基于亚马逊智能助手评论的用户拟人化及满意度人格前因研究

曹翠翠 赵 玲 张千帆 李玉妮

(1.湖北经济学院信息管理学院; 2.湖北经济学院大数据与数字经济研究院;3.华中科技大学管理学院)

1 研究背景

个人智能助手(intelligent personal assistant, IPA)指使用自然语言处理和机器学习来吸收、理解和响应用户需求的软件代理[1],是近年来发展最快的人工智能应用(artificial intelligence, AI)之一。IPA被业界视为智能互联时代的个人数字服务入口。许多科技行业巨头都开发出了自己的IPA,如小米的小爱同学、苹果的Siri及亚马逊的Alexa等。IPA的主要优势之一在于它与人类助手的相似性[1,2],即拟人化的设计,这些设计不仅包括表面类人特征(如类人名字及声音),也包括类人心智及行为特征[2]。由于这些设计往往能够通过提高用户对IPA的拟人化进而带来更为积极的用户评价、态度和行为等结果[1,3～5],因此,如何提高用户对IPA的拟人化,是业界普遍关注的实践问题。

用户对AI的拟人化也是学术界关注的重要课题。由于对话式AI能与用户进行自然对话,具有明显的生命感,因此,拟人化与对话式AI[注]为方便起见,后文的对话式AI均用AI来代替。尤其相关[2,3]。目前,学者们普遍关注拟人化设计在用户对AI拟人化中的影响[1,2,4,5]。但是仅关注拟人化设计的影响并不全面,主要原因包括:①虽然拟人化设计相对容易操控,但是“恐怖谷”效应使得设计者很难把握拟人化设计的程度[2]。因此,需要关注更加稳定的前因来预测用户对AI的拟人化。②现有研究普遍将用户对AI的拟人化视作他们对拟人化设计的共性反应,忽略了个体差异的影响。而个体差异在影响用户对非人个体的拟人化中发挥着重要作用[2,6]。以上说明了从个体差异视角探究用户对AI拟人化的必要性。此外,由于人格是目前学者用来衡量个体差异的重要指标,且大五人格被认为是最有用且全面的人格模型[7,8],因此,本研究拟探究大五人格特征在用户对AI拟人化形成中的作用。

在研究方法上,现有研究大多采用问卷法对拟人化进行测量[1,2,4,5],但是该方法比较主观且难以被企业获取。对于企业来说,基于行为数据(如在线评论)对拟人化进行测量更易得且准确。然而,目前基于该测量方法的研究还较少[3]。此外,近年来,深度学习技术的发展使得从文本中推断用户的人格特征成为可能,该方法已被信息系统学者采用[9],进而可利用客观行为数据探究大五人格特征如何影响用户对AI的拟人化。

鉴于此,本研究拟以IPA为研究对象,回答以下问题:①大五人格特征如何影响用户对IPA的拟人化?②用户对AI的拟人化往往影响其对AI的态度及行为[1,3,4,5],那么用户对IPA的拟人化如何影响其对IPA的满意度?③大五人格也常用来解释用户对信息系统的评价、态度及行为[7,8],那么大五人格特征如何影响用户对IPA的满意度?

2 文献综述及理论基础

2.1 AI拟人化相关研究

拟人化具有双重理解视角:从设计者视角出发,拟人化是指将类人的功能或特征赋予设计之中,即拟人化设计[2,10];从用户视角出发,用户对AI的拟人化指的是用户对AI的拟人化感知,或以类人的方式对待AI[2,6,11]。本研究关注的是用户对AI的拟人化。

既有研究大多认为,拟人化设计可以正向影响用户对AI的拟人化[1,2,4,5]。比如,MOUSSAWI等[5]验证了IPA的声音及幽默感对用户拟人化感知的正向影响。但是,当AI达到了相对高程度的拟人化时,用户对AI的拟人化程度反而会降低[2]。例如,SEEGER等[2]发现,较高程度的拟人化设计并不一定会导致用户对聊天机器人产生较高程度的拟人化。此外,现有研究未考虑不同用户对拟人化设计的敏感程度,在影响方面,大多强调用户对AI拟人化的积极作用,如满意度[12]、信任[5]及持续使用[4]等;在研究方法上,多数使用主观问卷对用户的拟人化进行测量[1,2,4,5],少量学者开始基于客观行为数据来测量用户对AI的拟人化[11,12]。综上,现有研究忽略了个体差异因素在用户对AI拟人化中的作用,并且研究方法相对单一。

2.2 大五人格特征

大五人格分类框架提出了一个全面的理论框架,使用5个因素来代表人类的个性特征,是用于区分个体行为、情感及经验特征的理论框架[13]。具体来说,它包括开放性、尽责性、外倾性、宜人性及神经质。该框架被广泛用于研究不同情境中人类的认知、情感、态度和行为等。在信息系统领域,该框架被用来探究用户对系统的采纳及使用。例如,BARNETT等[7]基于交互心理学理论,将大五人格框架与整合技术接受模型结合,以基于网络的课堂技术系统为例,探究大五人格特征对其采纳及使用的直接影响。在市场营销领域,该框架被用来研究消费者对产品或服务的满意度[14,15]。例如,JANI等[15]以酒店服务业为背景,探究消费者大五人格特征对其满意度的直接影响。此外,由于个体差异在用户对AI拟人化中也发挥着重要作用[6],因此,使用大五人格特征代表个体差异来探究用户对IPA拟人化及满意度的人格前因是合理的。

2.3 大五人格特征的层次影响

人格的层次影响框架基于人格特征的普遍性及其抽象程度将其划分为不同层次,认为更抽象及跨情境的特征会进一步影响更具体和基于特定情境的特征[16,17]。该框架认为,基本特征(如大五人格特征)来自基因和个体的早期学习历史,通过影响特定环境中表现出来的行为倾向,即表面特征(如用户对IPA的拟人化),来进一步影响特定场景下的态度或行为(如用户对IPA的满意度)[17]。

基于这一理论框架来研究大五人格特征对拟人化及满意度的影响是合适的。主要原因如下:①在消费者领域的研究中,此理论框架被广泛应用于解释基本特征对满意度及使用行为的影响。例如,MCLEAY等[18]采用该理论框架探究大五人格特征对自动驾驶汽车使用意愿的影响。②由于用户对IPA拟人化是其拟人化倾向在IPA交互场景的一种体现,因此将其视为表面特征是合适的。③考虑到大五人格特征对拟人化及满意度的关键作用,此框架提供了一个简约且结构化的方法,来研究拟人化在大五人格特征及满意度之间的中介作用,以及大五人格对拟人化和满意度的直接影响。

3 研究假设

3.1 基本特征(大五人格)对表面特征(拟人化)的影响

基于前文讨论,本研究提出,代表个人基本特征的大五人格特征会影响作为表面特征的用户对IPA的拟人化(假设1a～假设1e)。具体假设如下。

(1)开放性开放性反映一个人对经验和创造力的开放程度[13],开放性高的人具有极强的创造力和想象力,非常善于在不同的概念和想法之间产生关联[19]。而拟人化需要从非人个体中推断出人类的特点,是一个具有创造性和想象力的过程[19]。因此,一个人的开放性程度越高,其创造力及想象力也越强,对非人个体的拟人化程度也越高。类似地,在IPA的使用场景中,开放性高的用户也更有可能将IPA与人类特征进行关联,对IPA的拟人化程度也会更高。此外,市场营销领域的研究发现,消费者自身的想象力及开放性正向影响其对产品的拟人化倾向[19]。由此,提出以下假设:

假设1a大五人格的开放性特征正向影响用户对IPA的拟人化。

(2)尽责性尽责性指个体自我约束及负责任的能力,高尽责性的显著特点是有条理、负责任、一丝不苟及目标明确[13]。尽责性高的人倾向于进行复杂的认知思考活动[20],更愿意获取关于事物本身的知识,而不是简单地依赖更“可及”的人类自身知识。而拟人化产生的本质在于人类对非人类客体做判断时,激活、修正并应用了关于人类自身的知识[6]。因此,尽责性高的用户在接收到拟人化线索时,不太容易通过触发已有人类自身的知识而进入对IPA的拟人化过程,反而可能采用更为理智的方式去分析和学习IPA功能实现背后的原理,并通过认真学习生产商所提供的线下及线上使用说明书,来学习如何使用这一产品,对IPA的拟人化程度较低。相反,对于尽责性低的人来说,IPA的拟人化特征则更容易触发其应用人类自身的知识来理解IPA的功能和表现,因此也就更容易触发拟人化的过程,其对IPA的拟人化程度较高。此外,拟人化三因素理论也可为该假设关系提供依据,该理论认为,认知需求负向影响用户对非人个体的拟人化程度[12],而尽责性与认知需求正相关[20]。由此,提出以下假设:

假设1b大五人格的尽责性特征负向影响用户对IPA的拟人化。

(3)外倾性外倾性反映个体人际交往的数量和密度、对刺激的需求和愉悦的能力,具有高外倾性的人善于沟通和交际,社交精力充沛,经常感受到积极的情绪[13]。本研究认为,外倾性正向影响用户对IPA的拟人化。主要原因如下:①高外倾性的人具有与外界环境互动的强烈意愿,以获得社交刺激和情感体验[13],因此他们会表现出更突出的社交敏感性和情感表达行为。相应地,在与IPA的交互中,高外倾性的用户更有可能与IPA进行社交互动,并表达对IPA的情感,而这一行为的结果也会进一步加深他们对IPA的拟人化程度。②高外倾性的人更可能使用感性思维方式(vs.理性思维方式)来思考,这使得他们很难从事复杂的认知思考活动[21]。因此,用户在接收到IPA的拟人化线索时,很容易通过触发已有人类自身的知识而进入对IPA的拟人化过程。③拟人化三因素理论也可为该假设关系提供依据,该理论认为,社交动机正向影响用户对非人个体的拟人化程度[6],而高外倾性的用户具有极强的社交动机。④市场营销领域的研究也发现,外倾性正向影响消费者对产品的拟人化倾向[19]。由此,提出以下假设:

假设1c大五人格的外倾性特征正向影响用户对IPA的拟人化。

(4)宜人性宜人性反映一个人对他人富有同情心和合作的倾向,显著特点是信任、利他性、顺从和温柔,宜人性高的人容易为他人考虑[13]。本研究认为,宜人性正向影响用户对IPA的拟人化。主要原因如下:高宜人性人群具有较高的同理心,容易形成对非人个体的“类人心智”感知,而心智感知与拟人化倾向密切相关[19]。相应地,高宜人性的用户在与IPA交互时,IPA的表面拟人化特征及抽象能力特征使得他们更容易形成对IPA的心智感知,进而对IPA的拟人化程度更高。此外,市场营销领域的研究也发现,宜人性正向影响消费者对产品的拟人化倾向[19]。由此,提出以下假设:

假设1d大五人格的宜人性特征正向影响用户对IPA的拟人化。

(5)神经质神经质反映消极情绪和情绪不稳定的倾向,其特征是不安全感、焦虑、脆弱和情绪波动[13]。本研究认为,神经质正向影响用户对IPA的拟人化。主要原因如下:①高神经质的人具有较低的认知需求[20],不喜欢从事复杂的认知思考活动,更愿意依赖更“可及”的人类自身知识。因此,在接收到拟人化线索时,用户很容易通过触发已有人类自身的知识而进入对IPA的拟人化过程。②高神经质的人更容易感受到孤独[13],这种孤独感会驱使他们拟人化IPA来寻求可能的社交联系。③拟人化三因素理论也可为该假设关系提供依据,该理论认为,认知需求负向影响且孤独正向影响用户对非人个体的拟人化程度[6],而高神经质的人具有较低的认知需求且容易感受到孤独。④市场营销领域的研究也发现,神经质正向影响消费者对产品的拟人化倾向[19]。由此,提出以下假设:

假设1e大五人格的神经质特征正向影响用户对IPA的拟人化。

3.2 基本特征(大五人格)对满意度的影响

基于前文讨论,本研究提出,代表个人基本特征的大五人格特征会影响用户对IPA的满意度(假设2a～假设2e)。具体假设如下。

(1)开放性开放性高的人在行为上愿意尝试不同的活动,去新的地方,尝试不同寻常的事物[13]。总之,他们倾向于寻求新奇和多样性的事物,而不是熟悉和常规的事物。本研究认为,开放性正向影响用户对IPA的满意度。主要原因如下:①开放性与强烈的学习动机及学习目标导向密切相关[7]。因此,当开放性高的用户使用IPA时,IPA所提供的多样化功能将会极大地满足其好奇心。②服务提供商会经常更新IPA的功能,这能够进一步满足他们的学习动机。即便由于服务成熟度及场景融合度不够,IPA经常会出现服务失败的情况,但当开放性高的用户面对这些失败时,能够更容易通过学习弹性应对,所以高开放性的用户会对IPA持相对积极的态度。由此,提出以下假设:

假设2a大五人格的开放性特征正向影响用户对IPA的满意度。

(2)尽责性尽责性高的人普遍拥有较高的成就需求,并努力工作以实现目标,他们勤奋、有目标、有生活方向感[13],希望从产品或服务中获得实用价值[7]。本研究认为,尽责性正向影响用户对IPA的满意度。主要原因如下:①由于用户仅通过语音指令就能完成日常工作生活中的许多任务,因此,IPA的使用可以帮助尽责性用户提高生活工作效率,从而带来更高的满意度。以往研究也证实,尽责性正向影响人们对信息系统的感知有用性及实际使用[7,8]。②IPA所提供的功能非常多样化且这些功能不断升级迭代,这能够满足尽责性用户的学习动机,使他们获得一些新知识及技能,从而带来更高的满意度。由此,提出以下假设:

假设2b大五人格的尽责性特征正向影响用户对IPA的满意度。

(3)外倾性外倾性高的人喜欢与人接触,善于表达、勇敢、健谈、乐观、充满活力,经常感受到积极的情绪[13]。本研究认为,外倾性正向影响用户对IPA的满意度。主要原因如下:①无论在现实生活还是以计算机作为媒介的环境中,高外倾性人群都更倾向于参与社交活动以获得积极的情感体验[13]。如今许多IPA都提供了讲笑话、闲聊等社交互动功能,可以满足高外倾性用户的社交活动需求,从而带来更高的满意度。②以往研究发现,高外倾性的人普遍对社交机器人及新技术有着积极的情绪反应,这种积极情绪反应会带来更高的满意度[22]。例如,与内向的人们相比,外倾性高的人们更容易将任务委派给AI,并且会积极配合AI进行信息披露且对其信息提供方呈现极高的信任,该规律在用户与IPA的交互中也得到了验证[23]。由此,提出以下假设:

假设2c大五人格的外倾性特征正向影响用户对IPA的满意度。

(4)宜人性宜人性考察个体对他人所持的态度,这些态度包括亲近人的、有同情心的、信任他人的、宽大的、心软的[13]。本研究认为,宜人性正向影响用户对IPA的满意度。主要原因如下:①宜人性高的人一般都很友好并且与他人维持良好的关系。IPA也拥有类似的人格特征,如诚实的、宜人的、友好的[24]。以往研究指出,人格特征相近的人们容易互相吸引[25]。此规律在人类与人工智能的交互场景中也得到了验证[3],这种吸引会带来更高的满意度。②宜人性高的人具有极强的容忍性[14],很少表达负面情绪。所以,他们对IPA的黑暗面(如失败、侵入、隐私)也会十分宽容,从而会对IPA持积极的态度。由此,提出以下假设:

假设2d大五人格的宜人性特征正向影响用户对IPA的满意度。

(5)神经质神经质反映个体体验消极情绪的倾向和情绪不稳定性,高神经质个体更容易体验到消极负面的情绪[13],如愤怒、焦虑、抑郁等。本研究认为,神经质负向影响用户对IPA的满意度。主要原因如下:①神经质与学习目标导向呈负相关,高神经质人群不愿意寻找学习新事物的机会[7]。在人工智能技术驱动下,IPA提供的功能非常多样化,且服务提供商经常对这些功能进行更新,因此,用户在使用IPA的过程中需要不断试错,使得高神经质用户容易感受到负面情绪,从而导致其对IPA的评价较低。②高神经质的人们对IPA的黑暗面容忍度很低[23]。由于高神经质的人们容易感受到焦虑及紧张,所以当IPA出现服务失败或他们感到自己的隐私有可能受到侵犯时,他们会对IPA持相对负面的态度。由此,提出以下假设:

假设2e大五人格的神经质特征负向影响用户对IPA的满意度。

3.3 表面特征(拟人化)对满意度的影响

本研究认为,用户对IPA的拟人化会正向影响用户对IPA的满意度。主要原因如下:①拟人化是社交联系的一个来源[12,26],这可以从很多用户把IPA当作家庭成员或朋友的典型例子来证实,这种社交联系会正向影响用户对IPA的满意度。②拟人化可以提高用户在使用IPA时的信心[26]。由于IPA的技能每天都在增加,这就需要用户具有极强的自我学习能力。在此情况下,拟人化可以帮助他们克服面对复杂任务或失败时的压力。③拟人化可以减弱用户与IPA交互时的心理距离[26],从而提高用户对IPA的满意度。由此,提出以下假设:

假设3用户对IPA的拟人化正向影响用户对IPA的满意度。

综上,本研究提出如下研究模型(见图1)。

图1 研究模型

4 研究方法

4.1 数据收集与处理

为实证检验上述研究模型,选择亚马逊智能音箱(Alexa Echo)作为研究对象,使用消费者对这款音箱在亚马逊购物网站上的在线评论作为数据来源来衡量相应的变量。亚马逊智能音箱是全世界最流行的IPA之一,大量消费者通过在线评论发表对此款音箱的用户体验。同时,这些评论数据也被学者用来探究用户与IPA的关系,以及用户对IPA的拟人化[12]。因此,使用亚马逊的评论数据来验证上述研究模型是合理的。亚马逊的Echo产品系列众多,本研究选取其最具代表性的产品系列:Echo一代。首先通过网络爬虫的方法获取所需数据,然后依据研究目标对数据进行清洗,最后通过深度学习、语义分析及内容分析来获得核心变量。

本研究获取到2015年5月～2018年12月的56 351条评论数据,主要收集信息包括评论文本、评论日期、五星评分、有用性投票、用户名、评论标题等,一个用户仅有一条评论,不存在重复评论。后续数据处理需要使用文本分析工具LIWC,并通过评论文本来测量评论者个性。由于LIWC强调对于任何少于50个单词的文本都要持“一定程度的怀疑”,且以往文献中对个性的计算都是在评论文本长度大于等于50的基础上进行[14],因此删除了少于50个单词的评论,最后剩余13 730条评论。

4.2 变量测量

4.2.1关键变量

本研究进一步处理观测数据,获得实证研究所需的自变量及因变量。

(1)满意度(SA)该变量衡量用户对IPA的满意程度,由评论者所提供的五星评级进行测量,该测量方式在以往研究中被广泛使用[12,14]。

(2)拟人化(AN)该变量衡量用户对IPA的拟人化程度,本研究采用PURINGTON等[12]所提出的方法进行测量,该方法的核心是分析评论中将亚马逊智能音箱描述为人的核心词汇,来反映用户对其的拟人化程度。例如,使用姓名“Alexa”或者使用人称代词“her”“she”,则代表高的拟人化程度;而使用物体代词“it”或者“echo”“dot”,则代表低的拟人化程度。基于此,本研究将评论中对亚马逊音箱的描述仅采用姓名、人称代词的,编码为2,代表最高程度的拟人化;仅采用物体指代的编码为0,代表最低程度的拟人化;而当评论中两种称谓方式兼有的,编码为1,代表中等程度的拟人化。首先通过文本分析识别出相关的称谓词汇,再由两个研究者根据具体的评论内容独立编码,最后依据编码结果计算信度,信度为0.95。

(3)大五人格特征近年来,随着自然语言处理技术的发展,基于文本来衡量大五人格特征的方法已经比较成熟。由于评论者可以自由地写下他们对Echo的感受,这种自然写作类型有利于分析评论者的人格特征,且已被现有学者所采用[9,27]。本研究采用KAZAMEINI等[28]所提出的大五人格模型预测方法进行测量,该方法使用BERT从文本中提取特征表示,然后使用袋装SVM作为分类器来预测人格特征。

在通过BERT-SVM方法获取评论用户的大五人格特征后,本研究又进一步补充了人工编码对该方法的准确性进行验证。具体来说,①随机采样了100条评论,基于大五人格特征的定义[13]及其语言特征[27],两位研究人员分别针对这100条评论进行大五人格特征编码,在编码完成后,对其中不一致的地方进行讨论直到达到一致。②按照WANG等[9]所采用的方法,计算人工编码结果与机器学习预测结果的皮尔森相关系数,最小值为0.602,最大值为0.759,所有的相关系数均大于0.6,说明机器学习预测结果与人工编码结果有显著的强相关性[9]。③计算用于评价变量之间相关性和一致性的组内相关系数,最小值为0.751,最大值为0.860,均大于阈值0.75,具有良好的信度[9]。这些结果进一步验证了机器学习预测结果的有效性。

4.2.2控制变量

依据前人研究[12],本研究纳入以下变量作为拟人化的控制变量:评论者性别(GE),根据评论者的用户名,使用Python中的NameGenderPredictor程序模块进行推断;交互方式(IS),若评论中提到了社交型交互方式,则为1,否则为0;为控制使用人唯一性,模型包含了家庭使用(HO),若评论中提到Echo是被家庭所用,则为1,否则为0;评论长度的自然对数(WC)。同时,本研究选取以下变量作为满意度的控制变量[14]:有用性投票的自然对数(HV);评论长度的自然对数(WC);评论顺序的自然对数(SE);该评论之前的平均评分(PR);时间间隔变量(DL);性别(GE)。所有变量的描述性统计信息及相关系数见表1,其中的大五人格特征变量分别表示为:开放性(OP)、尽责性(CO)、外倾性(EX)、宜人性(AG)及神经质(NE)。由表1可知,变量间的相关系数值均小于0.6,这说明变量之间不存在严重的共线性关系。

表1 描述性统计及相关系数检验(N=13 730)

4.3 实证模型

4.3.1大五人格特征对拟人化的影响

由于本研究中的拟人化为序数变量,因此采用有序逻辑线性回归模型。l=0,1;P(AN≤l)代表拟人化小于等于l的概率,具体为

P(ANi≤l|Xi)=∧{α0+α1OPi+α2COi+α3EXi+α4AGi+α5NEi+δ∑Controlsi+εi},

(1)

式中,Xi代表第i条记录对应的所有变量的集合;∧(x)=ex(1+ex)-1;α0为常数项;α1～α5、δ均为系数;Controls表示控制变量;εi是误差项。

4.3.2大五人格特征对满意度的影响

由于满意度用五星评级进行测量,也为序数变量,因此,依旧采用有序逻辑线性回归模型。l=1,2,3,4;P(SA≤l)代表满意度评分小于等于l的概率,具体表示为

P(SAi≤l|Xi)=∧{β0+β1OPi+β2COi+β3EXi+β4AGi+β5NEi+β6ANi+δ∑Controlsi+εi},

(2)

式中,β0为常数项;β1～β6为系数。

5 研究结果

5.1 大五人格特征对拟人化的影响

大五人格特征对拟人化的影响分析结果见表2。表2中,模型1仅包含控制变量,模型2加入了大五人格特征的影响。由表2可知,Pseudo-R2从模型1中的4.6%上升到了模型2中的6.9%,说明该研究模型拟合度良好。在以下的分析中,使用模型2的结果来进行分析。开放性显著正向影响用户对IPA的拟人化(b=0.334,p<0.001);尽责性显著负向影响用户对IPA的拟人化(b=-0.170,p<0.001);外倾性显著正向影响用户对IPA的拟人化(b=0.607,p<0.001);宜人性显著正向影响用户对IPA的拟人化(b=0.462,p<0.001);神经质显著正向影响用户对IPA的拟人化(b=0.310,p<0.001)。因此,假设1a～假设1e均得到支持。

表2 大五人格特征对拟人化的影响(N=13 730)

5.2 大五人格特征和拟人化对满意度的影响

大五人格特征和拟人化对满意度影响的分析结果见表3。表3中,模型3只包含了控制变量,模型6包含大五人格特征及拟人化的影响。由表3可知,Pseudo-R2从模型3中的2.8%上升到了模型6中的13.8%,说明该研究模型具有良好的拟合度。以下将使用模型6的结果来进行分析。模型6显示,用户对IPA的拟人化显著正向影响用户对IPA的满意度(b=0.413,p<0.001),故假设3得到支持。拟人化对满意度的影响与以往研究一致,说明基于评论文本识别的拟人化具有较好的理论效度。除了神经质外,其余人格特征均显著正向影响用户对IPA的满意度。具体来说,开放性显著正向影响用户对IPA的满意度(b=0.084,p<0.05);尽责性显著正向影响用户对IPA的满意度(b=0.729,p<0.001);外倾性显著正向影响用户对IPA的满意度(b=1.024,p<0.001);宜人性显著正向影响用户对IPA的满意度(b=1.283,p<0.001);神经质显著负向影响用户对IPA的满意度(b=-0.127,p<0.001)。因此,假设2a～假设2e均得到支持。

表3 大五人格特征和拟人化对用户满意度的影响(N=13 730)

5.3 中介检验

本研究运用重采样方法进行中介效应检验,进行了1 000次重采样并使用95%的置信度。中介检验结果见表4。具体来说,用户对IPA的拟人化正向中介了开放性、外倾性、宜人性及神经质与用户对IPA满意度之间的关系;用户对IPA的拟人化负向中介了尽责性与用户对IPA满意度之间的关系。

表4 中介检验结果(N=13 730)

5.4 稳健性检验

为进一步验证所得结论,本研究针对满意度和拟人化的两个模型分别进行了一系列稳健性检验,包括替换估计方法、替换因变量、替换数据、剔除关键词及模拟外推法(SIMEX)。结果分别见表5和表6。

表5 稳健性检验1(因变量:拟人化)

表6 稳健性检验2(因变量:满意度)

具体地,①考虑到所关注的因变量为计数类数据且不存在明显的过度分散,故采用泊松回归重新检验模型(模型7和模型12)。结果显示,主效应的估计结果依旧保持一致。②考虑到因变量的不同测量方式,基于现有研究,分别使用评论中“Alexa”的频数[11]及评论中的正面情感[14]作为拟人化和满意度的测量,其中正面情感使用LIWC软件中的posemo进行测量,结果依旧保持一致(模型8和模型13)。③本研究所用数据为亚马逊智能音箱一代的评论数据,为验证此结论的普适性,按照类似方法获取亚马逊智能音箱二代的评论数据及相关变量,并使用同样的计量模型重新估计(模型9和模型14),结果依旧保持一致。④考虑到本研究对拟人化的度量是用评论中将IPA描述为人的核心词汇来表达,而该数据又用于用户人格的预测,因此将评论中包含的拟人化核心词汇剔除,重新预测大五人格特征并检验其对拟人化的影响,结果依然保持一致(模型11)。同时,在以上模型分析中,本研究均采用了稳健标准误来减少可能存在的异方差。⑤考虑到大五人格特征通过机器学习方法进行测量,其测量误差可能会影响最终实证检验的结果,因此,本研究引入模拟外推法来校正机器学习方法所引起的测量误差。该方法已在信息系统研究中得到使用[9],基于前人研究,本研究使用R语言中的SIMEX包进行检验。修正结果见模型10和模型15,主效应的估计结果依旧保持一致。以上检验说明本研究的结论具有稳健性。

6 结语

本研究基于人格的层次影响框架,以IPA为研究对象,检验了大五人格特征对用户拟人化及满意度的影响。研究发现:①尽责性显著负向影响用户对IPA的拟人化,其余人格特征均显著正向影响拟人化;②神经质显著负向影响用户对IPA的满意度,其余人格特征显著正向影响满意度;③用户对IPA的拟人化显著正向影响满意度。通过中介检验发现,用户对IPA的拟人化正向中介了开放性、外倾性、宜人性、神经质与满意度的关系,负向中介了尽责性与满意度的关系。

本研究有以下理论贡献:①以往研究大多考虑拟人化设计的影响,忽略了个体差异的影响。本研究通过探索大五人格特征对用户的拟人化的影响,丰富了AI拟人化的研究文献。②以往研究多采用问卷对用户的拟人化进行测量,但该测量方法很难大规模应用,且主观性较强,容易有偏差。本研究基于用户评论,丰富了拟人化的测量方式。③以往研究多关注个体差异对传统信息系统采纳的影响,较少关注基于AI的信息系统。本研究检验了大五人格特征对用户满意度的影响,丰富了AI采纳的研究。④本研究将人格的层次影响框架拓展到AI研究领域,并且提出了用户对IPA的拟人化作为关键表面特征,验证了拟人化在大五人格特征与满意度之间的部分中介作用。

本研究有以下管理启示:①在营销实践中,服务提供商应该以高开放性、高外倾性、高宜人性和高神经质人群为目标,投放带有IPA拟人化线索的广告;②评论文本可以测量用户的拟人化,并且其理论效度得到验证,这可以帮助服务提供商通过不同来源的数据来测量用户的拟人化,从而评估其拟人化策略的有效性;③服务提供商可以鼓励高开放性、高尽责性、高外倾性和高宜人性人群在线上及线下传播正面口碑,从而缓解其他潜在用户的担忧。

本研究存在以下局限性:①仅选取了亚马逊智能音箱的英文评论数据,限制了研究结论的普适性。②仅使用大五人格特征来衡量个体差异,未来研究可以考虑其他人格分类框架。③受限于本研究的研究数据,很多产品设计方面的变量难以获取;同时,评论者的属性及评论的图片信息等在前期也未能收集,未来研究可以考虑加入这些变量。④本研究中的拟人化及大五人格特征的测量均来源于评论文本,未来研究可以通过其他的数据样本来检验此模型。⑤本研究关注的是一般性场景下的拟人化,未来研究可以关注其在特定场景下的前因及不同影响,如服务失败场景[29]。