以情補智：人工智能共情回復的補救效果研究

呂興洋 楊玉帆 許雙玉 劉小燕

[摘? ? 要]在人工智能（AI）開始廣泛應用于酒店、餐飲和在線旅行商等服務企業的背景下，AI不可避免地會發生服務失敗。如何通過自身能力進行服務補救以實現保留顧客的目標，成為AI服務過程中不可忽視的問題。文章聚焦于AI服務補救，轉換傳統的“智商”提升思路，從“情商”角度探索共情回復的補救效果。研究采用4個情景實驗進行假設檢驗：實驗1A首先驗證主效應;實驗1B采用了不同的AI與顧客的交互方式和服務失敗類型的組合情境，并在更廣泛的群體中驗證主效應的穩健性;實驗2進一步更換情境，以檢驗信任度與創新感知的中介作用;最后，實驗3考慮顧客特征，比較兩種中介機制發揮作用的群體差異。實驗結果證明：在AI服務補救中，高共情回復可提高顧客對AI的持續使用意愿，且信任度與創新感知共同起到完全中介作用。此外，面對AI高共情回復，越偏向促進焦點（相比偏向防御焦點）的顧客，具有越高的信任度和創新感知，進而具有越強的持續使用意愿;而面對AI低共情回復，兩類顧客間則無顯著差異。研究結論不僅完善了AI服務推廣及應用的研究體系，還為技術研發人員及酒店經營者提供了具體的實踐建議。

[關鍵詞]人工智能;人工智能情商;服務補救;共情;持續使用意愿

[中圖分類號]F59

[文獻標識碼]A

[文章編號]1002-5006（2021）08-0086-15

Doi： 10.19765/j.cnki.1002-5006.2021.08.012

引言

人工智能（artificial intelligence， AI）是指通過機器展現出來的人類智能，現已廣泛應用于醫療、教育、住房等多個領域[1]。由于其具有提升企業效率、優化服務和降低人力成本等優點，酒店、餐飲和在線旅行商等服務企業也開始積極引入AI（包括實體AI機器人與虛擬AI助手服務），酒店服務智能化成為新的發展方向，甚至已經出現了全面使用AI進行服務的智能酒店。例如，2018年底，阿里巴巴首家無人智能酒店“FlyZoo Hotel”于杭州正式開業，其全流程無人化智能服務模式令人耳目一新，并引發業界紛紛效仿;華住集團于2020年2月2日在其旗下5700多家酒店內強化推行AI服務，加快了AI服務在酒店中全面鋪開的進程。在這種人機交互服務模式開始廣泛應用、AI滲透率不斷提升的情況下，AI替代人工獨立完成工作并解決問題成為未來的發展趨勢，AI成為酒店服務質量的關鍵因素之一。

傳統的AI技術開發商一直致力于通過提高AI“智商”水平以提升服務質量，降低服務失敗率[1]。但縱然AI“智商”再高，也難以避免服務失敗的出現，譬如得到吉尼斯世界紀錄認證的世界第一家AI服務酒店——日本海茵娜怪異酒店，就因AI難以很好地自主應對服務失敗而收到大量顧客投訴，導致顧客流失[2]。因此，對AI的研究需要關注服務失敗后的補救與顧客保持。特別是酒店、餐飲和在線旅行商等旅游企業具有顧客群體差異性大、非慣常環境中顧客需求異質化程度高[3]等特點，更是增加了AI服務失敗的概率。為防止AI服務失敗導致顧客放棄使用[4]、將不滿上升至酒店、傳播負面口碑[5]等一系列嚴重后果，同時出于節約成本、解放人力以及人工難以即時處理AI服務失敗問題等現實考慮，AI必須獨立及時地進行恰當的服務補救[6]。

技術開發商試圖通過提升AI“智商”實現服務補救，但“智商”的提升不能一蹴而就[1]。受限于當前的智能水平，AI很難像人工一樣因人、因地制宜，進行靈活的差異化、組合化補救，所以在實踐中普遍只能采用“道歉”這一通用且在技術上易于實現的補救措施[7]。然而其補救效果難以令人滿意，針對此，需要另辟蹊徑，尋找“智商”以外的其他方法提高AI補救的效果。相關研究證明，顧客負面情緒消除是服務補救成功的直接、關鍵性途徑[8]，而理解顧客情緒、立場，從顧客角度思考并做出反應的共情能力能夠安慰顧客、消除顧客因服務失敗產生的消極情緒[9-10]。根據社會交換理論，這種作用的產生源于AI共情可以為顧客帶來足夠的（即時或預期）報酬，包括外部的工具性服務（顧客對AI后續服務水平的期望）以及內部的積極心理體驗（顧客由于AI共情引發的愉悅、新奇等感受）[11]。由此，本文研究在AI現有“智商”水平下，從顧客情感出發，通過非技術手段解決AI服務失敗問題的可能性。即AI可以嘗試通過共情回復這一“情商”方式改善服務補救效果，維持顧客的持續使用意愿（continuance intention）。研究通過4個實驗檢驗服務失敗情況下AI共情回復這一“情商”補救策略的效果與作用機制，從使用階段上擴展了AI服務的研究，協助酒店以及其他服務企業應對AI推廣過程中遇到的問題。

1 相關研究綜述

1.1 服務業的AI應用研究

AI作為服務創新的革命性技術，在服務接待業的應用愈發廣泛[12]。早期研究主要從AI技術層面出發關注其市場推廣問題，研究內容集中在顧客的接受度、滿意度評價等方面。大量研究基于顧客視角，在技術接受模型（technology acceptance model，TAM）、任務-技術適配理論（task-technology fit，TTF）、整合技術接受擴展理論（unified theory of acceptance and use of technology，UTAUT）等傳統理論模型指導下分析AI技術特征、任務與技術關系匹配，以及顧客所處環境等因素對顧客使用意愿的影響及其作用機制，集中論證了顧客對AI服務的感知有用性、感知易用性與AI技術績效和能力期望相關變量的中介作用[13]。而隨著對AI服務認識的加深，部分研究者開始意識到，與以往的新技術不同，顧客期望AI能夠提供與服務人員相同甚至更高水平的服務[13]，并基于此結合AI技術在服務情境中的實際應用總結出了諸如AI形象特征（擬人化[14]、可愛[15]等）、動作特征（側頭[16]、微笑[17]等）等大量外在特征。Lu等、Gursoy等還把擬人化這一最受關注的外在特征納入了傳統理論模型，加入享樂動機、社會影響和情緒等因素，構建出了AI服務使用接受模型（model of artificially intelligent device use acceptance，AIDUA）[13，18]，并基于此開發出新的AI使用意愿量表[13]，驗證了績效期望以外的重要感性心理機制。

總體而言，上述技術接受視角下AI推廣問題的研究主要聚焦于提升潛在顧客的接受和使用意愿，但此后的顧客保持也同樣重要，提高顧客持續使用意愿成為服務業AI技術推廣過程中必須關注和解決的另一個問題[19]。針對此，研究者們相繼發展出基于期望確認模型的信息系統持續使用模型（expectation-confirmation model of information system continuance，ECM-ISC）與信息系統成功模型（information system success model，ISSM）。這些模型證明顧客持續使用意愿會受其初次使用后的感知、期望滿足以及質量評價的影響，這些因素形成的顧客滿意對提高其持續使用意愿起著主導作用[20]。但復雜的服務環境決定了AI不可避免地會發生服務失敗，致使顧客評價降低、產生不滿，并進一步削弱其持續使用意愿，甚至令其產生轉換意圖[3-6]。故要實現顧客保持，AI就需要通過恰當的服務補救應對服務失敗。

通過以上文獻回顧發現：首先，目前AI服務的相關研究還主要集中于顧客的接受度、滿意度評價等技術推廣及初次使用方面，對AI的持續使用問題，尤其是不可避免的服務失敗發生后的持續使用問題關注不足。其次，現有關于AI使用意愿研究所探討的心理機制更多著眼于顧客對AI技術層面的感知有用性、易用性，對其他層面心理機制的挖掘不足。更為重要的是，顧客在AI服務補救后的心理機制和初次使用意愿的心理機制完全不同，需要進一步探究。故本文基于AI的機器屬性，探究其服務失敗后的持續使用問題，期望尋找到最適合AI使用的服務補救手段，并揭示這一手段發揮作用的心理機制。

1.2 服務補救與AI服務補救措施

以往服務補救的研究提供了廣泛的補救措施，總體可以概括為精神補救（道歉、共情、公平解決、承諾等）與物質補救（賠款、折扣、額外補償等）兩大類[21-22]。這些補救措施需要依據服務失敗情境[23-24]、服務失敗程度和顧客對于服務補救的期待水平[25-26]等具體因素，按照恰當的補救流程進行應用。為得到更好的補救效果，精神補救與物質補救常常被組合使用[27-28]。但受制于服務AI現有的程序化、模式化和機械化等特性，以往人-人互動下的補救方式，尤其是組合補救變得難以施行，因此，需要尋找符合AI特征的服務補救方式。針對AI的機器性和科技性，傳統技術層面的補救思路致力于提升AI分析能力以提高“智商”[1]，期望在失敗后重新傳遞服務并提高成功率。但這種“高智低情”的技術思維忽略了服務業本質上是以顧客為核心的、有溫度的行業，服務失敗后顧客所需要的并不只是服務傳遞過程的重新完成，還需要服務提供者關注并安撫其消極情緒。

顧客情緒是指顧客在產品使用或消費過程中產生的一系列情感反應[29]。當前，服務補救研究也已意識到顧客情緒的重要性[8]。顧客情緒的改變貫穿服務補救全過程，且直接影響顧客關系持續[8]：顧客的積極情緒能夠降低其不滿水平[30]，對其重購意愿、口碑傳播和滿意度等行為意向產生積極影響，從而正向影響顧客關系持續;消極情緒則起著相反作用[31]。特別是在高交互、高沖突的情境下，顧客情緒的作用甚至會占據主導地位[8]。故酒店、餐飲和在線旅行商等高交互服務企業在補救中尤其需要考慮具有情緒調節作用的補救方式，以此提升補救效果。

綜合上述AI特性及酒店服務特征，AI服務補救不能僅依賴“智商”，還應當從顧客情緒需要出發，尋求可以促使AI服務補救效用最大化的補救方法。而在所有的補救手段中，共情作為“情商”的重要組成部分和突出表現形式在人際互動中被證明對消除顧客消極情緒起著突出的積極效果[10]。但在人機交互的服務情境中，AI共情這一“情商”手段能否改善AI服務補救效果、增強顧客持續使用意愿還有待證明。

1.3 AI共情及其重要作用

共情是一種包含認知、情感和行為等多個維度的個體“情商”能力[9]。而AI共情則是指AI感知、理解和回應人類想法、感受、行為和經驗的能力，是AI社會性的體現[32]。因此，AI共情不僅被視為是實現人機成功互動的高級技能[33]，更被看作是提高AI服務水平的重要途徑[1]。通常來說，AI共情與人類共情相同，可通過口語表達、觸摸安撫、行為鏡像等語言和非語言行為共同完成[9]。但在實際應用過程中，受制于AI應用形式（面板、擬人實體或虛擬助手等）、服務場景和企業應用成本等因素，AI無法將所有的共情手段都投入服務實踐。共情回復（empathic response）這一補救手段不受AI形態限制，可用于語音、文字和表情等多種交互方式，成為當前AI共情的主要呈現方式[34]。

作為服務質量評估模型的五維度（可靠性、保證性、有形性、共情性和響應性）之一，共情高度影響顧客的情緒水平和服務質量感知[35]。已有研究證明，具有高共情能力的AI在與用戶互動時會表現出高度的關懷、支持和對其利益的關心[36]。這有助于增強用戶信任度[37]、舒適感[38]以及與AI互動的契合度[39]等積極情感，緩解其焦慮和壓力[40]等負面情緒，進而可提升AI的接受度和滿意度[34]，推動AI與用戶間建立并保持積極關系[41]。上述研究均是在交互成功假設下證明AI共情的價值。然而，在酒店、餐飲和在線旅行商等高交互、高沖突的特殊服務情境[42]中，交互失敗不可避免。此時，考慮到實際應用情境，共情回復作為一種AI技術的服務補救工具的積極作用還需驗證。具體而言，當AI共情方式具體為共情回復時，其是否足以幫助AI更好地應對服務失敗問題;相比于以往人-人互動的服務補救其作用機制有何不同、對不同類型顧客的影響是否存在差異等問題，還需要在充分考慮AI機器屬性的基礎上進一步探索。

2 研究假設

本文在刺激-機體-反應（stimulus-organism-response，S-O-R）框架下，利用社會交換理論（social exchange theory，SET）構建理論模型。社會交換理論認為，交換是社交關系的最基本形式，個體的交換行為取決于做出這一行為所能獲得的報酬。當個體期望自身可以得到即時或預期報酬時，就會參與到社會交換活動中。由于社會交換理論的基本原則之一是隨著時間的推移，關系會演變為信任、忠誠和相互承諾[43]，而隨著信息技術的發展，服務業中的人機互動逐漸增多，人機關系日益密切，因此，社會交換理論開始廣泛應用于技術采納及持續使用研究[44]。

根據社會交換理論，AI服務失敗后做出的補救能否為顧客帶來足夠的報酬，是影響顧客持續使用意愿的關鍵。這種報酬可以分為外在和內在兩種類型。外在報酬是指物質性財富或工具性服務，如金錢、產品、幫助、服從等[11]。在AI服務失敗后，顧客會對其能否解決問題、重新完成任務以及提供高水平服務等外在報酬進行評估和判斷。顧客只有在認為自己能夠得到這些外在報酬時才會愿意繼續使用。顧客對AI的信任度（trust）是指顧客在風險情境下對AI履行承諾、以積極方式幫助其維護利益程度的信心[45]，代表了顧客在AI服務補救中對AI所能帶來的外在報酬的期望和評價。內在報酬則是指從社交關系本身獲得的心理上的積極體驗，如樂趣、贊同、新奇、愉悅等[11]。而創新感知（perceived innovativeness）作為顧客對產品創新性的主觀評價，包括創意新穎性感知、技術新穎性感知和相對優勢感知，本身就代表了顧客通過產品創新性能夠得到的新鮮感、新穎感和獨特感等積極愉悅的內在心理體驗，因而成為顧客可以通過AI共情回復獲得的重要內在報酬，將高度影響顧客態度和行為[46]。故結合SOR模型與社會交換理論，本文將顧客的信任度與感知創新作為AI共情回復這一外在刺激與持續使用意愿這一反應結果間的心理機制，構建出本文的理論模型（圖1）。

2.1 服務補救中AI共情回復對顧客持續使用意愿的影響

AI服務失敗使顧客產生AI服務能力不足的消極感知，引發顧客不滿情緒，進而導致顧客流失[47]。解決這一問題并提升顧客持續使用意愿的重點就在于解決顧客的不滿情緒。AI采用高水平的共情回復進行服務補救能對處于消極情緒中的顧客進行情感回應，充分向顧客傳遞其理解、照顧顧客情緒并始終以顧客利益為核心等有效信息[48]。這種情感回應與顧客在服務失敗后尋求問題解決和情感彌補的目標和價值一致，將使顧客對AI本身產生正面評價，誘發顧客滿意、愉快等積極情緒[49]。從而達成消除由AI服務失敗產生的負面情緒及其負面影響[50]，保持顧客對AI的持續使用意愿，最終實現成功的服務補救的目的。由此，本文提出如下假設：

H1：在AI服務補救中，相較于低共情回復，高共情回復可提高顧客對AI的持續使用意愿

2.2 信任度和創新感知的中介作用

以往研究發現，在人機交互過程中，當感受到AI回應表現出技術的腳本化、程序化特征時，顧客更缺乏耐心和溝通意愿[51]，加劇顧客消極感知。故AI服務失敗以后，AI若采用低共情甚至是機械化的重復報錯、提示重新操作和道歉等方式回應將加劇顧客對AI能力的負面認知，降低對AI的信任度[39]，進而降低持續使用意愿。相較而言，AI高共情回復則避免了人機交互中機器帶給顧客的死板和冰冷感，展現出更貼心的、更類似人-人互動的反饋。這種以顧客需求為核心并致力于彌補顧客情感損失的補救方式不僅回應了顧客的問題解決訴求，更滿足了顧客對服務AI的情感反應能力的期望[52]，傳遞出了更高水平的關心、幫助和支持[39]。由此提高了顧客對于AI能在面對風險或失敗時關心幫助自己，并維護自己利益等外部報酬的正面感知——即顧客對AI的信任水平得以提升。顧客的高度信任可以降低顧客的轉換意圖和流失率[53]。即若顧客信任AI，則在顧客眼中，與AI服務的關系持續是有價值的，從而不會放棄使用AI。因此，在遭遇服務失敗時，顧客會因高度信任而擁有更高的持續使用意愿。據此，本文做出以下假設：

H2a：在AI服務補救中，相較于低共情回復，顧客對高共情回復的AI擁有更高的信任度

H2b：信任度在AI共情回復對顧客持續使用意愿的影響中起到中介作用

早期的人機交互設計中，為提升機器功能水平，技術人員常常有意略去共情并減少相關反應[54]，但隨著顧客需求水平的提高和技術的進步，服務AI研發開始探索提升其共情能力，從而滿足顧客情感需求，共情回復就是其表現形式之一[34]。在服務AI發展的4階段（機械AI、分析AI、直覺AI和共情AI[1]）中，共情AI被認為是服務AI發展的高級階段，需要更先進、更復雜和更創新的技術投入[1]。因此，相較于AI的低共情回復，高共情回復將使顧客感覺更有創意、更新穎，由此提高了顧客的創新感知這種內在報酬水平。這種內在報酬還可以進一步誘發顧客喜愛[55]等正面情緒，幫助其消除因服務失敗產生的不滿情緒，促使顧客著眼于當前的愉悅體驗，從而對AI此前的失敗呈現出更為寬容的態度，提升顧客持續使用意愿。故AI高共情回復可以通過提高顧客的創新感知水平來提升其持續使用意愿。據此，本文做出以下假設：

H3a：在AI服務補救中，相較于低共情回復，顧客對高共情回復的AI擁有更高的創新感知

H3b：創新感知在AI共情回復對顧客持續使用意愿的影響中起到中介作用

2.3 特質性調節焦點的調節作用

服務補救后的顧客決策除了考慮服務提供者的補救措施影響外，還需要考慮顧客的個體特征。顧客的特質性調節焦點（chronic regulatory focus）這一個體特征是指個體在追求期望狀態的過程中存在的促進焦點（promotion focus）和防御焦點（prevention focus）兩種自我調節傾向[56]，會影響顧客的行為意向[57]。促進焦點出于成就需求引導個體采取積極趨近策略達到期望狀態，通常對外部刺激產生更為積極的認知[58]。而防御焦點總是尋求那些更加安全和信任的因素[59]，趨向關注失敗和風險，并最終采取回避策略[60]。兩種調節焦點可以同時存在，但具體哪種調節焦點占據主導地位取決于個人的特質傾向[61]。

AI服務失敗下的共情回復既包含了AI服務失敗中的消極因素，也有AI共情回復所表現出的關注顧客需求、維護顧客利益以及技術創新等積極信息。促進焦點傾向的顧客會更多關注AI共情回復中呈現的積極信息[62]，并愿意為了達成目標承擔可能再次失敗的風險，故面對AI共情回復會產生高水平的信任度和創新感知，進而提升持續使用意愿。相對而言，越傾向防御焦點的顧客，出于安全和保障的動機[63]會更加關注補救前的AI失敗及由此產生的不確定性并強化不滿，削弱了共情回復帶來的積極效果，采取回避策略[64]，從而更不容易因AI共情回復產生高水平的信任度和創新感知，持續使用的意愿也更低。由此，本文做出以下假設：

H4a：在AI服務失敗情境下，越偏向促進焦點（相比偏向防御焦點）的顧客，面對AI高共情回復，具有越高的信任度，進而具有越強的持續使用意愿;而面對AI低共情回復，兩類顧客間無顯著差異

H4b：在AI服務失敗情境下，越偏向促進焦點（相比偏向防御焦點）的顧客，面對AI高共情回復，具有越高的創新感知，進而具有越強的持續使用意愿;而面對AI低共情回復，兩類顧客間無顯著差異

2.4 研究框架

本文共設計了4個實驗（表1），首先，在年輕群體中檢驗AI共情回復對顧客持續使用意愿的提升作用（實驗1A）;其次，在更廣泛的群體中驗證實驗1A結果的穩健性（實驗1B）;此后，進一步檢驗信任度與創新感知的中介作用（實驗2）;最后，比較兩種中介機制發揮作用的群體差異（實驗3）。

3 實驗1A

3.1 實驗設計

實驗1A采用單因素組間實驗設計（共情回復：高vs.低），檢驗服務補救中AI共情回復對顧客持續使用意愿的影響。由于服務失敗分為過程失敗與結果失敗兩類[64]。實驗1A首先選擇過程失敗，即發生在服務傳遞過程中，由服務傳遞的流程、方法、習慣或服務人員態度而導致的服務失敗情景，并采用文字這一常見的人機交互形式。此外，對于AI服務這種新型高科技服務形式，年輕群體接觸得更多、更為熟悉，所以選擇先在年輕群體中進行驗證。

3.2 實驗前測

為確保自變量操縱的有效性，在正式實驗前，對AI共情回復的實驗材料進行前測。兩組實驗材料除服務失敗后的回復表述不同外，無任何差別，具體如下。

假設你在一家擁有AI服務系統的酒店預訂了房間，到達酒店后，你選擇使用大堂中的AI自助辦理入住。你點擊屏幕喚醒AI，此時屏幕上出現“您好，歡迎光臨，接下來由我為您服務”的字樣。你繼續點擊屏幕上的“辦理入住”選項，接著AI顯示屏顯示“請將ID卡放在指定位置”，你將ID卡放在指定位置進行身份驗證。稍后，AI顯示屏顯示：

低共情回復組：驗證失敗，請您重新放置ID卡。

高共情回復組：驗證失敗，不要擔心，請您重新放置ID卡。

你進行第二次驗證，之后AI顯示屏仍顯示：

低共情回復組：驗證失敗，請您重新放置ID卡。

高共情回復組：還是沒有成功，雖然心累，但我們再試一次好嗎。

屏幕上提示你再次嘗試。第三次驗證后，AI顯示屏顯示：

低共情回復組：驗證成功，歡迎您入住本酒店。

高共情回復組：驗證成功，我會更努力以勝任您的智能管家，歡迎您入住本酒店。

前測有償招募60名參與者（男性51.7%;M年齡=20.37，SD=2.54），隨機分組閱讀上述實驗材料，之后評估回復內容的共情水平。測量題項參考Ronan等[42]的成熟量表，并根據本研究情景做出修改，具體包括3個題項：“我感覺這個AI在回復我時考慮到我的感受” “我感覺這個AI在回復時是以我為中心的”“我感覺這個AI在回復我時是站在我的角度來思考問題的”（Likert 7級量表，1=非常不贊同，7=非常贊同）。單因素方差分析結果顯示，對于共情水平（α=0.91），高共情回復組顯著高于低共情回復組（M低共情=4.18，M高共情=5.70，F（1，58）=22.18，p<0.001），實驗材料符合實驗操控要求。

3.3 正式實驗

為了排除參與者實驗前情緒對顧客持續使用意愿[66]的影響，首先詢問其當前情緒，之后請參與者閱讀實驗刺激材料（與前測相同），并填寫問卷。問卷包括服務失敗嚴重程度、共情水平、持續使用意愿及人口統計信息（性別和年齡）。情緒測量題項源于Townsend和Sood[67]、Nenkov和Scott[68]、Watson等[69]的研究，包括悲傷-快樂，壞心情-好心情，易怒-滿意，抑郁-開朗（1代表偏向左側消極情緒，7代表偏向右側積極情緒）;對失敗嚴重程度的評價采用Hess[70]使用過的單項測量問項目：“您認為這個AI服務失敗的嚴重程度為……”（Likert 7級量表，1=非常不嚴重，7=非常嚴重）。共情水平測量題項與實驗前測相同，持續使用意愿的測量采用Bhattacherjee[20]的信息系統持續使用意愿量表，并根據情景做出修改，包括以下3個題項：“我會再次嘗試使用這個AI而不是停止使用它”“我會繼續使用這個AI而不是呼叫服務人員”“即使可以選擇停止，我也不會停止使用這個AI”（Likert 7級量表，1=完全不贊同，7=非常贊同）。正式實驗在某大學內有償招募具有酒店住宿經驗的本科高年級學生。實驗設計了注意力驗證、連續極值/連續同值排除的篩選規則（后續實驗問卷均設置此規則以獲取有效樣本），最終獲得有效樣本83份（男性51.8%;M年齡=20.71，SD=1.77）。

3.4 實驗結果

操縱檢驗：單因素方差分析結果顯示，組間情緒（α=0.85）差異不顯著（M低共情=4.74，M高共情=5.26，F（1，81）=3.02，p=0.086），參與者實驗前情緒的潛在影響得以排除。對服務失敗嚴重程度的感知組間差異不顯著（M低共情=4.90，M高共情=4.83，F（1，81）=0.10，p=0.757）。對于共情水平（α=0.90），高共情回復組顯著高于低共情回復組（M低共情=4.46，M高共情=5.34，F（1，81）=10.44，p=0.002），實驗操縱成功。此外，本文在4個實驗中均測量了樣本的性別與年齡，實驗結果表明，二者對參與者關于共情水平的感知均沒有顯著影響。

因變量檢驗：對因變量持續使用意愿（α=0.91）的分析結果顯示，在服務失敗場景下，AI高共情回復組的持續使用意愿顯著高于低共情回復組（M低共情=4.30，M高共情=5.58，F（1，81）=31.03，p<0.001）。

接下來，本文通過協方差分析來測試在控制了參與者的年齡和性別時共情回復對持續使用意愿的影響，結果與單因素方差分析保持一致。具體而言，在服務失敗時，AI高共情回復組的持續使用意愿顯著高于低共情回復組（M低共情=4.27，M高共情=5.61，F（1，79）=30.42，p<0.001）。年齡（F（1，79）=0.10，p=0.754）和性別（F（1，79）=0.48，p=0.490）均對持續使用意愿無顯著影響。至此，H1得到初步驗證。后續實驗均控制了樣本的性別與年齡，分析結果表明，影響均不顯著。

3.5 討論

實驗1A在過程失敗情景下初步驗證了共情回復對持續使用意愿的影響。但實驗1A仍存在以下局限：首先，文字僅是AI與顧客交互的一種方式，對于其他人機交互方式（如語音），共情回復是否仍然有效，還需進一步驗證。其次，實驗1A僅考察了過程失敗情景，還應在結果失敗情景下對假設進行驗證。最后，本研究僅選取了對AI服務接受度相對較高的青年群體，還應在更廣泛的群體中進行檢驗，以擴展研究的外部效度。針對此，實驗1B利用更廣泛的社會樣本進一步檢驗結果失敗情景下，AI語音共情回復對顧客持續使用意愿的影響。

4 實驗1B

4.1 實驗設計

實驗1B采用單因素組間實驗設計（共情回復：高vs.低vs.無）進一步檢驗實驗1A結論的穩健性。實驗采用另一種常見的人機交互形式——語音，并選擇結果失敗，即那些沒有能夠完成顧客預期的基本服務內容或未能執行核心服務的失敗情景[65]作為研究背景。同時，實驗1B改為選用社會樣本，并加入一組無任何回復的控制組，以進一步排除“回復”這一行為本身的影響。

4.2 實驗前測

實驗組材料所用語音回復（共情回復：高vs.低）均由小米MIUI系統中的AI“小愛同學”完成。除服務失敗后AI的回復表述不同外，無任何差別。具體如下。

假設你外出旅行時入住在一家擁有智能服務系統的酒店。入住酒店后，你覺得智能服務系統給你設定的空調溫度偏低，同時，你想要關上窗簾換上睡衣，于是對智能服務系統發出如下指令：“把空調溫度調節至28℃，并且關上窗簾”。此時智能服務系統語音回復：

低共情回復組：我暫不支持同時執行多個操作，請您分別嘗試。

高共情回復組：我理解您希望很多事齊頭并進，但為保證百分百完成您的每一要求，我暫不支持同時執行多個操作，請您分別嘗試。

前測有償招募61名參與者（男性52.5%;M年齡=31.07，SD=7.47），隨機分組閱讀實驗材料，之后，回答共情水平的測量題項，題項與實驗1A相同。單因素方差分析結果顯示，對于共情水平（α=0.83），高共情回復組顯著高于低共情回復組（M低共情=4.85，M高共情=5.68，F（1，59）=9.22，p=0.004），實驗材料符合實驗操控要求。

4.3 正式實驗

實驗1B有償招募140名參與者分別進入一個模擬客房場景。參與者首先填寫情緒測量問項，之后，對實驗提供的智能AI設備發出如前測材料中的指令，并隨機得到回復（低共情回復vs.高共情回復vs.無回復）。其中，高、低共情回復內容同前測，無回復組“十幾秒后空調溫度與窗簾均無任何變化，智能服務系統也沒有給你任何回應”。之后，參與者填寫實驗問卷。問卷內容同實驗1A，無回復組不對其共情水平進行測量。最終獲得有效樣本130份（男性46.9%;M年齡=30.51，SD=8.63）。

4.4 實驗結果

操縱檢驗：單因素方差分析組間結果顯示，情緒（α=0.86，M低共情=5.13，M高共情=5.26，M無回復=5.04，F（2，127）=0.27，p=0.752）及對服務失敗嚴重程度感知（M低共情=5.09，M高共情=4.90，M無回復=4.78，F（2，127）=0.99，p=0.373）組間差異均不顯著，且兩兩比較均不顯著。參與者對于共情水平（α=0.81）的感知組間差異顯著（M低共情=4.88，M高共情=5.52，F（1，83）=7.41，p=0.008），實驗操縱成功。

因變量檢驗：對因變量持續使用意愿（α=0.83）的分析結果顯示，在服務失敗場景下，AI高共情回復組的顧客持續使用意愿顯著高于低共情回復組（M低共情=5.09，M高共情=5.76，F（1，83）=11.23，p=0.001），同時，顯著高于無回復組（M高共情=5.76，M無回復=4.79，F（1，84）=20.49，p<0.001），但AI低共情回復組的顧客持續使用意愿與無回復組無顯著差異（M低共情=5.09，M無回復=4.79，F（1，87）=1.49，p=0.226）。H1再次得到驗證。

4.5 討論

實驗1B證明，在AI服務失敗后，相對于無回復，低共情回復的服務補救效果十分有限，只有高共情回復才能顯現出足夠明顯的補救作用。實驗1A和實驗1B共同證明，對于不同類型的服務失敗情境，不同人機交互形式（文字和語音）中的共情回復均顯著影響持續使用意愿（H1）。

5 實驗2

5.1 實驗設計

實驗2采用單因素組間實驗設計（共情回復：高vs.低），更換實驗材料為過程失敗下的語音交互形式復驗AI共情回復的影響，并進一步檢驗共情回復的中介機制。

5.2 實驗前測

實驗所用語音同樣由MIUI系統的AI“小愛同學”完成。材料中除服務失敗后AI的回復表述不同外，無任何差別，具體如下。

假設你外出旅游時入住在一家擁有智能服務系統的酒店，您在入住酒店充分休息后決定前往酒店餐廳用餐，由于不清楚餐廳的具體位置，你喚醒客房內的智能系統詢問：“酒店哪兒可以吃飯”。

此時AI為您播放了以下內容：

“本酒店的餐飲設施包含中餐廳，200人散客座位，240人團客座位，包含設施如下……”

你趕快打斷它，繼續詢問：“我是問你吃飯的地方在哪里”。

此時AI回復：

低共情回復組：很抱歉我沒有聽清，請重復一遍您的問題。

高共情回復組：很抱歉我沒有聽清，我理解您現在可能已經有點不耐煩了，但請再給我一次為您效勞的機會吧。

你再次重申你的問題：“酒店的餐廳在幾樓”。

此時AI回復道：

低共情回復組：親愛的顧客，本酒店的餐廳設置于二樓，祝您用餐愉快。

高共情回復組：親愛的顧客，美味佳肴已為您準備在二樓，希望我的愚鈍沒有破壞您享受美食的心情。

前測有償招募62名參與者（男性43.5%;M年齡=28.15，SD=6.69），隨機分組閱讀上述實驗場景后，回答共情水平的測量題項（同實驗1A）。單因素方差分析結果顯示，對于共情水平（α=0.89），高共情回復組顯著高于低共情回復組（M低共情=3.90，M高共情=5.63，F（1，60）=34.98，p<0.001），實驗材料符合實驗操控要求。

5.3 正式實驗

實驗2共計向社會有償招募90名參與者，在實驗室中進行。首先詢問參與者當前的情緒;之后閱讀實驗刺激材料（與實驗前測相同）并完成問卷。問卷包含共情水平、持續使用意愿、信任度、創新感知及人口統計信息。信任度測量題項改編于Flavian等[71]、Siguaw等[72]所使用的成熟量表，包括4個題項：“我認為這個AI有必要的能力來解決服務中遇到的問題”“我認為這個AI有足夠的經驗支持以解決服務中遇到的問題”“我認為這個AI有必要的資源來解決服務中遇到的問題”“我認為這個AI背后的大數據非常了解用戶所遇到的問題，可以為他們提供他們需要的服務”。創新感知測量題項源于Goode等[73]的研究，并根據情景做出相應修改，包括5個題項：“我覺得這個人工智能的上述行為是新鮮的”“我覺得這個人工智能的上述行為很獨特”“我覺得這個人工智能的上述行為是很新穎的”“我覺得這個人工智能的上述行為在人工智能服務中是首創的”“我覺得這個人工智能的上述行為在人工智能服務中是創造性的”。上述題項均采用Likert 7級量表（1=非常不贊同，7=非常贊同）。其他題項與實驗1A相同。最終獲得有效樣本83份（男性56.6%;M年齡=28.05，SD=6.61）。

5.4 實驗結果

操縱檢驗：單因素方差分析組間結果顯示，組間情緒（α=0.83）差異不顯著（M低共情=4.31，M高共情=4.52，F（1，81）=0.35，p=0.555），排除參與者實驗前情緒的潛在影響。對服務失敗嚴重程度感知的組間差異不顯著（M低共情=4.48，M高共情=4.40，F（1，81）=0.10，p=0.755）。參與者對于共情水平（α=0.90）的感知組間差異顯著（M低共情=3.87，M高共情=5.51，F（1，81）=50.20，p<0.001），實驗操縱成功。

因變量檢驗：對因變量持續使用意愿（α=0.86）的分析結果顯示，高共情回復組顧客的持續使用意愿顯著高于低共情回復組（M低共情=4.34，M高共情=5.60，F（1，81）=31.48，p<0.001）。H1再次得到驗證。

中介檢驗：單因素組間方差顯示，信任度（α=0.91）和創新感知（α=0.87）組間差異均顯著。高共情回復組對AI的信任度顯著高于低共情回復組（M低共情=4.26，M高共情=5.52，F（1，81）=35.03，p<0.001），H2a得到驗證;高共情回復組對創新的感知也顯著高于低共情回復組（M低共情=4.15，M高共情=5.46，F（1，81）=43.26，p<0.001），H3a也得到證實。采用Bootstrap方法檢驗信任度和創新感知的中介效應（PROCESS，Model 4，樣本量5000，置信區間95%）[74-76]。結果證明，信任度的中介效應顯著（β=0.68，LLCI=0.18，ULCI=1.24，不包含0），創新感知的中介效應顯著（β=0.43，LLCI=0.02，ULCI=0.96，不包含0）。控制中介變量后，共情回復對持續使用意愿的影響不再顯著（LLCI=-0.21，ULCI=0.50，包含0），證明信任度和創新感知共同起到完全中介作用，H2b和H3b得到驗證。

5.5 討論

實驗2在過程失敗與語音互動的組合情境中再次驗證了共情回復的主效應，并驗證了信任度和創新感知的中介效應。前3個實驗均從服務提供者視角檢驗補救措施對顧客決策的影響，實驗3進一步增加對服務補救的另一方——顧客特征的考慮，檢驗特質性調節焦點這一人格特質的調節作用。在互動形式與服務失敗類型組合為結果失敗的文字互動情境下，探索共情回復作用機制的群體差異。

6 實驗3

6.1 實驗設計

實驗3采用2（共情回復：高vs.低）×2（特質性調節焦點：促進vs.防御）混合實驗設計，檢驗特質性調節焦點這一顧客人格特質的調節效應。實驗采用結果失敗和文字互動情景。

6.2 實驗前測

兩組實驗材料除服務失敗后AI的回復表述不同外，無任何差別。此前3個實驗均未保證回復語句長度一致，為排除這一潛在因素，本實驗回復語句長度完全一致，具體如下：

假設你外出旅行時入住在一家擁有AI服務系統的酒店。辦理入住后，你沒有找到客房內的毛巾、牙刷和拖鞋，于是你對客房內的AI下達指令：“我需要一條毛巾，還需要一支牙刷”。停頓了一下后你想起還需要拖鞋，于是繼續說道：“對了，再來一雙拖鞋”。過了一會兒，門鈴響起，智能管家為你送來了物品，但你取出后發現管家只給你送來了毛巾和牙刷，此時智能管家界面上出現對該次服務的評價，你選擇了“未能成功完成本次任務”。

此時AI回復道：

低共情回復組：尊敬的顧客，很抱歉我未能成功完成本次任務，請您再次發出指令！

高共情回復組：哎呀，我知道您一定覺得我很笨，但請給我一次將功補過的機會吧！

前測有償招募66名參與者（男性47.0%;M年齡=29.26，SD=10.05），隨機分組閱讀上述實驗材料，之后回答共情水平的測量題項（同實驗1A）。單因素方差分析結果顯示，對于共情水平（α=0.91），高共情回復組顯著高于低共情回復組（M低共情=4.30，M高共情=6.04，F（1，64）=41.80，p<0.001），實驗材料符合實驗操控要求。

6.3 正式實驗

正式實驗在某大型商場附近有償招募參與者。參與者首先回答特質性調節焦點及當前情緒問項，特質性調節焦點的測量題項為Higgins[77]提出，并經國內學者姚琦等修改為更適合中國情境的量表[78]，共包含10個題項，所有題項均采用Likert 7級量表。之后，隨機閱讀一份實驗材料（與實驗前測相同），并完成問卷。問卷內容同實驗2。最終獲得有效樣本187份（男性52.4%;M年齡=27.34，SD=9.30）。

6.4 實驗結果

操縱檢驗：單因素方差分析組間結果顯示，組間情緒（α=0.81）差異不顯著（M低共情=4.63，M高共情=4.46，F（1，185）=0.46，p=0.500），排除參與者實驗前情緒的潛在影響。對服務失敗嚴重程度感知的組間差異不顯著（M低共情=4.44，M高共情=4.41，F（1，185）=0.05，p=0.832）。參與者對于共情水平（α=0.85）的感知組間差異顯著（M低共情=4.68，M高共情=5.51，F（1，185）=25.10，p<0.001），實驗操縱成功。

因變量檢驗：本文參考了Haws等[79]于2010年提出的對特質性調節焦點的測量評估方法，分別計算題項中防御焦點、促進焦點題項的平均分，將二者分數相減后求中位數，將大于中位數的被試記為防御焦點組，反之，則記為促進焦點組。低共情回復組91人，其中，防御焦點47人，促進焦點44人;高共情回復組96人，其中，防御焦點50人，促進焦點46人。

雙因素方差分析結果顯示，共情回復對持續使用意愿（α=0.83）的主效應顯著（F（1，183）=32.93，p<0.001），特質性調節焦點（α=0.88）的主效應顯著（F（1，183）=15.98，p<0.001），且兩者的交互效應顯著（F（1，183）=8.94，p=0.003）（圖2）。具體來說，在服務失敗場景下，對于高共情回復的AI，促進焦點顧客的持續使用意愿（α=0.83）顯著高于防御焦點的顧客（M防御=5.08，M促進=6.13，F（1，94）=22.23，p<0.001）;對低共情回復的AI，不同特質性調節焦點顧客的持續使用意愿差異不顯著（M防御=4.67，M促進=4.82，F（1，89）=0.57，p=0.452）。

中介檢驗：對于中介變量信任度（α=0.81），雙因素方差分析結果顯示，共情回復的主效應顯著（F（1，183）=24.63，p<0.001），特質性調節焦點的主效應顯著（F（1，183）=9.59，p=0.002），兩者的交互效應顯著（F（1，183）=4.49，p=0.035）。在服務失敗場景下，對于高共情回復而言，促進焦點顧客對AI的信任度顯著高于防御焦點的顧客（M防御=5.20，M促進=5.96，F（1，94）=12.21，p=0.001）;而對于低共情回復而言，不同特質性調節焦點顧客的信任度水平差異不顯著（M防御=4.78，M促進=4.92，F（1，89）=0.55，p=0.460）。

對于中介變量創新感知（α=0.82），雙因素方差分析結果顯示，共情回復的主效應顯著（F（1，183）=29.89，p<0.001），特質性調節焦點的主效應顯著（F（1，183）=12.05，p=0.001），兩者的交互效應顯著（F（1，183）=10.69，p=0.001）。在服務失敗場景下，對于高共情回復而言，促進焦點顧客對AI的創新感知顯著高于防御焦點的顧客（M防御=5.08，M促進=6.06，F（1，94）=20.95，p<0.001）;而對于低共情回復而言，不同特質性調節焦點的顧客的創新感知水平差異不顯著（M防御=4.76，M促進=4.79，F（1，89）=0.02，p=0.881）。

本文采用Bootstrap方法檢驗共情回復下信任度和創新感知的中介效應（PROCESS，Model 7，樣本量5000，置信區間95%）[74-76]。結果顯示，面對AI服務失敗，在低共情回復情境下，信任度的中介效應不顯著（β=0.04，LLCI=-0.07，ULCI=0.15，包含0），創新感知的中介效應亦不顯著（β=0.02，LLCI=-0.26，ULCI=0.29，包含0）;而在高共情回復情境下，信任度的中介效應顯著（β=0.21，LLCI=0.08，ULCI=0.39，不包含0），創新感知的中介效應亦顯著（β=0.70，LLCI=0.40，ULCI=1.02，不包含0）。控制中介變量后，特質性調節焦點對持續使用意愿的影響不再顯著（LLCI=-0.01，ULCI=0.24，包含0）。綜上，H4a、H4b得到驗證。

6.5 討論

實驗3驗證了共情回復對持續使用意愿影響的群體差異。結果與本文假設一致，在AI服務失敗情境下，特質性調節焦點調節AI共情回復與創新感知、信任度的關系。在AI服務失敗情境下，面對AI的高共情回復，相較于防御焦點，越偏向促進焦點的顧客，具有更高的信任度和創新感知，進而具有更強的持續使用意愿。而面對AI低共情回復，兩類顧客間無顯著差異。

7 研究結論與建議

7.1 研究結論與理論貢獻

酒店服務情境決定了在其積極引入AI替代人工服務的過程中，AI服務失敗不可避免，從而導致顧客放棄繼續使用，成為酒店AI服務推廣的巨大潛在風險。為此，需要尋求應對AI服務失敗、維護顧客持續使用意愿的有效手段。本文從AI情商出發，立足于酒店AI服務失敗情境下人機交互的獨特性，通過4個情境實驗檢驗了AI共情回復對顧客持續使用意愿的影響，得出以下結論：（1）AI共情回復有助于服務失敗后的顧客保留。AI共情回復是目前AI在人機交互中易于實現的情商表現形式，在服務失敗情況下，能夠有效提升顧客的持續使用意愿。以往研究設想AI與顧客積極關系的建立將有助于緩解顧客消極情緒[39-40]，本研究不僅支持該設想，還證明其在服務補救中能夠促進顧客的持續使用意愿。（2）AI共情回復的作用機制包括信任度與創新感知兩條路徑。AI共情回復所傳遞出的情感關心和支持，一方面加深了顧客對AI以顧客利益為核心的正面感知，另一方面則體現出更高的技術水平和創新程度，令顧客產生更高的信任度和創新感知，最終提升顧客的持續使用意愿。這一結論論證了共情能力作為AI高級能力的重要性[1]，并挖掘出人機服務交互不同于人人服務互動的心理機制。（3）共情回復的積極作用因顧客特質而異。在AI服務補救中，顧客特征不可忽視。越偏向促進焦點的顧客，出于趨近動機，越關注外部刺激帶來的積極信息，共情回復的補救效果更佳。然而，越偏向防御焦點的顧客，出于回避動機，越關注消極因素，導致AI共情回復效果被削弱。這與特質性調節焦點理論的核心思想及基本假設相契合[56-60]，并拓展了其應用范圍。

綜上，本文的理論貢獻主要體現在以下4個方面。

（1）本文探討顧客對AI服務的持續使用意愿，從時間和使用階段上擴展了AI服務的領域研究。尤其是對AI服務失敗后的持續使用問題的關注，完善了AI服務的研究體系。現有技術接受視角的研究主要關注潛在顧客對AI服務的初次采納意愿[13-18]。然而，顧客對于AI服務的使用不是單次的，相比于初次使用和接受，如何實現顧客的長期和持續性使用更為重要[19-20]。本文則注意到，在酒店等服務行業中，AI服務失敗難以避免，顧客容易因此放棄使用并轉換回傳統的人工服務[4]。由此，聚焦AI服務失敗情境中的持續使用，探討了AI獨立、及時進行服務補救的方法，完善了AI服務推廣及應用的研究體系。

（2）本研究超越了以往AI服務研究中對AI智商水平的關注，將情商引入AI服務研究中，提出AI服務補救的新思路。現有的AI服務相關研究主要聚焦于其性能表現（有用性、易用性）對顧客使用意愿的影響[13]，而本文結合服務補救相關研究，從消除顧客的消極情緒出發，尋找到了AI情商這一新的維度[10]，拓展了AI服務補救思路，驗證了通過提高AI情商水平來提升服務補救效果的可行性，豐富了AI服務補救的研究。

（3）本文基于社會交換理論，挖掘出由AI科技特點為顧客帶來的內在報酬這一AI共情補救的獨特路徑。將顧客關系持續的重要變量“信任度”（外在報酬）[45]，與科技產品持續使用的重要影響因素“顧客感知創新”（內在報酬）[46]整合起來，構建了一個完整的理論模型。不僅驗證顧客信任這一傳統情感補救路徑發揮作用，還從AI的科技性角度出發，找到創新感知這一代表了顧客內在報酬的獨特心理機制，闡釋了AI共情回復的作用機理，揭示了其與傳統人工服務補救作用機制的差異。

（4）本文將特質性調節焦點作為調節變量，明確了AI共情回復作用的群體差異，拓展了特質性調節焦點的應用場景和范圍，證明其在人機交互服務情境中的適用性。通過引入特質性調節焦點這一調節變量，證明了不同人格特質的顧客在面對AI共情回復時其持續使用意愿會有顯著差異，一定程度上揭示了人格特質對人機交互的影響，且將顧客的人格特質同其對AI補救的態度聯系起來，拓寬了特質性調節焦點的適用范圍和應用情境。

7.2 實踐建議

（1）酒店等服務業在AI服務技術的推廣過程中要關注服務失敗及補救問題。現今業界引入AI主要是關注其降低成本、提升效率、優化服務等價值。但由于AI服務技術發展還不夠成熟、顧客對于AI服務還比較陌生、顧客的異質性等原因，必然會產生服務失敗問題。故企業在引入AI服務時需要關注服務失敗的補救措施，尋求提升服務補救水平的方法，避免顧客因AI的服務失敗而流失。具體而言，酒店在引進服務AI時應優先考慮引進具有補救程序的AI，而且補救中不僅要保證服務的重新交付，還需要注重消除顧客因服務失敗產生的消極情緒。而在現有的AI智商水平下，共情回復是一個即時、簡便、低成本且被本文證明有效的AI服務補救手段。故酒店在引進AI服務時應重點關注其是否具有共情補救功能。

（2）在AI服務技術開發過程中，不僅要重視AI智商水平的提高，還要關注AI情商的開發，缺乏情商的AI服務是不完整的。AI作為智能的科技產品，智商水平是其在服務市場中得以推廣的基礎，而情商水平則是減緩其推廣阻力、促進顧客接受的潤滑劑。因此，AI服務技術開發商應當加強與酒店等AI服務應用企業的交流與合作，搜集和總結可能出現的失敗情況。在充分掌握服務失敗的多樣化情境的基礎上，不斷優化AI情商。令AI的情商補救更貼合具體情境中的顧客心理，從而更好地安撫顧客情緒，提升其持續使用意愿。

（3）AI服務補救中需要區分不同特質的顧客，除共情回復外，還需要考慮留有人工補救渠道。由于不同特質的顧客對于服務失敗后的補救接受程度不同，在AI服務推廣過程中要考慮顧客的特質差異，逐步推進，并在必要時為防御焦點的顧客提供人工服務介入的選擇。酒店可以通過顧客的技術使用偏好，例如使用網絡預訂渠道或傳統預訂渠道初步區分其人格特質，且可進一步通過大數據的記憶和分析功能準確識別防御焦點的人群。此外，由于酒店所處城市風格或旅游目的地類型不同，所接待的旅游者類型（冒險型-保守型）也可能存在差別[80]，酒店可以借此區分其顧客特質。

8 研究局限與展望

首先，受限于技術發展，當前，酒店AI僅能完成一些簡單的服務工作，所以本文實證研究中檢驗的服務失敗情境都屬于失敗程度較輕的情況，對于嚴重的服務失敗，AI共情回復是否仍能實現上述補救效果，需要后續研究的進一步檢驗。其次，顧客對服務失敗歸因類型的不同將在很大程度上影響顧客的后續態度和行為，基于顧客對服務失敗的不同歸因，AI共情回復對顧客持續使用意愿的影響是否會有顯著差異將成為另一研究方向。再次，本文的實驗情境集中于酒店的服務場景，人機交互具有很強的場域感，而這種效應對于旅游景區、餐飲服務和在線旅行商等其他類型的服務企業是否依然成立還需要進行檢驗。最后，作為一種新興的服務技術，除共情回復外，AI可能存在著更多新的補救形式和方法，例如AI的外形、語音語調以及其表達語體的改變是否有助于進一步提高服務補救水平，有待未來研究進一步探索。

參考文獻（References）

[1] HUANG M H， RUST R T. Artificial intelligence in service[J]. Journal of Service Research， 2018， 21（2）： 155-172.

[2] EBEN D. Japans robot hotel fires half of its staff and hires good old-fashioned humans instead[EB/OL]. https：//matadornetwork. com/read/japan-robot-hotel-fires-staff-hires-humans/， 2019-01-24.

[3] 呂興洋， 邱瑋， 劉祥艷. 旅游者異質性對目的地績效的影響研究[J]. 旅游學刊， 2016， 31（9）： 72-79. [LYU Xingyang， QIU Wei， LIU Xiangyan. The effects of tourist heterogeneity on destination performance[J]. Tourism Tribune， 2016， 31（9）： 72-79.]

[4] ZHU Z， NAKATA C， SIVAKUMAR K， et al. Fix it or leave it？ Customer recovery from self-service technology failures[J]. Journal of Retailing， 2013， 89（1）： 15-29.

[5] NICHOLA R. Self-service technology complaint channel choice， exploring consumers motives[J]. Managing Service Quality， 2012， 22（2）： 145-164.

[6] LV X， LIU Y， LUO J， et al. Does a cute artificial intelligence assistant soften the blow？ The impact of cuteness on customer tolerance of assistant service failure[J]. Annals of Tourism Research， 2021， 87. Doi： 10.1016/j.annals.2020.103114.

[7] HAN T A， MONIZ PEREIRA L， SANTOS F， et al. Emergence of cooperation via intention recognition， commitment and apology—A research summary[J]. AI Communications， 2015， 28（4）： 709-715.

[8] [杜建剛， 范秀成. 服務補救中情緒對補救后顧客滿意和行為的影響——基于情緒感染視角的研究[J]. 管理世界， 2007， 11（8）： 85-94.] DU Jiangang， FAN Xiucheng. The effect of emotion on customers satisfaction and behavior in service recovery[J]. Management World， 2007， 11（8）： 85-94.

[9] CLARK M A， ROBERTSON M M， YOUNG S. “I feel your pain”： A critical review of organizational research on empathy[J]. Journal of Organizational Behavior， 2019， 40（2）： 166-192.

[10] GELBRICH K. Anger， frustration and helplessness after service failure： Coping strategies and effective informational support[J]. Journal of the Academy of Marketing Science， 2010， 38（5）： 567-585.

[11] [彼得·M. 布勞. 社會生活中的交換與權力[M]. 孫非， 張黎勤， 譯. 北京： 華夏出版社， 1988： 1-396.] BLAU P M. Exchange and Power in Social Life[M]. SUN Fei， ZHANG Liqin， trans. Beijing： Huaxia Publishing House， 1988： 1-396.

[12] KUO C M， CHEN L C， TSENG C Y. Investigating an innovative service with hospitality robots[J]. International Journal of Contemporary Hospitality Management， 2017， 29（5）： 1305-1321.

[13] LU L， CAI R， GURSOY D. Developing and validating a service robot integration willingness scale[J]. International Journal of Hospitality Management， 2019， 80： 36-51.

[14] GOUDEY A， BONNIN G. Must smart objects look human？ Study of the impact of anthropomorphism on the acceptance of companion robots[J]. Recherche Et Applications En Marketing （English Edition）， 2016， 31（2）： 2-20.

[15] SAMANTHA F. If a robot did “the robot”， would it still be called “the robot” or just dancing？ Perceptual and social factors in human-robot interactions[C]//Proceedings of the Human Factors and Ergonomics Society 59th Annual Meeting. Los Angele， 2015： 796-800.

[16] MARA M， APPEL M. Effects of lateral head tilt on user perceptions of humanoid and android robots[J]. Computers in Human Behavior， 2015， 44： 326-334.

[17] YU C E， NGAN H F B. The power of head tilts： Gender and cultural differences of perceived human vs human-like robot smile in service[J]. Tourism Review， 2019， 74（3）： 428-442.

[18] GURSOY D， CHI O H， LU L， et al. Consumers acceptance of artificially intelligent （AI） device use in service delivery[J]. International Journal of Information Management， 2019， 49： 157-169.

[19] [池毛毛， 劉姝君， 盧新元， 等. 共享住宿平臺上房東持續參與意愿的影響機理研究： 平臺網絡效應的視角[J]. 南開管理評論， 2019， 22（4）： 101-113] CHI Maomao， LIU Shujun， LU Xinyuan， et al. The influencing mechanism of the re-participation intention of host in the shared accommodation platform： The perspective of platform network effects[J]. Nankai Business Review， 2019， 22（4）： 101-113.

[20] BHATTACHERJEE A. Understanding information systems continuance： An expectation-confirmation model[J]. MIS Quarterly， 2001， 25（3）： 351-370.

[21] BELL C R， ZEMKE R E. Service breakdown： The road to recovery[J]. Management Review， 1987， 115（3）： 32-35.

[22] BITNER M J. Evaluating service encounters： The effects of physical surrounding and employee responses[J]. Journal of Marketing， 1990， 54（2）： 82.

[23] SMITH A K， BOLTON R N， WAGNER J. A model of customer satisfaction with service encounters involving failure recovery[J]. Journal of Marketing Research， 1999， 36（3）： 356-372.

[24] [方淑杰， 黎耀奇， 傅云新. 賠禮還是賠錢？——基于情緒感染理論的旅游景區服務補救策略研究[J]. 旅游學刊， 2019， 34（1）： 44-57.] FANG Shujie， LI Yaoqi， FU Yunxin. Symbolic or utilitarian？ Research on recovery strategies of scenic areas based on emotional contagion theory[J]. Tourism Tribune， 2019， 34（1）： 44-57.

[25] [簡兆權， 柯云. 網絡購物服務失誤、服務補救與顧客二次滿意及忠誠度的關系研究[J]. 管理評論， 2017， 29（1）： 175-186.]JIAN Zhaoquan， KE Yun. The impacts of service failure， service recovery on customer satisfaction and loyalty in the context of online shopping[J]. Management Review， 2017， 29（1）： 175-186.

[26] [岳英， 萬映紅， 曹小鵬. 顧客感知的“服務失敗”及其“服務補償”關系研究[J]. 管理學報， 2014， 11（6）： 876-882.] YUE Ying， WAN Yinghong， CAO Xiaopeng. Customer perceived service failure and compensation expectation： Taking Chinese catering industry as the background[J]. Chinese Journal of Management， 2014， 11（6）： 876-882.

[27] [彭軍鋒， 景奉杰. 關系品質對服務補救效果的調節作用[J]. 南開管理評論， 2006， 8（4）： 8-15.] PENG Junfeng， JING Fengjie. The moderating role of relationship quality on service recovery performance[J]. Nankai Business Review， 2006， 8（4）： 8-15.

[28] [胥興安， 張夢. 國外旅游者抱怨研究綜述[J]. 人文地理， 2013， 28（2）： 32-37.] XU Xingan， ZHANG Meng. A study review on overseas tourists complaints[J]. Human Geography， 2013， 28（2）： 32-37.

[29] WESTBROOK R A， OLIVER R L. The dimensionality of consumption emotion patterns and consumer satisfaction[J]. Journal of Consumer Research， 1991， 18（1）： 84-91.

[30] SMITH A K， BOLTON R N. The effect of customers emotional responses to service failures on their recovery effort evaluations and satisfaction judgments[J]. Journal of the Academy of Marketing Science， 2002， 30（1）： 5-23.

[31] NOSEWORTHY T J， MURO F D， MURRAY K B. The role of arousal in congruity-based product evaluation[J]. Journal of Consumer Research， 2014， 41（4）： 1108-1126.

[32] MURPHY J， GRETZEL U， PESONEN J. Marketing robot services in hospitality and tourism： The role of anthropomorphism[J]. Journal of Travel & Tourism Marketing， 2019， 36（7）： 784-795.

[33] BIRNBAUM G E， MIZRAHI M， HOFFMAN G， et al. What robots can teach us about intimacy： The reassuring effects of robot responsiveness to human disclosure[J]. Computers in Human Behavior， 2016， 63： 416-423.

[34] HELMUT P， JUNICHIRO M， MITSURU I. Using human physiology to evaluate subtle expressivity of a virtual quizmaster in a mathematical game[J]. International Journal of Human-Computer Studies， 2005， 62（2）： 231-245.

[35] PARASURAMAN A， ZEITHAML V A， BERRY L L. SERVQUAL： A multiply item scale for measuring consumer perceptions of service quality[J]. Journal of Retailing， 1988， 46（1）： 12-40.

[36] PIC?ARRA N， GIGER J C. Predicting intention to work with social robots at anticipation stage： Assessing the role of behavioral desire and anticipated emotions[J]. Computers in Human Behavior， 2018， 86（9）： 129-146.

[37] BRAVE S， NASS C， HUTCHINSON K. Computers that care： Investigating the effects of orientation of emotion exhibited by an embodied computer agent[J]. International Journal of Human Computer Studies， 2005， 62（2）： 161-178.

[38] TIMOTHY B， DANIEL S. Practical approaches to comforting users with relational agents[C] // Extended Abstracts Conference on Human Factors in Computing Systems. San Jose， 2007： 2291-2296.

[39] KLEIN J， MOON Y， PICARD R W. This computer responds to user frustration： Theory， design， and results[J]. Interacting with Computers， 2002， 14（2）： 119-140.

[40] HONE K. Empathic agents to reduce user frustration： The effects of varying agent characteristics[J]. Interacting with Computers， 2006， 18（2）： 227-245.

[41] LEITE I， PEREIRA A， MASCARENHAS S， et al. The influence of empathy in human-robot relations[J]. International Journal of Human-Computer Studies， 2013， 71（3）： 250-260.

[42] RONAN D K， RAJIBUL H， ALEXANDRE S B， et al. Leveraging human-robot interaction in hospitality services： Incorporating the role of perceived value， empathy， and information sharing into visitors intentions to use social robots[J]. Tourism Management， 2020， 78. Doi： 10.1016/j.tourman.2019.104042.

[43] CROPANZANO， R. Social exchange theory： An interdisciplinary review[J]. Journal of Management， 2005， 31（6）： 874-900.

[44] [吳川徽， 黃仕靖， 袁勤儉. 社會交換理論及其在信息系統領域的應用與展望[J]. 情報理論與實踐， 2020， 43（8）： 70-76.] WU Chuanhui， HUANG Shijing， YUAN Qinjian. Social exchange theory and its application and prospect in the field of information system research[J]. Information Studies： Theory & Application， 2020， 43（8）： 70-76.

[45] MUNUERA-ALEMAN J L， DELGADO-BALLESTER E， YAGUE-GUILLEN M J. Development and validation of a brand trust scale[J]. International Journal of Market Research， 2003， 45（1）： 1-18.

[46] LOWE B， ALPERT F. Forecasting consumer perception of innovativeness[J]. Technovation， 2015， 45-46： 1-14.

[47] [鄭丹. 服務補救中顧客情緒對顧客滿意之影響的實證研究[J]. 中國管理科學， 2011， 19（3）： 166-173.] ZHENG Dan. An empirical research： The impact of customer emotion on customer satisfaction in service recovery[J]. Chinese Journal of Management Science， 2011， 19（3）： 166-173.

[48] DECETY J， SVETLOVA， M. Putting together phylogenetic and ontogenetic perspectives on empathy[J]. Developmental Cognitive Neuroscience， 2012， 2（1）： 1-24.

[49] MA J Y， GAO J， SCOTT N， et al. Customer delight from theme park experiences： The antecedents of delight based on cognitive appraisal theory[J]. Annals of Tourism Research， 2013， 42： 359-381.

[50] FREDRICKSON B L， TUGADE M. The undoing effect of positive emotions[J]. Motivation and Emotion， 2000， 24（4）： 237-258.

[51] SHECHTMAN N， HOROWITZ L M. Media inequality in conversation： How people behave differently when interacting with computers and people[C] // Proceedings of the SIGCHI Conference on Human Factors in Computing Systems. Lauderdale， 2003： 281-288.

[52] NASS C， MOON Y. Machines and mindlessness： Social responses to computers[J]. Journal of Social Issues， 2000， 56（1）： 81-103.

[53] ZHAO Bing， TU Rongting， FU Guoqun. How does service recovery affect consumer switching intentions[J]. Journal of Marketing Science， 2005， 1（2）： 1-11. [趙冰， 涂榮庭， 符國群. 服務補救如何影響消費者轉換意向[J]. 營銷科學學報， 2005， 1（2）： 1-11.]

[54] WALTHER J B， LOH T， GRANKA L. Let me count the ways： The interchange of verbal and nonverbal cues in computer-mediated and face-to-face affinity[J]. Journal of Language and Social Psychology， 2005， 24（1）： 36-65.

[55] TRUONG Y， KLINK R R， FORT-RIOCHE L， et al. Consumer response to product form in technology-based industries[J]. Journal of Product Innovation Management， 2013， 31（4）： 867-876.

[56] HIGGINS E T， RONEY C， CROWE E， et al. Ideal versus ought predilections for approach and avoidance： Distinct self-regulatory systems[J]. Journal of Personality and Social Psychology， 1994， 66（2）： 276-286.

[57] ZHANG Guangyu， ZHANG Meng. Goal framing effects on the purchasing decision of tourism services in customization scenarios[J]. Tourism Tribune， 2016， 31（1）： 57-67. [張廣宇， 張夢. 定制化情境下旅游服務購買決策的目標框架效應[J]. 旅游學刊， 2016， 31（1）： 57-67.]

[58] GINO F， MARGOLIS J D. Bringing ethics into focus： How regulatory focus and risk preferences influence （un）ethical behavior[J]. Organizational Behavior and Human Decision Processes， 2011， 115（2）： 145-156.

[59] CESARIO J， GRANT H， HIGGINS E T. Regulatory fit and persuasion： Transfer from “feeling right”[J]. Journal of Personality and Social Psychology， 2004， 86（3）： 388-404.

[60] LOCKWOOD P， JORDAN C H， KUNDA Z. Motivation by positive or negative role models： Regulatory focus determines who will best inspire us[J]. Journal of Personality & Social Psychology， 2002， 83（4）： 854-864.

[61] CROWE E， HIGGINS E T. Regulatory focus and strategic inclinations： Promotion and prevention in decision-making[J]. Organizational Behavior and Human Decision Processes， 1997， 69（2）： 117-132

[62] [田陽， 王海忠， 柳武妹. 等. 品牌承諾能抵御負面信息嗎？——自我調節導向的調節作用[J]. 心理學報， 2014， 46（6）： 864-875.]TIAN Yang， WANG Haizhong， LIU Wumei， et al. Can brand commitment resist negative publicity： The moderate effect of regulatory focus[J]. Acta Psychologica Sinica， 2014， 46（6）： 864-875.

[63] WOLTIN K A， YZERBYT V. Regulatory focus in predictions about others[J]. Personality and Social Psychology Bulletin， 2015， 41（3）： 379-392.

[64] PHAM T M， AVNET T. Ideals and oughts and the reliance on affect versus substance in persuasion[J]. Journal of Consumer Research， 2004， 30 （4）： 503-518.

[65] SMITH A K， BOLTON R N. An experimental investigation of customer reactions to service failure and recovery encounters： Paradox or peril？[J]. Journal of Service Research， 1998， 1（1）： 65-81.

[66] MAGNINI V P， FORD J B， MARKOWSKI E P， et al. The service recovery paradox： Justifiable theory or smoldering myth？[J]. Journal of Services Marketing， 2007， 21（3）： 213-225.

[67] TOWNSEND C， SOOD S. Self-affirmation through the choice of highly aesthetic products[J]. Journal of consumer research， 2012， 39（2）： 415-428.

[68] NENKOV G Y， SCOTT M L. “So cute I could eat it up”： Priming effects of cute products on indulgent consumption[J]. Journal of Consumer Research， 2014， 41（2）： 326-341.

[69] WATSON D， CLARK L A， TELLEGEN A. Development and validation of brief measures of positive and negative affect： The PANAS scales[J]. Journal of Personality and Social Psychology， 1988， 54（6）： 1063-1070.

[70] HESS R L. The impact of firm reputation and failure severity on customers responses to service failures[J]. Journal of Services Marketing， 2008， 22（5）： 385-398.

[71] FLAVIAN C， GUINALIU M， GURREA R. The role played by perceived usability， satisfaction and consumer trust on website loyalty[J]. Information & Management， 2006， 43（1）： 1-14.

[72] SIGUAW J， SIMPSON P， BAKER T. Effects of supplier market orientation on distributor market orientation and the channel relationship： The distributor perspective[J]. Journal of Marketing， 1998， 62（3）： 99-111.

[73] GOODE M R， DAHL D W， MOREAU C P. Innovation aesthetics： The relationship between category cues， categorization certainty， and newness perceptions[J]. Journal of Product Innovation Management， 2013， 30（2）： 192-208.

[74] ZHAO X， LYNCH J G， CHEN Q. Reconsidering Baron and Kenny： Myths and truths about mediation analysis[J]. Journal of Consumer Research， 2010， 37（2）： 197-206.

[75] PREACHER K J， HAYES A F. SPSS and SAS procedures for estimating indirect effects in simple mediation models[J]. Behavior Research Methods Instruments & Computers， 2004， 36（4）： 717-731.

[76] HAYES A F. Introduction to mediation， moderation， and conditional process analysis： A regression-based approach[J]. Journal of Educational Measurement， 2013， 51（3）： 335-337.

[77] HIGGINS E T. Making a good decision： Value from fit[J]. American Psychologist， 2000， 55（3）： 1217-1230.

[78] [姚琦， 樂國安， 伍程聰， 等. 調節定向的測量維度及其問卷信度和效度檢驗[J]. 應用心理學， 2008， 14（4）： 318-323.] YAO Qi， YUE Guoan， WU Chengcong， et al. Measurement of regulatory focus： The reliability and validity of Chinese version of regulatory focus questionnaire[J]. Chinese Journal of Applied Psychology， 2008， 14（4）： 318-323.

[79] HAWS K L， DHOLAKIA U M， BEARDEN W O. An assessment of chronic regulatory focus measures[J]. Journal of Marketing Research， 2010， 47（5）： 967-982.

[80] PLOG S C. Why destination areas rise and fall in popularity[J]. Cornell Hotel and Restaurant Administration Quarterly， 1974， 14（4）： 55-58.