《Frontiers in Psychology》：Exploring the psychological factors influencing intention to use AI virtual companions: an SEM-ANN study
编辑推荐：
摘要：引言：AI虚拟伴侣产品在提供情感支持和交互体验方面展现出潜力，但其用户接受度和广泛采用仍面临挑战。本研究在TAM3（Technology Acceptance Model 3，技术接受模型3）模型基础上，引入AI信任（AI Trust）、感知拟人化（Pe
摘要：引言：AI虚拟伴侣产品在提供情感支持和交互体验方面展现出潜力，但其用户接受度和广泛采用仍面临挑战。本研究在TAM3（Technology Acceptance Model 3，技术接受模型3）模型基础上，引入AI信任（AI Trust）、感知拟人化（Perceived Anthropomorphism）和社交焦虑（Social Anxiety），构建了使用意愿的理论模型。方法：研究人员使用来自中国712名用户的调查数据，采用偏最小二乘法结构方程模型（PLS-SEM）和人工神经网络（ANN）进行实证分析。结果：结果显示，感知有用性（Perceived Usefulness）、感知愉悦性（Perceived Enjoyment）、AI信任和感知拟人化均与使用意愿呈显著正相关，而感知易用性（Perceived Ease of Use）和社交焦虑与使用意愿的直接关联不显著。此外，性别在AI信任和感知愉悦性对使用意愿的影响路径上存在显著差异，年龄则在AI信任和感知拟人化对使用意愿的影响路径上存在显著差异。SEM和ANN均表明AI信任是最关键的预测变量，而感知有用性的相对重要性最低。但两种方法对中间预测变量的排序存在差异：SEM中感知愉悦性比感知拟人化更重要，而ANN中结果相反。讨论：本研究的独创性在于理论上扩展了用户接受框架，方法上展示了整合SEM和ANN的优势，实践上为优化虚拟伴侣产品提供了启示。具体而言，研究结果表明需要在技术安全和情感体验间取得平衡，并为不同用户群体采取差异化的设计和推广策略。
论文解读：《Exploring the psychological factors influencing intention to use AI virtual companions: an SEM-ANN study》发表于《Frontiers in Psychology》。
【研究背景与目的】
虚拟伴侣（Virtual Companion）指具备情感支持和社交互动能力的数字实体，随着独居人口增加及社会陪伴缺失问题凸显，此类产品市场潜力巨大。然而现有研究多依赖传统技术接受模型，未能充分解释其情感关系属性带来的用户接受机制，且早期规则型对话系统难以满足自然情感交互需求。为弥补传统TAM（Technology Acceptance Model）框架在情感关系型AI产品上的解释力不足，研究人员基于扩展的TAM3（Technology Acceptance Model 3，技术接受模型3）框架，纳入AI信任（AI Trust, AIT）、感知拟人化（Perceived Anthropomorphism, PA）及社交焦虑（Social Anxiety, SA）等变量，并以性别和年龄作为调节变量，构建AI虚拟伴侣使用意愿（Behavioral Intention, BI）概念模型，采用SEM-ANN混合方法探究关键心理影响因素及其非线性预测贡献。
【主要关键技术方法】
研究人员通过"问卷星"平台收集中国曾使用过AI虚拟伴侣产品（如X EVA、星野等）用户的问卷数据，经清洗后获得712份有效样本（有效率91.8%）。测量工具采用7点Likert量表，包含感知有用性（PU, 3题）、感知易用性（PEU, 3题）、感知愉悦性（Perceived Enjoyment, PE, 3题）、AI信任（AIT, 3题）、感知拟人化（PA, 3题）、社交焦虑（SA, 3题）及使用意愿（BI, 3题）。首先用SPSS做描述性统计；随后用SmartPLS 3.0做PLS-SEM（Partial Least Squares Structural Equation Modeling，偏最小二乘结构方程模型）进行测量模型信效度检验及结构模型假设验证（Bootstrapping 5000次重抽样）；最后将SEM中显著的四个预测变量（PU、PE、AIT、PA）作为输入层，BI作为输出层，用SPSS神经网络模块构建多层感知器（Multilayer Perceptron, MLP）人工神经网络（Artificial Neural Network, ANN），采用十折交叉验证及灵敏度分析评估变量相对重要性。
【研究结果】
4.1 描述性统计分析（Descriptive Statistical Analysis）
样本N=712，男性51.5%，女性48.5%；18～35岁占65.9%，36～55岁占34.1%；本科及以上学历占73.3%。
4.2 共同方法偏差检验（Common Method Bias Test）
Harman单因子检验首因子解释方差33.549%（<50%），VIF值1.029～1.558（<3.3），表明无严重共同方法偏差。
4.3 基于SEM的AI虚拟伴侣使用意愿分析（SEM-based Analysis of Usage Intention Toward AI Virtual Companion Products）
4.3.1 测量模型检验（Measurement Model Testing）
所有条目因子载荷0.863～0.906（>0.7），Cronbach's α 0.855～0.869（>0.7），组合信度CR 0.912～0.919（>0.7），平均方差萃取AVE 0.775～0.792（>0.5），Fornell-Larcker准则及交叉载荷均满足判别效度要求，测量模型信效度良好。
4.3.2 结构模型检验（Structural Model Testing）
假设检验结果：H1 PU→BI β=0.141, p<0.001 支持；H2 PEU→BI β=0.032, p=0.399 不支持；H3 PE→BI β=0.235, p<0.001 支持；H4 AIT→BI β=0.260, p<0.001 支持；H5 PA→BI β=0.178, p<0.001 支持；H6 SA→BI β=0.069, p=0.062 不支持。模型R2=0.360，Q2=0.348，具可接受解释力与预测相关性。按路径系数排序：AIT > PE > PA > PU。
4.3.3 调节效应检验（Moderation Effect Testing）
性别调节：女性组AIT→BI(β=0.349)和PE→BI(β=0.317)显著强于男性组(β=0.160; β=0.125)，p<0.05。年龄调节：年长组(36～55岁)AIT→BI(β=0.428)和PA→BI(β=0.288)显著强于年轻组(β=0.152; β=0.096)，p<0.001。
4.4 基于SEM-ANN的AI虚拟伴侣使用意愿模型分析（SEM-ANN-based Analysis of the Usage Intention Model for AI Virtual Companion Products）
ANN输入PU、PE、AIT、PA，十折交叉验证训练集RMSE均值0.033，测试集0.093，模型稳定无过拟合。灵敏度分析标准化相对重要性：AIT 100% > PA 99.7% > PE 84.1% > PU 70.7%。ANN排序与SEM一致认为AIT最重要、PU最不重要，但ANN显示PA预测贡献高于PE，与SEM路径系数排序（PE > PA）不同，体现非线性补充信息。
【讨论与结论总结】
传统TAM变量中PU显著正向影响BI，PE也是关键驱动因素，但PEU在本研究年轻网民为主样本中未成显著直接预测因子，可能因其已是产品基本门槛而非持续使用差异化因素。新增AI特征变量中，AIT是使用意愿最强正向预测因子，反映情感型AI产品用户首要关注隐私安全与可靠性；PA显著正向影响BI，语言行为拟人化促进准社会交往与亲密感，但需配合透明度说明避免过度依赖。SA无直接显著影响，可能通过孤独感、人际回避或准社会关系等中介间接作用，非近端直接预测因子。性别与年龄存在显著调节——女性更受信任与安全感和情感体验驱动，年长者更依赖信任确认及拟人化自然交互。SEM与ANN结果互补：线性路径分析显示PE系数大于PA，但ANN非线性预测重要性显示PA高于PE，说明感知拟人化在以使用意愿为输出的预测模型中具更复杂贡献，混合方法优于单一线性假设检验。实践层面建议产品强化数据透明与隐私控制建立AIT，优化长期情境记忆与情感反馈增强PE与PA，并按性别年龄分层设计功能模块。研究局限含样本年轻化与中国文化局限性、横断面数据、自评问卷、未测SA中介机制及PA细分维度等，未来可开展跨文化纵向研究及中介模型拓展。
结论：基于扩展TAM3模型并结合AI信任、感知拟人化及社交焦虑构建的模型经SEM-ANN分析表明，感知有用性、感知愉悦性、AI信任和感知拟人化显著正向影响AI虚拟伴侣使用意愿，感知易用性和社交焦虑直接影响不显著。性别调节AI信任和感知愉悦性路径，年龄调节AI信任和感知拟人化路径。AI信任是首要预测因子，感知有用性相对重要性最低；SEM与ANN对中间变量排序差异反映了线性与非线性视角的互补价值。该研究从理论、方法及实践层面为情感关系型AI产品的用户接受机制提供了扩展框架与设计指引。
