融合與分離之困： 算法異化下學(xué)術(shù)用戶ＡＩＧＣ 技術(shù)使用意愿研究

摘 要： ［目的／ 意義］ 人工智能（ＡＩ）技術(shù)在創(chuàng)新發(fā)展的同時(shí)也產(chǎn)生了算法異化。本研究以算法進(jìn)步帶來的異化現(xiàn)象為切入點(diǎn)， 引入矛盾態(tài)度概念， 研究學(xué)術(shù)用戶人工智能生成內(nèi)容（ＡＩＧＣ） 技術(shù)使用意愿形成機(jī)制， 為促成學(xué)術(shù)用戶ＡＩＧＣ 技術(shù)合理使用、技術(shù)服務(wù)商改進(jìn)平臺功能以及相關(guān)部門算法治理提供借鑒與參考。［ 方法／ 過程］ 基于ＡＢＣ 態(tài)度模型和自我調(diào)節(jié)理論， 從算法欣賞和算法厭惡的角度構(gòu)建算法異化下影響學(xué)術(shù)用戶ＡＩＧＣ 技術(shù)使用的理論模型， 采用結(jié)構(gòu)方程模型分析（ＳＥＭ）和模糊集定性比較分析（ｆｓＱＣＡ）的方法， 對４２５ 份問卷數(shù)據(jù)進(jìn)行實(shí)證分析。［結(jié)果／ 結(jié)論］ ＳＥＭ 結(jié)果證實(shí)了矛盾態(tài)度對學(xué)術(shù)用戶的ＡＩＧＣ 使用意愿具有顯著負(fù)向影響。算法欣賞（信息質(zhì)量、功能質(zhì)量）負(fù)向影響矛盾態(tài)度， 算法厭惡（信息異化、治理滯后） 正向影響矛盾態(tài)度， 矛盾態(tài)度則在算法欣賞、算法厭惡和使用意愿間起到中介作用。同時(shí)， 算法素養(yǎng)和社會支持在矛盾態(tài)度和ＡＩＧＣ 技術(shù)使用意愿間起著調(diào)節(jié)作用； ｆｓＱＣＡ 結(jié)果進(jìn)一步顯示， 質(zhì)量導(dǎo)向型（Ｓ１）、自我效能型（Ｓ２） 和群體驅(qū)動型（Ｓ３） 形成高使用意愿， 而風(fēng)險(xiǎn)規(guī)避型（ＮＳ１）和規(guī)范缺失型（ＮＳ２）會引發(fā)非高使用意愿。

關(guān)鍵詞： 信息行為； 算法異化； 矛盾態(tài)度； 算法欣賞； 算法厭惡； ＡＩＧＣ； 使用意愿

ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１００８－０８２１．２０２５．０５．００５

〔中圖分類號〕Ｇ２５２0. ０ 〔文獻(xiàn)標(biāo)識碼〕Ａ 〔文章編號〕１００８－０８２１ （２０２５） ０５－００３４－１５

以ＣｈａｔＧＰＴ 為代表的人工智能生成內(nèi)容（Ａｒｔｉｆｉ?ｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ Ｇｅｎｅｒａｔｅｄ Ｃｏｎｔｅｎｔ， ＡＩＧＣ）技術(shù)使人機(jī)關(guān)系進(jìn)入了一個(gè)全新發(fā)展階段［１］ 。建設(shè)“數(shù)字中國”、加速進(jìn)入智能社會、堅(jiān)持智能技術(shù)革命等理念， 引發(fā)學(xué)術(shù)領(lǐng)域?qū)θ斯ぶ悄軐?shí)踐層面的進(jìn)一步追探與反思［２－３］ 。作為國家科技創(chuàng)新的核心力量， 學(xué)術(shù)用戶承載著合理利用新技術(shù)、牽動行業(yè)發(fā)展的模范作用， 其對ＡＩＧＣ 技術(shù)使用意愿的形成原因值得探討。類似于ＡＩ 與社交媒體， 在ＡＩＧＣ 技術(shù)應(yīng)用中， 亦伴隨著“大數(shù)據(jù)” 技術(shù)所牽引的算法異化，即算法對用戶的反向利用， 使用戶與平臺主客關(guān)系倒置， 用戶為信息所役［４］ 。ＡＩＧＣ 平臺短時(shí)間內(nèi)的碎片化信息往往缺乏對已有知識的求證和溯源， 看似便捷卻很有可能誘發(fā)用戶惰性、加重信息繭房、生產(chǎn)虛假信息并由此抑制創(chuàng)造力， 達(dá)成馬克思在《資本論》中所言的科技對人的異化［５］ 。根據(jù)算法心理研究相關(guān)理論以及矛盾態(tài)度的概念， 用戶在決策相關(guān)行為中對算法效果呈現(xiàn)出的樂觀或悲觀傾向能被定義為算法欣賞與算法厭惡［６］ ， 而對事物的對立二元感受則為矛盾態(tài)度［７］ 。由于用戶在ＡＩＧＣ 技術(shù)使用中會同時(shí)感知到“大數(shù)據(jù)” 驅(qū)動下算法的智能、迅捷、龐雜所聚焦平臺的正負(fù)面影響， 故易對同一信息系統(tǒng)產(chǎn)生算法欣賞與算法厭惡， 并由此滋生矛盾態(tài)度。換言之， 用戶為智能技術(shù)迭代下ＡＩＧＣ 平臺的高質(zhì)量信息和功能顯示出贊嘆、驚喜、欣賞等樂觀認(rèn)同， 也可能為算法機(jī)制下的虛假信息、窄化信息和偏化信息產(chǎn)生厭惡， 進(jìn)而轉(zhuǎn)變?yōu)楦顚与[晦的矛盾心理。例如， 皮尤研究中心（Ｐｅｗ Ｒｅｓｅａｒｃｈ Ｃｅｎ?ｔｅｒ）最近對ＡＩＧＣ 技術(shù)使用情況的調(diào)查顯示： 一方面， ＡＩＧＣ 技術(shù)平臺的快速發(fā)展證明了其強(qiáng)大的吸引力； 另一方面， 這種廣泛使用也伴隨著用戶對自我隱私、信息繭房、內(nèi)容可信度等的擔(dān)憂［８］ 。

不可否認(rèn)， 合理運(yùn)用ＡＩＧＣ 技術(shù)將深刻重塑科研開發(fā)模式， 引領(lǐng)國家的工業(yè)和信息化進(jìn)步。但算法異化也給以學(xué)術(shù)用戶為代表的科研人員帶來了困擾。具體而言， 優(yōu)勢上ＡＩＧＣ 系統(tǒng)反應(yīng)更迅速靈活，能更好理解和處理學(xué)術(shù)問題的復(fù)雜性， 回答清晰流暢； 并能提供情感價(jià)值， 通過虛擬化主體要素， 解放學(xué)術(shù)用戶的繁瑣數(shù)據(jù)處理工作， 使其專注興趣、問題與價(jià)值導(dǎo)向的研究， 促進(jìn)核心技術(shù)及原創(chuàng)研究突破， 學(xué)術(shù)用戶易為之欣賞［９］ 。反之， 負(fù)面影響則主要表現(xiàn)在信息異化與治理滯后上， 知識搜索中， ＡＩＧＣ平臺信息搜索中會出現(xiàn)意義相悖的信息、偽造信息和重復(fù)信息［１０］ ， 且會編造文獻(xiàn)來源［１１］ ； 而當(dāng)搜索話題集中時(shí)， 往往會形成信息孤島， 導(dǎo)致信息的偏差和片面性， 易使知識體系碎片化、模糊化［１２］ ； 信息安全上， ＧＰＴ 學(xué)術(shù)用戶個(gè)人信息可能被不合理利用［１３］ ；倫理問題上， 算法黑箱增加了其背后決策推理的識別難度， 且有誘導(dǎo)“陰暗自我” 的風(fēng)險(xiǎn)， 高智能化也增加了學(xué)術(shù)不端、知識產(chǎn)權(quán)爭議等概率［１４］ 。加之，相關(guān)部門的技術(shù)監(jiān)管尚未完善， 行業(yè)使用規(guī)范尚未成熟， 給學(xué)術(shù)用戶的使用帶來了阻礙。對平臺信息異化與社會治理滯后的消極感知影響學(xué)術(shù)用戶對該工具的信任， 進(jìn)而催生算法厭惡并影響技術(shù)融入。

作為科研與創(chuàng)新生產(chǎn)力的先驅(qū)與主力軍， 學(xué)術(shù)用戶通常能率先正視算法異化下ＡＩＧＣ 技術(shù)存在的價(jià)值與風(fēng)險(xiǎn)， 通過理解、評估和批判其中的缺陷而智慧地使用， 并以此提高科研效率。因此， 有必要探討學(xué)術(shù)用戶在算法異化下對ＡＩＧＣ 技術(shù)使用意愿的形成機(jī)制， 為平臺商技術(shù)改進(jìn)與推廣提供思路。已有文獻(xiàn)往往從單一視角（如個(gè)人創(chuàng)新性、努力期望和感知價(jià)值等）研究用戶對ＡＩＧＣ 技術(shù)的使用意愿［１５－１６］ ， 但用戶很可能同時(shí)受到算法欣賞（信息質(zhì)量等）和算法厭惡（信息異化等）的雙重影響， 忽略了正負(fù)面因素作用下形成的矛盾態(tài)度。另外， 根據(jù)自我調(diào)節(jié)理論， 用戶的算法素養(yǎng)和所處環(huán)境的社會支持不同， 亦導(dǎo)致用戶對技術(shù)接納能力的差異。這兩方面因素從社會與個(gè)人監(jiān)督的角度影響著不同用戶應(yīng)對外界變化的差別方式［１７］ ， 并影響最終使用意愿。

基于此， 本研究擴(kuò)展了ＡＢＣ 態(tài)度模型和自我調(diào)節(jié)理論， 引入矛盾態(tài)度、算法欣賞和算法厭惡的概念， 使用結(jié)構(gòu)方程模型與模糊集定性比較分析混合方法， 從學(xué)術(shù)用戶認(rèn)知相關(guān)因素、情感因素以及意動因素３ 個(gè)層面探究該群體在算法異化背景下的矛盾態(tài)度以及ＡＩＧＣ 技術(shù)使用意愿。

１ 文獻(xiàn)綜述與理論基礎(chǔ)

１. １ 算法異化與ＡＩＧＣ 技術(shù)

算法異化使得原本客觀的信息經(jīng)過傳播后具有不同程度的偏離。結(jié)合馬克思的勞動異化相關(guān)論說［１８］ ， 以及Ｌｉｐｐ Ｂ 等［１９］ 在信息社會下對福柯生命政治理論的重釋， 算法異化通過權(quán)力化而使用戶成為被數(shù)字監(jiān)視的對象［２０］ 。用戶的信息行為被信息權(quán)力監(jiān)控， 這種“凝視感” 來源大致有三： 其一，技術(shù)發(fā)布者與平臺通過設(shè)置信息出現(xiàn)的頻率影響用戶體驗(yàn)； 其二， 海量數(shù)據(jù)庫產(chǎn)生過量信息增強(qiáng)用戶感知負(fù)荷、信息焦慮； 其三， 權(quán)限和個(gè)人信息交換使用戶隱私風(fēng)險(xiǎn)增加。該“凝視感” 讓用戶逃離正在使用的信息系統(tǒng)， 導(dǎo)致了用戶的搖擺、中輟和抵抗等消極信息行為［２１］ 。不僅如此， 算法異化結(jié)合新深度偽造技術(shù)很可能對教育信息、學(xué)習(xí)信息、科研信息等造成嚴(yán)重侵蝕， 威脅個(gè)人信息安全的同時(shí)使學(xué)術(shù)用戶耗費(fèi)更多精力管理自身知識系統(tǒng)?；诖?， 如何在算法異化下化解消極效應(yīng)， 使ＡＩＧＣ 技術(shù)工具得以“馴化”， 與用戶使用的關(guān)系達(dá)成回歸與共鳴引起了學(xué)術(shù)界的關(guān)注。學(xué)者們從圖書館管理到社會治理提出了相關(guān)建議， 儲節(jié)旺等［２２］ 立足圖書館服務(wù)， 從社會加速理論角度探索了如何應(yīng)對大數(shù)據(jù)時(shí)代帶來的信息異化， 使讀者有效獲取信息，使圖書館服務(wù)完成信息共鳴； 謝俊等［２３］ 基于價(jià)值反思， 提出ＣｈａｔＧＰＴ 帶來的異化危機(jī)， 明確ＣｈａｔＧＰＴ作為工具的使用邊界， 并提倡構(gòu)建可控、安全、可靠的人工智能； 周穎玉等［２４］ 從構(gòu)建和諧人機(jī)關(guān)系的角度， 立足于人本主義提出了對算法異化的綜合治理構(gòu)想。

１. ２ 算法異化和矛盾態(tài)度

算法異化帶來了信息生產(chǎn)的高效率， 亦增加了用戶獲取準(zhǔn)確信息的成本， 如曾粵亮等［２５］ 在關(guān)于用戶健康信息焦慮產(chǎn)生機(jī)理的研究中發(fā)現(xiàn)信息異化使用戶信息識別難度增加， 更易陷入抑郁、焦慮等消極情緒。態(tài)度是預(yù)測用戶行為或傾向的重要指標(biāo)，可在具體情境中被延伸。根據(jù)Ｓｈｕｍａｎｏｖ Ｍ 等［２６］ 對矛盾態(tài)度的定義， 矛盾態(tài)度是用戶同時(shí)對同一對象具有積極和消極感知的狀態(tài)， 可實(shí)現(xiàn)高負(fù)荷積極情緒與消極情緒的快速轉(zhuǎn)換。大量研究將此概念引入人機(jī)交互關(guān)系中， 證實(shí)了矛盾態(tài)度在智能技術(shù)領(lǐng)域的適用性， 如Ｂａｇｏｚｚｉ Ｒ Ｐ 等［２７］ 指出， 人工智能將從情感角度改變用戶經(jīng)濟(jì)行為， 促進(jìn)經(jīng)濟(jì)轉(zhuǎn)型； Ｆ?ｌｓｔａｄＡ 等［２８］ 指出， 研究用戶矛盾心理將成為人機(jī)交互領(lǐng)域的趨勢； Ｓｉｐｉｌ? Ｊ 等［２９］ 通過細(xì)化不同情緒強(qiáng)度的矛盾心理以更全面客觀分析聊天機(jī)器人對用戶需求變化的影響。類似地， 學(xué)術(shù)用戶在算法異化下使用ＡＩＧＣ 技術(shù)時(shí)受算法欣賞和算法厭惡的對立影響，易形成沖突情緒， 故本研究將矛盾態(tài)度作為中間因子合理且適宜［３０］ 。在矛盾態(tài)度下， 用戶對事物的看法呈現(xiàn)多種因素共同作用的混合狀態(tài)［３１］ ， 正負(fù)面情感相互制約， 當(dāng)一方增加時(shí)， 另一方則減弱。這種由態(tài)度發(fā)展而來的動態(tài)化情感更切合快速發(fā)展且不斷變化的算法機(jī)制， 為探究學(xué)術(shù)用戶使用ＡＩＧＣ技術(shù)意愿的深層因素開辟了新思路。

１. ３ ＡＢＣ 態(tài)度模型和自我調(diào)節(jié)理論

ＡＢＣ 態(tài)度模型（ＡＢＣ Ｍｏｄｅｌ ｏｆ Ａｔｔｉｔｕｄｅｓ）， 亦稱“三元態(tài)度模型”， 通過三維視角探索感知、態(tài)度、行為意向三方面的聯(lián)系與變化， 并強(qiáng)調(diào)態(tài)度在其中的核心作用［３２］ 。Ｈａｒｒｅｖｅｌｄ Ｆ Ｖ 等［３３］ 將矛盾態(tài)度引入ＡＢＣ 態(tài)度模型中， 并發(fā)展了矛盾態(tài)度與個(gè)體認(rèn)知、行為間的動態(tài)聯(lián)系， 揭示了態(tài)度和行為意愿之間更強(qiáng)的關(guān)系。該框架下， 平臺使用引發(fā)用戶差異性感知， 經(jīng)由用戶復(fù)雜心理過程形成矛盾態(tài)度， 并最終表現(xiàn)為對平臺的不同使用意愿。學(xué)術(shù)用戶使用ＡＩＧＣ平臺獲取信息、解答疑問、拓展思維， 完成目標(biāo)驅(qū)動下的任務(wù)， 而ＡＩＧＣ 平臺承擔(dān)著“知者” 的核心角色， 該過程本質(zhì)上屬于“人機(jī)交互式” 的社會學(xué)習(xí)［３４］ 。Ｂａｎｄｕｒａ Ａ［３５］ 指出， 社會學(xué)習(xí)與個(gè)體的自我調(diào)節(jié)能力密不可分， 自我調(diào)節(jié)主要包括自我觀察、自我判斷和自我反應(yīng)３ 個(gè)環(huán)節(jié)， 且由自我監(jiān)督和社會影響兩個(gè)層面調(diào)控。自我調(diào)節(jié)使個(gè)體在持有使用經(jīng)驗(yàn)后能呈現(xiàn)出對新事物的區(qū)別化認(rèn)同與接受［３６］ ，可見該過程主要作用于使用意愿形成的后期， 即態(tài)度到最終使用意愿階段， 強(qiáng)調(diào)用戶的主觀能動性。此外， Ｙｕ Ｔ Ｋ 等［３７］ 已證實(shí)了用戶對數(shù)字技術(shù)系統(tǒng)的使用意愿與相應(yīng)技術(shù)素養(yǎng)間的緊密關(guān)系， 用戶的信息素養(yǎng)越高， 其使用傾向就越強(qiáng)； Ｅｄｗａｒｄｓ Ａ 等［３８］驗(yàn)證了社會支持對用戶機(jī)器人使用的促進(jìn)效應(yīng)。類似地， 本研究將算法素養(yǎng)和社會支持分別作為在自我監(jiān)督和社會影響下學(xué)術(shù)用戶行為意愿的調(diào)節(jié)因子，具備較強(qiáng)理論基礎(chǔ)。

２ 研究假設(shè)

２. １ 算法欣賞和矛盾態(tài)度

算法欣賞是用戶對算法功能的趨近、認(rèn)可或信任， 往往為高效率、便捷性、娛樂性等積極因素所驅(qū)動［３９］ 。ＡＩＧＣ 技術(shù)的正面價(jià)值在于其擁有先進(jìn)算法［４０］ 。信息質(zhì)量方面， 擁有海量數(shù)據(jù)和預(yù)訓(xùn)練模型， 可實(shí)現(xiàn)對語料庫的學(xué)習(xí)、訓(xùn)練和反饋， 并熟悉不同國家語言， 滿足各種具體場景需求； 功能質(zhì)量方面， 基于轉(zhuǎn)換架構(gòu)的神經(jīng)網(wǎng)絡(luò)模型， 引入自我注意力機(jī)制， 形成動態(tài)、優(yōu)化的算法［４１］ ， 可大大節(jié)省算法學(xué)習(xí)和訓(xùn)練時(shí)間。因此， 強(qiáng)大的信息質(zhì)量和功能質(zhì)量是增強(qiáng)算法欣賞的主要因素［４２］ 。

２. １. １ 信息質(zhì)量和矛盾態(tài)度

個(gè)體對技術(shù)的接受和使用通常取決于期望績效正面驅(qū)動個(gè)體的程度。信息質(zhì)量從內(nèi)容性、效用性以及結(jié)構(gòu)性３ 個(gè)層面反映了平臺信息的好壞［４３］ 。在ＡＩＧＣ 技術(shù)使用過程中， 學(xué)術(shù)用戶對平臺態(tài)度的感知首先來自其信息需求與平臺提供信息的契合度。信息質(zhì)量是學(xué)術(shù)用戶情感反應(yīng)的重要外界因素， 幫助學(xué)術(shù)用戶達(dá)到使用的期望績效［４４］ 。信息質(zhì)量影響著學(xué)術(shù)用戶的期望努力和期望績效， 并由此影響學(xué)術(shù)用戶使用體驗(yàn)， 進(jìn)而影響學(xué)術(shù)用戶的矛盾態(tài)度。高信息質(zhì)量可以帶來優(yōu)質(zhì)使用體驗(yàn)， 減少學(xué)術(shù)用戶不信任感， 減弱信息焦慮， 最終降低學(xué)術(shù)用戶的矛盾態(tài)度。因此， 本研究提出以下假設(shè)：

Ｈ１： 信息質(zhì)量負(fù)向影響矛盾態(tài)度

２. １. ２ 功能質(zhì)量和矛盾態(tài)度

學(xué)術(shù)用戶對功能質(zhì)量的認(rèn)知和情感源于平臺功能與實(shí)際情境下學(xué)術(shù)用戶需求、任務(wù)匹配的關(guān)聯(lián)度。該過程中， ＡＩＧＣ 平臺以對話的形式與用戶進(jìn)行互動，該形式是ＡＩＧＣ 平臺區(qū)別于傳統(tǒng)信息檢索平臺的關(guān)鍵特征。因而學(xué)術(shù)用戶極有可能根據(jù)“聊天機(jī)器人”的評價(jià)標(biāo)準(zhǔn)對ＡＩＧＣ 技術(shù)做出性能評估， 一方面，學(xué)術(shù)用戶會從功能的智能性評估“人機(jī)交互” 模式是否和諧； 另一方面， 學(xué)術(shù)用戶根據(jù)擬人化的情感體驗(yàn)來判定技術(shù)優(yōu)劣。由此可能會引起學(xué)術(shù)用戶內(nèi)隱態(tài)度上更深層次變化。例如， 用戶可能會產(chǎn)生對平臺的情感依賴， 或者將該趣味性強(qiáng)的平臺對話用在日常學(xué)習(xí)工作中［４５］ 。因此， 本研究提出以下假設(shè)：

Ｈ２： 功能質(zhì)量負(fù)向影響矛盾態(tài)度

２. ２ 算法厭惡和矛盾態(tài)度

相關(guān)研究強(qiáng)調(diào)， 算法的錯誤和缺陷是算法厭惡產(chǎn)生的前提［４６］ 。通常ＡＩＧＣ 技術(shù)的發(fā)展也帶來了很多負(fù)面或質(zhì)疑輿論， 主要表現(xiàn)為信息異化和治理滯后， 并誘發(fā)學(xué)術(shù)用戶產(chǎn)生對ＡＩＧＣ 技術(shù)的算法厭惡。信息異化方面， ＡＩＧＣ 技術(shù)可能會產(chǎn)生錯誤或不準(zhǔn)確的信息， 生成有害內(nèi)容［４７］ ， 并帶來一定的數(shù)據(jù)泄漏風(fēng)險(xiǎn)。加之， 在治理方面， 相關(guān)部門的治理方案尚未明晰， 因而加劇了使用風(fēng)險(xiǎn)。信息異化和治理滯后帶來的消極體驗(yàn)共同促進(jìn)了算法厭惡。

２. ２. １ 信息異化和矛盾態(tài)度

信息異化會增加學(xué)術(shù)用戶識別并使用信息的難度， 加大學(xué)術(shù)用戶對于平臺提供的大量信息的混亂感知。學(xué)術(shù)用戶尋求信息時(shí)， 會在同一對話框中獲取到大量重復(fù)、錯誤或觀點(diǎn)相悖的信息， 這很有可能會增加學(xué)術(shù)用戶的心理負(fù)荷， 并增強(qiáng)矛盾態(tài)度。另外， 信息異化也帶來了人機(jī)之間的“主體” 關(guān)系競爭， 服務(wù)商詢問學(xué)術(shù)用戶信息時(shí)的低承諾也增加了學(xué)術(shù)用戶個(gè)人隱私風(fēng)險(xiǎn)［４８］ 。面對這些混亂信息時(shí)， 學(xué)術(shù)用戶需要耗費(fèi)大量精力甄別以完成信息獲取， 帶來了負(fù)荷過度的體驗(yàn)。因此， 本研究提出以下假設(shè)：

Ｈ３： 信息異化正向影響矛盾態(tài)度

２. ２. ２ 治理滯后和矛盾態(tài)度

技術(shù)進(jìn)步往往先于所能調(diào)控它的制度， 這種局限性可能會導(dǎo)致學(xué)術(shù)用戶對技術(shù)使用與否的不確定性。其特征是學(xué)術(shù)用戶不明確在何種情況下不能使用該工具， 哪些信息的使用會帶來違規(guī)， 以及最終著作權(quán)的歸屬應(yīng)該如何劃分等。ＡＩＧＣ 技術(shù)帶來了深度偽造信息、偏見信息和違背人類價(jià)值觀的信息，再加上數(shù)據(jù)治理制度和監(jiān)管實(shí)踐中制造的權(quán)力不對稱， 很可能會產(chǎn)生信任問題［４９－５０］ 。這些負(fù)面影響會提高使用者的感知成本， 形成平臺轉(zhuǎn)移阻力， 加深學(xué)術(shù)用戶對平臺的矛盾態(tài)度。因此， 本研究提出以下假設(shè)：

Ｈ４： 治理滯后正向影響矛盾態(tài)度

２. ３ 矛盾態(tài)度和使用意愿

在用戶行為意愿的研究中， 矛盾態(tài)度被認(rèn)為是低行為意愿的直接預(yù)測前提。矛盾態(tài)度低時(shí)用戶更愿意接受技術(shù)， 而矛盾態(tài)度較高時(shí)對新技術(shù)的接受則會更加困難。信息異化下， 學(xué)術(shù)用戶基于主體意識對ＡＩＧＣ 技術(shù)的使用產(chǎn)生了心理抗拒［５１］ ， 該過程激化了矛盾態(tài)度。對于在智能信息平臺有使用經(jīng)驗(yàn)的學(xué)術(shù)用戶而言， ＡＩＧＣ 技術(shù)是否會成為升級版的信息繭房、深度偽造技術(shù)等誘因尚不可知， 故而會增強(qiáng)矛盾心理， 并表現(xiàn)在模棱兩可的使用傾向上。因此， 本研究提出以下假設(shè)：

Ｈ５： 矛盾態(tài)度負(fù)向影響使用意愿

２. ４ 算法素養(yǎng)的調(diào)節(jié)作用

Ｄｏｇｒｕｅｌ Ｌ 等［５２］ 將算法素養(yǎng)歸納為能夠批判性地評估其帶來的影響并合理應(yīng)對。算法素養(yǎng)在本研究中為在算法異化下有效獲取、評估和應(yīng)用所需信息的知識和技能集合。根據(jù)自我調(diào)節(jié)理論， 用戶算法素養(yǎng)的差異能使用戶結(jié)合效價(jià)產(chǎn)生不同程度的自我效能感［５３］ 。算法素養(yǎng)高的學(xué)術(shù)用戶在使用ＡＩＧＣ平臺時(shí)更易適應(yīng)新技術(shù)， 由此創(chuàng)造出新的知識獲取途徑并產(chǎn)生溢出效應(yīng)， 這很有可能會激發(fā)學(xué)術(shù)信心［３９］ ； 同時(shí)， 對話模式賦予用戶更多探索空間，使高算法素養(yǎng)用戶能進(jìn)一步調(diào)動主觀能動性， 以此豐富和加強(qiáng)自身的工具理性與價(jià)值理性， 反過來也能促成其算法素養(yǎng)進(jìn)步［５４－５５］ 。相較于算法素養(yǎng)低的學(xué)術(shù)用戶， 算法素養(yǎng)高的用戶更可能得到技術(shù)帶來的正反饋， 增強(qiáng)自我效能感， 進(jìn)而增強(qiáng)自我調(diào)節(jié)效應(yīng)［５６］ 。因此， 本研究提出以下假設(shè)：

Ｈ６： 算法素養(yǎng)調(diào)節(jié)矛盾態(tài)度和使用意愿之間的關(guān)系

２. ５ 社會支持的調(diào)節(jié)作用

社會支持有助于社會融入并促進(jìn)個(gè)體創(chuàng)造社會價(jià)值［５７］ 。本質(zhì)上社會支持來自社群效應(yīng)， 強(qiáng)調(diào)社會規(guī)范的約束［５８］ 。結(jié)合信息行為的視角， ＭｏｌｉｎｉｌｌｏＳ 等［５９］ 認(rèn)為， 社會支持能夠增強(qiáng)個(gè)體心理韌性，促進(jìn)用戶的參與行為， 這與信息系統(tǒng)使用研究中用戶因“面子意識” 而做出某種行為的情形類似［６０］ 。本研究中， 社會支持源于學(xué)術(shù)用戶為所處群體歸屬感需求， 核心在于個(gè)體被群體所影響， 從而促進(jìn)個(gè)體向群體所期待的方向改變或調(diào)整自身行為［６１］ 。若ＡＩＧＣ 技術(shù)帶來的新穎性和快捷性為國家政策、社會氛圍、學(xué)術(shù)環(huán)境等所提倡， 那么學(xué)術(shù)用戶很有可能根據(jù)該偏好而做出行為調(diào)整， 嘗試并適應(yīng)該技術(shù)的使用。由此提出以下假設(shè)：

Ｈ７： 社會支持調(diào)節(jié)矛盾態(tài)度和使用意愿之間的關(guān)系

綜上， 本研究提出研究模型， 如圖１ 所示。

３ 問卷設(shè)計(jì)與數(shù)據(jù)收集

根據(jù)研究情景改編了先前研究的量表， 總共考慮了８ 個(gè)變量： 信息質(zhì)量、功能質(zhì)量、信息異化、治理滯后、矛盾態(tài)度、算法素養(yǎng)、社會支持和使用意愿， 并采用李克特五級量表具體評估各項(xiàng)數(shù)值。問卷大部分題項(xiàng)來自國內(nèi)外成熟量表， 其中信息異化和治理滯后由相關(guān)代表性研究總結(jié)并自行制定和開發(fā)， 如表１ 所示。在正式調(diào)查前進(jìn)行了預(yù)測試，共收集２１０ 份樣本進(jìn)行分析， 各維度和整體維度信效度值均為良好， 因此進(jìn)行正式測試。以滾雪球的方式通過網(wǎng)絡(luò)發(fā)布， 設(shè)置篩選條件為使用過ＡＩＧＣ技術(shù)的學(xué)術(shù)用戶， 包括高校研究生、教職人員以及相關(guān)領(lǐng)域的學(xué)術(shù)工作者， 并在問卷測試之前播放生成式人工智能的介紹視頻和最新研究應(yīng)用情況， 確保測試的客觀性。回收問卷數(shù)為４８１ 份， 通過篩選后得到４２５ 份有效問卷， 有效率為８８. ４％。

被試者中女性占比５１. ２％， 男性占比４８. ８％；學(xué)科背景上， 人文社科類占比５０. ７％， 自然科學(xué)及其他占比４９. ３％； 受教育程度分布， 碩士研究生占比３８. ８％， 博士及以上占比為６１. ２％， 較符合學(xué)術(shù)用戶群體受教育程度分布現(xiàn)狀； 年齡上， ２４～３０ 歲占比２８. ７％， ３１～５０ 歲占比５４. １％， ５０ 歲以上占比１７. ２％； 行業(yè)分布上， 科研和教育類２６４ 人（６２. ２％）， 技術(shù)服務(wù)類８６ 人（２０. ２％）， 商業(yè)服務(wù)類７５ 人（１７. ６％）。整體較符合國內(nèi)學(xué)術(shù)用戶年齡、行業(yè)分布情況， 由此根據(jù)本調(diào)查數(shù)據(jù)進(jìn)行實(shí)證分析。

４ 結(jié)構(gòu)方程模型分析

４. １ 共同方法偏差檢驗(yàn)

為驗(yàn)證數(shù)據(jù)中潛在的共同方法偏差（ＣＭＢ）， 本研究進(jìn)行了Ｈａｒｍａｎ 單因素檢驗(yàn)。結(jié)果顯示， 單因素解釋的總方差為３２. ２７７％， 且存在８ 個(gè)特征根大于１ 的因子， 因此數(shù)據(jù)集不存在ＣＭＢ 的問題。

４. ２ ＣＢ－ＳＥＭ 假設(shè)的評估

為確保研究結(jié)果的可靠性， 本研究采用了偏度值和峰度值來評估數(shù)據(jù)的正態(tài)性。結(jié)果顯示， 數(shù)據(jù)偏度值為－０. ７２８～０. ４１５， 峰度值為－０. ７３１～０. ７２９，符合數(shù)據(jù)分布正態(tài)性假設(shè)［７４］ 。另外， 本研究所有變量的ＶＩＦ 值均為１～３. ７２５， 容差值則為０. ２５４～０. ７４９， 表明不存在多重共線性問題［７５］ 。

４. ３ 測量模型評估

本研究的測量模型采用驗(yàn)證性因子分析（ＣＦＡ）進(jìn)行評估， 以評估模型的擬合程度， 如表２、表３所示， 各維度數(shù)值均滿足ＣＦＡ 檢驗(yàn)條件［７６－７７］ 。

效度判別上， 采用異質(zhì)特征—單性狀比值（ＨＴ?ＭＴ）來精確評估不同潛在變量之間的相關(guān)性。如表４所示， 該方法計(jì)算得出的系數(shù)低于０. ８５， 驗(yàn)證了研究中潛在變量的獨(dú)立性和低相關(guān)性［７８］ ， 增強(qiáng)了研究結(jié)果可靠性和有效性的可信度。

４. ４ 結(jié)構(gòu)模型評估

表５ 數(shù)據(jù)顯示， 卡方與自由度的比值（Ｘ２ ／ ｄｆ）為２. ２６８， ｐ 值小于０. ０１， 顯示模型的擬合度在統(tǒng)計(jì)上顯著。此外， 其他擬合指數(shù)與Ｒａｐｐａｐｏｒｔ Ｌ Ｍ 等［７９］提出的閾值相符， 進(jìn)一步證實(shí)了模型與數(shù)據(jù)的擬合性較好。

表６ 和圖２ 展示了假設(shè)檢驗(yàn)結(jié)果以及路徑系數(shù)。研究結(jié)果表明， 算法欣賞維度中的信息質(zhì)量負(fù)向影響矛盾態(tài)度（β ＝ －０. ２８７， ｐ＜０. ００１）， 功能質(zhì)量負(fù)向影響矛盾態(tài)度（β ＝ －０.２７７， ｐ＜０. ００１）。算法厭惡維度中的信息異化正向影響矛盾態(tài)度（β ＝０. ２７０，ｐ＜０. ００１）， 治理滯后正向影響矛盾態(tài)度（β ＝０. １８７，ｐ＜０. ０５）。另外， 矛盾態(tài)度對使用意愿的負(fù)向影響顯著（β ＝ －０. ３１５， ｐ＜０. ００１）。此外， Ｒ２ 值（矛盾態(tài)度： ０. ５２２， 使用意愿： ０. ７６９）表明， 潛在變量在實(shí)質(zhì)層面有效解釋和預(yù)測了所指向的變量。另外，社會支持（β ＝ ０. ２０２， ｐ＜０. ００１） 和算法素養(yǎng)（β ＝０. ２２２， ｐ＜０. ００１）對矛盾態(tài)度到使用意愿之間具有調(diào)節(jié)作用。算法素養(yǎng)和所感知的社會支持水平越高，矛盾態(tài)度對使用意愿的作用就越弱。

本研究采用Ｂｏｏｔｓｔｒａｐｐｉｎｇ 法檢驗(yàn)中介效應(yīng)， 設(shè)置Ｂｏｏｔｓｔｒａｐ 自抽樣５ ０００次， 偏差校正置信區(qū)間和百分置信區(qū)間的置信水平為９５％， 結(jié)果如表７ 所示。研究發(fā)現(xiàn)， 算法欣賞中的信息質(zhì)量、功能質(zhì)量與矛盾態(tài)度顯著負(fù)相關(guān)， 而算法厭惡中的信息異化、治理滯后與矛盾態(tài)度顯著正相關(guān)， 且矛盾態(tài)度在前３個(gè)變量到使用意愿間起到了部分中介作用， 而治理滯后到使用意愿的路徑為完全中介作用。中介效應(yīng)證實(shí)了矛盾態(tài)度在學(xué)術(shù)用戶使用意愿形成中的關(guān)鍵性。

５ 模糊集定性比較分析

５. １ 數(shù)據(jù)校準(zhǔn)

本研究采用ｆｓＱＣＡ３. ０ 軟件進(jìn)行模糊集定性比較分析。選擇前文闡述的７ 個(gè)自變量作為ｆｓＱＣＡ 分析的前因變量， 并且將使用意愿作為結(jié)果變量。另外， 對各個(gè)前因變量取平均值后， 以Ｒａｇｉｎ 提出的５％、９５％和交叉點(diǎn)５０％的標(biāo)準(zhǔn)分別進(jìn)行數(shù)據(jù)校準(zhǔn)，以提高結(jié)果的可解釋性［８０］ 。

５. ２ 真值表構(gòu)建

真值表是ｆｓＱＣＡ 方法用以評估充分性條件的關(guān)鍵工具。在７ 個(gè)條件變量的情況下會存在１２８ 種條件組態(tài)， 需要對組態(tài)進(jìn)行篩選［８１］ 。本研究樣本量達(dá)到了４００ 以上， 故將閾值設(shè)置為２， 以保持?jǐn)?shù)據(jù)可信度。另外， 一致性用于衡量案例對結(jié)果的解釋力度， 數(shù)值越高則解釋能力越強(qiáng)， 本研究設(shè)置一致性閾值為０. ８， ＰＲＩ 一致性為０. ７５［８２］ 。通過比較頻數(shù)和一致性， 滿足條件的組態(tài)在真值表中賦值為１，否則為０， 以此構(gòu)建一個(gè)較為精準(zhǔn)的分析框架。

５. ３ 單項(xiàng)變量必要性分析

在進(jìn)行ｆｓＱＣＡ 構(gòu)型分析之前， 需要對單項(xiàng)前因變量的必要性進(jìn)行分析。分析發(fā)現(xiàn)， 單項(xiàng)前因變量的一致性均低于０. ９， 覆蓋度均小于０. ８， 表明單個(gè)前因變量既不是導(dǎo)致結(jié)果變量的必要性條件， 也不是充分條件。因此， 需進(jìn)一步對各個(gè)前因變量之間的構(gòu)型進(jìn)行條件組合分析。

５. ４ 構(gòu)型分析

在探討影響ＡＩＧＣ 學(xué)術(shù)用戶使用意愿的復(fù)雜因素時(shí)， 通過區(qū)分組態(tài)中的核心要素和非核心要素來深入理解其內(nèi)在機(jī)制。為清晰呈現(xiàn)這些要素和條件在組態(tài)結(jié)果中的作用， 本研究采用圖形化的方法。其中， ●表示核心條件存在， ●表示邊緣條件存在，表示核心條件缺失， 空白表示可能存在也可能不存在。綜合中間解與簡約解， 得到學(xué)術(shù)用戶對ＡＩＧＣ技術(shù)使用意愿的組態(tài)結(jié)果， 如表９ 所示。

基于此， 本研究將高使用意愿路徑綜合歸納為質(zhì)量導(dǎo)向型（Ｓ１ａ、Ｓ１ｂ）、自我效能型（Ｓ２）、群體驅(qū)動型（Ｓ３）３ 種組態(tài)模式。非高使用意愿路徑為風(fēng)險(xiǎn)規(guī)避型（ＮＳ１）和規(guī)范缺失型（ＮＳ２）。

質(zhì)量導(dǎo)向型為Ｓ１ａ 和Ｓ１ｂ 兩條路徑， 這兩條路徑均包含信息質(zhì)量這個(gè)核心條件。其中Ｓ１ａ 表明無論學(xué)術(shù)用戶是否對于信息異化有所感知， 只要能夠提供高質(zhì)量的信息內(nèi)容和功能， 學(xué)術(shù)用戶就具備積極的使用意愿。Ｓ１ｂ 表明無論學(xué)術(shù)用戶對于治理滯后的重視程度如何， 即使有較明顯的信息異化現(xiàn)象，只要信息質(zhì)量高， 學(xué)術(shù)用戶使用足夠便利， 其功能的智能化和擬人化足夠高， 學(xué)術(shù)用戶就有積極的使用意愿。綜合兩條路徑可知， 對于高使用意愿用戶來說， 影響使用的關(guān)鍵在于工具的實(shí)用性， 即能夠?yàn)橛脩魩碣N合需求的高質(zhì)量信息內(nèi)容， 且能滿足用戶在情感、任務(wù)中的價(jià)值需求。而信息異化和治理滯后作為邊緣條件或可有可無的條件， 用戶雖有感知， 但并未能形成逆轉(zhuǎn)。

自我效能型為Ｓ２ 路徑， 該路徑包含功能價(jià)值、算法素養(yǎng)、社會支持３ 個(gè)核心條件。表明無論學(xué)術(shù)用戶對治理滯后感知程度如何， 對信息異化本身評估如何， 即使是在信息質(zhì)量內(nèi)容本身不高的情況下，學(xué)術(shù)用戶也呈現(xiàn)出積極的使用意愿。另外， 學(xué)術(shù)用戶自身的算法素養(yǎng)作為該路徑的核心要素， 表明算法素養(yǎng)的重要性， 算法素養(yǎng)高的學(xué)術(shù)用戶能夠采取有效措施及時(shí)辨明更正使用中系統(tǒng)生成的錯誤。對于偏離價(jià)值觀或不完全正確的信息， 該用戶群體也能夠巧妙處理， 并合理運(yùn)用到科研中。具體而言，該群體能有效使用該工具， 高效獲取有用信息， 化解算法異化帶來的負(fù)面效應(yīng)， 并且對該領(lǐng)域的法律法規(guī)較為熟悉， 能保護(hù)好自身隱私。

Ｓ３ 的核心條件為社會支持， 表明對于學(xué)術(shù)用戶來說只要社會支持的力度足夠大， 即使信息質(zhì)量和功能質(zhì)量優(yōu)勢并不突出， 對算法的喜惡未知， 學(xué)術(shù)用戶也會呈現(xiàn)出積極的使用意愿。該結(jié)果印證了Ｆｕｅｎｔｅｓ－Ｍｏｒａｌｅｄａ Ｌ 等［８３］ 對游客支持博物館使用機(jī)器人意愿的研究結(jié)果， 即贊同的社會影響越強(qiáng)， 用戶支持意愿就越強(qiáng)。因此， 社會環(huán)境影響對學(xué)術(shù)用戶使用意愿的形成非常重要。學(xué)術(shù)研究環(huán)境、科研團(tuán)隊(duì)、同事、同學(xué)、老師等的影響對于學(xué)術(shù)用戶是否使用的傾向具有顯著驅(qū)動效應(yīng)， 有時(shí)甚至?xí)苯邮箤W(xué)術(shù)用戶在矛盾態(tài)度之下也積極使用該工具， 這是群體效應(yīng)的表現(xiàn)［８４］ 。

ＮＳ１ 與ＮＳ２ 相同的是兩條路徑均包含矛盾態(tài)度、信息異化兩個(gè)核心條件， 表明存在信息異化時(shí)， 矛盾態(tài)度會引發(fā)學(xué)術(shù)用戶非高使用意愿， 該結(jié)果印證了結(jié)構(gòu)方程的結(jié)果。ＮＳ１ 與ＮＳ２ 的不同之處在于，ＮＳ２ 包含社會支持、信息質(zhì)量、治理滯后３ 個(gè)核心條件， 說明即使信息質(zhì)量很高， 社會支持充足， 但如果矛盾態(tài)度呈現(xiàn)高水平， 對算法治理滯后的感知明顯， 也會抑制學(xué)術(shù)用戶的使用意愿。因此， 未來為促進(jìn)更多用戶的技術(shù)融入， 對相關(guān)領(lǐng)域的使用規(guī)范進(jìn)行闡述、推動具體平臺算法治理或許能起到關(guān)鍵作用。圖３ 和圖４ 顯示了本研究中兩種組態(tài)下典型案例的分布情況（數(shù)字代表參與問卷調(diào)查者的數(shù)字編號）。兩幅圖中典型情況坐標(biāo)的隸屬度（縱坐標(biāo)）和配置度（橫坐標(biāo)）均大于０. ５， 具有較好的解釋性和代表性［８５］ 。

６ 結(jié) 論

本研究基于ＡＢＣ 態(tài)度模型與自我調(diào)節(jié)理論， 探索了矛盾態(tài)度在算法欣賞和算法厭惡下對使用意愿影響路徑的中介作用， 以及算法素養(yǎng)和社會支持對矛盾態(tài)度到使用意愿路徑的調(diào)節(jié)作用。在結(jié)構(gòu)方程模型的基礎(chǔ)上， 利用模糊集定性比較分析方法深入揭示各前因變量間的作用機(jī)制?？偨Y(jié)如下：

第一， 結(jié)構(gòu)方程模型分析結(jié)果顯示， 信息質(zhì)量和功能質(zhì)量負(fù)向影響矛盾態(tài)度， 表明信息質(zhì)量和功能質(zhì)量越好， 學(xué)術(shù)用戶越不容易產(chǎn)生矛盾態(tài)度。信息異化下， 學(xué)術(shù)用戶的算法欣賞削弱了學(xué)術(shù)用戶的矛盾態(tài)度， 使學(xué)術(shù)用戶對ＡＩＧＣ 技術(shù)具有高使用意愿。相反， 信息異化和治理滯后則正向影響矛盾態(tài)度， 學(xué)術(shù)用戶由此產(chǎn)生的算法厭惡通過矛盾態(tài)度來促成學(xué)術(shù)用戶的非高使用意愿。大量研究證明了矛盾態(tài)度對行為意愿的抑制作用［８６］ ， 如Ｓｔａｐｅｌ 等證明了矛盾態(tài)度使用戶對機(jī)器人的信任降低， 從而引發(fā)非高使用意愿［３１］ 。換言之， 矛盾態(tài)度在算法欣賞和算法厭惡到使用意愿之間具有強(qiáng)烈的中介屬性。另外， 在治理滯后到使用意愿路徑下， 矛盾態(tài)度起著完全中介作用， 這意味著ＡＩＧＣ 技術(shù)尚屬應(yīng)用初期，相應(yīng)的治理滯后或許需要引起更多個(gè)體方面的矛盾心理才能起到顯著的負(fù)向作用。算法素養(yǎng)和社會支持從個(gè)人心理到社會環(huán)境兩方面綜合反映了學(xué)術(shù)用戶個(gè)人的自我調(diào)節(jié)能力， 能夠調(diào)節(jié)學(xué)術(shù)用戶矛盾態(tài)度對使用意愿的負(fù)向影響， 從而減弱矛盾態(tài)度的抑制作用。自我調(diào)節(jié)理論認(rèn)為， 算法素養(yǎng)和社會支持通過自我與社會監(jiān)督促進(jìn)用戶行為改變［８７］ ， 本研究結(jié)果與該理論相一致。最后， 信息異化和治理滯后增強(qiáng)影響學(xué)術(shù)用戶的矛盾態(tài)度， 主要是由于信息異化所帶來的信息繭房、隱私風(fēng)險(xiǎn)以及信息過載等加劇學(xué)術(shù)用戶感知負(fù)荷， 從而促成學(xué)術(shù)用戶的算法厭惡， 該影響機(jī)制在知識社區(qū)的研究中已證明［８８］ 。

第二， ｆｓＱＣＡ 定性比較分析結(jié)果顯示， 造成學(xué)術(shù)用戶高使用意愿的模式有三類。Ｓ１ａ 和Ｓ１ｂ 的核心條件為信息質(zhì)量。Ｓ２ 的核心條件為功能質(zhì)量、算法素養(yǎng)和社會支持； Ｓ３ 的核心條件為社會支持。三者的共同點(diǎn)在于矛盾態(tài)度的缺失或未知， 這代表了非高程度的矛盾態(tài)度， 即學(xué)術(shù)用戶在較低的矛盾態(tài)度下才更傾向于對ＡＩＧＣ 技術(shù)的高使用意愿。比較三類觸發(fā)模式的覆蓋率可知， Ｓ１ 的解釋力要遠(yuǎn)高于Ｓ２ 和Ｓ３， 表明技術(shù)實(shí)質(zhì)性優(yōu)劣是平臺服務(wù)提升的核心。

第三， 導(dǎo)致學(xué)術(shù)用戶非高意愿的模式有兩類，分別為ＮＳ１ 和ＮＳ２。兩者的共同點(diǎn)在于都以矛盾態(tài)度作為核心條件。這表明學(xué)術(shù)用戶矛盾態(tài)度傾向高時(shí)， 更易產(chǎn)生低使用傾向； ＮＳ１ 存在邊緣條件， 顯示非高使用意愿會受到功能質(zhì)量和算法素養(yǎng)影響，ＮＳ２ 則不存在?？梢娝惴ㄋ仞B(yǎng)和功能質(zhì)量在某種程度上會引發(fā)學(xué)術(shù)用戶的矛盾態(tài)度， 進(jìn)而抑制使用意愿。具體而言， 部分學(xué)術(shù)用戶在使用ＡＩＧＣ 技術(shù)時(shí)所具備的算法素養(yǎng)不足以使其對ＡＩＧＣ 技術(shù)運(yùn)用自如， 或其所感知到的功能質(zhì)量不足以取代傳統(tǒng)工具的路徑依賴， 該部分學(xué)術(shù)用戶很可能需要更加充分的外界條件才能轉(zhuǎn)變他們的態(tài)度以及使用意愿?？傮w而言， 學(xué)術(shù)用戶是我國科技創(chuàng)新先行者， 借鑒該群體的非高使用意愿形成原因， 能為工具推廣、算法治理提供思路。

７ 研究啟示與局限

在算法社會下對學(xué)術(shù)用戶進(jìn)行關(guān)于ＡＩＧＣ 技術(shù)使用意愿的研究， 探究算法異化下其對ＡＩＧＣ 技術(shù)的矛盾態(tài)度， 對促成ＡＩＧＣ 技術(shù)的合理使用、改進(jìn)平臺功能及算法治理具有重要理論和實(shí)踐價(jià)值。

理論層面： 本研究使用結(jié)構(gòu)方程和組態(tài)方法來綜合處理研究數(shù)據(jù)， 發(fā)展了該領(lǐng)域的實(shí)證應(yīng)用。首先， 本研究拓展了ＡＢＣ 態(tài)度模型， 引入了矛盾態(tài)度的中介屬性。換言之， 討論了矛盾態(tài)度的心理現(xiàn)象，通過對算法表現(xiàn)出的欣賞和厭惡的雙刃劍效應(yīng)， 讓個(gè)體感知與情感形成的機(jī)制更加契合動態(tài)發(fā)展， 對ＡＢＣ 態(tài)度模型文獻(xiàn)做出了一定的貢獻(xiàn)； 其次， 借鑒自我調(diào)節(jié)理論在ＥＦＬ 學(xué)習(xí)研究中的應(yīng)用［８９］ ， 根據(jù)學(xué)術(shù)用戶個(gè)體所具備的算法素養(yǎng)以及所處環(huán)境社會支持的差異， 發(fā)現(xiàn)算法素養(yǎng)和社會支持在矛盾態(tài)度到使用意愿間的調(diào)節(jié)作用。具體而言， 算法素養(yǎng)和社會支持是一種特殊的個(gè)人特質(zhì)和心理狀態(tài)， 可以削弱矛盾心理對使用意愿的直接作用； 第三， 本研究豐富了用戶ＡＩＧＣ 技術(shù)使用意愿中觀層面的研究，表明中觀層面的治理滯后能夠通過加深矛盾態(tài)度從而導(dǎo)致非高使用意愿， 而社會支持可通過促進(jìn)自我調(diào)節(jié)從而緩沖該影響； 最后， 結(jié)合模糊集定性比較研究方式對使用意愿的７ 個(gè)前因變量進(jìn)行“黑箱”操作， 用數(shù)據(jù)集來解釋學(xué)術(shù)用戶高使用意愿和非高使用意愿兩個(gè)維度的變量組合形式， 開創(chuàng)性地探索了多個(gè)前因變量之間的相互作用機(jī)制。該方法呼應(yīng)結(jié)構(gòu)方程研究結(jié)果的同時(shí)， 彌補(bǔ)了結(jié)構(gòu)方程缺少的非線性關(guān)系內(nèi)容， 增強(qiáng)了實(shí)證研究的可信度。

實(shí)踐層面： 首先， 開發(fā)商和技術(shù)部門應(yīng)加大對ＡＩＧＣ 平臺的信息質(zhì)量和功能質(zhì)量建設(shè)， 挖掘平臺在工具實(shí)質(zhì)及價(jià)值創(chuàng)造中的更多可能性， 同時(shí)盡量避免平臺信息被算法異化， 使ＡＩＧＣ 技術(shù)更好地服務(wù)于學(xué)術(shù)用戶群體并滿足相應(yīng)需求， 為學(xué)術(shù)創(chuàng)新和進(jìn)步“搭橋鋪路”； 其次， 高校、研究所或企事業(yè)部門可不定期開展關(guān)于算法素養(yǎng)提升、人工智能運(yùn)用的線上線下交流會、講座、訪談等， 激發(fā)學(xué)術(shù)用戶對新興技術(shù)的熱情， 增強(qiáng)該群體應(yīng)對算法異化的信心， 以此不斷消解異化引發(fā)的風(fēng)險(xiǎn)規(guī)避和融合困境， 推動學(xué)術(shù)用戶在ＡＩＧＣ 技術(shù)科研使用中的合理化融入； 第三， 信息數(shù)據(jù)治理部門作為國家信息保障的重要平臺， 應(yīng)當(dāng)響應(yīng)國家的“清朗” 號召， 通過完善技術(shù)使用的標(biāo)準(zhǔn)和界線、加大算法治理的力度來整治平臺生態(tài)， 保障用戶和國家信息安全， 維護(hù)平臺數(shù)據(jù)系統(tǒng)生態(tài)； 最后， 相關(guān)技術(shù)規(guī)范管理者須時(shí)刻把握國家人工智能政策的變化， 為合理使用該工具制定細(xì)則， 為學(xué)術(shù)研究營造良好的算法社會氛圍創(chuàng)造有利條件。

本研究也存在一定局限性： 首先， 研究結(jié)果沒有對學(xué)術(shù)用戶的性別、學(xué)歷層次、學(xué)科以及工作背景進(jìn)行劃分， 因此在將結(jié)果推廣到具體學(xué)術(shù)用戶群體時(shí)應(yīng)當(dāng)謹(jǐn)慎， 未來研究中可將這部分變量進(jìn)行相關(guān)分析， 以使研究結(jié)果更具普遍性； 其次， 本研究對矛盾態(tài)度的測量使用了量表方法， 雖然測量方法嚴(yán)謹(jǐn)， 但也存在一定局限性， 因此后續(xù)研究中可參考消費(fèi)者行為研究領(lǐng)域的實(shí)驗(yàn)方法［９０］ ； 第三， 本研究僅測量了現(xiàn)階段人們對于ＡＩＧＣ 技術(shù)的認(rèn)知， 但由于技術(shù)飛速發(fā)展以及認(rèn)知變化， 研究結(jié)果可能會存在一定誤差， 未來可采取兩個(gè)時(shí)間段的對比實(shí)驗(yàn)改進(jìn)； 另外， 為更全面地了解影響ＡＩＧＣ 技術(shù)使用的因素， 后續(xù)研究可依托定性訪談或觀察探索影響學(xué)術(shù)用戶決策過程的具體挑戰(zhàn)、關(guān)注點(diǎn)和動機(jī)， 并闡明其背后的潛在原因； 最后， 學(xué)術(shù)環(huán)境系統(tǒng)特征、用戶卷入度、用戶性別等因素， 也可能影響ＡＩＧＣ 技術(shù)使用意愿， 后續(xù)可進(jìn)一步補(bǔ)充探究該技術(shù)在不同研究情境下的適用性和有效性。

參考文獻(xiàn)

［１］ Ｒａｉｋｏｖ Ａ Ｎ， Ｐｉｒａｎｉ Ｍ． Ｈｕｍａｎ－Ｍａｃｈｉｎｅ Ｄｕａｌｉｔｙ： Ｗｈａｔｓ Ｎｅｘｔ ｉｎＣｏｇｎｉｔｉｖｅ Ａｓｐｅｃｔｓ ｏｆ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ？ ［ Ｊ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０２２， １０： ５６２９６－５６３１５．

［２］ Ｗｕ Ｆ， Ｌｕ Ｃ Ｗ， Ｚｈｕ Ｍ Ｊ， ｅｔ ａｌ． Ｔｏｗａｒｄｓ ａ Ｎｅｗ Ｇｅｎｅｒａｔｉｏｎ ｏｆＡｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ ｉｎ Ｃｈｉｎａ ［ Ｊ］． Ｎａｔｕｒｅ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ，２０２０， ２ （６）： ３１２－３１６．

［３］ 杜嚴(yán)勇． 智能社會建構(gòu)中的算法文化： 本質(zhì)特征、倫理風(fēng)險(xiǎn)及其規(guī)避路徑［Ｊ］． 同濟(jì)大學(xué)學(xué)報(bào)（社會科學(xué)版）， ２０２３， ３４ （１）：７７－８７．

［４］ Ｗｏｇｕ Ｉ Ａ Ｐ， Ｏｌｕ－Ｗｏｌａｂｉ Ｆ Ｅ， Ａｓｓｉｂｏｎｇ Ｐ Ａ， ｅｔ ａｌ． Ａｒｔｉｆｉｃｉａｌ Ｉｎ?ｔｅｌｌｉｇｅｎｃｅ， Ａｌｉｅｎａｔｉｏｎ ａｎｄ Ｏｎｔｏｌｏｇｉｃａｌ Ｐｒｏｂｌｅｍｓ ｏｆ Ｏｔｈｅｒ Ｍｉｎｄｓ： ＡＣｒｉｔｉｃａｌ Ｉｎｖｅｓｔｉｇａｔｉｏｎ ｉｎｔｏ ｔｈｅ Ｆｕｔｕｒｅ ｏｆ Ｍａｎ ａｎｄ Ｍａｃｈｉｎｅｓ ［Ｃ］ ／ ／２０１７ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｉｎｇ Ｎｅｔｗｏｒｋｉｎｇ ａｎｄ Ｉｎｆｏｒ?ｍａｔｉｃｓ（ＩＣＣＮＩ）． ＩＥＥＥ， ２０１７： １－１０．

［５］ 王維平， 廖揚(yáng)眉． ＣｈａｔＧＰＴ 基于馬克思科技倫理觀的反思［ Ｊ／ＯＬ］． 科學(xué)學(xué)研究： １－１３ ［２０２４－０８－１４］． ｈｔｔｐｓ： ／ ／ ｄｏｉ．ｏｒｇ／１０．１６１９２／ ｊ．ｃｎｋｉ．１００３－２０５３．２０２４０７２３．００２．

［６］ Ｍａｈｍｕｄ Ｈ， Ｉａｌａｍａ Ｋ Ｍ Ｎ， Ｌｕｏ Ｘ Ｒ， ｅｔ ａｌ． Ｄｅｃｏｄｉｎｇ ＡｌｇｏｒｉｔｈｍＡｐｐｒｅｃｉａｔｉｏｎ： Ｕｎｖｅｉｌｉｎｇ ｔｈｅ Ｉｍｐａｃｔ ｏｆ Ｆａｍｉｌｉａｒｉｔｙ ｗｉｔｈ Ａｌｇｏｒｉｔｈｍｓ，Ｔａｓｋｓ， ａｎｄ Ａｌｇｏｒｉｔｈｍ Ｐｅｒｆｏｒｍａｎｃｅ ［Ｊ］． Ｄｅｃｉｓｉｏｎ Ｓｕｐｐｏｒｔ Ｓｙｓｔｅｍｓ，２０２４， １７９： １１４１６８．

［７］ Ｒｏｔｈｍａｎ Ｎ Ｂ， Ｐｒａｔｔ Ｍ Ｇ， Ｒｅｅｓ Ｌ， ｅｔ ａｌ． Ｕｎｄｅｒｓｔａｎｄｉｎｇ ｔｈｅ ＤｕａｌＮａｔｕｒｅ ｏｆ Ａｍｂｉｖａｌｅｎｔ Ａｔｔｉｔｕｄｅｓ： Ｗｈｙ ａｎｄ Ｗｈｅｎ Ａｍｂｉｖａｌｅｎｔ Ａｔｔｉ?ｔｕｄｅｓ Ｌｅａｄｓ ｔｏ Ｇｏｏｄ ａｎｄ Ｂａｄ Ｏｕｔｃｏｍｅｓ ［Ｊ］． Ａｃａｄｅｍｙ ｏｆ Ｍａｎａｇｅ?ｍｅｎｔ Ａｎｎａｌｓ， ２０１７， １１ （１）： ３３－７２．

［８］ Ｙａｎｇ Ｘ， Ｓｏｎｇ Ｂ， Ｓｕｎ Ｊ， ｅｔ ａｌ． Ｈｏｗ Ｄｏ Ｐｅｏｐｌｅ Ｆｏｒｍ Ｏｐｉｎｉｏｎｓ Ｔｏｗａｒｄ Ｇｅｎｅｒａｔｉｖｅ ＡＩ ｗｉｔｈ Ｌｉｍｉｔｅｄ Ｅｘｐｅｒｉｅｎｃｅ？—Ｐｒｅｄｉｃｔｉｎｇ ＰｕｂｌｉｃＳｕｐｐｏｒｔ ｆｏｒ Ｇｅｎｅｒａｔｉｖｅ ＡＩ Ｔｅｃｈｎｏｌｏｇｙ Ｄｅｖｅｌｏｐｍｅｎｔ ａｎｄ ＲｅｇｕｌａｔｉｏｎＵｓｉｎｇ Ｔｅｃｈｎｏｌｏｇｙ Ｒｅａｄｉｎｅｓｓ， Ｍｅｄｉａ Ａｔｔｅｎｔｉｏｎ， ａｎｄ Ｒｉｓｋ－ＢｅｎｅｆｉｔＰｅｒｃｅｐｔｉｏｎｓ ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２０２４ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅｏｎ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ ａｎｄ Ｈｕｍａｎ－Ｃｏｍｐｕｔｅｒ Ｉｎｔｅｒａｃｔｉｏｎ． Ｎｅｗ Ｙｏｒｋ：ＡＣＭ Ｐｒｅｓｓ， ２０２４： １０６１．

［９］ 林思雨， 周海濤． 人工智能融入高校教學(xué)科研管理的前景， 風(fēng)險(xiǎn)和策略［Ｊ］． 高校教育管理， ２０２３， １７ （６）： ２１－３０， ３９．

［１０］ Ｌｉ Ｚ， Ｚｈａｎｇ Ｗ Ｙ， Ｚｈａｎｇ Ｈ Ｔ， ｅｔ ａｌ． Ｇｌｏｂａｌ Ｄｉｇｉｔａｌ Ｃｏｍｐａｃｔ：Ａ Ｍｅｃｈａｎｉｓｍ ｆｏｒ ｔｈｅ Ｇｏｖｅｒｎａｎｃｅ ｏｆ Ｏｎｌｉｎｅ Ｄｉｓｃｒｉｍｉｎａｔｏｒｙ ａｎｄ Ｍｉｓ?ｌｅａｄｉｎｇ Ｃｏｎｔｅｎｔ Ｇｅｎｅｒａｔｉｏｎ ［ Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｈｕｍａｎ－Ｃｏｍｐｕｔｅｒ Ｉｎｔｅｒａｃｔｉｏｎ， ２０２４， ４１ （２）： １３８１－１３９６．

［１１］ Ｃｏｏｐｅｒ Ｇ． Ｅｘａｍｉｎｉｎｇ Ｓｃｉｅｎｃｅ Ｅｄｕｃａｔｉｏｎ ｉｎ ＣｈａｔＧＰＴ： Ａｎ Ｅｘｐｌｏｒ?ａｔｏｒｙ Ｓｔｕｄｙ ｏｆ Ｇｅｎｅｒａｔｉｖｅ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｓｃｉ?ｅｎｃｅ Ｅｄｕｃａｔｉｏｎ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ， ２０２３， ３２ （３）： ４４４－４５２．

［１２］ 李貌， 韓璞庚． 數(shù)字時(shí)代“信息繭房” 束縛下主體性的解構(gòu)與重建［Ｊ］． 江蘇社會科學(xué)， ２０２４ （３）： ４７－５４．

［１３］ Ｃｕｒｚｏｎ Ｊ， Ｋｏｓａｔ Ａ， Ａｋａｌｕ Ｒ， ｅｔ ａｌ． Ｐｒｉｖａｃｙ ａｎｄ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌ?ｌｉｇｅｎｃｅ ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ， ２０２１，２ （２）： ９６－１０８．

［１４］ 令小雄， 王鼎民， 袁健． ＣｈａｔＧＰＴ 爆火后關(guān)于科技倫理及學(xué)術(shù)倫理的冷思考［Ｊ］． 新疆師范大學(xué)學(xué)報(bào)（哲學(xué)社會科學(xué)版），２０２３， ４４ （４）： １２３－１３６．

［１５］ 趙靜， 倪明揚(yáng)， 張倩， 等． ＡＩＧＣ 重構(gòu)研究生學(xué)術(shù)實(shí)踐： 持續(xù)使用意愿影響因素研究［Ｊ］． 現(xiàn)代情報(bào)， ２０２４， ４４ （７）： ３４－４６．

［１６］ 周濤， 李松洮， 鄧勝利． 用戶信息搜尋轉(zhuǎn)移意向研究： 從搜索引擎到生成式ＡＩ ［Ｊ］． 圖書情報(bào)工作， ２０２４， ６８ （３）： ４９－５８．

［１７］ Ｂａｎｄｕｒａ Ａ． Ｏｎ Ｄｅｃｏｎｓｔｒｕｃｔｉｎｇ Ｃｏｍｍｅｎｔａｒｉｅｓ Ｒｅｇａｒｄｉｎｇ ＡｌｔｅｒｎａｔｉｖｅＴｈｅｏｒｉｅｓ ｏｆ Ｓｅｌｆ－Ｒｅｇｕｌａｔｉｏｎ ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｍａｎａｇｅｍｅｎｔ， ２０１５，４１ （４）： １０２５－１０４４．

［１８］ Ｌａｕｅｒ Ｊ． Ａｌｉｅｎａｔｉｏｎ ｉｎ ｔｈｅ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｃｏｎｏｍｙ： Ｔｏｗａｒｄ ａ Ｍａｒｘ?ｉｓｔ Ｃｒｉｔｉｑｕｅ ｏｆ Ｃｏｎｓｕｍｅｒ Ｓｕｒｖｅｉｌｌａｎｃｅ ［Ｍ／ ＯＬ］． ［２０２４－０６－２４］．Ｃａｒｐｅｎｔｉｅｒ Ｎ， Ｄｅ Ｃｌｅｅｎ Ｂ（ ｅｄｓ．） Ｐａｒｔｉｃｉｐａｔｉｏｎ ａｎｄ Ｍｅｄｉａ Ｐｒｏｄｕｃ?ｔｉｏｎ： Ｃｒｉｔｉｃａｌ Ｒｅｆｌｅｃｔｉｏｎｓ ｏｎ Ｃｏｎｔｅｎｔ Ｃｒｅａｔｉｏｎ． Ｎｅｗｃａｓｔｌｅ－ｕｐｏｎ－Ｔｙｎｅ：Ｃａｍｂｒｉｄｇｅ Ｓｃｈｏｌａｒｓ， ２００８： ４１－５３． ｈｔｔｐｓ：／ ／ ｂｏｏｋｓ．ｇｏｏｇｌｅ．ｒｕ／ ｂｏｏｋｓ？ｈｌ＝ｚｈ－ＣＮ＆ｌｒ ＝ ＆ｉｄ ＝ １ＧＷｋＢｇＡＡＱＢＡＪ＆ｏｉ ＝ ｆｎｄ＆ｐｇ ＝ ＰＡ４１＆ｄｑ ＝ｉｎｆｏ：ＨＣＶＤｑ７ｋｖ６００Ｊ：ｓｃｈｏｌａｒ．ｇｏｏｇｌｅ．ｃｏｍ／ ＆ｏｔｓ ＝ ｋｕＧｄＸＪ７Ｆｚｗ＆ｓｉｇ ＝ｓＹＲＪｔｔＣｂｅ１＿ＴＮＣＰｍ０ｏ０ｒｗＹＴＦＯｎＭ＆ｒｅｄｉｒ＿ｅｓｃ＝ｙ＃ｖ＝ｏｎｅｐａｇｅ＆ｑ＆ｆ＝ｆａｌｓｅ．

［１９］ Ｌｉｐｐ Ｂ， Ｍａａｓｅｎ Ｓ． Ｔｅｃｈｎｏ－Ｂｉｏ－Ｐｏｌｉｔｉｃｓ． Ｏｎ Ｉｎｔｅｒｆａｃｉｎｇ Ｌｉｆｅｗｉｔｈ ａｎｄ ｔｈｒｏｕｇｈ Ｔｅｃｈｎｏｌｏｇｙ ［Ｊ］． Ｎａｎｏ Ｅｔｈｉｃｓ， ２０２２， １６ （１）：１３３－１５０．

［２０］ Ａｂｒａｍｓ Ｊ Ｊ． Ｐｒａｇｍａｔｉｓｍ， Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ， ａｎｄ Ｐｏｓｔｈｕｍａｎ Ｂｉ?ｏｅｔｈｉｃｓ： Ｓｈｕｓｔｅｒｍａｎ， Ｒｏｒｔｙ， Ｆｏｕｃａｕｌｔ ［Ｊ］． Ｈｕｍａｎ Ｓｔｕｄｉｅｓ， ２００４，２７ （３）： ２４１－２５８．

［２１］ Ｖｉｔａｌｅ Ｆ， Ｊａｎｚｅｎ Ｉ， Ｍｃｇｒｅｎｅｒｅ Ｊ． Ｈｏａｒｄｉｎｇ ａｎｄ Ｍｉｎｉｍａｌｉｓｍ：Ｔｅｎｄｅｎｃｉｅｓ ｉｎ Ｄｉｇｉｔａｌ Ｄａｔａ Ｐｒｅｓｅｒｖａｔｉｏｎ ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ２０１８ ＣＨＩ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｈｕｍａｎ Ｆａｃｔｏｒｓ ｉｎ Ｃｏｍｐｕｔｉｎｇ Ｓｙｓｔｅｍｓ，２０１８： １－１２．

［２２］ 儲節(jié)旺， 李佳軒． 信息異化到信息共鳴： 社會加速理論下圖書館碎片化信息的轉(zhuǎn)型服務(wù)［Ｊ］． 情報(bào)理論與實(shí)踐， ２２３， ４６（９）： ８－１５．

［２３］ 謝俊， 劉睿林． ＣｈａｔＧＰＴ： 生成式人工智能引發(fā)人的異化危機(jī)及其反思［Ｊ］． 重慶大學(xué)學(xué)報(bào)（社會科學(xué)版）， ２０２３， ２９ （５）：１１１－１２４．

［２４］ 周穎玉， 柯平， 劉海鷗． 面向算法推薦倫理失范的人機(jī)和諧生態(tài)建構(gòu)研究［Ｊ］． 情報(bào)理論與實(shí)踐， ２０２２， ４５ （１０）： ５４－６１．

［２５］ 曾粵亮， 張莉莉， 呂曉龍， 等． 信息生態(tài)理論視角下學(xué)術(shù)用戶網(wǎng)絡(luò)健康信息焦慮形成影響因素與對策研究［ Ｊ］． 圖書情報(bào)工作， ２０２４， ６８ （１）： １３７－１５０．

［２６］ Ｓｈｕｍａｎｏｖ Ｍ， Ｊｏｈｎｓｏｎ Ｌ． Ｍａｋｉｎｇ Ｃｏｎｖｅｒｓａｔｉｏｎｓ ｗｉｔｈ ＣｈａｔｂｏｔｓＭｏｒｅ Ｐｅｒｓｏｎａｌｉｚｅｄ ［Ｊ］． Ｃｏｍｐｕｔｅｒｓ ｉｎ Ｈｕｍａｎ Ｂｅｈａｖｉｏｒ， ２０２１， １１７：１０６６２７．

［２７］ Ｂａｇｏｚｚｉ Ｒ Ｐ， Ｂｒａｄｙ Ｍ Ｋ， Ｈｕａｎｇ Ｍ Ｈ． ＡＩ Ｓｅｒｖｉｃｅ ａｎｄ Ｅｍｏｔｉｏｎ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｓｅｒｖｉｃｅ Ｒｅｓｅａｒｃｈ， ２０２２， ２５ （４）： ４９９－５０４．

［２８］ Ｆ?ｌｓｔａｄ Ａ， Ｂｒａｎｄｔｚａｅｇ Ｐ Ｂ． Ｕｓｅｒｓ Ｅｘｐｅｒｉｅｎｃｅｓ ｗｉｔｈ Ｃｈａｔｂｏｔｓ：Ｆｉｎｄｉｎｇｓ ｆｒｏｍ ａ Ｑｕｅｓｔｉｏｎｎａｉｒｅ Ｓｔｕｄｙ ［Ｊ］． Ｑｕａｌｉｔｙ ａｎｄ Ｕｓｅｒ Ｅｘｐｅｒｉ?ｅｎｃｅ， ２０２０， ５ （１）： ３．

［２９］ Ｓｉｐｉｌ? Ｊ， Ｔａｒｋｉａｉｎｅｎ Ａ， Ｓｕｎｄｑｖｉｓｔ Ｓ． Ｔｏｗａｒｄ ａｎ Ｉｍｐｒｏｖｅｄ Ｃｏｎｃｅｐ?ｔｕａｌ Ｕｎｄｅｒｓｔａｎｄｉｎｇ ｏｆ Ｃｏｎｓｕｍｅｒ Ａｍｂｉｖａｌｅｎｃｅ ［ Ｊ］． ＡＭＳ Ｒｅｖｉｅｗ，２０１８， ８： １４７－１６２．

［３０］ 李君君， 文娟， 徐喬丹， 等． 持續(xù)使用還是消極使用： 矛盾態(tài)度視角下社交媒體用戶動態(tài)行為研究［Ｊ／ ＯＬ］． 情報(bào)科學(xué)： １－１６ ［２０２４－０６－１７］． ｈｔｔｐ：／ ／ ｋｎｓ．ｃｎｋｉ．ｎｅｔ／ ｋｃｍｓ／ ｄｅｔａｉｌ／２２．１２６４．Ｇ２．２０２４０５０７．０９５６．０１１．ｈｔｍｌ．

［３１］ Ｓｔａｐｅｌｓ Ｊ Ｇ， Ｅｙｓｓｅｌ Ｆ． Ｒｏｂｏｃａｌｙｐｓｅ？ Ｙｅｓ， Ｐｌｅａｓｅ！ Ｔｈｅ Ｒｏｌｅ ｏｆＲｏｂｏｔ Ａｕｔｏｎｏｍｙ ｉｎ ｔｈｅ Ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ Ａｍｂｉｖａｌｅｎｔ Ａｔｔｉｔｕｄｅｓ Ｔｏ?ｗａｒｄｓ Ｒｏｂｏｔｓ ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｓｏｃｉａｌ Ｒｏｂｏｔｉｃｓ， ２０２２，１４ （３）： ６８３－６９７．

［ ３２］ Ｒｏｓｅｎｂｅｒｇ Ｍ Ｊ． Ｃｏｇｎｉｔｉｖｅ， Ａｆｆｅｃｔｉｖｅ， ａｎｄ Ｂｅｈａｖｉｏｒａｌ Ｃｏｍｐｏ?ｎｅｎｔｓ ｏｆ Ａｔｔｉｔｕｄｅｓ ［Ｊ］． Ａｔｔｉｔｕｄｅ Ｏｒｇａｎｉｚａｔｉｏｎ ａｎｄ Ｃｈａｎｇｅ， １９６０：１－１４．

［３３］ Ｈａｒｒｅｖｅｌｄ Ｆ Ｖ， Ｎｏｈｌｅｎ Ｈ Ｕ， Ｓｃｈｎｅｉｄｅｒ Ｉ Ｋ． Ｔｈｅ ＡＢＣ ｏｆ Ａｍｂｉｖ?ａｌｅｎｃｅ： Ａｆｆｅｃｔｉｖｅ， Ｂｅｈａｖｉｏｒａｌ， ａｎｄ Ｃｏｇｎｉｔｉｖｅ Ｃｏｎｓｅｑｕｅｎｃｅｓ ｏｆ Ａｔ?ｔｉｔｕｄｉｎａｌ Ｃｏｎｆｌｉｃｔ ［Ｍ］． Ａｄｖａｎｃｅｓ ｉｎ Ｅｘｐｅｒｉｍｅｎｔａｌ Ｓｏｃｉａｌ Ｐｓｙｃｈｏｌ?ｏｇｙ． Ａｃａｄｅｍｉｃ Ｐｒｅｓｓ， ２０１５， ５２： ２８５－３２４．

［３４］ Ｇｒｕｂｅｒ Ｔ， Ｂａｚｈｙｄａｉ Ｍ， Ｓｉｅｖｅｒｓ Ｃ， ｅｔ ａｌ． Ｔｈｅ ＡＢＣ ｏｆ ＳｏｃｉａｌＬｅａｒｎｉｎｇ： Ａｆｆｅｃｔ， Ｂｅｈａｖｉｏｒ， ａｎｄ Ｃｏｇｎｉｔｉｏｎ ［Ｊ］． Ｐｓｙｃｈｏｌｏｇｉｃａｌ Ｒｅ?ｖｉｅｗ， ２０２２， １２９ （６）： １２９６．

［３５］ Ｂａｎｄｕｒａ Ａ． Ｏｎ Ｄｅｃｏｎｓｔｒｕｃｔｉｎｇ Ｃｏｍｍｅｎｔａｒｉｅｓ Ｒｅｇａｒｄｉｎｇ ＡｌｔｅｒｎａｔｉｖｅＴｈｅｏｒｉｅｓ ｏｆ Ｓｅｌｆ－Ｒｅｇｕｌａｔｉｏｎ ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｍａｎａｇｅｍｅｎｔ， ２０１５，４１ （４）： １０２５－１０４４．

［３６］ Ｂａｎｄｕｒａ Ａ． Ｆａｉｌｕｒｅｓ ｉｎ Ｓｅｌｆ－Ｒｅｇｕｌａｔｉｏｎ： Ｅｎｅｒｇｙ Ｄｅｐｌｅｔｉｏｎ ｏｒ Ｓｅ?ｌｅｃｔｉｖｅ Ｄｉｓｅｎｇａｇｅｍｅｎｔ？ ［Ｊ］． Ｐｓｙｃｈｏｌｏｇｉｃａｌ Ｉｎｑｕｉｒｙ， １９９６， ７ （１）：２０－２４．

［３７］ Ｙｕ Ｔ Ｋ， Ｌｉｎ Ｍ Ｌ， Ｌｉａｏ Ｙ Ｋ． Ｕｎｄｅｒｓｔａｎｄｉｎｇ Ｆａｃｔｏｒｓ ＩｎｆｌｕｅｎｃｉｎｇＩｎｆｏｒｍａｔｉｏｎ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ Ａｄｏｐｔｉｏｎ Ｂｅｈａｖｉｏｒ： ＴｈｅＭｏｄｅｒａｔｏｒｓ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｌｉｔｅｒａｃｙ ａｎｄ Ｄｉｇｉｔａｌ Ｓｋｉｌｌｓ ［Ｊ］． Ｃｏｍｐｕｔ?ｅｒｓ ｉｎ Ｈｕｍａｎ Ｂｅｈａｖｉｏｒ， ２０１７， ７１： １９６－２０８．

［３８］ Ｅｄｗａｒｄｓ Ａ， Ｅｄｗａｒｄｓ Ｃ， Ａｂｅｎｄｓｃｈｅｉｎ Ｂ， ｅｔ ａｌ． Ｕｓｉｎｇ Ｒｏｂｏｔ Ａｎｉ?ｍａｌ Ｃｏｍｐａｎｉｏｎｓ ｉｎ ｔｈｅ Ａｃａｄｅｍｉｃ Ｌｉｂｒａｒｙ ｔｏ Ｍｉｔｉｇａｔｅ Ｓｔｕｄｅｎｔ Ｓｔｒｅｓｓ［Ｊ］． Ｌｉｂｒａｒｙ Ｈｉ Ｔｅｃｈ， ２０２２， ４０ （４）： ８７８－８９３．

［３９］ Ｖｅｎｋａｔｅｓｈ Ｖ， Ｍｏｒｒｉｓ Ｍ Ｇ， Ｄａｖｉｓ Ｇ Ｂ， ｅｔ ａｌ． Ｕｓｅｒ Ａｃｃｅｐｔａｎｃｅ ｏｆＩｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ： Ｔｏｗａｒｄ ａ Ｕｎｉｆｉｅｄ Ｖｉｅｗ ［Ｊ］． ＭＩＳ Ｑｕａｒｔｅｒ?ｌｙ， ２００３： ４２５－４７８．

［４０］ 朱光輝， 王喜文． ＣｈａｔＧＰＴ 的運(yùn)行模式， 關(guān)鍵技術(shù)及未來圖景［Ｊ］． 新疆師范大學(xué)學(xué)報(bào)（哲學(xué)社會科學(xué)版）， ２０２３， ４４ （４）：１１３－１２２．

［４１］ Ｃａｒａｙｏｎ Ｐ， Ｈｏｏｎａｋｋｅｒ Ｐ， Ｈｕｎｄｔ Ａ Ｓ， ｅｔ ａｌ． Ａｐｐｌｉｃａｔｉｏｎ ｏｆ Ｈｕ?ｍａｎ Ｆａｃｔｏｒｓ ｔｏ Ｉｍｐｒｏｖｅ Ｕｓａｂｉｌｉｔｙ ｏｆ Ｃｌｉｎｉｃａｌ Ｄｅｃｉｓｉｏｎ Ｓｕｐｐｏｒｔ ｆｏｒＤｉａｇｎｏｓｔｉｃ Ｄｅｃｉｓｉｏｎ－Ｍａｋｉｎｇ： Ａ Ｓｃｅｎａｒｉｏ－Ｂａｓｅｄ Ｓｉｍｕｌａｔｉｏｎ Ｓｔｕｄｙ［Ｊ］． ＢＭＪ Ｑｕａｌｉｔｙ ＆ Ｓａｆｅｔｙ， ２０２０， ２９ （４）： ３２９－３４０．

［４２］ Ｅｆｅｎｄｉｃ＇ Ｅ， Ｖａｎ ｄｅ Ｃａｌｓｅｙｄｅ Ｐ Ｐ Ｆ Ｍ， Ｅｖａｎｓ Ａ Ｍ． Ｓｌｏｗ ＲｅｓｐｏｎｓｅＴｉｍｅｓ Ｕｎｄｅｒｍｉｎｅ Ｔｒｕｓｔ ｉｎ Ａｌｇｏｒｉｔｈｍｉｃ （Ｂｕｔ Ｎｏｔ Ｈｕｍａｎ） Ｐｒｅｄｉｃｔｉｏｎｓ［Ｊ］． Ｏｒｇａｎｉｚａｔｉｏｎａｌ Ｂｅｈａｖｉｏｒ ａｎｄ Ｈｕｍａｎ Ｄｅｃｉｓｉｏｎ Ｐｒｏｃｅｓｓｅｓ， ２０２０，１５７： １０３－１１４．

［４３］ Ｅｖｅｎ Ａ， Ｓｈａｎｋａｒａｎａｒａｙａｎａｎ Ｇ． Ｕｔｉｌｉｔｙ－ｄｒｉｖｅｎ Ａｓｓｅｓｓｍｅｎｔ ｏｆ Ｄａ?ｔａ Ｑｕａｌｉｔｙ ［Ｊ］． ＡＣＭ ＳＩＧＭＩＳ Ｄａｔａｂａｓｅ： Ｔｈｅ ＤＡＴＡＢＡＳＥ ｆｏｒ Ａｄ?ｖａｎｃｅｓ ｉｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ， ２００７， ３８ （２）： ７５－９３．

［４４］ Ｚｈｏｕ Ａｌｉｃｅ Ｘ， Ａｃｚｏｎ Ｍ Ｄ， Ｌａｋｓａｎａ Ｅ， ｅｔ ａｌ． Ｎａｒｒｏｗｉｎｇ ｔｈｅＧａｐ： Ｅｘｐｅｃｔｅｄ Ｖｅｒｓｕｓ Ｄｅｐｌｏｙｍｅｎｔ Ｐｅｒｆｏｒｍａｎｃｅ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｔｈｅＡｍｅｒｉｃａｎ Ｍｅｄｉｃａｌ Ｉｎｆｏｒｍａｔｉｃｓ Ａｓｓｏｃｉａｔｉｏｎ， ２０２３， ３０ （９）： １４７４－１４８５．

［４５］ Ａｐｐｅｌ Ｍ， Ｌｕｇｒｉｎ Ｂ， Ｋüｈｌｅ Ｍ， ｅｔ ａｌ． Ｔｈｅ Ｅｍｏｔｉｏｎａｌ Ｒｏｂｏｔｉｃ Ｓｔｏｒｙ?ｔｅｌｌｅｒ： Ｏｎ ｔｈｅ Ｉｎｆｌｕｅｎｃｅ ｏｆ Ａｆｆｅｃｔ Ｃｏｎｇｒｕｅｎｃｙ ｏｎ Ｎａｒｒａｔｉｖｅ Ｔｒａｎｓｐｏｒｔａ?ｔｉｏｎ， Ｒｏｂｏｔ Ｐｅｒｃｅｐｔｉｏｎ， ａｎｄ Ｐｅｒｓｕａｓｉｏｎ ［Ｊ］． Ｃｏｍｐｕｔｅｒｓ ｉｎ ＨｕｍａｎＢｅｈａｖｉｏｒ， ２０２１， １２０： １０６７４９．

［４６］ Ｄｉｅｔｖｏｒｓｔ Ｂ Ｊ， Ｓｉｍｍｏｎｓ Ｊ Ｐ， Ｍａｓｓｅｙ Ｃ． Ａｌｇｏｒｉｔｈｍ Ａｖｅｒｓｉｏｎ： ＰｅｏｐｌｅＥｒｒｏｎｅｏｕｓｌｙ Ａｖｏｉｄ Ａｌｇｏｒｉｔｈｍｓ Ａｆｔｅｒ Ｓｅｅｉｎｇ Ｔｈｅｍ Ｅｒｒ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆＥｘｐｅｒｉｍｅｎｔａｌ Ｐｓｙｃｈｏｌｏｇｙ： Ｇｅｎｅｒａｌ， ２０１５， １４４ （１）： １１４．

［４７］ Ｐｒａｈｌ Ａ， Ｓｗｏｌ Ｌ Ｖ． Ｕｎｄｅｒｓｔａｎｄｉｎｇ Ａｌｇｏｒｉｔｈｍ Ａｖｅｒｓｉｏｎ： Ｗｈｅｎ ｉｓＡｄｖｉｃｅ ｆｒｏｍ Ａｕｔｏｍａｔｉｏｎ Ｄｉｓｃｏｕｎｔｅｄ？ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｆｏｒｅｃａｓｔｉｎｇ，２０１７， ３６ （６）： ６９１－７０２．

［４８］ 嚴(yán)煒煒， 王妍妍， 宋佳慧． 用戶數(shù)據(jù)采集對人工智能服務(wù)放棄使用意愿的影響研究———基于信息敏感度和隱私視角［Ｊ／ ＯＬ］．情報(bào)科學(xué)： １－２１ ［２０２４－０６－１７］． ｈｔｔｐ：／ ／ ｋｎｓ．ｃｎｋｉ．ｎｅｔ／ ｋｃｍｓ／ ｄｅ?ｔａｉｌ／ ２２．１２６４．ｇ２．２０２４０５０６．１６２１．００２．ｈｔｍｌ．

［４９］ Ｙａｎｇ Ｘ， Ｄｉｎｇ Ｊ， Ｃｈｅｎ Ｈ， ｅｔ ａｌ． Ｆａｃｔｏｒｓ Ａｆｆｅｃｔｉｎｇ ｔｈｅ Ｕｓｅ ｏｆＡｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ Ｇｅｎｅｒａｔｅｄ Ｃｏｎｔｅｎｔ ｂｙ Ｓｕｂｊｅｃｔ Ｌｉｂｒａｒｉａｎｓ： ＡＱｕａｌｉｔａｔｉｖｅ Ｓｔｕｄｙ ［Ｊ］． Ｈｅｌｉｙｏｎ， ２０２４， １０ （８）： ｅ２９５８４．

［５０］ Ｈｕａｎｇ Ｗ Ｊ， Ｃｈｅｎ Ｘ． Ｈｏｗ ｔｏ Ｒｅｇｕｌａｔｅ Ｐｌａｔｆｏｒｍｓ Ｔｈｒｏｕｇｈ ａ Ｎｏｎ－Ｅｘｐｌｏｉｔａｔｉｖｅ Ｕｓｅｒ－Ｇｅｎｅｒａｔｅｄ － Ｃｏｎｔｅｎｔ Ｌｅｖｙ ［ Ｊ］． Ｓｏｃｉａｌ ＳｃｉｅｎｃｅＣｏｍｐｕｔｅｒ Ｒｅｖｉｅｗ， ２０２４： ０８９４４３９３２４１２２７６６２．

［５１］ Ｔｕｒｅｌ Ｏ， Ｑａｈｒｉ－Ｓａｒｅｍｉ Ｈ． Ｒｅｓｐｏｎｓｅｓ ｔｏ Ａｍｂｉｖａｌｅｎｔ Ａｔｔｉｔｕｄｅｓ Ｔｏ?ｗａｒｄ Ｓｏｃｉａｌ Ｎｅｔｗｏｒｋｉｎｇ Ｓｉｔｅｓ： Ａ Ｔｙｐｏｌｏｇｉｃａｌ Ｐｅｒｓｐｅｃｔｉｖｅ ［Ｊ］． Ｉｎ?ｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ Ｊｏｕｒｎａｌ， ２０２３， ３３ （２）： ３８５－４１６．

［５２］ Ｄｏｇｒｕｅｌ Ｌ， Ｍａｓｕｒ Ｐ， Ｊｏｅｃｋｅｌ Ｓ． Ｄｅｖｅｌｏｐｍｅｎｔ ａｎｄ Ｖａｌｉｄａｔｉｏｎ ｏｆａｎ Ａｌｇｏｒｉｔｈｍ Ｌｉｔｅｒａｃｙ Ｓｃａｌｅ ｆｏｒ Ｉｎｔｅｒｎｅｔ Ｕｓｅｒｓ ［Ｊ］． ＣｏｍｍｕｎｉｃａｔｉｏｎＭｅｔｈｏｄｓ ａｎｄ Ｍｅａｓｕｒｅｓ， ２０２２， １６ （２）： １１５－１３３．

［５３］ Ｐｏｌｕｅｋｔｏｖａ Ｏ， Ｋａｐｐａｓ Ａ， Ｓｍｉｔｈ Ｃ Ａ． Ｕｓｉｎｇ Ｂａｎｄｕｒａｓ Ｓｅｌｆ－Ｅｆｆｉ?ｃａｃｙ Ｔｈｅｏｒｙ ｔｏ Ｅｘｐｌａｉｎ Ｉｎｄｉｖｉｄｕａｌ Ｄｉｆｆｅｒｅｎｃｅｓ ｉｎ ｔｈｅ Ａｐｐｒａｉｓａｌ ｏｆＰｒｏｂｌｅｍ－Ｆｏｃｕｓｅｄ Ｃｏｐｉｎｇ Ｐｏｔｅｎｔｉａｌ ［ Ｊ］． Ｅｍｏｔｉｏｎ Ｒｅｖｉｅｗ， ２０２３，１５ （４）： ３０２－３１２．

［５４］ Ｄａｙ Ｍ Ｙ， Ｈｕｎｇ Ｃ Ｓ． ＡＩ Ａｆｆｅｃｔｉｖｅ Ｃｏｎｖｅｒｓａｔｉｏｎａｌ Ｒｏｂｏｔ ｗｉｔｈ ＨｙｂｒｉｄＧｅｎｅｒａｔｉｖｅ－Ｂａｓｅｄ ａｎｄ Ｒｅｔｒｉｅｖａｌ－Ｂａｓｅｄ Ｄｉａｌｏｇｕｅ Ｍｏｄｅｌｓ ［Ｃ］ ／ ／２０１９ＩＥＥＥ ２０ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｒｅｕｓｅ ａｎｄ Ｉｎｔｅ?ｇｒａｔｉｏｎ ｆｏｒ Ｄａｔａ Ｓｃｉｅｎｃｅ （ＩＲＩ）． ＩＥＥＥ， ２０１９： ４０３－４０９．

［５５］ 馬克斯·韋伯． 經(jīng)濟(jì)與社會： 上卷［ Ｍ］． 林榮遠(yuǎn)， 譯． 北京：商務(wù)印書館， １９９７： ５６．

［５６］ Ｇａｂｒｉｅｌ Ａ Ｓ， Ｂｕｔｔｓ Ｍ Ｍ， Ｃｈａｗｌａ Ｎ， ｅｔ ａｌ． Ｆｅｅｌｉｎｇ Ｐｏｓｉｔｉｖｅ， Ｎｅｇａ?ｔｉｖｅ， ｏｒ Ｂｏｔｈ？ Ｅｘａｍｉｎｉｎｇ ｔｈｅ Ｓｅｌｆ－Ｒｅｇｕｌａｔｏｒｙ Ｂｅｎｅｆｉｔｓ ｏｆ ＥｍｏｔｉｏｎａｌＡｍｂｉｖａｌｅｎｃｅ ［Ｊ］． Ｏｒｇａｎｉｚａｔｉｏｎ Ｓｃｉｅｎｃｅ， ２０２２， ３３ （ ６）： ２４７７ －２４９５．

［５７］ Ｔａｙｌｏｒ Ｓ Ｅ， Ｓｈｅｒｍａｎ Ｄ Ｋ， Ｋｉｍ Ｈ Ｓ， ｅｔ ａｌ． Ｃｕｌｔｕｒｅ ａｎｄ ＳｏｃｉａｌＳｕｐｐｏｒｔ： Ｗｈｏ Ｓｅｅｋｓ ｉｔ ａｎｄ Ｗｈｙ？ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｐｅｒｓｏｎａｌｉｔｙ ａｎｄＳｏｃｉａｌ Ｐｓｙｃｈｏｌｏｇｙ， ２００４， ８７ （３）： ３５４．

［５８］ Ｕｅｈａｒａ Ｅ Ｓ． Ｒｅｃｉｐｒｏｃｉｔｙ Ｒｅｃｏｎｓｉｄｅｒｅｄ： Ｇｏｕｌｄｎｅｒｓ Ｍｏｒａｌ Ｎｏｒｍ ｏｆＲｅｃｉｐｒｏｃｉｔｙｓ ａｎｄ Ｓｏｃｉａｌ Ｓｕｐｐｏｒｔ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｓｏｃｉａｌ ａｎｄ Ｐｅｒｓｏｎ?ａｌ Ｒｅｌａｔｉｏｎｓｈｉｐｓ， １９９５， １２ （４）： ４８３－５０２．

［５９］ Ｍｏｌｉｎｉｌｌｏ Ｓ， Ａｎａｙａ－Ｓáｎｃｈｅｚ Ｒ， Ｌｉéｂａｎａ－Ｃａｂａｎｉｌｌａｓ Ｆ． Ａｎａｌｙｚｉｎｇｔｈｅ Ｅｆｆｅｃｔ ｏｆ Ｓｏｃｉａｌ Ｓｕｐｐｏｒｔ ａｎｄ Ｃｏｍｍｕｎｉｔｙ Ｆａｃｔｏｒｓ ｏｎ Ｃｕｓｔｏｍｅｒ Ｅｎ?ｇａｇｅｍｅｎｔ ａｎｄ ｉｔｓ Ｉｍｐａｃｔ ｏｎ Ｌｏｙａｌｔｙ Ｂｅｈａｖｉｏｒｓ Ｔｏｗａｒｄ Ｓｏｃｉａｌ Ｃｏｍ?ｍｅｒｃｅ Ｗｅｂｓｉｔｅｓ ［Ｊ］． Ｃｏｍｐｕｔｅｒｓ ｉｎ Ｈｕｍａｎ Ｂｅｈａｖｉｏｒ， ２０２０， １０８：１０５９８０．

［６０］ Ｋｅｉｌ Ｍ， Ｉｍ Ｇ Ｐ， Ｍ?ｈｒｉｎｇ Ｍ． Ｒｅｐｏｒｔｉｎｇ Ｂａｄ Ｎｅｗｓ ｏｎ ＳｏｆｔｗａｒｅＰｒｏｊｅｃｔｓ： Ｔｈｅ Ｅｆｆｅｃｔｓ ｏｆ Ｃｕｌｔｕｒａｌｌｙ Ｃｏｎｓｔｉｔｕｔｅｄ Ｖｉｅｗｓ ｏｆ Ｆａｃｅ－Ｓａｖ?ｉｎｇ ［Ｊ］． Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ Ｊｏｕｒｎａｌ， ２００７， １７ （１）： ５９－８７．

［６１］ Ｈｓｕ Ｃ Ｌ， Ｌｉｎ Ｊ Ｃ Ｃ． Ａｃｃｅｐｔａｎｃｅ ｏｆ Ｂｌｏｇ Ｕｓａｇｅ： Ｔｈｅ Ｒｏｌｅｓ ｏｆ Ｔｅｃｈ?ｎｏｌｏｇｙ Ａｃｃｅｐｔａｎｃｅ， Ｓｏｃｉａｌ Ｉｎｆｌｕｅｎｃｅ ａｎｄ Ｋｎｏｗｌｅｄｇｅ Ｓｈａｒｉｎｇ Ｍｏｔｉｖａｔｉｏｎ［Ｊ］． Ｉｎｆｏｒｍａｔｉｏｎ ＆ Ｍａｎａｇｅｍｅｎｔ， ２００８， ４５ （１）： ６５－７４．

［６２］ Ｌｅｅ Ｙ Ｗ， Ｓｔｒｏｎｇ Ｄ Ｍ， Ｋａｈｎ Ｂ Ｋ， ｅｔ ａｌ． ＡＩＭＱ： Ａ Ｍｅｔｈｏｄｏｌｏｇｙｆｏｒ Ｉｎｆｏｒｍａｔｉｏｎ Ｑｕａｌｉｔｙ Ａｓｓｅｓｓｍｅｎｔ ［ Ｊ］． Ｉｎｆｏｒｍａｔｉｏｎ ＆ Ｍａｎａｇｅ?ｍｅｎｔ， ２００２， ４０ （２）： １３３－１４６．

［６３］ Ｌｅｇｇ Ｓ， Ｈｕｔｔｅｒ Ｍ． Ｕｎｉｖｅｒｓａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ： Ａ Ｄｅｆｉｎｉｔｉｏｎ ｏｆ ＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ ［Ｊ］． Ｍｉｎｄｓ ａｎｄ Ｍａｃｈｉｎｅｓ， ２００７， １７： ３９１－４４４．

［６４］ Ａｂｄｕｌ－Ｇａｄｅｒ Ａ Ｈ， Ｋｏｚａｒ Ｋ Ａ． Ｔｈｅ Ｉｍｐａｃｔ ｏｆ Ｃｏｍｐｕｔｅｒ Ａｌｉｅｎａｔｉｏｎｏｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ Ｉｎｖｅｓｔｍｅｎｔ Ｄｅｃｉｓｉｏｎｓ： Ａｎ ＥｘｐｌｏｒａｔｏｒｙＣｒｏｓｓ－Ｎａｔｉｏｎａｌ Ａｎａｌｙｓｉｓ ［Ｊ］． ＭＩＳ Ｑｕａｒｔｅｒｌｙ， １９９５： ５３５－５５９．［６５］ Ｓｈｉｎ Ｄ， Ｐａｒｋ Ｙ Ｊ． Ｒｏｌｅ ｏｆ Ｆａｉｒｎｅｓｓ， Ａｃｃｏｕｎｔａｂｉｌｉｔｙ， ａｎｄ Ｔｒａｎｓｐａｒ?ｅｎｃｙ ｉｎ Ａｌｇｏｒｉｔｈｍｉｃ Ａｆｆｏｒｄａｎｃｅ ［Ｊ］． Ｃｏｍｐｕｔｅｒｓ ｉｎ Ｈｕｍａｎ Ｂｅｈａｖｉｏｒ，２０１９， ９８： ２７７－２８４．

［６６］ Ｙａｎｇ Ｙ Ｑ， Ｌｉｕ Ｙ， Ｌｉ Ｈ Ｘ， ｅｔ ａｌ． Ｕｎｄｅｒｓｔａｎｄｉｎｇ Ｐｅｒｃｅｉｖｅｄ Ｒｉｓｋｓｉｎ Ｍｏｂｉｌｅ Ｐａｙｍｅｎｔ Ａｃｃｅｐｔａｎｃｅ ［Ｊ］． Ｉｎｄｕｓｔｒｉａｌ Ｍａｎａｇｅｍｅｎｔ ＆ ＤａｔａＳｙｓｔｅｍｓ， ２０１５， １１５ （２）： ２５３－２６９．

［６７］ Ｆｏｌｋｉｎｓｈｔｅｙｎ Ｄ， Ｌｅｎｎｏｎ Ｍ． Ｂｒａｖｉｎｇ Ｂｉｔｃｏｉｎ： Ａ Ｔｅｃｈｎｏｌｏｇｙ Ａｃ?ｃｅｐｔａｎｃｅ Ｍｏｄｅｌ（ＴＡＭ） Ａｎａｌｙｓｉｓ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈ?ｎｏｌｏｇｙ Ｃａｓｅ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎ Ｒｅｓｅａｒｃｈ， ２０１６， １８ （４）： ２２０－２４９．

［６８］ Ｒｅｉｓｄｏｒｆ Ｂ Ｃ， Ｂｌａｎｋ Ｇ． Ａｌｇｏｒｉｔｈｍｉｃ Ｌｉｔｅｒａｃｙ ａｎｄ Ｐｌａｔｆｏｒｍ Ｔｒｕｓｔ［Ｍ］． Ｈａｎｄｂｏｏｋ ｏｆ Ｄｉｇｉｔａｌ Ｉｎｅｑｕａｌｉｔｙ． Ｅｄｗａｒｄ Ｅｌｇａｒ Ｐｕｂｌｉｓｈｉｎｇ，２０２１： ３４１－３５７．

［６９］ Ｏｅｌｄｏｒｆ－Ｈｉｒｓｃｈ Ａ， Ｎｅｕｂａｕｍ Ｇ． Ｗｈａｔ Ｄｏ Ｗｅ Ｋｎｏｗ Ａｂｏｕｔ Ａｌｇｏ?ｒｉｔｈｍｉｃ Ｌｉｔｅｒａｃｙ？ Ｔｈｅ Ｓｔａｔｕｓ Ｑｕｏ ａｎｄ ａ Ｒｅｓｅａｒｃｈ Ａｇｅｎｄａ ｆｏｒ ａ Ｇｒｏｗ?ｉｎｇ Ｆｉｅｌｄ ［Ｊ］． Ｎｅｗ Ｍｅｄｉａ ＆ Ｓｏｃｉｅｔｙ， ２０２３： １４６１４４４８２３１１８２６６２．

［７０］ Ｖａｕｘ Ａ， Ｒｉｅｄｅｌ Ｓ， Ｓｔｅｗａｒｔ Ｄ． Ｍｏｄｅｓ ｏｆ Ｓｏｃｉａｌ Ｓｕｐｐｏｒｔ： Ｔｈｅ ＳｏｃｉａｌＳｕｐｐｏｒｔ Ｂｅｈａｖｉｏｒｓ（ＳＳ－Ｂ） Ｓｃａｌｅ ［Ｊ］． Ａｍｅｒｉｃａｎ Ｊｏｕｒｎａｌ ｏｆ ＣｏｍｍｕｎｉｔｙＰｓｙｃｈｏｌｏｇｙ， １９８７， １５ （２）： ２０９－２３２．

［７１］ Ｐｅｔｔｙ Ｒ Ｅ， Ｔｏｒｍａｌａ Ｚ Ｌ， Ｂｒｉｎｏｌ Ｐ， ｅｔ ａｌ． Ｉｍｐｌｉｃｉｔ Ａｍｂｉｖａｌｅｎｔ Ａｔｔｉ?ｔｕｄｅｓ ｆｒｏｍ Ａｔｔｉｔｕｄｅ Ｃｈａｎｇｅ： Ａｎ Ｅｘｐｌｏｒａｔｉｏｎ ｏｆ ｔｈｅ ＰＡＳＴ Ｍｏｄｅｌ ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｐｅｒｓｏｎａｌｉｔｙ ａｎｄ Ｓｏｃｉａｌ Ｐｓｙｃｈｏｌｏｇｙ， ２００６， ９０ （１）： ２１．

［７２］ Ｙａｎｇ Ｙ， Ｌｉｕ Ｙ， Ｌｖ Ｘ Ｙ， ｅｔ ａｌ． Ａｎｔｈｒｏｐｏｍｏｒｐｈｉｓｍ ａｎｄ ＣｕｓｔｏｍｅｒｓＷｉｌｌｉｎｇｎｅｓｓ ｔｏ Ｕｓｅ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ Ｓｅｒｖｉｃｅ Ａｇｅｎｔｓ ［Ｊ］． Ｊｏｕｒｎａｌｏｆ Ｈｏｓｐｉｔａｌｉｔｙ Ｍａｒｋｅｔｉｎｇ ＆ Ｍａｎａｇｅｍｅｎｔ， ２０２２， ３１ （１）： １－２３．

［７３］ Ｒｅｖｙｔｈｉ Ａ， Ｔｓｅｌｉｏｓ Ｎ． Ｅｘｔｅｎｓｉｏｎ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ Ａｃｃｅｐｔａｎｃｅ Ｍｏｄｅｌｂｙ Ｕｓｉｎｇ Ｓｙｓｔｅｍ Ｕｓａｂｉｌｉｔｙ Ｓｃａｌｅ ｔｏ Ａｓｓｅｓｓ Ｂｅｈａｖｉｏｒａｌ Ｉｎｔｅｎｔｉｏｎ ｔｏ ＵｓｅＥ－Ｌｅａｒｎｉｎｇ ［ Ｊ］． Ｅｄｕｃａｔｉｏｎ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｉｅｓ， ２０１９，２４： ２３４１－２３５５．

［７４］ Ｍａｒｔｙｎｏｖａ Ｅ， Ｗｅｓｔ Ｓ Ｇ， Ｌｉｕ Ｙ． Ｒｅｖｉｅｗ ｏｆ Ｐｒｉｎｃｉｐｌｅｓ ａｎｄ Ｐｒａｃ?ｔｉｃｅ ｏｆ Ｓｔｒｕｃｔｕｒａｌ Ｅｑｕａｔｉｏｎ Ｍｏｄｅｌｉｎｇ ［Ｊ］． Ｓｔｒｕｃｔｕｒａｌ Ｅｑｕａｔｉｏｎ Ｍｏｄ?ｅｌｉｎｇ： Ａ Ｍｕｌｔｉｄｉｓｃｉｐｌｉｎａｒｙ Ｊｏｕｒｎａｌ， ２０１８， ２５ （２）： ３２５－３２９．。

［７５］ Ｂａｇｏｚｚｉ Ｒ Ｐ． Ｍｅａｓｕｒｅｍｅｎｔ ａｎｄ Ｍｅａｎｉｎｇ ｉｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ ａｎｄＯｒｇａｎｉｚａｔｉｏｎａｌ Ｒｅｓｅａｒｃｈ： Ｍｅｔｈｏｄｏｌｏｇｉｃａｌ ａｎｄ Ｐｈｉｌｏｓｏｐｈｉｃａｌ Ｆｏｕｎｄａ?ｔｉｏｎｓ ［Ｊ］． ＭＩＳ Ｑｕａｒｔｅｒｌｙ， ２０１１： ２６１－２９２．

［７６］ Ｃａｏ Ｃ Ｈ， Ｌｉａｎｇ Ｘ Ｙ． Ｓｅｎｓｉｔｉｖｉｔｙ ｏｆ Ｆｉｔ Ｍｅａｓｕｒｅｓ ｔｏ Ｌａｃｋ ｏｆ Ｍｅａｓ?ｕｒｅｍｅｎｔ Ｉｎｖａｒｉａｎｃｅ ｉｎ Ｅｘｐｌｏｒａｔｏｒｙ Ｓｔｒｕｃｔｕｒａｌ Ｅｑｕａｔｉｏｎ Ｍｏｄｅｌｉｎｇ ［Ｊ］．Ｓｔｒｕｃｔｕｒａｌ Ｅｑｕａｔｉｏｎ Ｍｏｄｅｌｉｎｇ： Ａ Ｍｕｌｔｉｄｉｓｃｉｐｌｉｎａｒｙ Ｊｏｕｒｎａｌ， ２０２２，２９ （２）： ２４８－２５８．

［７７］ Ｗｅｉ Ｘ Ｙ， Ｈｕａｎｇ Ｊ Ｓ， Ｚｈａｎｇ Ｌ Ｊ， ｅｔ ａｌ． Ｅｖａｌｕａｔｉｏｎ ａｎｄ Ｃｏｍｐａｒｉ?ｓｏｎ ｏｆ ＳＥＭ， ＥＳＥＭ， ａｎｄ ＢＳＥＭ ｉｎ Ｅｓｔｉｍａｔｉｎｇ Ｓｔｒｕｃｔｕｒａｌ Ｍｏｄｅｌｓｗｉｔｈ Ｐｏｔｅｎｔｉａｌｌｙ Ｕｎｋｎｏｗｎ Ｃｒｏｓｓ－Ｌｏａｄｉｎｇｓ ［Ｊ］． Ｓｔｒｕｃｔｕｒａｌ ＥｑｕａｔｉｏｎＭｏｄｅｌｉｎｇ： Ａ Ｍｕｌｔｉｄｉｓｃｉｐｌｉｎａｒｙ Ｊｏｕｒｎａｌ， ２０２２， ２９ （３）： ３２７－３３８．

［７８］ Ａｙａｎｗａｌｅ Ｍ Ａ， Ｍｏｌｅｆｉ Ｒ Ｒ． Ｅｘｐｌｏｒｉｎｇ Ｉｎｔｅｎｔｉｏｎ ｏｆ ＵｎｄｅｒｇｒａｄｕａｔｅＳｔｕｄｅｎｔｓ ｔｏ Ｅｍｂｒａｃｅ Ｃｈａｔｂｏｔｓ： Ｆｒｏｍ ｔｈｅ Ｖａｎｔａｇｅ Ｐｏｉｎｔ ｏｆ Ｌｅｓｏｔｈｏ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｅｄｕｃａｔｉｏｎａｌ Ｔｅｃｈｎｏｌｏｇｙ ｉｎ Ｈｉｇｈｅｒ Ｅｄ?ｕｃａｔｉｏｎ， ２０２４， ２１ （１）： ２０．

［７９］ Ｒａｐｐａｐｏｒｔ Ｌ Ｍ， Ａｍｓｔａｄｔｅｒ Ａ Ｂ， Ｎｅａｌｅ Ｍ Ｃ． Ｍｏｄｅｌ Ｆｉｔ Ｅｓｔｉｍａ?ｔｉｏｎ ｆｏｒ Ｍｕｌｔｉｌｅｖｅｌ Ｓｔｒｕｃｔｕｒａｌ Ｅｑｕａｔｉｏｎ Ｍｏｄｅｌｓ ［ Ｊ］． Ｓｔｒｕｃｔｕｒａｌ Ｅ?ｑｕａｔｉｏｎ Ｍｏｄｅｌｉｎｇ： Ａ Ｍｕｌｔｉｄｉｓｃｉｐｌｉｎａｒｙ Ｊｏｕｒｎａｌ， ２０２０， ２７ （ ２）：３１８－３２９．

［８０］ Ｄｕｌ Ｊ． Ｉｄｅｎｔｉｆｙｉｎｇ Ｓｉｎｇｌｅ Ｎｅｃｅｓｓａｒｙ Ｃｏｎｄｉｔｉｏｎｓ ｗｉｔｈ ＮＣＡ ａｎｄ ＦｓＱ?ＣＡ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｂｕｓｉｎｅｓｓ Ｒｅｓｅａｒｃｈ， ２０１６， ６９ （４）： １５１６－１５２３．

［８１］ Ｒａｇｉｎ Ｃ Ｃ， Ｓｔｒａｎｄ Ｓ Ｉ． Ｕｓｉｎｇ Ｑｕａｌｉｔａｔｉｖｅ Ｃｏｍｐａｒａｔｉｖｅ Ａｎａｌｙｓｉｓ ｔｏＳｔｕｄｙ Ｃａｕｓａｌ Ｏｒｄｅｒ： Ｃｏｍｍｅｎｔ ｏｎ Ｃａｒｅｎ ａｎｄ Ｐａｎｏｆｓｋｙ （２００５） ［Ｊ］．Ｓｏｃｉｏｌｏｇｉｃａｌ Ｍｅｔｈｏｄｓ ＆ Ｒｅｓｅａｒｃｈ， ２００８， ３６ （４）： ４３１－４４１．

［８２］ Ｋｒｏｇｓｌｕｎｄ Ｃ， Ｃｈｏｉ Ｄ Ｄ， Ｐｏｅｒｔｎｅｒ Ｍ． Ｆｕｚｚｙ Ｓｅｔｓ ｏｎ Ｓｈａｋｙ Ｇｒｏｕｎｄ：Ｐａｒａｍｅｔｅｒｓ Ｅｎｓｉｔｉｖｉｔｙ ａｎｄ Ｃｏｎｆｉｒｍａｔｉｏｎ Ｂｉａｓ ｉｎ ＦｓＱＣＡ ［Ｊ］． ＰｏｌｉｔｉｃａｌＡｎａｌｙｓｉｓ， ２０１５， ２３ （１）： ２１－４１．

［８３］ Ｆｕｅｎｔｅｓ－Ｍｏｒａｌｅｄａ Ｌ， Ｌａｆｕｅｎｔｅ－Ｉｂａｎｅｚ Ｃ， Ｆｅｒｎａｎｄｅｚ Ａｌｖａｒｅｚ Ｎ，ｅｔ ａｌ． Ｗｉｌｌｉｎｇｎｅｓｓ ｔｏ Ａｃｃｅｐｔ Ｓｏｃｉａｌ Ｒｏｂｏｔｓ ｉｎ Ｍｕｓｅｕｍｓ： Ａｎ Ｅｘｐｌｏｒ?ａｔｏｒｙ Ｆａｃｔｏｒ Ａｎａｌｙｓｉｓ Ａｃｃｏｒｄｉｎｇ ｔｏ Ｖｉｓｉｔｏｒ Ｐｒｏｆｉｌｅ ［ Ｊ］． Ｌｉｂｒａｒｙ ＨｉＴｅｃｈ， ２０２２， ４０ （４）： ８９４－９１３．

［８４］ Ｃｈｏｉ Ｈ Ｂ Ｓ， Ｏｈ Ｗ， Ｋｗａｋ Ｃ， ｅｔ ａｌ． Ｅｆｆｅｃｔｓ ｏｆ Ｏｎｌｉｎｅ Ｃｒｏｗｄｓ ｏｎＳｅｌｆ－Ｄｉｓｃｌｏｓｕｒｅ Ｂｅｈａｖｉｏｒｓ ｉｎ Ｏｎｌｉｎｅ Ｒｅｖｉｅｗｓ： Ａ Ｍｕｌｔｉｄｉｍｅｎｓｉｏｎａｌ Ｅｘ?ａｍｉｎａｔｉｏｎ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｍａｎａｇｅｍｅｎｔ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ， ２０２２，３９ （１）： ２１８－２４６．

［ ８５］ Ｗａｎｇ Ｊ Ｔ， Ｈｗａｎｇ Ｗ Ｌ． Ａ Ｆｕｚｚｙ Ｓｅｔ Ａｐｐｒｏａｃｈ ｆｏｒ Ｒ＆Ｄ Ｐｏｒｔｆｏｌｉｏ Ｓｅ?ｌｅｃｔｉｏｎ Ｕｓｉｎｇ ａ Ｒｅａｌ Ｏｐｔｉｏｎｓ Ｖａｌｕａｔｉｏｎ Ｍｏｄｅｌ ［Ｊ］． Ｏｍｅｇａ， ２００７，３５ （３）： ２４７－２５７．

［８６］ Ｌｉａｎｇ Ｓ Ｙ， Ａｌｉｍｕ Ｎ， Ｓｉ Ｈ Ｃ， ｅｔ ａｌ． Ｉｎｆｌｕｅｎｃｅ ｏｆ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉ?ｇｅｎｃｅ Ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ｏｎ Ｃｏｎｓｕｍｅｒｓ Ｐｕｒｃｈａｓｅ Ｉｎｔｅｎｔｉｏｎ ｕｎｄｅｒ ｔｈｅＩｎｆｏｒｍａｔｉｏｎ Ｃｏｃｏｏｎ Ｅｆｆｅｃｔ ［ Ｃ］ ／ ／ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｈｕ?ｍａｎ－ Ｃｏｍｐｕｔｅｒ Ｉｎｔｅｒａｃｔｉｏｎ． Ｃｈａｍ： Ｓｐｒｉｎｇｅｒ Ｎａｔｕｒｅ Ｓｗｉｔｚｅｒｌａｎｄ，２０２３： ２４９－２５９．

［８７］ Ｍｉａｏ Ｊ， Ｍａ Ｌ． Ｓｔｕｄｅｎｔｓ Ｏｎｌｉｎｅ Ｉｎｔｅｒａｃｔｉｏｎ， Ｓｅｌｆ －Ｒｅｇｕｌａｔｉｏｎ，ａｎｄ Ｌｅａｒｎｉｎｇ Ｅｎｇａｇｅｍｅｎｔ ｉｎ Ｈｉｇｈｅｒ Ｅｄｕｃａｔｉｏｎ： Ｔｈｅ Ｉｍｐｏｒｔａｎｃｅ ｏｆＳｏｃｉａｌ Ｐｒｅｓｅｎｃｅ ｔｏ Ｏｎｌｉｎｅ Ｌｅａｒｎｉｎｇ ［ Ｊ］． Ｆｒｏｎｔｉｅｒｓ ｉｎ Ｐｓｙｃｈｏｌｏｇｙ，２０２２， １３： ８１５２２０．

［８８］ Ｇｕ Ｍ， Ｚｈａｏ Ｔ Ｆ， Ｙａｎｇ Ｌ， ｅｔ ａｌ． Ｍｏｄｅｌｉｎｇ Ｉｎｆｏｒｍａｔｉｏｎ Ｃｏｃｏｏｎｓｉｎ Ｎｅｔｗｏｒｋｅｄ Ｐｏｐｕｌａｔｉｏｎｓ： Ｉｎｓｉｇｈｔｓ ｆｒｏｍ Ｂａｃｋｇｒｏｕｎｄｓ ａｎｄ Ｐｒｅｆｅｒ?ｅｎｃｅｓ ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｓｏｃｉａｌ Ｓｙｓｔｅｍｓ，２０２４， １１ （３）： ４４９７－４５１０．

［８９］ Ｒａｈｉｍｉ Ｍ， Ｆａｔｈｉ Ｊ． Ｅｘｐｌｏｒｉｎｇ ｔｈｅ Ｉｍｐａｃｔ ｏｆ Ｗｉｋｉ－Ｍｅｄｉａｔｅｄ Ｃｏｌｌａｂｏ?ｒａｔｉｖｅ Ｗｒｉｔｉｎｇ ｏｎ ＥＦＬ Ｓｔｕｄｅｎｔｓ Ｗｒｉｔｉｎｇ Ｐｅｒｆｏｒｍａｎｃｅ， Ｗｒｉｔｉｎｇ Ｓｅｌｆ－Ｒｅｇｕｌａｔｉｏｎ， ａｎｄ Ｗｒｉｔｉｎｇ Ｓｅｌｆ－Ｅｆｆｉｃａｃｙ： Ａ Ｍｉｘｅｄ Ｍｅｔｈｏｄｓ Ｓｔｕｄｙ ［Ｊ］．Ｃｏｍｐｕｔｅｒ Ａｓｓｉｓｔｅｄ Ｌａｎｇｕａｇｅ Ｌｅａｒｎｉｎｇ， ２０２２， ３５ （９）： ２６２７－２６７４．

［９０］ Ｈａｍｂｙ Ａ， Ｒｕｓｓｅｌｌ Ｃ． Ｈｏｗ Ｄｏｅｓ Ａｍｂｉｖａｌｅｎｔ Ａｔｔｉｔｕｄｅｓ Ａｆｆｅｃｔ ＹｏｕｎｇＣｏｎｓｕｍｅｒｓ Ｒｅｓｐｏｎｓｅ ｔｏ Ｒｉｓｋｙ Ｐｒｏｄｕｃｔｓ？ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ａｃａｄｅｍｙｏｆ Ｍａｒｋｅｔｉｎｇ Ｓｃｉｅｎｃｅ， ２０２２， ５０ （４）： ８４１－８６３．

（責(zé)任編輯： 郭沫含）

基金項(xiàng)目： 國家社會科學(xué)基金后期資助重點(diǎn)課題“學(xué)術(shù)虛擬社區(qū)的知識交流效果研究” （項(xiàng)目編號： ２２ＦＴＱＡ００２）。