人工智能生成內容(AIG-C)信息回避影響機制研究

關鍵詞：人工智能（AI）；人工智能生成內容（AIGC）；信息回避；AI身份威脅；AI焦慮

人工智能生成內容（Artificial Intelligence Gener-ated Content，AIGC）是以人工智能（Artificial Intelli-gence，AI）技術為基礎，基于各種形式的人工指令和指導生成的具有相應特征的內容。《2024年AIGC應用層十大趨勢》白皮書顯示，2023年全球企業在AIGC解決方案上投資超過160億美元，預計到2027年這一數字將膨脹約10倍，年復合增長率超過70%。各類AIGC應用和工具不斷涌現，如以文心一言、IBM Watson為代表的文本寫作工具：以Midjourney、Amazon Rekongiton為代表的圖像生成工具；以WaveNet、Synthesia為代表的音視頻生成工具等。隨著AIGC大語言模型的不斷優化迭代，國內外也研發出大量的AIGC工具，為金融、科技、教育、醫療等多個行業的發展提供了技術支撐，進而為企業節約成本，給用戶提供便利。

與此同時，各類隱私泄露、版權爭議、算法偏見等AIGC應用亂象及負面問題亦層出不窮。這些風險不僅觸動了公眾對AIGC技術安全的敏感神經，更在個人用戶中觸發了對AIGC的抵觸情緒，甚至催生了各種回避行為。例如，2023年國內社交平臺LOFTER上線了一款允許用戶通過關鍵詞生成AI頭像的“頭像生成器”，迅速引起很多用戶的不滿和抵制。同年，外媒NewsGuard發布的數據報告顯示，已追蹤到約739個文字和圖片內容呈現鮮明“GPT風”的AIGC新聞網站，這些AIGC內容大量涌人了Twitter、Youtube、TikTok等主流社交媒體，導致人們對AIGC內容產生抵制和信息回避行為。

近年來，信息回避受到信息行為領域高度關注，圖書情報、計算機科學、管理科學、傳播學等學科的學者針對用戶生成內容（User Generated Content，UGC）模式下的信息回避影響因素展開了大量實證研究。理解用戶對AIGC信息回避行為的影響機制對深入探索AIGC技術的復雜影響、促進其在用戶信息行為領域發揮積極作用，具有重要研究意義。這不僅有助于揭示用戶在面對AIGC生成內容時的心理動態和行為傾向，而且對優化AIGC內容的設計、提升用戶接受度、構建和諧的信息生態環境也有極大幫助。通過分析用戶回避AIGC信息的影響因素與內在作用關系，可以更準確地評估AIGC在用戶日常生活中的融人程度、潛在風險、挑戰，以及長期的信息交互趨勢。此外，研究AIGC信息回避影響機制能夠為技術開發者、內容提供者和政策制定者提供參考，指導他們在保障用戶權益、維護信息真實性和促進技術健康發展之間找到平衡。身份威脅概念在不同領域的研究中被進一步解釋并衍生出了新的概念外延，本研究聚焦AIGC視角下的身份威脅，即用戶根據以往的AIGC服務或技術使用體驗，對當前身份自我信念的威脅預判。AI身份威脅（AI Identity Threat）是指人工智能對身份個人自我信念傷害的預期，這是由AI的使用引起的，而它所適用的實體是所有使用AI技術的個人用戶。因此，深入探索用戶AIGC信息回避的影響因素及AI身份威脅在其中的內在作用機制，將有助于更好地理解用戶的需求和行為，從而完善AIGC的設計和功能，提升用戶體驗，促進AIGC技術的持續發展和廣泛應用。

1研究綜述

1.1圖書情報領域AIGC相關研究綜述

目前，圖書情報領域關于AIGC的研究主要集中在數智融合場景中AIGC技術的賦能應用和AIGC用戶研究兩個維度：對于AIGC技術的應用研究重點關注了AIGC技術在智慧圖書館、情報智能服務、信息資源管理工具、企業數智管理系統等領域的AIGC技術應用前景，研究AIGC技術特征、要素及發展階段，基于互聯網演進，探討其網絡形態、內容生產、人機交互及資源組織基礎，分析數據、模型、空間賦能的技術特征，并探討AIGC對信息資源管理的實質影響；從用戶研究維度出發，當前研究集中在探究個體對AIGC的認知、態度以及情感等主觀評價的影響因素及其作用機制。這意味著當前的研究不僅關注AIGC本身的技術特性，更著眼于這些特性如何影響用戶的認知和情感。如對AIGC可信度的評估：通過范性分析構建了以信息源可信度、交互方式可信度、社會行動者可信度以及算法隱喻可信度4個維度的AIGC可信度評價研究框架：對人工智能生成內容的用戶采納意愿研究，以及更進一步研究用戶對不同類型AIGC的持續使用意愿影響因素等。

綜上所述，當前國內外關于AIGC的研究主要涉及AIGC技術特征、不同AIGC技術模型的實踐應用和用戶在AIGC使用過程中的接納意愿及采納行為。雖然AIGC在應用中展現了許多正面的積極效應，但部分學者也開始意識到新技術背后的消極情緒和行為，包括AI焦慮、算法歧視、算法厭惡、中輟行為等，現實中對AIGC內容產生回避態度和行為的情況更是廣為存在。因此，需要深入探究用戶回避行為背后的原因及影響，這不僅能更加理解用戶的行為模式，還將為AIGC賦能產品、AIGC大語言模型以及多模態技術的發展提供寶貴的啟示和指導。

1.2信息回避相關研究綜述

信息回避（Information

Avoidance）這一現象的提出源于20世紀心理學中關于選擇性注意的研究，指人們避免或延遲獲取可用卻不想要信息的特殊信息行為。學界按照回避的程度，將信息回避劃分為完全性信息回避和選擇性信息回避。

目前信息回避的學術研究主要涉及信息因素、個體因素和環境因素3個層面：信息因素關注信息本身的特點，有研究證實了信息過載、信息媒介依賴和信息相似性等信息因素的影響，也有相關研究專門探究信息質量、信息成本以及信息隱私等信息因素對運動損傷人群健康信息回避模式的影響；個體因素是指個人的心理、認知和情感狀態對信息回避行為的影響，其中認知和情感因素發揮著重要作用，有研究證明社會比較對用戶認知失調和信息回避均有重要影響：情境因素則涉及個體所處的社會、文化背景和特殊情境對信息回避行為的影響，如專對新冠感染情境下的信息規避行為因素及其相互關系。此外，多位國內外學者在信息回避的相關影響因素研究中運用認知一情感一意圖框架，從該角度構建信息回避模型，將信息回避意圖作為因變量，探究環境因素、個體因素、信息因素對信息回避意圖的影響路徑。

綜上所述，目前信息回避相關研究主要包括信息因素、個人因素和情境因素，涉及信息過載、信息質量、信息相關性、認知沖突、感知控制等相關主題，同時該領域學者多從不同場景切人，討論學術信息回避、社交信息回避和健康信息回避的影響因素。但是，目前大多數研究仍聚焦于UGC模式下的信息回避行為，而隨著技術不斷革新，AIGC應用和創新模式的不斷涌現與發展，其在內容創作門檻、創作模式和創作效率等方面所帶來的深刻變革，已逐漸改變了用戶的信息行為，如AIGC技術在信息生成、傳播和利用方面的獨特性，用戶可能會對其產生不同的認知評價，從而影響他們的信息回避行為。因此，迫切需要從AIGC的實際生成、尋求、利用等場景中，深入探索用戶的認知評價與用戶信息回避行為之間的聯系，以期為用戶與AIGC的互動以及AIGC的進一步發展提供啟示。

2研究模型與理論假設

2.1研究模型

2.1.1理論基礎

1）認知一情感一意圖框架

認知一情感一意圖（或意動）框架（Cognitive -Affective-Conative，C-A-C）由認知心理學者Fish-bein M等首次提出，該理論框架認為個體對事件的認知評價塑造了他們的情感反應，隨后影響了他們的行為。Lazarus S R在該理論的基礎上對每個階段進行了解釋補充，提出C-A-C框架包括3個階段：認知過程、情感反應和行為意圖。C-A-C框架植根認知評價理論和情感認知動機關系理論，主張個體對事件的認知評價塑造了個體的情感反應，進而影響其意動。

當前C-A-C框架多應用于解釋電子商務情境下消費者決策行為的影響機制。例如，Li J等提出了包括客戶對Airbnb體驗的評價（認知）、情感反應（情感）和忠誠行為（意動）的理論模型，用以了解用戶決策行為的影響因素。該框架也被證實在理解消費者對IT服務創新的接受方面是有用的，有學者基于該框架挖掘服務機器人的屬性（即認知評價），以反映服務機器人的技術和社會方面對用戶在情感反應中的影響。此外，C-A-C框架也在信息回避的相關研究中得到運用。

2）不確定性管理理論

不確定性管理理論（Communication and Uncer-tainty Management Theory）是由美國學者Brashers ED在2000年提出，最早用于研究健康風險信息的溝通和不確定性管理。該理論指出當人們認為信息不確定時，傾向于采取抵抗或者回避行為，以避免進入焦慮和糾結的情緒之中。亦有研究表明，不確定性的認知是負面情緒重要來源，目前很多學者基于該理論探究了健康信息、學術信息、社交信息等多種情景下的不確定性認知因素對于信息回避行為的直接效應。

3）情緒認知理論

情緒認知理論（Cognitive Theory of Emotion）認為情緒是人類在面對外部刺激時所感受到的一種主觀體驗，情緒的產生是通過對外部刺激的認知評估來實現的。因此，在相同的情境下，不同個體可能呈現出不同的情緒反應。研究表明，個人過往經驗，特別是困難性、威脅性事件，將會成為其預判和評估當前的情緒體驗的重要依據。

2.1.2概念模型構建

本文基于C-A-C理論模型，構建從認知（Cog-nitive）到情緒（Affective）再到意圖（Conative）的過程。基于不確定性管理理論，本文將不確定性認知作為用戶在AIGC信息回避過程中的認知因素。由于AIGC技術尚在摸索階段且相關法律體系尚未確立，導致使用AI生成的海量信息出現不透明、不可解釋、不公平、泄露隱私等問題，致使用戶在使用的過程中對AIGC產生很多不確定性的認知。相關研究指出，信息透明度和感知控制是用戶信息不確定性的重要組成部分，因此將這些因素引入C-A-C框架，作為不確定性認知變量進行探討。同時，不確定性認知會影響個體內部的情緒及情感反應從而引發焦慮。先前的研究已經表明，積極的情緒會促使個體接近信息，而消極的情緒（如焦慮）則會引發個體的回避行為。因此，本文構建不確定性認知一焦慮情緒一信息回避行為的理論框架。

情緒認知理論指出，威脅感在認知到情緒過程中起到調節作用，正如今天很多人感到“機器越來越像人，而人卻遠離其本身，反而更像一架機器了”．這樣的感受凸顯用戶在對AIGC產品使用過程中的身份威脅感，因此，本文也將AI身份威脅納入研究框架，作為認知情緒的調節部分。

因此，在C-A-C框架和不確定性管理理論、情緒認知理論相結合的基礎上，本文概念模型如圖1所示。

2.2理論假設

在C-A-C的整體框架和不確定性管理理論、情緒認知理論的基礎上，本文依次提出以下假設。

2.2.1不確定性認知與AI焦慮（C-A）關系假設

在信息行為學領域已有大量研究表明，透明度和控制度是解釋不確定性認知的重要因素，因此將從這兩個方面提出相關假設。

信息透明度被定義為信息可以被人們訪問和查看的程度。感知透明是不確定性認知的組成內涵之一，信息透明度的降低會引發不確定性認知的減弱。在人工智能領域，AIGC透明度反映了技術（人工智能）的潛在機制和內在邏輯對用戶的明顯程度，其在信任建立過程中發揮著重要作用。如果盡可能讓人們了解AIGC形成的基本原理、AIGC運用的算法以及其來源，會提高用戶對AIGC的感知透明度，從而降低信息不確定性所引發的焦慮情緒。因此，本研究提出以下假設：

H1：個體認知的AIGC透明度對AI焦慮情緒有負向影響

感知控制理論將個體對自身行為所施加影響能力的信念界定為感知控制。在用戶使用AIGC技術的過程中，感知控制則是指個體對技術應用過程中相關信息的感知可控度。過往研究已證明，通過完善平臺架構提高互聯網終端用戶對技術的感知可控度，可以有效緩解用戶的AI焦慮，較高的AIGC可控度水平會促使用戶產生更高水平的信任。相反，Schweitzer F等的研究表明，一旦人們感受到在與智能設備互動時無法自我控制，焦慮和擔憂就會產生。因此，本研究提出以下假設：

H2： AIGC可控度對AI焦慮情緒有負向影響

2.2.2不確定性認知與信息回避（C-C）關系假設

根據上文所述，當AIGC形成的潛在機制和內在邏輯能夠使用戶理解，會提高其對AIGC的感知透明度，降低信息不確定性所引發的焦慮情緒，最終有效減少信息回避。因此，本研究提出以下假設：

H3：個體認知的AIGC透明度對AIGC信息回避有負向影響

已有研究表明，人智交互過程中，掌控感可能影響人們對日常生活和工作生活的自我效能，進而引發信息回避行為，Park C S等專門將AIGC相關技術服務的規避行為描述為提高控制感的策略。因此，本研究提出以下假設：

H4： AIGC可控度對AIGC信息回避有負向影響

2.2.3AI焦慮與信息回避（A-C）關系假設

心理學研究表明，焦慮情緒指的是人們對環境不確定性感到緊張和煩惱的心理狀態。用戶焦慮情緒是信息過載帶來的一種新社會現象，在信息行為學領域中備受關注。很多研究從不同視角，如健康焦慮、技術焦慮、學術焦慮證明了焦慮對信息回避的直接影響。因此，本文將用戶接觸AI所產生的各類信息內容的過程中感到的煩躁和不安情緒界定為AI焦慮，并提出以下假設：

H5： AI焦慮情緒對AIGC信息回避有正向影響

2.2.4AI身份威脅對認知和情緒之間的調節作用假設

身份威脅（Identity Threat）是指對個人身份相關的自我信念所產生的潛在危害的預期。這樣的一種威脅感會讓用戶處在身份矛盾和自尊喪失時的焦慮和痛苦中。基于此，Mirbabaie M等提出，AI身份威脅（AI Identity Threat），并界定其是由AI使用所引起的，對個人身份相關的自我信念傷害的預期。根據情緒認知理論和身份威脅概念，當輸入意義與認同標準的不一致（即認同不驗證）出乎意料或難以糾正時，就會產生更強烈的負面情緒。通過將身份威脅整合到情緒認知理論中，本文認為與身份威脅高的個體相比，身份威脅低的個體對身份自我信念的風險預判更加不敏感，因此，他們對于處理AIGC信息的不確定性認知持有更樂觀的態度。這些人堅信他們在此過程中的表現良好，因此對處理AIGC不確定性認知的評估不足，從而更不容易產生AI焦慮。此外，由于對身份的自我信念，高身份威脅的個體不太可能通過降低不確定性管理標準來與情境中的消極意義保持一致從而對不確定性做出讓步。如果不調整不確定性管理的標準，與持有低AI身份威脅的個體相比，高AI身份威脅的個體更難以克服認知一情感一意圖框架中的“認知一情緒”回路中的不確定性，呈現出更強的AI焦慮程度。因此，結合情緒認知理論，本文認為與AI身份威脅高的個體相比，AI身份威脅低的個體對身份自我信念的風險預判更加不敏感，他們對于處理AIGC信息的不確定性認知持有更樂觀的態度，從而更不容易產生AI焦慮。因此，本研究提出以下假設：

H6： AI身份威脅會調節AIGC透明度對AI焦慮情緒的影響，當AI身份威脅增強時，這種影響會增強

H7： AI身份威脅會調節AIGC可控度對AI焦慮情緒的影響，當AI身份威脅增強時，這種影響會增強

2.2.5假設模型構建

基于圖1的概念模型，本研究通過對前人研究結論進行梳理總結，提出了關于AIGC信息回避影響機制的7個假設，基于認知一情感一意圖框架，分別引入了AIGC透明度、AIGC可控度、AI焦慮、AI身份威脅，最終構建如圖2所示的研究假設模型。

3數據收集

Precedence Research發布的《AIGC產業報告》中顯示，2023年全球日均活躍用戶TOP50的AI應用中，文本生成類AIGC應用的數量占據50%左右，流量占據80%以上，因此，本研究通過AxureRP8.1原型設計軟件模擬絕大部分用戶都接觸過的信息搜索情境中的文本生成類AIGC任務，并結合在線調研進行最終的數據收集。搜索問題選自微博、抖音、今日頭條三大社交平臺的熱門日常生活類話題（如“小白鞋臟了怎么清洗？”等）。搜索結果中的AIGC信息使用ChatGPT、文心一言、New-Bing等各類AIGC平臺對任務問題真實回答并進行人工矯正，剔除了與問題不相關的內容以及難以理解的內容。

為了讓用戶更清楚地理解AI搜索技術原理、AIGC數據來源及使用注意事項，依據前述AIGC透明度概念設置了“參考內容”“用戶須知”選項。“參考內容”包括參考內容的標題、作者及來源網址，“用戶須知”告知被試者平臺運用大語言模型技術結合大數據歸納總結形成最終結果。在可控度設計中，根據前述AIGC可控度的概念設置了“語言風格”“語言種類”選項。“語言種類”包括中文和英文兩種，英文信息通過谷歌翻譯將中文材料進行直譯得到，并經過人工矯正，確保中英文信息表述一致。“語言風格”包括書面化風格和口語化風格兩種，兩種信息均來源于ChatGPT的回答。為排除AIGC信息內容對實驗結果的干擾，本研究確認了信息量的一致性以及兩種風格的差異化，AIGC信息均經過相關領域專家的檢驗。兩種可控度觸達控件在AIGC搜索結果信息下方，只需點擊“語言種類”及“語言風格”下拉列表即可控制這些選項，允許用戶根據自己需求和偏好進行調整，并操作化地定義和區分組間可控度水平，圖3展示了虛擬平臺設計框架。在正式獲取數據前，招募32名參與者，隨機分配到透明度和可控度的高低水平組，進行操縱性檢驗。結果如表1和表2所示，參與者在虛擬實驗情境下能夠明顯感受到AIGC信息透明度和可控度的差異，操縱性檢驗成功。

數據收集通過線上目的性抽樣及線下滾雪球抽樣相結合的方法，共招募56名參與者，基于本研究選題，排除沒有AIGC使用經驗的參與者，最終參與虛擬實驗和調研問卷的共計40人。研究樣本描述性統計如表3所示，性別分布上，男性受試者占比55%，略高于女性受試者的45%。年齡結構中，18～25歲的年輕群體占據了絕大多數，占比高達77.5%，這與Questmobile發布的《2024生成式AI及AIGC應用洞察報告》中提到的AIGC用戶群體特征相吻合。教育背景方面，本研究中研究生學歷的受試者占比達52.5%，顯示出較高的教育水平。職業領域中，IT/互聯網行業的從業者占比最高，這與報告中AI產業數據中AIGC用戶偏好瀏覽教育科技相關內容的趨勢相一致，進一步驗證了本研究樣本的代表性。綜上所述，本研究的樣本選擇與國內AIGC用戶的實際特征相符，為研究結果的準確性和可靠性提供了堅實的基礎。

本研究使用量表工具對被試者的認知評估、情感反應和應對意圖3個階段中的實驗觀測變量進行測量，采用李克特5級量表收集實驗數據，所有問項按照受試者的內心感受分為非常不同意、比較不同意、一般、比較同意以及非常同意，所有構念測量量表題項如表4所示。同時，實驗中還會通過回認檢測的方式對答題有效性進行驗證。

4數據分析

4.1信效度檢驗與共線性評估

4.1.1信度檢驗

用SmartPLS3.0統計軟件對測量模型的測量屬性進行驗證性因子分析，如表5結果顯示，測量模型的信度方面，所有變量的Cronbach's Alpha值均高于0.7，組合信度（CR）均大于0.7，表明測量模型具有良好的內部一致性和穩定性。

4.1.2效度檢驗

本研究采用SPSS對數據進行了KMO、Bartlett等測試，表6結果顯示KMO值為0.84，Bartlett球形檢驗中Plt;0.05，說明適合進行結構方程模型分析，變量測量項之間具備相關性。

為判斷各潛變量之間是否存在顯著區別，通過平均提取方差值（AVE）計算各變量之間的相關系數從而進行區分效度檢驗。結果（參見表7）顯示，所有構念的內部相似度（粗體部分）均大于外部相似度，證明模型的構念間有著良好的區分度。

4.1.3共線性分析

在進行PLS-SEM分析時，共線性評估是一個重要的質量標準。如果預測構面之間存在共線性，路徑系數可能會出現偏差。通過指標方差膨脹因素（VIF）評估共線性問題，一般來說，當VIF值在0～10時，表示不存在顯著多重共線性：當在10～100時，存在多重共線性；而當VIF超過100時，則存在嚴重多重共線性。因此，通常要求模型的VIF值低于5。本研究中各潛變量的內部VIF和外部VIF均小于5，具體數值如表5和表8所示，可以看出本研究各潛變量之間不存在顯著多重共線性。

4.2路徑分析

采用結構方程模型來驗證所提出的研究模型，結果如表9所示。首先，測試AIGC的透明度、可控度以及AI焦慮與AIGC信息回避之間的直接關系。結果表明，AIGC透明度與AI焦慮呈顯著負向相關（B=-0.65，plt;0.001），AIGC可控度與AI焦慮呈顯著負向相關（B=-0.617，plt;0.001），AIGC透明度與AIGC信息回避呈顯著負向相關（B=-0.215，plt;0.01），AIGC可控度與AIGC信息回避呈顯著負向相關（B=-0.244，plt;0.001），因此，兩組自變量對AI焦慮和AIGC信息回避均有抑制作用，隨著AIGC透明度和AIGC可控度的提升，也即AIGC信息不確定性的下降，用戶的AI焦慮會得到緩解，并且更不傾向于采取AIGC信息回避行為。這些發現證實了上文提出的H1～H4。

本研究考察了AI焦慮對AIGC透明度與AIGC信息回避之間關系的中介作用，以及AI焦慮對AIGC可控度與AIGC信息回避之間關系的中介作用。AI焦慮與AIGC信息回避呈正向相關（B=0.655，plt;0.001），用戶感知到的AI焦慮會顯著促進AIGC信息回避行為。研究結果支持AI焦慮中介關系的假設H5。

研究結果支持AI身份威脅對AIGC透明度與AI焦慮之間的負向關系強度的正向調節作用（B=-0.122，plt;0.05），以及對AIGC可控度與AI焦慮之間的負向關系強度的正向調節作用（B=-0.174，plt;0.05），即AI身份威脅水平會提升AIGC透明度、AIGC可控度與AI焦慮之間的關系強度。AI身份威脅感較高的人群里，用戶AIGC感知透明度和感知可控度水平對AI焦慮的影響更大，H6、H7假設成立。本研究結構方程模型路徑分析結果如圖4所示。

為了更加直觀地分析AI身份威脅的調節效應，將AIGC透明度、AIGC可控度以及AI身份威脅通過均值增減1個標準差實現均值漂移，處理為高水平和低水平兩種類別的分類變量，目的是分析AI身份威脅水平高或低日寸AIGC透明度和AIGC可控度對AI焦慮的負向影響程度是否發生變化，結果如圖5所示。根據圖5可知，在使用AIGC應用時，對AI身份威脅的評估越高，用戶越可能產生焦慮情緒，且AI身份威脅對低AIGC透明度和低AIGC可控度的調節效應更強，也越可能產生AI焦慮情緒。受試者對AI身份威脅的評估較高會使其AI焦慮情緒隨著對可控度和透明度評估水平的降低而顯著增高：而對于持有AI較低身份威脅觀念的受試者，不確定性認知的差異對于AI焦慮情緒的影響程度相對較弱。

5研究結論與啟示

5.1研究結論

本研究基于不確定性管理理論、情緒認知理論和C-A-C框架構建了AIGC信息回避影響因素模型，探究了AI焦慮如何影響人們對AIGC的信息回避，并對AI身份威脅的調節作用進行了檢驗。

研究結果表明，AIGC信息不確定性與AI焦慮之間存在顯著的正相關。即，當AIGC信息的透明度和可控度較高時，用戶對AIGC的信息回避意愿相對較弱，這說明信息的透明度和可控度能夠緩解人們的AI焦慮，提高用戶對AIGC信息的接受度。然而，當AIGC信息的透明度和可控度較低時，用戶對AIGC信息的回避意愿則變得更為強烈，這可能是因為信息的缺乏和不透明會加劇人們對AI的擔憂和恐懼。透明度幫助用戶理解AIGC的工作原理，而可控度則讓用戶感覺自己對生成的內容有主導權。兩者相結合，可以增強用戶對AIGC技術的信任，減少對技術失控的恐懼，以及對可能的負面后果的擔憂。

此外，AI焦慮在AIGC信息不確定性與用戶的回避意愿之間起到了中介作用，這說明AI焦慮是影響用戶對AIGC信息接受度的重要因素。Cezar BGDS等在大數據環境中同樣驗證了焦慮情緒和用戶信息回避行為呈正相關。本研究擴展了信息回避的場景，并引入了AI焦慮作為新的焦慮情緒類型。在AIGC應用或服務的情境下，AI焦慮對信息回避有正向影響，即用戶的AI焦慮情緒會導致他們更傾向于避免或延遲與AIGC相關的信息的接觸和使用。這種影響可能會限制AIGC技術的普及和應用，因此，在設計和推廣AIGC應用時，應充分考慮如何降低用戶的焦慮情緒，提高他們對新技術的接受度。

同時，AI身份威脅作為用戶對AI技術可能損害個人自我信念的預期，對不確定性認知和焦慮情緒之間的關系有顯著的調節作用。即AI身份威脅程度越強，越會加劇不確定性認知對AI焦慮的作用；反之，如果AI身份威脅程度較弱，那么即使用戶對AIGC持有一定水平的不確定性認知，也不一定會引發太多的AI焦慮。以往關于身份威脅的研究表明，在機器人服務的場景中，身份威脅顯著調節了服務提供者類型通過社會在場對滿意度的間接影響，這意味著當機器人服務員引發身份威脅時，可能降低客戶的滿意度。本研究將身份威脅在AIGC應用中的概念進行重新界定為AI身份威脅，并從認知情緒視角，驗證了AI身份威脅對于AI焦慮的調節效應。此發現也可以解釋AIGC實踐應用中信息回避行為相關的矛盾現象，如在一些內容社區平臺（如B站、小紅書、Lofter等）中AI繪畫被極力回避，而AI音樂創作（如AI孫燕姿、AI周杰倫）卻沒有被同樣程度地回避。這種差異可能源于不同領域中AI技術對個人身份威脅的感知程度不同。在繪畫領域，AI技術的介入可能被視為對藝術家個人創造力的直接挑戰，從而引發較強的AI身份威脅觀念，以致更有可能導致AIGC信息回避行為；而在音樂創作領域，AI可能更傾向于輔助工具，幫助音樂家拓展創作的可能性，因此用戶的AI身份威脅程度較弱，即使受到了不確定性認知的刺激，相比之下用戶對AI音樂創作的接受度相對較高，信息回避行為也較少。這種理解有助于更好地把握用戶對AIGC技術的態度和行為，為AIGC技術的設計和推廣提供指導。

5.2研究啟示

當前正處于AIGC技術架構體系快速變遷的階段，AI能力覆蓋學習和執行聚焦執行與社會協作環節，AIGC技術研發開始注重人機交互協作，注重人類對人工智能的反饋訓練。

人工智能的不斷發展也引發了很多值得思考的問題：如，為何圖片生成類AI應用在職業畫手群體中遭遇抵制的同時，“AI換臉”“AI歌手”等音視頻模態的AIGC信息卻受到廣泛歡迎？因此，需要重視AIGC模態特征和信息不確定性以及其對于用戶體驗和行為相關的影響，未來可以建立交互式反饋與學習機制，讓用戶真實體驗和了解到自己的操作如何影響AIGC系統的輸出，從而緩解用戶的“黑箱”焦慮，提升用戶體驗。此外，還可以賦予用戶個性化定制的權利：如，允許用戶對AIGC生成的內容進行個性化定制和編輯，包括調整內容的風格、語調、結構等其他參數，通過提升用戶的參與感和控制感，在增強用戶對AIGC系統信任度的同時，還能夠為系統收集更多的用戶反饋和數據，從而進一步改進和優化系統的感知控制能力，實現技術與用戶的和諧共生。

不僅如此，由于用戶對AIGC的信息回避往往源于對其技術原理、應用場景以及潛在風險的不了解或誤解，這種回避態度阻礙了公眾對AIGC價值的認同，限制了AIGC技術的廣泛應用。因此，需要專業培訓與教育項目來改善這一現狀，通過制作宣傳材料，如視頻、信息圖表和案例研究，詳細解釋AIGC的工作流程，包括數據的收集、處理和內容生成的每個環節，培養用戶的數智素養，建立技術信任，增強身份信念。

與此同時，需要持續反思和探索人與技術的關系，只有確保技術發展過程中人類的需求、情感和價值觀得到充分尊重和重視，才能讓用戶厘清AI作為“效率助手”而非“競爭對手”的社會角色定位，從而可以在享受技術便利和承擔技術威脅與焦慮風險之間找到平衡。

6結語

本文研究了用戶對人工智能生成內容（AIGC）信息回避的成因與作用機制，揭示了AI身份威脅在調節用戶焦慮中的重要作用。這一發現有助于理解用戶對AIGC技術的信息回避態度與對AIGC技術積極使用之間的矛盾現象，也為AIGC相關產品功能設計和AIGC行業信息標準制定提供了指導意見。

實驗任務設計僅局限于文本生成類AIGC，未來可以嘗試對圖片生成、音視頻生成以及跨模態生成類AIGC使用場景進行驗證，亦可對比分析不同類別AIGC的用戶信息回避影響因素以及內在作用機制之間的差異。此外，由于研究樣本的局限，未來需盡可能擴大樣本容量，并注重選取各行業各領域的樣本進行比較，盡可能減少樣本誤差；同時，由于用戶的不確定性認知或可能在不同人群、不同應用情景中產生不同特征，未來需針對特定群體（如老年群體、兒童群體等）或某一類AIGC應用的不確定性認知特征進行深入探索，以期豐富AIGC用戶信息行為影響因素的理論研究。