夜雨聆风📘 文献介绍
题目：Facilitating retail customers' use of AI-based virtual assistants: A meta-analysis（促进零售顾客使用基于AI的虚拟助手：一项元分析）
作者：Markus Blut（杜伦大学）、Nancy V. Wunderlich（柏林工业大学）、Christian Brock（罗斯托克大学）
发表期刊：Journal of Retailing
发表时间：2024年
🔍 研究背景
虚拟助手在零售业中的普及与挑战
零售商越来越多地部署虚拟助手（VAs），如Amazon的Alexa、IKEA的聊天机器人Billie，以提供24/7客户服务和新型购物体验。尽管AI技术使VAs能力不断提升，但许多零售商仍难以说服顾客成为重复用户——仅8%的顾客在客户服务中使用过聊天机器人，且其中仅25%愿意再次使用。这一“采用-重复使用”的缺口对零售管理者构成重大挑战。
研究空白
现有研究对VA使用驱动因素的结论不一致（如“支持”在某些研究中重要，在另一些中不显著）。
多数研究仅关注认知反应（易用性、有用性），忽视了情绪反应（积极/消极情绪）在VA使用中的中介作用。
不同VA类型（智能 vs. 简单、商业 vs. 非商业、语音 vs. 文本、有虚拟化身 vs. 无虚拟化身）对用户反应的调节效应缺乏系统比较。
研究问题
哪些因素（顾客特征、VA感知、购物情境感知）驱动VA使用？
认知和情绪反应如何中介这些因素对VA使用的影响？
不同VA类型如何增强或削弱这些效应？
📐 理论框架与发现
核心概念
| 概念 | 定义 |
|---|---|
| 虚拟助手（Virtual Assistant, VA） | 通过文本或语音与顾客交互的AI驱动系统（如聊天机器人、语音助手）。 |
| 认知反应（Cognitive Responses） | 易用性（操作省力程度）和有用性（提升任务绩效的程度）。 |
| 情绪反应（Emotional Responses） | 积极情绪（享受、喜爱）和消极情绪（不适、焦虑）。 |
| 顾客特征（Customer Characteristics） | 能力、习惯、信任。 |
| VA感知（VA Perceptions） | 拟人化、绩效风险、隐私风险。 |
| 购物情境感知（Shopping Occasion Perceptions） | 支持、价格价值、社会影响、社会存在感。 |
理论模型
基于认知-情感处理系统模型（Mischel & Shoda, 1995）
顾客特征、VA感知、购物情境感知 → 认知反应（易用性、有用性）+ 情绪反应（积极/消极情绪）→ VA使用（行为意向/实际使用）
调节变量：VA类型（智能/简单、商业/非商业、语音/文本、有/无虚拟化身）
关键发现（基于244个独立样本，2,766个相关系数）
1. 驱动因素的总效应（SEM分析）
| 排序 | 驱动因素 | 类别 | 总效应强度 |
|---|---|---|---|
| 1 | 价格价值 | 购物情境感知 | 最强 |
| 2 | 支持 | 购物情境感知 | 很强 |
| 3 | 社会影响 | 购物情境感知 | 强 |
| 4 | 拟人化 | VA感知 | 强 |
| 5 | 绩效风险 | VA感知 | 中等 |
| 6 | 信任 | 顾客特征 | 中等 |
| 7 | 能力 | 顾客特征 | 中等 |
2. 中介效应
通过认知反应：信任（→有用性）、拟人化、支持、价格价值、社会影响
通过情绪反应：绩效风险（→消极情绪）、拟人化、支持、价格价值、社会影响
消极情绪的中介效应尤为突出（β=-0.25，p<0.01，对实际使用影响最大）。
能力是唯一对使用有直接效应（而非间接效应）的变量。
3. VA类型的调节效应
| 调节变量 | 关键发现 |
|---|---|
| 智能 vs. 简单VA | 智能VA增强支持→易用性、社会存在→易用性、支持→有用性、习惯→积极情绪、拟人化→消极情绪等效应；但削弱社会存在→有用性、积极情绪→行为意向的效应。 |
| 商业 vs. 非商业VA | 商业VA增强隐私风险→易用性、社会影响→积极情绪；但削弱习惯→积极情绪、支持→积极情绪、积极情绪→行为意向。 |
| 语音 vs. 文本VA | 语音VA削弱拟人化→易用性、支持→易用性、支持→有用性、价格价值→有用性；增强绩效风险→易用性、能力→积极情绪、社会影响→积极情绪、有用性→使用。 |
| 有 vs. 无虚拟化身VA | 有虚拟化身增强能力→易用性、社会存在→易用性、能力→有用性、能力→积极情绪、拟人化→消极情绪；削弱价格价值→易用性、价格价值→积极情绪、绩效风险→积极情绪。 |
📊 核心结论
购物情境感知是VA使用的最大驱动力：价格价值和支持的总效应最强，表明消费者最关心“值不值”和“有没有人帮我”。
情绪反应（尤其是消极情绪）是关键的中间环节：虽然认知反应（易用性、有用性）也重要，但消极情绪对实际使用的影响最大（β=-0.25）。这意味着VA设计应优先考虑“避免让用户感到焦虑或不适”。
智能VA是双刃剑：智能VA能增强许多正面效应（如支持对易用性的影响），但也可能放大消极情绪（如拟人化对消极情绪的影响），并削弱积极情绪对行为意向的转化。
文本VA优于语音VA（在某些方面）：文本VA更能发挥驱动因素的影响力，尤其在认知反应上；语音VA更适合增强有用性→使用的转化。
无“一刀切”的VA设计：不同类型VA在不同目标（增强认知反应 vs. 情绪反应 vs. 转化使用）上各有优劣。管理者应根据具体目标选择合适的VA类型。
🎯 理论贡献
首个针对虚拟助手的综合性元分析：整合244个独立样本，系统量化了7类驱动因素对VA使用的影响，为碎片化的研究领域提供了整合性视角。
区分认知与情绪双重中介路径：不仅验证了传统TAM的认知路径（易用性、有用性），还首次在VA情境中系统检验了情绪路径（积极/消极情绪）的中介作用，发现消极情绪尤为关键。
识别四种VA类型的调节效应：首次比较了智能/简单、商业/非商业、语音/文本、有/无虚拟化身四类VA对32组关系的差异化影响，为VA设计选择提供了实证基础。
采用“实证优先”方法：在缺乏明确理论假设的新兴领域，通过大规模数据驱动分析发现规律，为后续理论建构提供了基础。
💼 实践启示
| 对象 | 建议 |
|---|---|
| 零售管理者 | 1. 优先投资价格价值和支持：这是驱动VA使用的最强因素，优于拟人化等技术特征。提供免费试用、清晰的价值主张，并配备人工客服后备支持。 2. 监控顾客情绪（尤其是消极情绪）：利用AI情感分析实时追踪用户情绪，在用户焦虑时主动干预。 3. 根据目标选择VA类型：无“一刀切”方案（见表7）。若目标是增强易用性感知，选择智能、非商业、文本、有虚拟化身的VA；若目标是转化使用，选择简单、非商业、语音、无虚拟化身的VA。 |
| VA设计师/开发者 | 1. 智能VA需谨慎设计拟人化：智能VA会放大拟人化对消极情绪的影响（恐怖谷效应），需在拟人化程度和用户舒适度间寻找平衡。 2. 语音VA需强化有用性证明：语音VA的有用性→使用路径更强，应确保语音交互真正提升任务效率。 |
| 平台/技术供应商 | 提供模块化的VA配置选项，允许零售商根据其具体目标（如提升认知 vs. 减少情绪负面）灵活组合智能程度、交互模态和虚拟化身功能。 |
| 政策制定者 | 关注商业VA的隐私风险效应（商业任务增强隐私风险→易用性的负面关系），推动行业标准的制定，保护消费者数据安全。 |
⚠️ 研究局限
相关性的局限：元分析基于相关性数据，无法完全确认因果关系。
发表偏倚风险：部分关系（如拟人化→易用性、信任→有用性）的失效安全N值极高，表明可能存在发表偏倚。
VA类型编码的客观性：VA类型的编码（智能/简单等）基于研究描述，可能存在一定主观性。
情绪维度有限：仅区分积极/消极情绪，未细分具体情绪（如愤怒、恐惧、喜悦、惊讶）。
情境变量有限：仅比较了零售与服务业、行业数量、发表状态、研究设计等，未涵盖更多潜在调节变量（如文化、产品类型、VA使用阶段）。
交互效应未检验：未探索多个VA类型之间的交互调节效应（如智能×语音×有虚拟化身）。
🔮 未来研究方向
更细粒度的情绪测量：区分恐惧、愤怒、喜悦、悲伤、惊讶、厌恶等具体情绪，探讨其不同的前因和后果。
VA类型的精细分化：基于新兴的虚拟化身营销理论，进一步区分虚拟化身的形式（2D/3D、静态/动态）、风格（写实/卡通）、行为（交互性）。
交叉效应研究：认知理论中的前因是否也影响情绪？情绪理论中的前因是否也影响认知？
更广泛的结果变量：除使用意向外，考察VA对销售额、交叉购买、品牌感知、在线购物体验的影响。
长期效应追踪：区分情绪（短暂）与心境（持久），考察VA引发的情绪稳定性。
混合VA模式：VA与人工客服混合的服务模式在不同情境下的表现差异。
顾客旅程阶段差异：VA在搜索、购买、售后等不同阶段的作用差异。
文化差异：不同文化背景下，VA类型对用户反应的影响是否不同（如高不确定性规避文化中绩效风险的影响更强）。
生成式AI的影响：ChatGPT、Bard等新一代AI如何改变VA的能力和用户预期，及其对本文结论的修正。
