增强AI辅助购买决策:自主感的作用

AI通过数据学习（即机器学习）并可自主制定决策规则，这些规则可能并非完全人为设定（Baird & Maruping, 2021），甚至未必得到人类用户的认可。

依托大规模消费者数据，人工智能领域的一个新兴应用领域是个性化推荐系统——这类系统能独立预测用户偏好，并为每位用户提供“最适宜”或“最佳”产品选择的专业建议（例如基于AI驱动的服装选购系统）。一方面，消费者可将部分决策权交予系统（例如从选择合适尺寸到借助“专家”AI做出更优决策，这一过程体现了不同层面的互动。另一方面，消费者可能认为AI会限制或干扰其个人意愿与优先事项，削弱其在决策过程中的自主性。

这形成了一个悖论：当消费者依赖AI来优化决策时，其自主性可能会受到损害，进而影响决策质量。这一悖论凸显了重新审视消费者自主性在AI辅助决策中作用的重要性。

因此，本研究的研究问题聚焦在：

•自主性在AI辅助决策中扮演何种角色？它如何影响决策结果？

• 若自主性确实具有积极作用，应采用哪些措施来增强这种自主性？为何此类措施可能有效？

本研究通过使用基于人工智能的推荐系统分析服装产品的消费决策来验证这一理论。选择服装属于“复杂”决策，因为其决策过程涉及高度个性化且通常源自每位消费者的内在因素，如独特品味、价值观及个人处境（Sierra & Hyman, 2011）。因此，服装购买为研究这些问题提供了理想的应用场景。

基于本研究理论框架，提出了一种创新设计方案，使消费者能够通过个人智能手机使用AI。在个人智能手机上应用人工智能可显著提升用户的自主性体验。具体而言，智能手机所提供的私密个人环境能够激发自我反思，引导用户关注自身的思想与情感。这种内省状态有助于培养强烈的自主意识，使用户能更敏锐地感知自身独特需求与偏好，并据此做出决策。

（一）任务委托给AI

人类如何借助人工智能工作及做出决策的文献，这些研究大多基于任务委托理论框架（Baird & Maruping, 2021；Fügener et al., 2022）。该框架认为：虽然人工智能在某些任务中表现优异，但人类在其他任务中更为出色；因此，人机协作应根据双方的相对优势最优分配任务。人类与人工智能协同工作时的性能将超越任一实体单独工作的效果。

以往研究表示：任务分配策略的概念化包括替代性分配、互补性分配（Choudhury et al., 2020）、增强型分配（Krakowski et al., 2022）以及人机协同决策（De-Arteaga et al., 2020）。

核心观点在于：要提升整体决策能力与执行效果，必须明确何时及如何将任务分配给人工智能或人类（Lyytinen et al., 2021）

（二）AI辅助决策

相关决策认为，尽管良好的建议从理想角度而言有助于提升效果，但在做出决策时，人们往往（错误地）会轻视他人的建议（Bonaccio & Dalal，2006）。

Dietvorst 等（2015）发现一种“算法厌恶”效应，表明人们在看到人工智能在预测任务中犯错误时，会很快失去对人工智能的信心，并选择那些准确性稍低的建议。

相比之下，Logg 等（2019）展示了一种“算法认可”效应，即人们会更加重视他人的建议——当他们认为这源自于人工智能算法而非人类时。他们发现，这种算法欣赏效应会在人们开始怀疑 AI 在特定领域能否表现出色时逐渐减弱，例如那些被视为主观性的任务（Castelo 等，2019），或关于享乐价值估算的内容（Longoni & Cian，2022）。

（三）消费者对AI接受度

研究聚焦于消费者面对旨在为其服务的人工智能系统时所涉及的心理机制。Kim 和 Duhachek（2020）发现，当信息重点阐述人工智能如何执行操作而非其决策动机时，消费者会认为这类由AI发出的信息比人类提供的信息更具说服力——这源于他们认为人工智能缺乏主观意图。

Schrift 等人（2019）研究发现，能够学习并预测消费者偏好的人工智能系统可能引发负面反应，因其会威胁消费者的自主决策权。具体而言，当消费者意识到自己的选择行为可被人工智能预测时，往往会选择自己原本不太偏好的选项。研究者指出，消费者会违背自身偏好以恢复自主感。Schrift 等人的研究成为关于人工智能作为自主权威胁、可能引发消费者抵触情绪这一观点的核心依据（例如Andre等人，2018；Davenport等人，2020）。

（一）第一部分：研究1A与1B：自主感对购买决策的影响

研究1A：

研究目的：旨在验证增强用户在使用人工智能时的自主感是否能够提升购买决策质量

研究设计：研究招募了124名上海某高校本科生（女性占70.16%，平均年龄20.52岁），采用单因素被试间设计，参与者被随机分配至高自主性AI描述组、低自主性AI描述组或对照组（无描述组）。参与者在模拟服装零售店中使用真实AI推荐系统完成选购任务，随后报告购买意愿和决策满意度。

研究结果：AI描述处理对两项因变量均存在显著主效应：高自主性组在决策满意度（M=5.59，SD=0.87）和购买意愿（M=5.26，SD=0.85）上均显著高于低自主性组（满意度M=4.59，SD=1.00；意愿M=3.95，SD=0.95），而低自主性组与对照组之间无显著差异，从而支持了增强自主感可提升人工智能辅助决策质量的假设。

研究1B：

研究目的：验证研究1A中观察到的积极效应是否可由信息处理增强这一替代解释所驱动，并进一步提供过程证据。

研究设计：招募了159名上海某高校本科生（女性占81.76%，平均年龄20.38岁，标准差=1.61），采用2×2被试间设计，两个自变量分别为AI描述方式（高自主性vs.低自主性）和认知负荷水平（高负荷vs.对照组），下图展示操纵认知负荷水平。参与者在完成点阵记忆任务以操控认知负荷后，进行与研究1A相同的服装选购任务，随后报告购买意愿、决策满意度和决策信心。

实验结果：AI描述方式对决策信心存在显著主效应（F(1,149)=12.42，p<0.001，偏η²=0.08），高自主性组的决策信心（M=4.55，SD=0.93）显著高于低自主性组（M=4.04，SD=0.90）；对决策满意度也存在显著主效应（F(1,149)=10.04，p=0.002，偏η²=0.06）；对购买意愿同样存在显著主效应（F(1,149)=14.63，p<0.001，偏η²=0.09）。但认知负荷与AI描述之间的交互效应在三项因变量上均不显著（决策满意度F(1,149)=0.99，p=0.32；购买意愿F(1,149)=0.14，p=0.71；决策信心F(1,149)=0.39，p=0.53），即施加认知负荷并未削弱高自主性带来的积极效应。这一结果排除了信息处理增强作为主要驱动机制的解释，支持了自主感本身的作用。

（二）第二部分：研究2A与2B：自主感的两种不同机制

研究2A：

研究目的：检验增强自主感提升决策质量的内在机制，具体比较了两种可能的路径：缓解“独特性忽视”关注与降低心理抗拒。

研究设计：研究招募了83名上海某高校本科生（女性占81.93%，平均年龄19.77岁，标准差=1.88），采用单因素被试间设计，参与者被随机分配至高自主性或低自主性AI描述条件，完成与研究1A相同的服装选购任务后，报告购买意愿、决策满意度、决策信心，并测量其对AI独特性忽视的关注程度以及心理抗拒水平。

研究结果：高自主性组在决策满意度（M=5.33，SD=1.10）、决策信心（M=4.59，SD=1.08）和购买意愿（M=4.98，SD=1.15）上均显著高于低自主性组（满意度M=4.67，SD=1.31，F(1,75)=7.84，p=0.007，偏η²=0.10；信心M=4.17，SD=0.97，F(1,75)=4.14，p=0.05，偏η²=0.05；意愿M=4.10，SD=1.28，F(1,75)=12.26，p<0.001，偏η²=0.14）。中介分析显示，独特性忽视关注显著介导了高自主性对决策满意度的正向影响（间接效应=0.52，SE=0.20，95%CI[0.12,0.90]）、对决策信心的正向影响（间接效应=0.24，SE=0.12，95%CI[0.04,0.50]）以及对购买意愿的正向影响（间接效应=0.39  SE=0.16，95%CI[0.08,0.72]）。然而，心理抗拒的中介效应在三项因变量上均不显著（决策满意度间接效应=0.23 SE=0.16，95%CI[-0.08,0.54]；决策信心间接效应=0.12，SE=0.09，95%CI[-0.05,0.33]；购买意愿间接效应=0.18，SE=0.14，95%CI[-0.06,0.48]）。这些结果为自主感通过缓解独特性忽视关注来提升决策质量的理论机制提供了过程证据，但未能支持心理抗拒作为替代机制的解释。

研究2B：

研究目的：旨在通过操控决策是否需要独特个人考量，进一步验证自主感的作用机制：若增强自主感是通过弥补AI的“独特性忽视”来提升决策质量，则当决策几乎无需独特考量时，该积极效应应被削弱。

研究设计：招募了164名上海某高校本科生（女性占76.83%，平均年龄20.52岁，标准差=2.19），采用2×2被试间设计，两个自变量分别为AI描述方式（高自主性vs.低自主性）和产品接收者类型（为自己决策vs.为普通他人决策）。参与者完成服装选购任务后，报告购买意愿、决策满意度和决策信心。

研究结果：AI描述方式与产品接收者类型之间在决策满意度上存在显著的交互效应（F(1,154)=6.91，p=0.009，偏η²=0.04）：当参与者为自己决策时，高自主性组（相较于低自主性组）显著提升了决策满意度（F(1,75)=11.26，p=0.001，偏η²=0.13）；但当参与者为普通他人决策时，该效应消失（F(1,73)=0.15，p=0.70）。决策信心方面同样存在显著的交互效应（F(1,154)=5.58，p=0.02，偏η²=0.04），购买意愿方面亦如此（F(1,154)=6.96，p=0.009，偏η²=0.04）。这些结果进一步支持了本研究的理论机制：增强的自主感通过促使消费者融入个人独特因素来弥补AI的独特性忽视，从而提升决策质量；当决策本身无需独特考量时，这一积极效应随之减弱。

（三）第三部分：研究3A与3B：基于智能手机的商店人工智能干预措施

研究3A：

研究目的：验证一种切实可行的设计方案——通过个人智能手机使用人工智能——能否增强用户的自主感，进而提升购买决策质量。

研究设计：招募了184名上海某高校研究生（女性占77.17%，平均年龄22.39岁，标准差=2.79），采用单因素被试间设计，参与者被随机分配至三种实验条件之一：通过个人手机使用AI组、通过零售商提供的手机使用AI组，以及对照组（直接使用AI设备）。所有参与者均使用真实AI推荐系统完成服装选购任务，随后报告自主感、购买意愿和决策满意度。

研究结果：三种条件在自主感上存在显著差异（F(2,175)=16.78，p<0.001）：个人手机组的自主感（M=5.57，SD=0.78）显著高于零售商手机组（M=4.71，SD=1.06，F(1,116)=28.97，p<0.001，偏η²=0.20）和对照组（M=4.81，SD=0.86，F(1,113)=25.28，p<0.001，偏η²=0.18），而后两者之间无显著差异（F(1,115)=0.46，p=0.50）。决策满意度方面同样存在显著主效应（F(2,175)=19.51，p<0.001，偏η²=0.18）：个人手机组（M=5.83，SD=0.66）显著高于零售商手机组（M=5.01，SD=0.98，F(1,116)=31.18，p<0.001，偏η²=0.21）。购买意愿方面也存在显著主效应（F(2,175)=10.34，p<0.001，偏η²=0.11）：个人手机组（M=5.46，SD=1.06）显著高于零售商手机组（M=4.70，SD=1.16，F(1,116)=15.00，p<0.001，偏η²=0.11）。中介分析进一步表明，自主感显著介导了个人手机使用（相较于零售商手机）对决策满意度的正向影响（间接效应=0.52，SE=0.13，95%CI[0.28,0.80]）以及对购买意愿的正向影响（间接效应=0.56，SE=0.13，95%CI[0.33,0.85]）。这些结果表明，基于个人智能手机的人工智能设计能够有效增强用户的自主感，进而提升购买决策质量。

研究3B：

 研究目的：验证两种增强自主感的干预方案（高自主性AI描述与个人智能手机AI设计）在实际零售场景中对真实购买行为的影响。

研究设计：研究于2019年11月至12月在上海一家时尚零售店连续开展6周，分析单位为221种独立产品（涵盖上衣、下装及外套/夹克三类），其中100种为AI商店可访问的处理组产品，121种为不可访问的基线产品。随机化检查确认处理组与基线组在产品价格、折扣幅度、处理前销售量及处理前退货率上均无显著差异。

研究结果：产品类型（处理组vs.基线组）对产品销量具有显著正向影响（系数=0.30，p=0.02），对产品退货率则存在显著负向影响（系数=-0.04，p=0.11），表明两种处理方式均能提升销量并降低退货率。进一步分析两种方案的差异发现，产品类型与处理条件之间在产品销量上存在边缘显著的交互效应（系数=0.32，p=0.06），说明个人手机条件下的销量增幅大于描述条件；在产品退货率上存在显著的交互效应（系数=-0.07，p=0.04），说明个人手机条件下的退货率降幅大于描述条件。这些实地实验结果表明，本研究提出的两种自主感增强方案在实际零售环境中均能有效改善产品销售表现，其中基于个人智能手机的设计方案效果更为突出，从而验证了研究结果的外部效度与管理实践意义。