Can the Formation of Human-computer Interaction Perception Promote Customers' Adoption Behavior: From the Perspective of Media Richness Theory
-
摘要: 移动网络技术和人工智能越来越多地应用到新零售中，如何利用人机交互设计发挥智能服务技术对顾客采纳行为的积极影响至关重要。从媒介丰富度理论视角出发，系统分析新零售情境中人机交互感知的形成机理及其对顾客采纳行为的影响，通过线上线下混合调查方法，对386份新零售购物者样本进行实证分析。结果发现：信息丰富度和社会互动需求均对人机交互感知和顾客采纳行为产生了正向影响；人机交互感知在信息丰富度和社会互动需求对顾客采纳行为的影响中发挥了积极的中介作用；信息素养和数字技能正向调节了信息丰富度和社会互动需求对人机交互感知的影响。研究结论扩展和丰富了现有人机交互、顾客采纳行为以及营销理论研究的边界及相关文献，对新零售企业改善人机交互设计以增强顾客关系具有一定启示作用。Abstract: When mobile network technology and artificial intelligence are more and more applied to new retail, it is important for us to know how to use human-computer interaction design to give full play to the positive impact of intelligent service technology on customers' adoption behavior. From the perspective of media richness theory, this study systematically analyzes the formation mechanism of human-computer interaction perception and its impact on customers' adoption behavior in the new retail context. Through the empirical analysis of 386 samples of new retail shoppers with the online and offline mixed survey method, the results show that information richness and social interaction needs both have a positive impact on human-computer interaction perception and customers' adoption behavior; human-computer interaction perception plays an active intermediary role in the impact of information richness and social interaction needs on customer adoption behavior; moreover, information literacy and digital skills positively regulate the impact of information richness and social interaction needs on human-computer interaction perception. The findings of this study expand and enrich the boundaries and relevant literature of existing human-computer interaction, customers' adoption behavior and even marketing theory, and have important enlightenment for new retail enterprises to improve human-computer interaction design to enhance customer relationship.
-
一、 引言
人工智能、大数据以及移动互联网等数字技术正在不断创新企业运营方式和顾客参与方式，数字技术越来越多地被用于降低成本和增强与顾客的互动(Van Doorn等, 2016)[1]。人机交互(Human-Computer Interaction, HCI)逐渐成为顾企之间的主要交互形式，促进了新零售的线上线下融合，继而影响到顾客采纳行为。然而，对新零售情境中人机交互是否会带来更好的顾客采纳行为，学术界对此并无统一观点，因此有必要深入了解促进新零售人机交互感知形成的关键因素，以及人机交互设计如何作用于顾客采纳行为。以往关于人机交互感知的影响因素研究主要涉及网站因素、情景因素和个体因素(Ko等, 2006;Zhao和Lu, 2012)[2-3]。其中，网站因素重点考察了互动性特征、网络外部性以及信息类型等技术属性的影响；情境因素主要分析了文化差异的影响；个体因素则研究了控制欲、自我效能感的影响。上述因素对人机交互感知的预测力相对较弱且在指导人机交互设计实践方面仍存在较多不足。而有关人机交互的理论研究较为丰富，但主要集中在任务技术匹配理论领域(Li等, 2018)[4]，强调技术只有被使用且与任务相匹配时才能产生较高的顾客绩效，然而仅关注技术功能和顾客对技术本身的接受程度，并不足以影响用户态度和增加使用行为。因此，寻找新的有价值的理论视角来整合不同层面人机交互感知前因，系统和深入探讨新零售情境中人机交互感知的来源、后果及其作用过程显得尤为必要。
根据媒介丰富度理论(Media Richness Theory, MRT)，人机交互感知的产生需要丰富的媒介信息，而高水平的媒介信息重点关注了个人对自身不同层面需求的满足(Mamonov和Koufaris, 2020)[5]。媒介丰富度理论从信息渠道传播角度为研究顾客—技术交互中的认知、情感及采纳行为提供了良好的理论视角。该理论指出，媒介技术丰富度带来的吸引力通常来源于物理吸引和社交吸引(Shen等, 2019)[6]。其中，数字媒介技术通过使用书面语言线索和非语言线索(如表情符号)形成数字图文、视频，以个性、新颖、象征性的丰富信息驱动顾客的积极接受意愿；数字技术与信息产品展现的结合通过提供有效的人际沟通渠道以帮助顾客重塑社会身份、实时参与内容产品生产。因此，信息丰富度和社会互动需求这两个媒介相关因素会吸引并影响顾客的信息沟通。基于媒介丰富度理论视角，本研究认为信息丰富度和社会互动需求是顾客感知和接受人机交互技术的两个重要前因变量，继而能有效提升顾客采纳行为。实际上，顾客在使用媒介过程中会达到一种沉浸状态，完全专注于人机交互界面并产生符合自身需求的思维，顾客在这种互动事件中产生的心理感受称为人机交互感知(Lee, 2005)[7]。由于顾客在人机交互感知过程中存在异质性，人机交互感知程度还取决于顾客的信息素养和数字技能(Yu等, 2017)[8]。媒介丰富度理论表明，信息素养和数字技能是减少媒介技术压力的潜在手段，个体轻松使用信息通信技术的能力以及完成任务的媒介体验和使用行为呈正相关关系。人们都希望在信息技术中消除不同媒介形式之间的不兼容障碍，并期望数字技能大大提高信息和知识的收集能力(Wu等, 2016)[9]。在交流过程中，用户必须利用自身对信息结构或内容的理解来表达知识，信息传递的过程受个人数字技能影响。当顾客参与人机交互活动时，拥有自我效能、数字技能的顾客能更容易适应和感知人机交互，并更坚持不懈地追求个人任务。因此，从信息素养和数字技能两个方面分析新零售情境中人机交互感知的边界条件值得深入探索。鉴于此，本研究拟从媒介丰富度理论视角出发，在新零售情景中进一步明确人机交互感知的形成及其对顾客采纳行为的作用机制，以期对新零售企业进行人机交互设计以改善顾客关系提供启示。
二、 文献背景及假设的提出
（一） 文献背景
1. 新零售人机交互的内涵和结构
人工智能技术的进步促进了顾客与新零售渠道和终端设备的有效互动，5G技术也将增强零售商部署沉浸式通信以新方式连接消费者和品牌的能力。随着电子服务应用影响到数字生活的各个方面，基于人机交互的服务体验变得更加重要(Yang等, 2016)[10]。现有研究表明，人机交互已被操作化为一种包含多个要素的结构：双向沟通、个性化、用户控制、响应性。随着学界针对人机交互研究的不断拓展和深入，从用户感知角度衡量人机交互的结构获得了重视。如Lee(2005)[7]指出，移动商务环境下的交互性感知包括用户控制、响应性、连通性、个性化、连接性、情境提供等六个维度；Song等(2008)[11]基于电商网站场景，发现用户交互感知可划分为感知控制、感知响应、感知传播三个方面。总体而言，人机交互感知不仅比较直观，还能够从系统特征(或界面特征)中较为准确和完整地了解用户心理，并较好地预测用户的使用意愿、态度及行为。
新零售人机交互强调顾客通过线上线下的各种终端设备(如智能手机、笔记本、触摸屏、AR或VR等)和软件应用完成商品购买或与企业、其他顾客间的信息交流、反馈和定制，能够以更为智能、便捷、高效的界面或方式满足顾客需求。现有顾客的消费更加多元和独特，新零售企业不断利用数字信息研发和设计出具有个性化产品推荐、弹出式广告窗口等智能交互服务，以便促进和提升顾客体验。此外，企业针对移动界面不断进行创新，不断围绕触摸手机屏幕或语音识别等方式突出智能互动的可用性，人工智能、VR、AR等人机交互技术也已广泛嵌入到零售购物环境，在提升顾客参与和体验方面做出重要贡献。总之，新零售人机交互设计更加强调数字技术对用户的心理需求、行为以及动机层面的影响，旨在建立或促进人与人、人与智能机器或设备之间的交互关系产生新的沟通可能。鉴于此，本研究将新零售人机交互感知界定为顾客运用手机、电脑、AR等智能终端设备以及网站、App等软件应用，在与新零售商线上线下的交互过程中所产生的心理活动，主要包括感知连通性、感知个性化、感知控制性和感知响应性四个方面。
2. 媒介丰富度理论
媒介丰富度理论源于信息处理理论，指受媒介匹配度影响的个体之间的沟通效率(Daft和Lengel, 1984)[12]。该理论发展至今，主要形成了客观和主观两大类观点，其中客观观点认为，媒介丰富度理论强调媒介传达特定类型信息的能力，其主要目标在于确定哪种技术最能减少各种业务环境中的不确定性和模糊性；主观观点则更多讨论与媒介使用相关的个人因素，指出媒介使用行为不仅由客观的媒体特征决定，还受到多种因素的社会影响，包括对特定媒介的态度、个人体验、对媒介的知识等方面(Fulk等, 1987)[13]。如Trevino等(1987)[14]认为，每个媒介均代表组织中的一个符号，并指出通过在媒介丰富度理论中加入媒介象征可作为最合适媒介的第三个因素，如组织文化、社会信息、媒介经验等；Downes和McMillan(2000)[15]认为，在移动商务背景下交互需求是个人评估和感知媒介丰富度的一个重要因素，对扩展该理论边界具有重要价值；Ishii等(2019)[16]也在后续的研究中强调了人际关系的突出作用。具体而言，个人会从满足社会互动需求中获得愉悦和满足，其会持续进行自我表露，并向其他用户提供功能和社会价值。可见，媒介丰富理论不仅认为个体的媒介选择和使用是一种理性行为，强调媒介丰富度的客观性，而且还强调个体的媒介行为与社会化条件、个人偏好乃至使用媒介的技巧有关系。因此，本研究拟在新零售情景中借鉴媒介丰富度理论，将信息丰富度和社会互动需求作为媒介信息传播效率的主要影响来源，其中，移动设备、电脑、AR等智能终端以及网站、App等软件应用为主要信息传播媒介。媒介丰富度理论有助于解释个人在接触到通过媒介传播的信息后做出选择的原因，并预测顾客对信息媒介的选择、决策质量、用户满意度和即时通讯应用程序的使用情况等(Wang等, 2015)[17]，从而在人机交互中发挥重要作用。
（二） 研究假设
1. 信息丰富度、人机交互感知与顾客采纳行为
媒介丰富度理论认为，传播渠道具有信息丰富度的客观特征，丰富的信息往往比贫乏的信息更能减少歧义，更能有效地减少潜在的信息冲突(Daft和Lengel, 1984)[12]。信息丰富度是传播渠道传递包含丰富信息的相对能力，是衡量媒体丰富度的重要标准，往往取决于其提供快速反馈、多种线索、自然语言和个人关注的能力。一般而言，信息丰富度与任务特征的匹配对顾客沟通绩效存在正相关关系(Purdy等, 2000)[18]。有学者指出，信息丰富度是零售商通过各种传播媒介以文字、图像、声音和视频等形式向消费者传达的产品信息(Yen, 2014)[19]。本研究拟用信息丰富度表征顾客所感知的物理资源，将其界定为新零售情境中信息数量和信息质量的统一。人机交互是否采用，主要取决于企业技术支持下的信息丰富度。Brunell(2009)[20]指出，消费者渴望一种传播媒介，提供媒介丰富度理论中强调的相关信息。然而，这些信息必须准确、及时、有趣且消费者能够理解，以便他们有购买的意图。因为当信息丰富性不适合复杂的情况时，信息很可能会被误解或产生歧义。丰富的信息激发了更多的信任，因为在线消费者无法接触实际商品，而在线卖家则需要提供更完整、清晰和透明的产品信息。如网站可以通过增强信息丰富度来拉近这些信任的差距，减少信息不对称和交易成本，以提高买方满意度和信心。丰富的信息具有个性化、灵活性，并能快速适应个人的需求。随着人工智能、互联网技术的不断发展和应用，数字环境中可嵌入物理环境的信息增强对于顾客接受人机交互行为开始变得更加有效。如增强现实(AR)在新零售场景的应用，使零售商能够向顾客提供更广泛的、逼真的产品信息，促进人机交互。根据情境认知理论，顾客的信息加工可以嵌入到他们的物理环境中，并通过物理模拟和行为体现出来(Hilken等, 2017)[21]，如Lee等(2021)[22]发现VR环境中具有生动性和互动性的信息，信息丰富度可能会影响顾客的信息共享和寻求行为。技术可以通过提供愉悦和好玩的体验及增加选择集评估等方式提供有用的信息结果，从而增强信息质量的实用和享乐能力，有助于顾客放心选择并增强其在购物环境中的参与度和乐趣。在新零售场景中，顾客在做出购买决定之前，可能希望收集有关产品功能、价格优惠、客户评论、付款方式、交付选项和可用替代品的信息，因此，在渠道中提供准确、丰富和可获取的信息更为可取。如Choudhury和Karahanna(2008)[23]认为，渠道向顾客提供信息和解释的能力也是顾客渠道选择的一个重要因素，由此可以预期，使用线上线下融合的新零售渠道进行信息搜索可以更好地满足顾客对媒介信息的要求，继而获取良好的顾客体验，最终决定其后续交互行为。综上，提出如下假设：
H1：信息丰富度对人机交互感知有正向影响；
H2：信息丰富度对顾客采纳行为有正向影响。
2. 社会互动需求、人机交互感知与顾客采纳行为
媒介丰富度理论指出，人际关系在媒介沟通选择中具有重要作用(Ishii等, 2019)[16]。个体渴望与他人互动，这种互动需求解释了大量人类行为的基本人际动机，缺乏人际互动或关系会导致孤独。在消费领域，社会互动需求是一个重要的消费者特征，它描述了一个人在消费活动中的思想、情感和行为中一贯表现出的倾向(Steenkamp和Maydeu-Olivares, 2015)[24]。Van Rompay等(2012)[25]指出顾客希望与他人建立联系的原因至少有四种：第一，购物者可能会发现社会接触刺激或令人兴奋；第二，社会接触可能会引起他人的注意或赞扬；第三，情绪低落时的情绪支持；第四，社会比较的机会。另外，在涉及不确定性的购买决策中，顾客也可能会通过依赖其他顾客的建议来寻求对自己判断的保证。可见，社会互动需求更好地反映了人们在消费环境中与其他目标主体互动的倾向，并会影响获取媒介渠道中的信息以及他们接收这些信息的速度。现有的人机交互文献表明(Zhang和Li, 2005)[26]，使用设备的意图不仅受设备特征如性能预期或拟人化的影响，而且还受到用户特征如享乐动机或社会地位的影响。Van Rompay等(2012)[25]指出，有强烈社会需求的购物者重视零售密度的社会影响并会做出积极回应。当个人发现周围的人在交流环境中使用互动工具时，社会影响可能是使用交互工具的强大社会激励因素(Yu等, 2017)[8]。社会存在理论表明了顾客有基本的人类需求，这些需求导致了旨在满足这些需求的媒介沟通动机和行为(Rice, 1993)[27]。可见，人际沟通中媒介使用需求的满足很大程度上将有助于人机交互的采纳。另外，Abubshait和Wiese(2017)[28]还指出，互动需求通常是通过感知另一个人的社会信号进而获得满足的，但这种社会信号也可以被分配给非人类代理如计算机、网站和机器人。越来越多的人意识到技术具有“自己的思维”，如社交机器人除了具有类似人类的外观外，还具有类似人类的思维。这对满足顾客社会互动需求而言具有重要意义。如Yang等(2022)[29]指出，人工智能服务代理已被大多数梅西百货商店用作采购指南，与顾客互动并满足他们的不同社会需求；刘欣等(2021)[30]指出，顾客希望与服务机器人进行互动，满足自身社会需求，以此实现自身和企业所共同追求的利益。综上，提出如下假设：
H3：社会互动需求对人机交互感知有正向影响；
H4：社会互动需求对顾客采纳行为有正向影响。
3. 人机交互感知与顾客采纳行为
顾客使用信息技术的意愿需要考虑技术、产品或服务、社会互动和人为因素的作用(Goldhammer等, 2013)[31]。Van Deursen等(2015)[32]指出，数字技术和媒介不仅影响和强化了社会联系，而且也将影响顾客对技术的使用意愿。技术接受模型(TAM)是解释个人接受信息技术的最有影响力和最广泛使用的理论。TAM确定了用户对技术的使用态度，从而导致使用特定技术的意图。基于技术接受模型，Moussawi等(2021)[33]指出，人机交互过程中的感知有用性和感知易用性是预测用户技术采用意愿的重要预测指标。人机交互提供了许多独特属性和功能，如无处不在的连接、实时交互、本地化和个性化信息，以及对顾客更好的支持。这些优势可以带来显著的效率和收益，创造卓越的顾客价值，并可能促进顾客的采用行为。基于此，提出如下假设：
H5：人机交互感知对顾客采纳行为有正向影响。
4. 信息素养的调节作用
媒介丰富度理论认为，改善沟通的主要因素之一是将媒介选择属性与任务特征相匹配。但由于人机交互活动中存在信息处理行为的复杂性，导致用户对媒介传播信息的理解程度还取决于其承载信息的能力。因此，从媒介丰富度理论角度出发，关注信息素养所带来的益处，可能是解决沟通任务的有效办法。用户需通过信息媒介获得所需信息(知识)和服务，从而使他们能够使用人机交互传递消息。信息素养是信息时代终身学习的基础，它使人们能够掌握信息内容、扩展调查范围、识别何时需要信息，并具备有效定位、评估和使用所需信息的能力。信息素养是一套独特的技能，使个体能够有效地应对缺乏语言和视觉线索的媒介(Yu等, 2017)[8]。如在评估搜索查询结果之前，用户必须能够执行搜索查询，或者在电子论坛中提问之前需要创建用户帐户并注册。与数字技能不同的是，信息素养更多的是一种思维定势，使用户能够在数字环境中直观地执行任务，并能够轻松有效地获取嵌入此类环境中的广泛知识，以便在数字环境中执行任务和解决问题。Goodhue和Thompson(1995)[34]基于任务—技术匹配模型也指出，任务可分析性和技术(信息系统)特征之间的匹配将对顾客行为及绩效产生积极影响。任务与技术特征的契合度代表了技术支持用户执行任务并满足任务需求的程度，与任务绩效的增加相关。根据媒介丰富度理论和信息技术接受理论，信息传递过程中往往会受个人或群体能力的影响，包括个人因素(如信息素养)、社会网络结构、物理邻近性、接收者可用性和媒介特性。信息素养被确定是数字原住民和一般人群自我效能的有效催化剂(Cooke-Jackson, 2018)[35]，并具有促进健康知识、态度和行为的巨大潜力。Nikou等(2019)[36]也证实了信息素养对数字技术使用的态度存在显著关系的观点。因而，当在线消费者充分具备媒体、信息和数字素养的相关能力时，他们就能筛选、分析和反思那些试图通过互联网向他们提供教育和娱乐的任务信息，并可质疑通过互联网在全球传播的所有信息和内容背后的动机和价值观等，以便做出明智的感知决策。因此，提出如下假设：
H6：信息素养正向调节了信息丰富度对人机交互感知的影响；
H7：信息素养正向调节了社会互动需求对人机交互感知的影响。
5. 数字技能的调节作用
近年来，数字技能的不足已经成为个体从使用信息和通信技术媒介中获益的一大障碍。数字技能是使用交互技术的一套基本技能，体现了基本的交互操作技能和操作复杂交互应用程序的能力(Yu等, 2017)[8]，包括信息管理、协作、沟通和共享、内容和知识的创造、道德和责任、评估和问题解决以及技术运营。本研究基于新零售场景，将数字技能界定为胜任处理日常线上线下购物的自我感知能力。实际上，数字技能不足的人可能会转向自主学习，如在家里和工作场所通过试错学习，或者求助于服务平台和其他来源。在某些情况下，个体还需要专门的培训和操作经验，以获得使用这些交互技术所必需的技能。只有当数字技能有利于购物任务的问题解决时，技术使用者才可以遵循客观程序来解决问题，并提供快速的信息反馈和社会线索(Yeshua-Katz等, 2021)[37]。从这个意义上说，设计良好的交互式技术应用程序可以为需要个性化信息搜索的顾客提供更大的控制，从而产生更高的满意度(Van Deursen等, 2015)[32]。Nikou等(2019)[36]也认为数字技能会对用户的技术采纳行为和意图产生影响。人们有必要将自己的信息技术能力与所使用的技术设备的信息处理能力相匹配，通过提高数字技能进一步实现人们在日常生活中实现任务的方式。根据媒介丰富度理论，拥有数字技能的顾客能够熟练掌握购物任务所涉及的流程，从而降低其购物或沟通的成本。技术采纳研究也表明(Davis等, 1989)[38]，个人对外部变量进行感知后会形成一系列态度信念，这些外部变量既包含系统的技术特征，也包含个人所需完成购物任务的特征。数字技能会对技术所持的态度信念产生影响。在新零售情景中，高数字技能的顾客在执行人机交互活动中所支付的各项成本更少，获得的收益更多，从而能促进其对服务价值给出高度评价，最终更好地帮助其自身获得满意的感知结果(Li等, 2018)[4]。因此，在媒介丰富程度和技能使用程度较高的前提下，顾客对技术交互所作的努力越少，越有可能获得更高的任务收益和满意度，顾客对人机交互的感知将得到提高。基于此，提出如下假设：
H8：数字技能正向调节了信息丰富度对人机交互感知的影响；
H9：数字技能正向调节了社会互动需求对人机交互感知的影响。
综上所述，构建本研究具体的概念模型，如图 1所示。
三、 研究设计与方法
（一） 变量测量和量表开发
本文的变量测量参考现有量表，对英文量表采用回译方法。借鉴Wu等(2022)[39]的研究构建了信息丰富度量表，共3个题项；借鉴Downes和McMillan(2000)[15]的研究构建了社会互动需求量表，共3个题项；借鉴Li等(2018)[4]、Lee(2005)[7]的研究构建了人机交互感知量表，共8个题项；借鉴Yu等(2017)[8]的研究构建了信息素养量表，共4个题项；借鉴Goldhammer(2013)[31]的研究构建了数字技能量表，共3个题项；借鉴Yu等(2017)[8]的研究构建了顾客采纳行为量表，共4个题项。测量采用Likert7级量表，1代表“完全不同意”，7代表“完全同意”。并且，又对5名电子商务和市场营销的专业研究人员进行访谈并修改部分题项，形成正式量表。
（二） 数据收集
本研究选取新零售中的在线购物者作为调查对象，因为在线购物可以完全通过人机交互完成，并且线上商店绝大多都采用了先进的人机交互技术，比线下顾客更有机会全面了解新零售商的界面操作、服务应用、服务反馈处理等人机交互工作。选择在上海、广州、杭州、重庆、济南、沈阳、长沙、西安、南昌、昆明等10个全国一、二线城市进行问卷调研，综合采用线上调查平台发放问卷、线下留置问卷调查和拦截式问卷调查等线上线下相结合的混合调查方式。发放问卷420份，回收无效问卷34份，保留有效问卷386份。样本以较高学历、中等收入、企业职员和学生等年轻群体为主，线上购物经历丰富，符合新零售购物群体的基本状况。样本的描述性统计结果见表 1。
表 1 样本描述性统计人、% 变量 类别 人数 占比 变量 类别 人数 占比 性别 男 174 45.1 个人月收入 3 000元以下 210 54.4 女 212 54.9 3 000~5 000元 85 22.2 年龄 18岁以下 4 1.0 5 001~8 000元 31 0.8 18~26岁 233 60.4 8 001~15 000元 40 10.4 27~35岁 141 36.5 15 000元以上 20 5.2 36~40岁 6 1.6 线上购物年龄 1年以内 10 2.6 40岁以上 2 0.5 1~2年 43 11.1 受教育程度 初中 1 0.3 2~3年 59 15.3 高中或中专 9 2.3 3年以上 274 71.0 大专 149 38.6 从事的职业 个体工商户 2 0.5 大学本科 194 50.3 公司职员 145 37.6 硕士及以上 33 8.5 政府机关或事业单位职工 21 5.5 购物频率 经常 314 81.3 学生 207 53.6 不经常 72 18.7 其他 11 2.8 四、 实证分析与研究结果
（一） 信度与效度检验
对调查数据进行统计分析，结果见表 2。各潜变量的Cronbach's α值均大于0.7的标准值(α≥0.786)，组合信度均大于0.7(远大于0.5的标准值)，说明调查问卷有较好的信度。对量表整体进行KMO检验和巴特利球检验，KMO值为0.923，大于0.6，巴特利球检验的p值为0，表明量表的结构效度较好。在此基础上，本研究通过AMOS23.0软件完成验证性因子分析，各测项在对应的潜变量上的标准化载荷均大于0.6且高度显著，另外，AVE值均高于0.5，这表明量表的收敛效度较好。
表 2 验证性因子分析结果变量 测项 因子载荷 信息丰富度
Cronbach's α=0.826
CR=0.832
AVE=0.626该购物网站上的商品信息容易理解 0.906*** 该购物网站上的商品信息客观准确 0.765*** 该购物网站上的商品信息丰富多样(如文字、图片和视频等) 0.687*** 社会互动需求
Cronbach's α=0.786
CR=0.800
AVE=0.580与该购物网站上的其他顾客或员工进行交流和互动让我感到愉快 0.628*** 我喜欢与帮助过我的其他顾客或员工互动 0.670*** 我相信我可以做到和其他顾客或员工的互帮互助 0.947*** 人机交互感知
Cronbach's α=0.911
CR=0.900
AVE=0.528我能方便地通过线上技术与商家进行沟通和交易 0.749*** 该购物网站能让我在服务交流中获益 0.630*** 该购物网站的设置可以满足我个性化的购物需求 0.746*** 该购物网站能使我搜索和获得我真正需要的商品 0.785*** 该购物网站提供的技术很容易操作 0.824*** 使用该购物网站服务的过程清晰易懂 0.848*** 该购物网站对我的请求命令反应很快 0.753*** 该购物网站很快就处理了我提出的问题 0.685*** 信息素养
Cronbach's α=0.871
CR=0.829
AVE=0.549我想要主动获取该购物网站主流的商品信息 0.727*** 我能熟练使用该购物网站的各类信息工具(如买家秀和商品评价) 0.756*** 我能够利用好该购物网站的信息解决问题 0.867*** 我能够对该购物网站的商品信息进行正确的分析和评估 0.824*** 数字技能
Cronbach's α=0.771
CR=0.873
AVE=0.633我能熟练地使用该购物网站的链接分享、导航按钮、菜单和搜索功能 0.933*** 我能熟练地在该购物网站上进行商品管理(如商品收藏) 0.766*** 我经常给他人发送或转发该购物平台的商品信息 0.689*** 顾客采纳行为
Cronbach's α=0.813
CR=0.822
AVE=0.536我会定期使用该购物网站的服务 0.745*** 我会频繁使用该购物网站的服务 0.786*** 我会强烈建议别人使用该购物网站的服务 0.685*** 我打算以后也继续使用该购物网站的服务 0.709*** 注：***表示p < 0.001。表 4同。 表 3给出了量表7个维度的均值、标准差、相关系数、AVE均方根。其中，各变量均值都高于5.085，说明被试对新零售购物流程有较清晰认知，且总体评价水平较高，体现了所调研的新零售商购物网站的人机交互水平较好。此外，各维度的AVE均方根都高于维度之间的相关系数，说明调查量表的区别效度较好。
表 3 AVE均方根及潜变量相关系数矩阵变量 均值 标准差 1 3 4 5 6 7 信息丰富度 5.509 0.976 (0.791) — — — — 社会互动需求 5.168 0.892 0.461 (0.762) — — — 人机交互感知 5.458 1.066 0.664 0.651 (0.727) — — 信息素养 5.528 0.947 0.587 0.567 0.583 (0.741) — 数字技能 5.153 0.979 0.489 0.488 0.612 0.606 (0.796) — 顾客采纳行为 5.085 1.073 0.429 0.490 0.580 0.549 0.561 (0.732) 注：括号内为对应变量的AVE均方根。 （二） 结构方程建模分析
采用AMOS23.0软件以及最大似然估计法，对各变量间存在的关系进行结构方程建模检验，发现拟合指标均达到了可接受水平(χ2/df=2.509 < 3，NFI=0.913，IFI=0.945，GFI=0.905，CFI=0.943，TLI=0.928，RMSEA=0.063)。标准路径系数及假设检验结果如表 4所示，H1、H2、H3、H4和H5均获得实证支持。
表 4 假设检验结果假设 具体路径 标准路径系数 t值 结论 H1 信息丰富度→人机交互感知 0.462*** 12.564 支持 H2 信息丰富度→顾客采纳行为 0.258*** 5.336 支持 H3 社会互动需求→人机交互感知 0.438*** 11.895 支持 H4 社会互动需求→顾客采纳行为 0.371*** 7.657 支持 H5 人机交互感知→顾客采纳行为 0.582*** 14.015 支持 （三） 人机交互感知的中介效应检验
本研究对各变量进行标准化处理后，利用Bootstrap分析法进行中介效应检验，样本量设定为5 000，取样方法选择偏差校正的非参数百分位法，结果如表 5所示。可以看出，在95%的置信区间下，中介检验的结果不包括0，即“信息丰富度→人机交互感知→顾客采纳行为”“社会互动需求→人机交互感知→顾客采纳行为”等中介路径的中介效应显著。其中，人机交互感知在信息丰富度、社会互动需求对顾客采纳行为影响路径中的间接效应分别是0.386、0.297。此外，在控制了人机交互感知之后，信息丰富度和社会互动需求对顾客采纳行为影响路径中的直接效应分别是0.086、0.196，表明人机交互感知在信息丰富度对顾客采纳行为的影响中是唯一的中介变量。
表 5 中介效应的检验结果效应类型 具体路径 效应值 标准误 t值 p值 95%置信区间CI LLCI ULCI 直接效应 信息丰富度→顾客采纳行为 0.086(ns) 0.061* 1.416 0.158 -0.034 0.206 社会互动需求→顾客采纳行为 0.196 0.054* 3.612 0.000 0.089 0.303 中介效应 信息丰富度→人机交互感知→顾客采纳行为 0.386 0.054* — — 0.289 0.499 社会互动需求→人机交互感知→顾客采纳行为 0.297 0.046* — — 0.212 0.392 注：*为“Boot SE”，ns代表不显著，下表同。 （四） 信息素养的调节效应检验
采用SPSS 23.0软件中的PROCESS宏插件对信息丰富度、社会互动需求影响人机交互感知路径中的调节效应进行检验。将年龄、受教育程度、月收入作为控制变量加入模型中，同时对自变量和调节变量进行中心化处理。实证分析显示，信息丰富度、社会互动需求和信息素养的交互项显著积极影响人机交互感知(β1=0.103, t=2.622;β2=0.092, t=2.758)，因此，假设H6和H7获得完全支持。
对于H6和H7进一步采用PROCESS宏插件中的输出数据作关于Johnson-Neyman探照灯分析法的混合斜率图。如图 2所示：当信息素养较高时，信息丰富度和社会互动需求对人机交互感知的正向影响更为强烈，并且只有当信息素养分别处于4.7215、4.7097以上范围区间时，人机交互感知才会得到促进，而低于此区间的信息素养则不存在调节作用。
为检验信息素养处于不同水平时人机交互感知产生的中介效应强弱，进一步采用Bootstrap法进行5 000次的重复抽样检验。表 6的检验结果表明，信息素养正向调节了人机交互感知的传递效应，即顾客的高信息素养较之低信息素养有更多的顾客采纳行为。
表 6 信息素养对中介效应的调节分析变量 效应类型 具体路径 高信息素养 低信息素养 效应值 p值 LLCI ULCI 效应值 p值 LLCI ULCI 信息丰富度 直接效应 信息丰富度→顾客采纳行为 0.090 (ns) 0.150 -0.021 0.223 0.023 (ns) 0.255 -0.044 0.150 中介效应 信息丰富度→人机交互感知→顾客采纳行为 0.451 — 0.329 0.585 0.329 — 0.230 0.460 社会互动需求 直接效应 社会互动需求→顾客采纳行为 0.231 0.000 0.113 0.393 0.097 0.044 0.076 0.119 中介效应 社会互动需求→人机交互感知→顾客采纳行为 0.348 — 0.240 0.466 0.255 — 0.170 0.360 （五） 数字技能的调节效应检验
采用SPSS 23.0软件中的PROCESS宏插件对信息丰富度、社会互动需求影响人机交互感知路径中的调节效应进行检验。将年龄、受教育程度、月收入作为控制变量加入模型中，同时对自变量和调节变量进行中心化处理。实证结果显示，信息丰富度、社会互动需求和数字技能的交互项显著积极影响人机交互感知(β3=0.102, t=2.831;β4=0.113, t=3.397)，置信区间CI分别为[0.031, 0.173]、[0.048, 0.179]。因此，假设H8和H9获得支持。由于数字技能在信息丰富度、社会互动需求与人机交互感知之间的显著性p值过低，其交互项的可调节范围区间较大，所以此处不宜采用Johnson-Neyman法进行探照灯分析。
为检验数字技能处于不同水平时人机交互感知产生的中介效应强弱，再采用Bootstrap法进行5 000次的重复抽样检验。表 7的结果表明，数字技能正向调节了人机交互感知的传递效应，即高数字技能的顾客较之低数字技能顾客有更多的顾客采纳行为。
表 7 数字技能对中介效应的调节分析变量 效应类型 具体路径 高数字技能 低数字技能 效应值 p值 LLCI ULCI 效应值 p值 LLCI ULCI 信息丰富度 直接效应 信息丰富度→顾客采纳行为 0.092 (ns) 0.098 -0.011 0.153 0.045 (ns) 0.198 -0.032 0.109 中介效应 信息丰富度→人机交互感知→顾客采纳行为 0.459 — 0.337 0.590 0.328 — 0.230 0.451 社会互动需求 直接效应 社会互动需求→顾客采纳行为 0.250 0.000 0.118 0.404 0.089 0.050 0.032 0.111 中介效应 社会互动需求→人机交互感知→顾客采纳行为 0.366 — 0.261 0.478 0.240 — 0.152 0.344 五、 结论与启示
（一） 研究结论
本研究基于中国新零售情境，深入探讨了人机交互感知的形成及其对顾客采纳行为的影响，丰富了人机交互的研究情境、心理机制及理论体系。主要结论如下：
第一，在信息丰富度和社会互动需求直接影响人机交互感知的路径上，二者均显著正向影响了人机交互感知。因此，在新零售的消费过程中，信息丰富度和社会互动需求越高，顾客感知的人机交互越好，越能促进顾客采纳行为。
第二，在人机交互感知影响顾客采纳行为的路径上，人机交互感知显著正向影响了顾客采纳行为。尽管人机交互不一定总是带来好的结果，甚至可能会造成消费者决策困难、削弱控制感和消除努力，但本研究表明，人机交互感知水平的提升有助于增强顾客的能力，并带来持续的互动行为。因此，新零售企业通过人机交互促进顾客的线上线下采纳行为，顾客更可能享受自由探索的、美妙的购物旅程。
第三，人机交互感知在信息丰富度、社会互动需求影响顾客采纳行为中发挥了积极的中介作用。这表明，新零售企业通过信息丰富度和社会互动需求对顾客采纳行为的积极影响是通过激发良好的人机交互感知的心理机制进而实现的。
第四，信息素养在信息丰富度、社会互动需求影响人机交互感知的路径中发挥了正向调节作用。这表明，信息素养是增强人机交互感知的潜在手段，顾客轻松使用信息通信技术的能力有助于促进人机交互技术的感知意愿。因此，应增强顾客在人机交互技术中定位、评估和使用所需信息的能力，从而提升顾客的人机交互感知。
第五，数字技能在信息丰富度、社会互动需求影响人机交互感知的路径中发挥了正向调节作用。这表明，对智能终端设备等操作的数字技能使顾客能够快速获取高质量信息、简化购物流程并容易与他人沟通。因此，应增强顾客在新零售平台的数字技术，从而促进积极人机交互感知。
（二） 管理启示
本文的研究拓展了人机交互的研究情境和作用机制。现有研究重视信息管理和计算机科学领域的人机交互设计与应用，但在新零售人机交互领域对顾客心理和行为反应以及企业营销决策的研究相对不足。本研究在新零售情境中对人机交互感知的形成和作用机制进行系统分析，拓展了人机交互的研究情境和内在机制，丰富了人机交互在新零售营销决策中的应用研究。进一步，从媒介丰富度的理论视角明确了人机交互感知在信息丰富度、社会互动需求与顾客采纳行为之间的中介效应，还从信息素养和数字技能两方面进一步检验了在该路径机制中发挥的调节作用，突出了信息素养、数字技能的强化是新零售情境中人机交互感知的形成及促进顾客采纳行为的关键顾客特征，这对于顾客持续参与人机交互提供了一定的理论借鉴。
在管理层面，首先，企业应从信息丰富度和社会互动需求层面提升顾客的人机交互感知。企业需专注于提高线上线下信息的丰富程度，切实增强信息的传达能力和流畅度，积极提供如电子邮件回复和在线客户服务等信息辅助功能。积极满足顾客的社会互动需要，鼓励顾客分享自己的笔记或有趣的内容，并对那些在新产品创意征集、体验或推广活动中活跃度、贡献度较高的顾客进行公开表彰和奖励。另外，有必要利用大数据分析、机器学习等个性化技术，持续挖掘和满足顾客对丰富信息和社会互动的需求。其次，企业应采取积极技术和积极计算方法提升人机交互感知质量，促进顾客采纳行为。在人机交互系统的设计、开发和使用中，应更多考虑顾客的使用价值和沉浸式技术的使用，树立价值驱动的人机交互设计理念。在人机沟通中，应多帮助顾客进行自我展示和促进意想不到的社会参与来培养最佳体验。如利用虚拟现实和增强现实等技术，通过商品信息立体化将实际场景与三维模型结合，为顾客提供涵盖速度、性能和安全性的全方位沉浸购物体验。再次，企业应重视培育顾客在人机交互过程中的信息素养能力。鼓励并提倡共享和交流数据、信息或知识内容等顾客行为，帮助顾客获取、处理、分析和评估网站与商品信息，提升顾客获取网站主流商品信息的能力，以促进全渠道购物行为。对于常规性任务，企业还需保证基本的相应模块，让顾客能轻松地实现购物流程。最后，企业应帮助顾客提升在参与人机交互过程中的数字技能。企业应积极从事顾客教育活动，帮助顾客掌握能胜任线上线下购物活动任务的数字化知识和技能，鼓励顾客花费更多时间参与新零售活动，最终能高质量完成人机交互的购物任务。
（三） 局限性与研究方向
第一，本研究选取新零售情境中的在线购物者作为调查对象并收集相关数据，未来有必要将研究情境拓展至线下并探索店内人机交互的顾客行为的影响机制。第二，本研究采取静态的自我报告式问卷调查法研究新零售人机交互的形成及影响，未来可尝试采用纵向数据深入探讨新零售人机交互的形成及其对顾客采纳行为的动态影响机制。第三，考虑到模型的复杂程度，本研究只从单一维度层面探讨人机交互感知的中介作用，鉴于人机交互感知被细分为感知有用性、趣味性、响应性等次级维度，未来可分析这些次级维度在模型中的具体中介作用及其差异。第四，本研究只考察了信息素养和数字技能在人机交互感知形成过程中的调节机制及边界条件，未来可进一步检验调节聚焦、技术压力、享乐适应等变量在新零售人机交互感知形成中的调节作用机制。
-
表 1 样本描述性统计
人、% 变量 类别 人数 占比 变量 类别 人数 占比 性别 男 174 45.1 个人月收入 3 000元以下 210 54.4 女 212 54.9 3 000~5 000元 85 22.2 年龄 18岁以下 4 1.0 5 001~8 000元 31 0.8 18~26岁 233 60.4 8 001~15 000元 40 10.4 27~35岁 141 36.5 15 000元以上 20 5.2 36~40岁 6 1.6 线上购物年龄 1年以内 10 2.6 40岁以上 2 0.5 1~2年 43 11.1 受教育程度 初中 1 0.3 2~3年 59 15.3 高中或中专 9 2.3 3年以上 274 71.0 大专 149 38.6 从事的职业 个体工商户 2 0.5 大学本科 194 50.3 公司职员 145 37.6 硕士及以上 33 8.5 政府机关或事业单位职工 21 5.5 购物频率 经常 314 81.3 学生 207 53.6 不经常 72 18.7 其他 11 2.8 
下载: 导出CSV
表 2 验证性因子分析结果
变量 测项 因子载荷 信息丰富度
Cronbach's α=0.826
CR=0.832
AVE=0.626该购物网站上的商品信息容易理解 0.906*** 该购物网站上的商品信息客观准确 0.765*** 该购物网站上的商品信息丰富多样(如文字、图片和视频等) 0.687*** 社会互动需求
Cronbach's α=0.786
CR=0.800
AVE=0.580与该购物网站上的其他顾客或员工进行交流和互动让我感到愉快 0.628*** 我喜欢与帮助过我的其他顾客或员工互动 0.670*** 我相信我可以做到和其他顾客或员工的互帮互助 0.947*** 人机交互感知
Cronbach's α=0.911
CR=0.900
AVE=0.528我能方便地通过线上技术与商家进行沟通和交易 0.749*** 该购物网站能让我在服务交流中获益 0.630*** 该购物网站的设置可以满足我个性化的购物需求 0.746*** 该购物网站能使我搜索和获得我真正需要的商品 0.785*** 该购物网站提供的技术很容易操作 0.824*** 使用该购物网站服务的过程清晰易懂 0.848*** 该购物网站对我的请求命令反应很快 0.753*** 该购物网站很快就处理了我提出的问题 0.685*** 信息素养
Cronbach's α=0.871
CR=0.829
AVE=0.549我想要主动获取该购物网站主流的商品信息 0.727*** 我能熟练使用该购物网站的各类信息工具(如买家秀和商品评价) 0.756*** 我能够利用好该购物网站的信息解决问题 0.867*** 我能够对该购物网站的商品信息进行正确的分析和评估 0.824*** 数字技能
Cronbach's α=0.771
CR=0.873
AVE=0.633我能熟练地使用该购物网站的链接分享、导航按钮、菜单和搜索功能 0.933*** 我能熟练地在该购物网站上进行商品管理(如商品收藏) 0.766*** 我经常给他人发送或转发该购物平台的商品信息 0.689*** 顾客采纳行为
Cronbach's α=0.813
CR=0.822
AVE=0.536我会定期使用该购物网站的服务 0.745*** 我会频繁使用该购物网站的服务 0.786*** 我会强烈建议别人使用该购物网站的服务 0.685*** 我打算以后也继续使用该购物网站的服务 0.709*** 注：***表示p < 0.001。表 4同。
下载: 导出CSV
表 3 AVE均方根及潜变量相关系数矩阵
变量 均值 标准差 1 3 4 5 6 7 信息丰富度 5.509 0.976 (0.791) — — — — 社会互动需求 5.168 0.892 0.461 (0.762) — — — 人机交互感知 5.458 1.066 0.664 0.651 (0.727) — — 信息素养 5.528 0.947 0.587 0.567 0.583 (0.741) — 数字技能 5.153 0.979 0.489 0.488 0.612 0.606 (0.796) — 顾客采纳行为 5.085 1.073 0.429 0.490 0.580 0.549 0.561 (0.732) 注：括号内为对应变量的AVE均方根。
下载: 导出CSV
表 4 假设检验结果
假设 具体路径 标准路径系数 t值 结论 H1 信息丰富度→人机交互感知 0.462*** 12.564 支持 H2 信息丰富度→顾客采纳行为 0.258*** 5.336 支持 H3 社会互动需求→人机交互感知 0.438*** 11.895 支持 H4 社会互动需求→顾客采纳行为 0.371*** 7.657 支持 H5 人机交互感知→顾客采纳行为 0.582*** 14.015 支持
下载: 导出CSV
表 5 中介效应的检验结果
效应类型 具体路径 效应值 标准误 t值 p值 95%置信区间CI LLCI ULCI 直接效应 信息丰富度→顾客采纳行为 0.086(ns) 0.061* 1.416 0.158 -0.034 0.206 社会互动需求→顾客采纳行为 0.196 0.054* 3.612 0.000 0.089 0.303 中介效应 信息丰富度→人机交互感知→顾客采纳行为 0.386 0.054* — — 0.289 0.499 社会互动需求→人机交互感知→顾客采纳行为 0.297 0.046* — — 0.212 0.392 注：*为“Boot SE”，ns代表不显著，下表同。
下载: 导出CSV
表 6 信息素养对中介效应的调节分析
变量 效应类型 具体路径 高信息素养 低信息素养 效应值 p值 LLCI ULCI 效应值 p值 LLCI ULCI 信息丰富度 直接效应 信息丰富度→顾客采纳行为 0.090 (ns) 0.150 -0.021 0.223 0.023 (ns) 0.255 -0.044 0.150 中介效应 信息丰富度→人机交互感知→顾客采纳行为 0.451 — 0.329 0.585 0.329 — 0.230 0.460 社会互动需求 直接效应 社会互动需求→顾客采纳行为 0.231 0.000 0.113 0.393 0.097 0.044 0.076 0.119 中介效应 社会互动需求→人机交互感知→顾客采纳行为 0.348 — 0.240 0.466 0.255 — 0.170 0.360
下载: 导出CSV
表 7 数字技能对中介效应的调节分析
变量 效应类型 具体路径 高数字技能 低数字技能 效应值 p值 LLCI ULCI 效应值 p值 LLCI ULCI 信息丰富度 直接效应 信息丰富度→顾客采纳行为 0.092 (ns) 0.098 -0.011 0.153 0.045 (ns) 0.198 -0.032 0.109 中介效应 信息丰富度→人机交互感知→顾客采纳行为 0.459 — 0.337 0.590 0.328 — 0.230 0.451 社会互动需求 直接效应 社会互动需求→顾客采纳行为 0.250 0.000 0.118 0.404 0.089 0.050 0.032 0.111 中介效应 社会互动需求→人机交互感知→顾客采纳行为 0.366 — 0.261 0.478 0.240 — 0.152 0.344
下载: 导出CSV
-
[1] VAN DOORN J M, MENDE S M, NOBLE J, et al. Domo arigato Mr. Roboto: emergence of automated social presence in organizational frontlines and customers' service experiences[J]. Journal of Service Research, 2016, 20(1): 43-58. [2] KO H, ROBERTS M S, CHO C H. Cross-cultural differences in motivations and perceived interactivity: a comparative study of American and Korean internet users[J]. Journal of Current Issues & Research in Advertising, 2006, 28(2): 93-104. [3] ZHAO L, LU Y. Enhancing perceived interactivity through network externalities: an empirical study on micro-blogging service satisfaction and continuance intention[J]. Decision Support Systems, 2012, 53(4): 825-834. doi: 10.1016/j.dss.2012.05.019 [4] LI L, HUANG Q, YEUNG K H, et al. Human-computer interaction and value co-creation in electronic service[J]. Industrial Management & Data Systems, 2018, 118(1): 218-235. [5] MAMONOV S, KOUFARIS M. Fulfillment of higher-order psychological needs through technology: the case of smart thermostats[J]. International Journal of Information Management, 2020, 52: 102091. doi: 10.1016/j.ijinfomgt.2020.102091 [6] SHEN X L, LI Y J, SUN Y, et al. Understanding the role of technology attractiveness in promoting social commerce engagement: moderating effect of personal interest[J]. Information & Management, 2019, 56(2): 294-305. [7] LEE T M. The impact of perceptions of interactivity on customer trust and transaction intentions in mobile commerce[J]. Journal of Electronic Commerce Research, 2005, 6(3): 165-180. [8] YU T K, LIN M L, LIAO Y K. Understanding factors influencing information communication technology adoption behavior: the moderators of information literacy and digital skills[J]. Computers in Human Behavior, 2017, 71(C): 196-208. [9] WU Y, CHANG K, SHA X. Creative performance in the workplace: the roles of Simmelian ties and communication media[J]. Computers in Human Behavior, 2016, 63(C): 575-583. [10] YANG C G, TRIMI S, LEE S G. Effects of telecom service providers' strategic investments on business performance: a comparative study of US-Korea[J]. Industrial Management & Data Systems, 2016, 116(5): 960-977. [11] SONG J H, ZINKHAN G M. Determinants of perceived web site interactivity[J]. Journal of marketing, 2008, 72(2): 99-113. doi: 10.1509/jmkg.72.2.99 [12] DAFT R L, LENGEL R H. Information richness: a new approach to managerial behavior and organizational design[J]. Research in Organizational Behavior, 1984, 11(6): 191-233. [13] FULK J, STEINFIELD C W, SCHMITZ J, et al. A social information processing model of media use in organizations[J]. Communication research, 1987, 14(5): 529-552. doi: 10.1177/009365087014005005 [14] TREVINO L K, LENGEL R H, DAFT R L. Media symbolism, media richness, and media choice in organizations: a symbolic interactionist perspective[J]. Communication Research, 1987, 14(5): 553-574. doi: 10.1177/009365087014005006 [15] DOWNES E J, MCMILLAN S J. Defining interactivity: a qualitative identification of key dimensions[J]. New Media & Society, 2000, 2(2): 157-179. [16] ISHⅡ K, LYONS M M, CARR S A. Revisiting media richness theory for today and future[J]. Human Behavior and Emerging Technologies, 2019, 1(2): 124-131. doi: 10.1002/hbe2.138 [17] WANG J, GUO D, JOU M. A study on the effects of model-based inquiry pedagogy on students' inquiry skills in a virtual physics lab[J]. Computers in Human Behavior, 2015, 49: 658-669. doi: 10.1016/j.chb.2015.01.043 [18] PURDY J M, NYE P, BALAKRISHNAN P V S. The impact of communication media on negotiation outcomes[J]. International Journal of Conflict Management, 2000, 112(2): 162-187. [19] YEN Y S. The interaction effect on customer purchase intention in e-commerce: a comparison between substitute and complement[J]. Asia Pacific Journal of Marketing and Logistics, 2014, 26(3): 472-493. doi: 10.1108/APJML-07-2013-0080 [20] BRUNELLE E. Introducing media richness into an integrated model of consumers' intentions to use online stores in their purchase process[J]. Journal of Internet Commerce, 2009, 8(3-4): 222-245. doi: 10.1080/15332860903467649 [21] HILKEN T, DE RUYTER K, CHYLINSKI M, et al. Augmenting the eye of the beholder: exploring the strategic potential of augmented reality to enhance online service experiences[J]. Journal of the Academy of Marketing Science, 2017, 45(6): 884-905. doi: 10.1007/s11747-017-0541-x [22] LEE S A, LEE M, JEONG M. The role of virtual reality on information sharing and seeking behaviors[J]. Journal of Hospitality and Tourism Management, 2021, 46: 215-223. doi: 10.1016/j.jhtm.2020.12.010 [23] CHOUDHURY V, KARAHANNA E. The relative advantage of electronic channels: a multidimensional view[J]. MIS Quarterly, 2008, 32(1): 179-200. doi: 10.2307/25148833 [24] STEENKAMP J B E M, MAYDEU-OLIVARES A. Stability and change in consumer traits: evidence from a 12-year longitudinal study, 2002-2013[J]. Journal of Marketing Research, 2015, 52(3): 287-308. doi: 10.1509/jmr.13.0592 [25] VAN ROMPAY T J L, KROOSHOOP J, VERHOEVEN J W M, et al. With or without you: interactive effects of retail density and need for affiliation on shopping pleasure and spending[J]. Journal of Business Research, 2012, 65(8): 1126-1131. doi: 10.1016/j.jbusres.2011.08.005 [26] ZHANG P, LI N L. The intellectual development of human-computer interaction research: a critical assessment of the MIS literature (1990-2002)[J]. Journal of the Association for Information Systems, 2005, 6(11): 227-292. doi: 10.17705/1jais.00070 [27] RICE R E. Media appropriateness: using social presence theory to compare traditional and new organizational media[J]. Human Communication Research, 1993, 19(4): 451-484. doi: 10.1111/j.1468-2958.1993.tb00309.x [28] ABUBSHAIT A, WIESE E. You look human, but act like a machine: agent appearance and behavior modulate different aspects of human-robot interaction[J]. Frontiers in Psychology, 2017, 8: 1393. doi: 10.3389/fpsyg.2017.01393 [29] YANG Y, LIU Y, LV X, et al. Anthropomorphism and customers' willingness to use artificial intelligence service agents[J]. Journal of Hospitality Marketing & Management, 2022, 31(1): 1-23. [30] 刘欣, 谢礼珊, 黎冬梅. 旅游服务机器人拟人化对顾客价值共创意愿影响研究[J]. 旅游学刊, 2021(6): 13-26. https://www.cnki.com.cn/Article/CJFDTOTAL-LYXK202106007.htm [31] GOLDHAMMER F, NAUMANN J, KEßEL Y. Assessing individual differences in basic computer skills[J]. European Journal of Psychological Assessment, 2013, 29(4): 263-275. doi: 10.1027/1015-5759/a000153 [32] VAN DEURSEN A J A M, VAN DIJK J A G M, PETER M. Increasing inequalities in what we do online: a longitudinal cross sectional analysis of internet activities among the Dutch population (2010 to 2013) over gender, age, education, and income[J]. Telematics and Informatics, 2015, 32(2): 259-272. doi: 10.1016/j.tele.2014.09.003 [33] MOUSSAWI S, KOUFAIRS M, BENBUNAN-FICH R. How perceptions of intelligence and anthropomorphism affect adoption of personal intelligent agents[J]. Electronic Markets, 2021, 31(2): 343-364. doi: 10.1007/s12525-020-00411-w [34] GOODHUE D L, THOMPSON R L. Task-technology fit and individual performance[J]. MIS Quarterly, 1995, 19(2): 213-233. doi: 10.2307/249689 [35] COOKE-JACKSON A. Urban Communities as locations for health, media literacy and civic voice[M]. Oxford: Chandos Publishing, 2018: 207-222. [36] NIKOU S, BRÄNNBACK M, WIDéN G. The impact of digitalization on literacy: digital immigrants vs. digital natives[C]//In Proceedings of the 27th European Conference on Information Systems (ECIS). Sweden: Stockholm & Uppsala, 2019: 8-14. [37] YESHUA-KATZ D, SHAPIRA S, AHARRONSON-DANIEL L, et al. Matching digital intervention affordances with tasks: the case of a Zoom and WhatsApp mental health intervention for seniors during the COVID-19 pandemic[J]. Health Communication, 2021: 1-13. [38] DAVIS F D, BAGOZZI R P, WARSHAW P R. User acceptance of computer technology: a comparison of two theoretical models[J]. Management Science, 1989, 35(8): 982-1003. doi: 10.1287/mnsc.35.8.982 [39] WU J J, KHAN H A, CHIEN S H, et al. Effect of customization, core self-evaluation, and information richness on trust in online insurance service: intelligent agent as a moderating variable[J]. Asia Pacific Management Review, 2022, 27(1): 18-27. doi: 10.1016/j.apmrv.2021.04.001 期刊类型引用(7)
1. 尹晓龙. 基于影视媒介矩阵中的重现强化年轻一代对非遗感知的研究——以《三泉溪暖》为例. 商展经济. 2025(10): 59-63 . 
百度学术2. 赵晶，陈祥熙，何晶晶，谢志鹏. 智能家居产品感知能动性和社会角色类型对消费者产品态度的影响——基于自我扩展理论. 珞珈管理评论. 2024(01): 170-184 . 百度学术3. 黄艳，曾馨静，李卫东. 高校共青团B站用户情感交互意愿的影响因素研究——以全国85所高校为例. 中国青年社会科学. 2024(04): 69-81 . 百度学术4. 夏志杰，吕柠. 智能系统支持下社交互动对提升公众信息甄别能力的影响研究. 情报资料工作. 2024(05): 41-50 . 百度学术5. 李永发，肖洋，孔恒洋. 数字化时代商业模式与顾客旅程如何带来积极顾客体验——基于NCA与fsQCA混合方法分析. 广东财经大学学报. 2024(05): 23-37 . 本站查看6. 王莹，殷仕淑，周健. 基于区块链技术的新零售效用评价指标构建. 商业经济. 2023(08): 50-55+127 . 百度学术7. 张三保，李坷歆. 连接宏观环境与微观企业行为：营销领域的进展与比较. 珞珈管理评论. 2023(05): 168-197 . 百度学术其他类型引用(11)
-
下载:
点击查看大图
计量
- 文章访问数: 686
- HTML全文浏览量: 258
- PDF下载量: 58
- 被引次数: 18