bechwati & Morrin， 2003; Grégoire et al.， 2009）。因此我們提出假設H3：建議來源對懲罰欲的影響通過憤怒起作用。

綜上，本研究將探究建議來源和建議錯誤的歸因對消費者對代理平臺懲罰欲的影響以及憤怒的中介機制，進而為AI的應用提供支持。

2 方法

2.1 被試

使用G*Power 3.1（Faul et al.， 2009）計算當α=0.05，power（1-β）=0.90，中等效應量（f =0.25）時的2 × 3方差分析所需要的最少樣本量，結果表明最少需要206名被試。本研究最終在腦島在線實驗平臺（陳國球等， 2023）上招募301名被試，使用箱型圖刪除各個情境中懲罰欲和憤怒存在極端異常值的9人，最終有效被試292人，其中男性93人，女性199人，平均年齡24歲。其中AI-平臺意圖歸因組46人，專人-平臺意圖組47人，AI-代理能力組50人，專人-代理能力組49人，AI-控制組和專人-控制組各50人。

2.2 研究設計

2（建議來源：專人/AI） × 3（歸因類型：代理能力/平臺意圖/控制組）被試間設計。因變量為懲罰欲。

2.3 材料

（1）錯誤情境材料

為了驗證在不同情境和錯誤后果嚴重性條件下結果是否穩(wěn)健，我們選取了消費、投資和醫(yī)療三個情境，自編建議錯誤情境材料。為了保證被試正確理解材料，我們讓五名在校心理學研究生對材料進行了評定并根據(jù)其建議對內容作相應修改，得到最終的情境材料，如消費情境材料：“假如你最近正在考慮購買一個臺式機顯示器，你非常糾結，不知道該買哪款。然后你咨詢了正源科技公司購物建議平臺。該購物建議平臺由【AI/專人】提供建議。該平臺已經成立了十多年，用戶很多。你在購物平臺給出的建議中選擇了一款顯示器，然而，三天之后，你收到了該電腦顯示器，卻發(fā)現(xiàn)其在使用時存在閃屏現(xiàn)象”。其他兩個材料的內容見附錄。

（2）懲罰欲的測量

采用Hofmann等（2018）對懲罰欲測量的兩個項目。為了測量建議錯誤后對被試行為的可能影響，自編了一個項目。三個項目的Cronbach’s α為0.82。題目如下：“由于某公司的平臺通過【專家/AI】提供錯誤建議，你認為該公司應該受到多大程度的懲罰？”“你在多大程度上想要該公司賠償因其平臺錯誤建議所造成的損害？”“你在多大程度想要告訴他人該公司的購物平臺建議質量差并勸誡他人不要使用該平臺？”。三個項目均采用100點計分，得分越高表明被試對情境中的代理平臺的懲罰欲越強。

（3）憤怒情緒的測量

采用一個項目：遇到這種情況，你覺得你會有多憤怒？100點計分，分值越大表示憤怒程度越強。

2.4 研究過程

第一步：被試被隨機分為AI建議組和人類建議組。三個情境隨機呈現(xiàn)，以避免順序影響，后續(xù)步驟以消費情境中的步驟為例。

第二步：被試閱讀指導語“假如你最近正在考慮購買一個臺式機顯示器，你非常糾結，不知道該買哪款。然后7da0ee2b3cd2d3b79e659ee72e7dddef你咨詢了正源科技公司購物建議平臺。該購物建議平臺由【專人/AI】提供建議。該平臺已經成立了十多年，用戶很多”。

第三步：為了增加情境的真實性和被試的參與感，接下來平臺會給出三個建議選項讓被試選擇。被試作出選擇后，會閱讀到“然而，三天之后，你收到了該電腦顯示器，發(fā)現(xiàn)其在使用時存在閃屏現(xiàn)象”。

第四步：歸因操縱。平臺意圖歸因組被試閱讀到“然后，你在網上查詢屏幕存在問題的原因，偶然發(fā)現(xiàn)正源科技公司和廠家存在利益關系，因此傾向于推薦與其合作的廠家的產品”，代理能力歸因組被試閱讀到“ 【算法/人類】在某些情況下可能面臨限制，表現(xiàn)出局限性。這可能源自多種原因，如問題復雜性、信息不足或經驗有限。在這些情況下，【它/他】們的表現(xiàn)可能不夠全面或準確。這種限制可能表現(xiàn)為決策的局限性、不完全的解決方案或者無法全面考慮所有相關因素”，控制組被試閱讀到“該款顯示器，其他人也存在和你相同的問題，顯示器都存在閃屏現(xiàn)象”。

第五步：測量懲罰欲和憤怒情緒。

3 結果

研究結果使用R分析。

3.1 建議來源和歸因類型對代理平臺懲罰欲的影響

各實驗條件下，懲罰欲、憤怒均值和標準差如表1所示。

以情境材料為被試內變量，并命名為任務類型，以懲罰欲為因變量，建議來源和歸因類型作為被試間變量進行三因素混合方差分析。為了進行方差分析，先使用卡方檢驗驗證組之間是否平衡。結果顯示組之間是平衡的，χ2（5）=0.32，p=0.997。

方差分析表明，建議來源主效應不顯著，F(xiàn)（1， 286）=0.09，p=0.759，支持了H2，不支持H1。歸因類型與任務類型交互作用顯著，F(xiàn)（4， 572）=4.01，p=0.003，η2p=0.03。

對任務類型和歸因類型交互作用進行簡單效應分析，如圖1所示。簡單效應分析表明，在消費情境下，平臺意圖歸因和代理能力歸因之間懲罰欲差異顯著，t（165）=5.07，p<0.001，d=0.73；平臺意圖歸因和控制組之間懲罰欲差異顯著，t（178）=3.80，p<0.001，d=0.54；代理能力歸因和控制組之間懲罰欲不存在顯著差異，t（193）=-1.42，p=0.157。在投資情境中，平臺意圖歸因和代理能力歸因之間懲罰欲差異顯著，t（148）=7.37，p<0.001，d=1.05；平臺意圖歸因和控制組之間差異顯著，t（165）=4.80，p<0.001，d=0.69；代理能力歸因和控制組之間懲罰欲差異顯著，t（190）=-2.76，p=0.005，d=-0.39。在醫(yī)療情境中，平臺意圖歸因和代理能力歸因之間差異顯著，t（167）=3.67，p=0.005，d=0.53；平臺意圖歸因和控制組之間差異顯著，t（154）=4.05，p<0.001，d=0.58；代理能力歸因和控制組之間懲罰欲不存在顯著差異，t（192）=0.69，p=0.488。從另一個方向來看，在平臺意圖歸因時，三個任務情境下的懲罰欲不存在顯著差異，在控制組也是這樣，然而當歸因為代理能力不足時，對醫(yī)療情境下代理平臺的懲罰欲顯著高于消費情境（t（195）=2.23， p=0.040， d=0.32）和投資情境（t（194）=3.07， p=0.007， d=0.44），而消費情境和投資情境之間不存在顯著差異。

歸因類型主效應顯著，F(xiàn)（2， 286）=22.23，p<0.001， η2p=1.13。事后分析發(fā)現(xiàn)，平臺意圖歸因（M=88.93， SD=11.73）的懲罰欲顯著高于控制組（M=79.42， SD=19.20， t（500）=7.25， d =0.60 ， p<0.001）和代理能力歸因組（M=76.37， SD=20.13， t（481）=9.22， d=0.76， p<0.001），但控制組和代理能力歸因組之間不存在顯著差異。任務類型主效應顯著，F(xiàn)（2， 572）=4.32，p=0.014，η2p=0.01。醫(yī)療情境（M=83.30， SD=19.08）中的懲罰欲大于投資情境（M=80.70， SD=18.22），大于消費情境（M=80.25， SD=17.46），但三個組之間兩兩比較不存在顯著差異。其他效應均不顯著。

3.2 建議來源和歸因類型對代理平臺憤怒情緒的影響

以情境材料為被試內變量，并命名為任務類型，以憤怒情緒為因變量，建議來源和歸因類型作為被試間變量進行三因素混合方差分析。

結果顯示，任務類型主效應顯著，F(xiàn)（2， 572）=7.38，p<0.001，η2p=0.03。歸因類型主效應顯著，F(xiàn)（2， 286）=21.78，p<0.001，η2p=0.13。其他效應均不顯著。

對歸因類型主效應進行事后比較，如圖2所示。結果表明代理能力歸因（t（470）=8.68， p<0.001， d=-0.72）和控制組（t（468）=7.35， p<0.001， d=-0.61）的憤怒顯著低于平臺意圖歸因，但代理能力歸因和控制組之間差異不顯著，t（595）=-0.95， p=0.525。

對任務類型主效應進行事后比較，如圖3所示。結果表明投資（t（579）=-2.39， p=0.026， d =0.20）、醫(yī)療（t（581）=-2.79， p=0.016， d=0.23）情境憤怒情緒顯著高于消費情境，但投資情境和醫(yī)療情境之間差異不顯著，p=0.882。

3.3 中介分析

在建議來源對懲罰欲和憤怒的影響分析中，我們并沒有發(fā)現(xiàn)建議來源的主效應，只發(fā)現(xiàn)了歸因類型的主效應，因此我們僅探索性地分析了歸因類型對懲罰欲的影響中憤怒的潛在中介作用。由于預測變量是分類變量，我們進行了相對中介分析，結果如表2所示，路徑圖如圖4所示。以控制組為參照水平，代理能力歸因相對控制組的相對中介的95%的Bootstrap置信區(qū)間為［-4.67， 2.04］，包括0，表明相對中介效應不顯著。以控制組為參照水平，平臺意圖歸因相對控制組的相對中介的95%的Bootstrap置信區(qū)間為［5uxuYcWyOSBPvUPSC7ktZW1BAJsCXUCAjbGq8xpTa8JU=.15， 10.86］，不包括0，表明相對中介效應顯著，即平臺意圖歸因時對代理平臺的憤怒情緒比控制組的高10.66，所以平臺意圖歸因的消費者的懲罰欲也相應增加，相對直接效應不顯著，表明排除中介作用后，平臺意圖歸因的消費者的懲罰欲與控制組沒有顯著差異，相對總效應顯著（c2’=9.58， t（288）=4.92， p<0.001），相對中介效應的效果量為84.02%（8.05/9.58）。

4 討論

4.1 建議來源對懲罰欲的影響

我們的研究發(fā)現(xiàn)建議來源對懲罰欲沒有顯著影響。在意圖歸因時，建議來源對懲罰欲的影響沒有顯著差異，這符合我們的預期。然而，在代理能力歸因和控制組歸因條件下，并沒有發(fā)現(xiàn)建議來源對代理平臺的懲罰欲存在顯著差異。2023年人工智能指數(shù)報告（Maslej et al.， 2023）顯示，中國在2023年已成為最受歡迎的人工智能的國家。另外，隨著人工智能技術的發(fā)展，AI逐漸在能力上趕上甚至超越人類，特別是在2022年11月ChatGPT誕生之后。例如，有媒體讓多款AI產品挑戰(zhàn)2024高考河南卷，發(fā)現(xiàn)九個AI中，有四個分數(shù)過一本線。Huang和Rust（2018）認為AI替代人類的工作是從相對簡單任務開始的，AI已經替代了需要機械智能和分析智能的工作，并將替代人類工作的觸手伸進了需要直覺智能的工作中。因此，在對某些能力的感知上，人們已經認為AI與人已經不存在太大差異。另外，盡管發(fā)現(xiàn)同理心可以減輕消費者對員工失敗的憤怒和負面反應，然而，相比于線下，線上的人-人互動更不容易激發(fā)人們的同情心（Chen et al.， 2021）。因此，建議來源對代理平臺的懲罰欲沒有顯著影響。值得注意的是，2022年以前關于AI的文獻多發(fā)現(xiàn)建議來源對人們的情緒和行為存在影響（杜秀芳等， 2023; Chen et al.， 2021; Ryoo et al.， 2024; Sands et al.， 2022）。而2022年之后，逐漸有文獻開始報告建議來源對人們的情緒和行為沒有影響（B?hm et al.， 2023; Kirkby et al.， 2023）。例如，Kirkby等（2023）發(fā)現(xiàn)披露內容由AI生成，不會對品牌聲音的真實性和品牌態(tài)度產生負面影響。我們的研究結果表明是否告知消費者建議者的真實身份是一種可選擇行為。然而，我們仍然建議披露建議者身份，因為這可以帶來諸多好處，例如代理平臺的服務被認為更加透明、道德和真實。

4.2 歸因類型對代理平臺懲罰欲的影響

首先，我們發(fā)現(xiàn)歸因類型對代理平臺的懲罰欲有顯著影響，具體表現(xiàn)為平臺意圖歸因時的懲罰欲大于代理能力歸因和控制組。這可能是因為負面意圖會極大提高人們的懲罰欲。正如Skowronski和Carlston（1987）所說，當錯誤建議發(fā)生時，缺乏溫暖比缺乏能力造成的負面影響大。Kervyn等（2014）的實驗也證明了當公司的錯誤被歸因為缺乏溫暖，比缺乏能力造成的后果嚴重。因此，代理平臺應該關注代理能力提升，避免形成惡意侵害消費者利益的形象。

其次，我們發(fā)現(xiàn)任務類型和歸因類型對懲罰欲的影響存在交互作用。醫(yī)療情境下，代理能力歸因條件下的懲罰欲顯著高于其他兩個任務情境，這可能說明把建議錯誤歸因于代理能力不足來避免消費者的懲罰只在低后果嚴重性時有效，而在高后果嚴重性條件下無效。我們還發(fā)現(xiàn)相比于其他情境，醫(yī)療情境條件下消費者對代理平臺的懲罰欲有增加的趨勢。更嚴重的服務失敗將導致消費者更為負面的反應（Sands et al.， 2022; Weun et al.， 2004）。因此，相比于其他情境，醫(yī)療情境的懲罰欲相對較高。

最后，我們發(fā)現(xiàn)平臺意圖歸因對代理平臺的懲罰欲以憤怒為中介。根據(jù)情緒認知評價理論（Lazarus， 1991），當刺激發(fā)生時，人們會首先確認其是否與自我利益相關，評價結果會激發(fā)各種情緒，然后是對自我反應行為可行性的預判，進而調節(jié)與控制個體的行為反應。因此，在意圖歸因條件下，人們感知到的后果更加嚴重，因而憤怒情緒更大，從而產生了更大的懲罰欲。

4.3 不足與展望

首先，實驗是在實驗室情境下進行的，在真實的AI應用領域，被試的懲罰欲可能會有所不同。另外，懲罰行為和懲罰欲不一樣，在實際當中，建議者提供了錯誤建議，可能會導致消費者尋求其他建議者的建議或不想支付報酬。

其次，本研究關注的是建議來源和歸因類型對代理平臺懲罰欲的影響。未來研究可以探討懲罰欲的下游影響，如是否還會再接受代理平臺的建議（Grégoire et al.， 2009）、切換代理平臺（Bechwati & Morrin， 2003）、分享代理平臺的負面口碑（Wangenheim， 2005）等，還可以關注建議來源在建議正確后對代理平臺的喜愛程度的影響。

再次，本研究探討了消費、投資、醫(yī)療情境中建議來源和歸因類型對代理平臺懲罰欲的影響，未來可以在其他情境，比如線下服務中驗證結果的穩(wěn)健性。我們的研究在分析代理作為建議者的合適性時發(fā)現(xiàn)人們均認為人類代理比AI代理合適。因此，未來有必要在那些AI代理比人類代理合適的情境下驗證該結果。

最后，我們的研究沒有考慮被試的人格因素對結果的潛在影響。Agarwal等（2016）發(fā)現(xiàn)，如果消費者是高宜人性（不苛求、不固執(zhí)、溫暖）低神經質（不敵意、不易怒），他們在服務失敗后更有可能繼續(xù)光顧餐廳。另外，Tsarenko和Tojib（2012）發(fā)現(xiàn)情商在服務失敗嚴重程度與情感寬恕之間具有顯著的調節(jié)作用，而其對行為上的寬恕的調節(jié)作用并不顯著。Riedl（2022）發(fā)現(xiàn)在大五人格特質中的三個因素（宜人性、開放性和外向性）與對AI的信任存在正向關系，而神經質與對AI的信任存在負向關系，內控點、冒險傾向與對AI的信任存在負相關。因此，未來的研究可以探討被試的人格因素對AI服務失敗的影響。

5 結論

（1）建議來源對消費者經歷建議錯誤后，對代理平臺的懲罰欲沒有顯著影響。（2）平臺意圖歸因會增加消費者對代理平臺的懲罰欲。（3）平臺意圖歸因對代理平臺的懲罰欲的影響通過憤怒起作用。

參考文獻

陳國球， 高曉雪， 鄢忻媛， 杜夢， 臧寅垠， 汪寅（2023）. 在線心理學何以本土化？基于歷史、理念與綜合性的分析. 心理科學， 46（5）， 1262-1271.

杜秀芳， 王靜， 李方， 王亞婷（2023）. 算法厭惡還是算法欣賞？——不同建議來源對個體建議采納的影響. 中國臨床心理學雜志， 31（1）， 75-79， 95.

李思賢， 陳佳昕， 宋艾珈， 王夢琳， 段錦云（2022）. 人們對人工智能建議接受度的影響因素. 心理技術與應用， 10（4）， 202-214.

劉國芳， 汪旭， 周祁蕾， 張梅（2023）. 用戶對機器人的矛盾態(tài)度及其來源： 基于角色理論的解釋. 心理技術與應用， 11（11）， 660-672.

Agarwal， R.， Mehrotra， A.， & Barger， V. A. （2016）. Pers-onality traits and re-patronage intentions after service failure. Journal of Consumer Satisfaction， Dissatisfaction and Complaining Behavior， 29（1）， 31-52.

Bechwati， N. N.， & Morrin， M. （2003）. Outraged consu-mers： Getting even at the expense of getting a good deal. Journal of Consumer Psychology， 13（4）， 440-453.

B?hm， R.， J?rling， M.， Reiter， L.， & Fuchs， C. （2023）. People devalue generative AI’s competence but not its advice in addressing societal and personal challenges. Communications Psychology， 1（1）， 32.

Chen， N.， Mohanty， S.， Jiao， J.， & Fan， X. （2021）. To err is human： Tolerate humans instead of machines in service failure. Journal of Retailing and Consumer Services， 59（3）， 102363.

Choi， S.， Mattila， A. S.， & Bolton， L. E. （2020）. To Err Is Human（-oid）： How do consumers react to robot service failure and recovery？ Journal of Service Research， 24（3）， 354-371.

Dutta， S.， & Pullig， C. （2011）. Effectiveness of corporate responses to brand crises： The role of crisis type and res-ponse strategies. Journal of Business Research， 64（12）， 1281-1287.

Fiske， S. T.， Cuddy， A. J. C.， & Glick， P. （2007）. Universal dimensions of social cognition： Warmth and competence. Trends in Cognitive Sciences， 11（2）， 77-83.

Folkes， V. S. （1984）. Consumer reactions to product failure： An attributional approach. Journal of consumer research， 10（4）， 398-409.

Gailey， J. A. （2013）. Attribution of responsibility for orga-nizational wrongdoing： A partial test of an integrated model. Journal of Criminology， 2013（1）， 920484.

Gray， H. M.， Gray， K.， & Wegner， D. M. （2007）. Dimensions of mind perception. science， 315（5812）， 619-619.

Grégoire， Y.， Tripp， T. M.， & Legoux， R. （2009）. When customer love turns into lasting hate： The effects of rela-tionship strength and time on customer revenge and avoidance. Journal YAwzuSgiCcB7zgsCFigHfw==of marketing， 73（6）， 18-32.

Hartline， M. D.， Maxham Iii， J. G.， & McKee， D. O. （2000）. Corridors of influence in the dissemination of customer-oriented strategy to customer contact service employees. Journal of Marketing， 64（2）， 35-50.

Hofmann， W.， Brandt， M. J.， Wisneski， D. C.， Rockenbach， B.， & Skitka， L. J. （2018）. Moral punishment in everyday life. Personality and Social Psychology Bulletin， 44（12）， 1697-1711.

Horan， H. D.， & Kaplan， M. F. （1983）. Criminal intent and consequence severity： Effects of moral reasoning on punishment. Personality and Social Psychology Bulletin， 9（4）， 638-645.

Huang， M. H.， & Rust， R. T. （2018）. Artificial intelligence in service. Journal of service research， 21（2）， 155-172.

Jain， K.， & Sharma， I. （2019）. Negative outcomes of pos-itive brand relationships. Journal of Consumer Marketing， 36（7）， 986-1002.

Kalamas， M.， Laroche， M.， & Makdessian， L. （2008）. Reaching the boiling point： Consumers' negative affective reactions to firm-attributed service failures. Journal of Business Research， 61（8）， 813-824.

Kervyn， N.， Chan， E.， Malone， C.， Korpusik， A.， & Ybarra， O. （2014）. Not all disasters are equal in the public's eye： The negativity effect on warmth in brand perception. Social cognition， 32（3）， 256-275.

Kervyn， N.， Fiske， S. T.， & Malone， C. （2022）. Social per-ception of brands： Warmth and competence define images of both brands and social groups. Consumer Psychology Review， 5（1）， 51-68.

Kirkby， A.， Baumgarth， C.， & Henseler， J. （2023）. To disclose or not disclose， is no longer the question - effect of AI-disclosed brand voice on brand authenticity and attitude. Journal of Product & Brand Management， 32（7）， 1108-1122.

Lazarus， R. S. （1991）. Cognition and motivation in emotion. American psychologist， 46（4）， 352.

Leo， X.， & Huh， Y. E. （2020）. Who gets the blame for service failures？ Attribution of responsibility toward robot versus human service providers and service firms. Computers in Human Behavior， 113（4）， 106520.

Maslej， N.， Fattorini， L.， Brynjolfsson， E.， Etchemendy， J.， Ligett， K.， ... Perrault， R. （2023）. Artificial Intelligence Index Report 2023. ArXiv， abs/2310.03715.

McColl-Kennedy， J. R.， Sparks， B. A.， & Nguyen， D. T. （2011）. Customer's angry voice： Targeting employees or the organization？ Journal of Business Research， 64（7）， 707-713.

Menon， K.， & Dubé， L. （2004）. Service provider responses to anxious and angry customers： Different challenges， different payoffs. Journal of Retailing， 80（3）， 229-237.

Miceli， M.， & Castelfranchi， C. （2019）. Anger and its cou-sins. Emotion Review， 11（1）， 13-26.

Parasuraman， A.， Zeithaml， V. A.， & Berry， L. L. （1985）. A conceptual model of service quality and its implications for future research. Journal of Marketing， 49（4）， 41-50.

Riedl， R. （2022）. Is trust in artificial intelligence systems related to user personality？ Review of empirical evidence and future research directions. Electronic Markets， 32（4）， 2021-2051.

Ryoo， Y.， Jeon， Y. A.， & Kim， W. （2024）. The blame shi-ft： Robot service failures hold service firms more acc-ountable. Journal of Business Research， 171（7553）， 114360.

Sands， S.， Campbell， C.， Plangger， K.， & Pitt， L. （2022）. Buffer bots： The role of virtual service agents in mit-igating negative effects when service fails. Psychology & Marketing， 39（11）， 2039-2054.

Sinha， J.， & Lu， F. C. （2016）. “I” value justice， but “we” value relationships： Self-construal effects on posttra-nsgression consumer forgiveness. Journal of Consumer Psychology， 26（2）， 265-274.

Skowronski， J. J.， & Carlston， D. E. （1987）. Social judgment and social memory： The role of cue diagnosticity in ne-gativity， positivity， and extremity biases. Journal of per-sonality and social psychology， 52（4）， 689.

Tsarenko， Y.， Strizhakova， Y.， & Otnes， C. C. （2019）. Recl-aiming the future： Understanding customer forgiveness of service transgressions. Journal of Service Research， 22（2）， 139-155.

Wangenheim， F. V. （2005）. Postswitching negative word of mouth. Journal of Service Research， 8（1）， 67-78.

Weun， S.， Beatty， S. E.， & Jones， M. A. （2004）. The impact of service failure severity on service recovery evaluations andpost-recovery relationships. Journal of Services Marketing， 18（2）， 133-146.

Wickless， C.， & Kirsch， I. （1988）. Cognitive correlates of anger， anxiety， and sadness. Cognitive Therapy and Research， 12（4）， 367-377.

附錄

投資情景實驗程序：

被試首先閱讀指導語“假如你最近正在考慮進行一筆投資，你咨詢了冷杉資本的投資平臺。該平臺是由【AI/專人】提供建議的。該平臺已經使用了多年，現(xiàn)有用戶量很多”。

測量建議者合適性。

接下來平臺給出三個建議選項，被試進行選擇。然后被試閱讀到“然而，半年之后，你得知你的投資產生了巨大虧損”。

進行歸因操縱。被試閱讀到“你在網上查詢你所投資的項目的相關信息時，偶然發(fā)現(xiàn)，【平臺意圖：冷杉資本和你投資的那個項目存在利益關系，因此他們傾向于推薦與其有關系的項目。/代理能力：【算法/人類】在某些情況下可能面臨限制，表現(xiàn)出局限性。這可能源自多種原因，如問題復雜性、信息不足或經驗有限。在這些情況下，【它/他們】的表現(xiàn)可能不夠全面或準確。這種限制可能表現(xiàn)為決策的局限性、不完全的解決方案或者無法全面考慮所有相關因素。/控制組：很多人和你一樣通過該投資平臺投資了你所投資的項目，都出現(xiàn)了虧損?！俊?。

測量懲罰欲、憤怒情緒和后果嚴重程度。

醫(yī)療情景實驗程序：

被試首先閱讀指導語“假如你最近嚴重頭痛，正在考慮服用哪種藥物，然后你咨詢了靈芝公司的醫(yī)療應用平臺。該平臺是由【AI/專人】提供建議的。并且該平臺已經存在多年，有大量用戶”。

測量建議者合適性。

接下來平臺給出三個建議選項，被試進行選擇。然后被試閱讀到“然而，使用之后，非但沒有減輕你的癥狀，還出現(xiàn)了過敏反應?！薄?/p>

進行歸因操縱。被試閱讀到“然后，你在網上查詢你所使用的藥物相關信息時，偶然發(fā)現(xiàn)，【平臺意圖：該醫(yī)療應用平臺和藥廠存在利益關系，因此他們傾向于推薦與合作藥廠的藥品。/代理能力：【算法/人類】在某些情況下可能面臨限制，表現(xiàn)出局限性。這可能源自多種/9CUONHy86dGFJSRXjQ5aA9a4MvmxYYZEo7gEgrqRQM=原因，如問題復雜性、信息不足或經驗有限。在這些情況下，【它/他們】的表現(xiàn)可能不夠全面或準確。這種限制可能表現(xiàn)為決策的局限性、不完全的解決方案或者無法全面考慮所有相關因素。/控制組：有人和你一樣在使用了該款藥物之后也出現(xiàn)了過敏現(xiàn)象。】 ”。

測量懲罰欲、憤怒情緒和后果嚴重程度。

本研究所有原始材料和數(shù)據(jù)可從下面鏈接獲?。篽ttps：//osf.io/s8apd/？view_only=1422680d8fef43f4bb0087905297265f

The Impact of Advice Source and Attribution Type of Errors on the

Willingness to Punish Agent Platforms

Abstract

With the development of computer technology， the agency platforms are increasingly using AI as advisors to provide advice to consumers. However， like human advisors， AI may also make errors during service. In consumption， investment， and medical scenarios， a 2×3 between-subjects design was used to explore the impact of the advice source and attribution type on consumers' willingness to punish the agency platform after experiencing incorrect advice. The results showed that the effect of advice source on the willingness to punish the agent platform was not significant; attribution type significantly affected the willingness to punish， which manifested as an increase in punish willingness when attributing errors to the platform's intention. The impact of error intention attribution of platforms on the punitive willingness was mediated by anger.

Key words： advice source; attribution type; anger; punitive willingness to punish; AI