AI披露标签会显著降低社交媒体用户互动

（一）社交媒体

    社交媒体已成为消费者日常获取信息、娱乐和互动的重要场景，并形成了高度沉浸、算法驱动且具有习惯性的内容环境（Cheung et al. 2020; Qiao 2019; Anderson and Wood 2023）。在这一环境中，消费者互动（consumer engagement），如点赞、评论和分享，是衡量内容表现的重要指标，也直接影响创作者变现、平台分发和品牌营销效果（Barger et al. 2016; Klug et al. 2021; Hughes et al. 2019）。因此，理解哪些因素会影响社交媒体互动具有重要价值。

（二）社交媒体中的AI

    生成式AI正被广泛用于社交媒体内容的生成、编辑和增强，并能够提升创作者的效率和创造力（Noy and Zhang 2023）。由于AI内容越来越难与人类内容区分（Köbis and Mossink 2021; Kreps et al. 2022），TikTok、Meta、YouTube等平台开始推出AIGC披露，明确提示内容是否由AI生成或显著修改。不同平台在披露标准、责任主体和识别方式上并不一致，因此需要区分“是否使用AI”与“是否被披露为AI内容”这两个概念：消费者对披露标签的反应，本身可能独立于内容究竟使用了多少AI。此前研究较少直接考察这种披露信息在真实社交媒体环境中如何影响消费者行为，因此形成了本文的重要研究空间。

（三）AIGC披露与社交媒体互动

    关于AIGC披露是否会影响消费者互动，既有理论给出了两种相反预测。一方面，社交媒体具有较强的享乐性、沉浸性和高熟悉度，用户通常通过快速浏览和启发式方式处理内容，因此“AIGC标签”这类外围线索可能不会真正进入其互动判断（Akdim, Casaló, and Flavián 2022; Ebert and Meyvis 2014）。另一方面，算法厌恶和人类偏好研究表明，消费者有时会因为AI的参与而降低评价或接受度（Dietvorst, Simmons, and Massey 2015; Morewedge 2022）。AIGC披露还可能让消费者担心内容真实性，例如AI撰写的新闻会被认为更不准确、可信度更低（Longoni et al. 2022），但作者指出，社交媒体中的滤镜、修图等本就是常见做法，因此“AI厌恶”或“内容虚假”未必是主要机制（Manovich 2017）。

    在此基础上，作者提出了拟社会连接（parasocial connection）这一核心解释。拟社会连接是消费者与内容创作者之间形成的单向情感关系，也是推动社交媒体互动的重要因素（Horton and Wohl 1956; Breves et al. 2021）。同时，人们会根据他人投入的努力判断其是否重视关系（Aronson and Worchel 1966），而AI往往被认为可以减少人工投入（Messer 2024）。因此，作者提出：AIGC披露会降低消费者对创作者努力程度的感知，进而削弱拟社会连接，最终降低消费者参与。

研究1：AIGC披露会降低TikTok上的互动吗？

    目标：确定在真实世界中，带有AIGC披露的帖子是否获得更少的消费者互动。

    数据：TikTok于2023年9月推出其AIGC披露政策。样本覆盖政策实施前约三个月和实施后约六个月，包含来自8,650名用户的1,135,817条帖子（Apify TikTok Data Extractor + Advanced TikTok Video Scraper）。主要结果变量为点赞数和总互动量，总互动量定义为点赞、评论和分享之和。

    方法：采用负二项模型（适用于计数数据、存在过度离散），纳入创作者固定效应和年月固定效应，并控制浏览量、帖子类型、话题标签、广告和互动设置。在浏览量相当的情况下，被披露的帖子获得的点赞数约少7%–8%，总互动量约少7%。

    异质性分析：这种负向关系在大多数受众规模分组中均出现。与粉丝数和总浏览量的交互项（包括平方项）均不显著。

    稳健性分析：结果在图片帖子和视频帖子中均成立，在加入视频控制和LIWC控制后依然成立，在匹配创作者样本中也成立。效应未随受众规模或历史浏览量发生显著变化。

    结论：AIGC披露与互动量之间存在负向关联，但尚不能完全确立因果关系。

研究2A：被披露的AIGC内容客观上更差吗？

    目标：排除最直接的替代解释，即需要AI披露的视频互动更低是因为其客观上更差。

    数据：作者从研究1中选取了200对匹配视频，共400条视频。每对视频来自同一创作者，包含一条带有AIGC披露的视频，以及一条在时间上最接近且没有披露的视频，匹配通过Python的pandas库内置函数完成。作者移除了TikTok界面、披露标签和互动指标，以确保仅分析视频内容本身。

    方法：内容通过三种方式被量化：

• Whisper将语音转换为文本，LIWC使用心理语言学词典分析生成的转录文本。作者识别出在AIGC标注视频与非标注视频之间存在系统性差异的转录和LIWC特征。

• 计算机视觉技术测量亮度、色彩丰富度、清晰度、运动强度、镜头切换频率以及其他视觉和制作特征。作者随后识别出在两组之间存在系统性差异的美学特征。

• CLIP利用视觉和文本信息分析视频的主题和语义内容。作者将每条视频和30个预定义主题标签转换为向量表示，并计算其余弦相似度，从而生成一组语义和主题变量。

    结果：在将所有客观内容特征纳入回归模型后，AIGC披露仍然显著且负向地预测互动量。

    结论：互动量更低不能简单归因于带有AI标签的视频在客观质量上更差。

研究2B：消费者是否感知到质量或创造力更低？

    目标：研究2A控制了客观特征，但消费者仍可能认为AIGC视频更差。研究2B直接测量了消费者评价。

    方法：作者招募了697名大学生，对研究2A中的400条视频进行评价。每位参与者最多观看10条随机选取的视频，共产生5,277次评价。参与者无法看到原始的AIGC披露标签，仅对内容本身进行判断。他们评价了整体质量、视频质量和声音质量、有趣程度、创造力、独特性，以及视频是否显得独一无二。他们还判断了该视频是否由AI生成或被AI显著修改。

    结果：原本带有AIGC披露的视频获得的主观质量评分略低，但差异非常小。当把主观质量加入实际TikTok互动模型后，AIGC披露仍然显著预测更低的互动量，且主观质量并不能解释这一差距。创造力评分没有显著差异。被感知为AI制作的视频，其实际互动量也没有显著更低。

    结论：AIGC披露的负向效应不能主要归因于感知内容质量、感知创造力，或内容仅仅看起来像AI生成。

研究2C：消费者为什么减少互动？

    目标：通过比较三种解释——内容质量低、对人工或虚假内容的担忧、以及拟社会连接减弱——在真实TikTok评论中识别心理机制的线索。

    方法：作者从研究1的数据中，收集了来自791位粉丝数至少为10,000的创作者的56,720条TikTok帖子下约190万条评论。其中，1,791条评论来自82条带有AIGC披露的帖子。使用LIWC-22分析语言特征。

    结果：

• 质量解释未获支持。如果消费者认为AIGC内容更差，评论应该更负面。整体情感和积极情感没有差异，而且AIGC帖子下的评论使用了更少的负面情绪词。

• 对虚假内容的担忧也未获支持。评论没有使用更多与风险或道德相关的语言。

• 拟社会连接解释获得初步支持。在AIGC帖子下的评论中，诸如我、你、她等人称代词相对于非人称代词出现频率更低。这种更疏远的语言较少关注创作者作为一个人。朋友和家庭相关词语没有显著差异，因此作者将这一定证据描述为探索性的。

    结论：研究2A–2C在很大程度上排除了质量、创造力和真实性担忧。它们提供了初步证据，表明AIGC披露可能削弱消费者与创作者之间的拟社会连接。

研究3：AIGC标签本身会降低互动吗？

    目标：观察数据无法完全确立因果关系，因此研究3随机操纵了披露。

    方法：N = 290。所有参与者先观看一条参考视频（以模拟TikTok浏览体验，建立共同基线并让参与者熟悉），然后观看一条目标视频。目标内容在两种条件下完全相同，唯一区别在于是否带有AIGC披露。参与者报告了他们点击“点赞”的可能性，并评价了整体质量、图像质量、声音质量、有趣程度和创造力。

    结果：在控制条件下，互动意愿为4.90；在AIGC条件下为4.47，p = .079，在全样本中为边缘显著差异。AIGC条件下只有57.5%的参与者注意到了标签。在正确识别出披露的参与者中，AIGC组的互动意愿为4.06，控制组为4.98，p = .002。两种条件下的视频质量评分没有显著差异。

    结论：在内容保持恒定的情况下，仅AIGC披露本身就降低了互动意愿，尤其是在注意到标签的参与者中。这一效应并非源于标签降低了感知视频质量。

 研究4:  披露有限的AI使用会消除这种惩罚吗？

    目标：检验这一效应是否源于消费者不确定哪些部分是真实的，同时比较平台强制披露与创作者自愿披露。

    方法：作者招募了600名参与者，最终保留N = 565，采用2 × 2组间设计：平台披露存在或不存在，以及创作者自我披露存在或不存在。目标帖子展示了一份日式早餐。AI仅添加了窗外雪花效果这一非核心元素。在自我披露条件下，配文明确说明创作者使用AI添加了雪花。在平台披露条件下，平台在帖子的用户界面上强制标注了具体文字“Contains AI Generated Media”。

    结果：互动意愿在无披露时为4.46，平台披露时为3.34，仅自我披露时为3.27，两者同时存在时为3.31。即使创作者说明AI只在窗外添加了一点雪花，互动意愿也没有恢复。自愿披露同样降低了互动意愿。

    结论：消费者减少互动，主要不是因为不确定哪些部分是真实的、认为创作者隐藏了AI使用，或认为AI改变了内容的核心部分。

    研究5：创作者努力与拟社会连接

    目标：直接检验所提出的序列中介模型，即AIGC披露降低感知创作者努力，较弱的努力感知削弱拟社会连接，而较低的连接又降低互动。该研究还检验了一般性AI厌恶和独特性动机作为替代解释。

    方法：N = 385。参与者先观看一条参考视频，然后观看一条目标视频。目标视频完全由AI生成，但被随机呈现为带有或不带有AIGC披露。互动通过要求参与者在−3（偏向参考视频）到+3（偏向目标视频）的尺度上比较目标视频和参考视频来测量（有助于减弱个体在基线点赞行为上的差异）。测量还涵盖感知创作者努力、拟社会连接、AI态度、AI使用与接受度，以及对独特消费品的渴望。

    结果：

• 主效应得到复制。AIGC条件下互动为−0.29（目标视频相对于参考视频），控制条件下为+0.30，p = .012。

• 机制：感知努力在AIGC条件下为4.98，在控制条件下为5.90，p < .001。拟社会连接在全样本中按预测方向变化，为3.80对4.01，但未直接达到显著，p = .166。在注意到披露的参与者中，得分为3.43对4.01，p = .002。PROCESS Model 6支持从披露通过较低努力和较弱拟社会连接到较低互动的序列中介。间接效应为b = −0.13，95% CI [−0.24, −0.05]。在纳入两个中介变量后，披露的直接效应不再显著，p = .683。

• AI态度、AI使用和独特性动机均未显著调节披露的负向效应。因此，结果不支持该效应仅仅反映既有AI厌恶的解释。

研究6: 努力信号能减轻披露惩罚吗？

    目标：通过操纵努力信号进一步检验机制。

    方法：如果问题在于“AI意味着低努力”，那么一种仍能传递大量人工努力的AI工具应当减弱负向效应。作者选择了Photoshop Neural Filters，因为一项预测试表明，它比泛泛说明使用了AI更能传递更高的创作者努力。

    N = 198，采用被试内设计。每位参与者在三种条件下观看来自三位不同创作者的帖子：无披露、“Made with Photoshop Neural Filters”和“Made with AI”。内容与披露的配对被随机化，以防止特定图像驱动结果。测量包括点赞可能性和拟社会连接。

    结果：

• 互动在泛AI条件下为3.17，在Photoshop条件下为3.85，在控制条件下为3.98。泛AI显著低于Photoshop，而Photoshop与控制条件大致相等。因此，暗示更高人工努力的AI披露几乎消除了互动惩罚。

• 拟社会连接在泛AI条件下为3.35，在Photoshop条件下为3.85，在控制条件下为3.92，显示出相同模式。拟社会连接显著中介了披露类型对互动的影响，95% CI [−0.38, −0.15]。

    结论：结果为所提出的努力和拟社会连接机制提供了更强证据。