问题提出

生成式AI（文本/图像/视频/代码）正大规模进入旅游营销内容生产，潜力巨大，却也带来公平性、隐私、可持续等伦理隐忧，直接影响各类利益相关者。信任是用户采纳GenAI的咽喉要道，但「负责任的AI原则」到底如何转化为用户信任，此前缺乏严谨的因果检验——尤其是「公平性、环保感知、模糊感、焦虑感」这四类伦理/情绪构念，各自怎样影响信任，仍是黑箱。

难点剖析

难点有三：其一，要把「认知负荷」「个性化推荐」「感知可控性」等操作化为可实验操控的变量；其二，要把公平性、环保感知、模糊感、焦虑感四个构念拆开，分别测其对信任的效应，避免互相混淆；其三，要用两个独立实验+结构方程+调节分析锁定因果，并排除共同方法偏差与自我报告偏误。

理论脉络

理论整合「负责任的AI系统（Responsible AI Systems）」框架与「技术威胁规避理论（TTAT）」。TTAT认为，用户对感到有威胁的新技术会启动规避行为；本研究进一步提出：公平性、可控性等伦理因素是缓解/保护性的，能降低用户的威胁评估。即——当用户觉得AI输出公平、自己能掌控时，即便技术复杂不透明，威胁感也会松弛，从规避转向接纳。

理论模型

提出整合「负责任AI + TTAT」的概念模型（Fig. 模型图）：两个2×2被试间因子情境实验。Study 1 自变量=认知负荷（降低/升高，由手动搜旅游信息的任务难度操控）；Study 2 自变量=个性化推荐（有/无，由旅游网站AI推荐功能操控）。四个中介=感知公平性(PF)、环保感知(EWB)、感知模糊感(PAB)、感知焦虑(PAX)；调节变量=感知可控性(PC)；因变量=对GenAI的信任(Trust)。

研究假设

Study 1（认知负荷为自变量）： H1：认知负荷 → 感知公平性（负） H2：认知负荷 → 环保感知（负） H3：认知负荷 → 感知模糊感（正） H4：认知负荷 → 感知焦虑（正） H5：感知公平性 → 信任（正） H6：环保感知 → 信任（正） H7：感知模糊感 → 信任（负） H8：感知焦虑 → 信任（负） H9a–H9d：感知可控性分别调节 PF/EWB/PAB/PAX → 信任 四条路径。 Study 2（个性化推荐为自变量）镜像重设 H1–H9d，仅把自变量换成「个性化推荐」。

分析策略

两组2×2被试间因子情境实验；结构方程模型（SEM，AMOS）检验主效应与中介，Process（Hayes）检验感知可控性的调节作用。认知负荷通过「手动搜索旅游信息」任务难度操控，个性化推荐通过旅游网站AI推荐有无操控。变量均用7点李克特量表（感知公平性、环保感知、模糊感、焦虑、可控性、信任均改编自既有成熟量表）。先跑CFA验量表效度，再用Harman单因子法检验共同方法偏差。

数据收集

两个独立情境实验，数据均于2024年6–8月在印度收集。Study 1（n=403）：让受试者想象手动搜索旅游信息、体验高/低认知负荷，再评估对GenAI的感知与信任；Study 2（n=379）：让受试者浏览搭载个性化推荐的旅游网站情境，评估四类伦理/情绪感知与信任。两研究均把感知可控性作为调节变量独立操控。

研究样本

Study 1：n=403，印度受访者，千禧一代与Z世代为主，采用分层抽样覆盖印度多个旅游目的地，2024年6–8月收集。Study 2：n=379，印度受访者，情境为旅游网站个性化推荐。两研究均为情境实验，使用筛选题剔除不合格样本。

测量工具

因变量信任及四个中介/调节构念均用7点李克特量表（改编自文献成熟量表）。CFA显示两研究量表质量良好：Study 1 CMIN/df=1.963、RMSEA=0.049、NFI=0.934、CFI=0.966、TLI=0.959；Study 2 测量模型 CMIN/df=1.453、RMSEA=0.035、NFI=0.967、CFI=0.989、TLI=0.987。组合信度CR 0.92–0.97（>0.70），平均变异抽取AVE 0.80–0.86（>0.50），HTMT均<0.90，判别效度达标。

信效度与共同方法偏差检验

（1）量表信效度：两研究CFA拟合优良（S1 CMIN/df=1.963、RMSEA=0.049、CFI=0.966；S2 测量模型 CMIN/df=1.453、RMSEA=0.035、CFI=0.989；S2 结构模型 CMIN/df=2.212、RMSEA=0.057、CFI=0.975）。所有构念 CR 0.92–0.97>0.70、AVE 0.80–0.86>0.50。

（2）判别效度：HTMT 全部 <0.90，AVE 平方根大于潜变量间相关系数，达标。

（3）共同方法偏差：Harman 单因子检验，Study 1 首因子解释方差 23.65%、Study 2 为 39.07%，均远低于 50% 警戒线，无严重共同方法偏差。

假设检验

Study 1（认知负荷为自变量，结构模型见表5）

H1：认知负荷 → 感知公平性（预期负），β=0.185*** → 拒绝（方向相反：负荷越高反而越觉公平）

H2：认知负荷 → 环保感知（预期负），β=0.190*** → 拒绝（方向相反：负荷越高环保感知越强）

H3：认知负荷 → 感知模糊感（预期正），β=0.162**（C.R=2.954）→ 接受

H4：认知负荷 → 感知焦虑（预期正），β=0.191*** → 接受

H5：感知公平性 → 信任（预期正），β=0.294***（C.R=5.347）→ 接受

H6：环保感知 → 信任（预期正），β=0.040（n.s.）→ 拒绝（不显著）

H7：感知模糊感 → 信任（预期负），β=0.084（n.s.）→ 拒绝（不显著）

H8：感知焦虑 → 信任（预期负），β=0.114**（C.R=2.081）→ 拒绝（正显著，方向相反）

Study 1 调节（感知可控性，见表6）

H9a：PF→信任，β=-0.1733, p=0.0025 → 显著调节

H9b：EWB→信任，β=-0.0547, p=0.3222 → 不显著（未调节）

H9c：PAB→信任，β=-0.1145, p=0.0407 → 显著调节

H9d：PAX→信任，β=-0.2435, p=0.0000 → 显著调节

Study 2（个性化推荐为自变量，结构模型见表10）

H1：个性化推荐 → 感知公平性（正），β=0.252***（C.R=4.700）→ 接受

H2：个性化推荐 → 环保感知（正），β=0.304***（C.R=5.811）→ 接受

H3：个性化推荐 → 感知模糊感（正），β=0.359***（C.R=6.882）→ 接受

H4：个性化推荐 → 感知焦虑（正），β=0.350***（C.R=6.742）→ 接受

H5：感知公平性 → 信任（正），β=0.192***（C.R=3.938）→ 接受

H6：环保感知 → 信任（正），β=0.300***（C.R=6.157）→ 接受

H7：感知模糊感 → 信任（预期负），β=0.177***（C.R=3.619）→ 拒绝（正显著，方向相反）

H8：感知焦虑 → 信任（预期负），β=0.150**（C.R=3.074）→ 拒绝（正显著，方向相反）

Study 2 调节（感知可控性，见表11，四组全部显著）

H9a：PF→信任，β=0.2315, p=0.0000 → 显著调节

H9b：EWB→信任，β=0.2202, p=0.0000 → 显著调节

H9c：PAB→信任，β=0.1440, p=0.0034 → 显著调节

H9d：PAX→信任，β=0.1818, p=0.0001 → 显著调节

研究结论

① 感知公平性是驱动GenAI信任的最强、最稳健因素——两个研究一致支持，而环保感知、模糊感、焦虑对信任的「负向」效应均未如假设成立，公平性压倒了它们（印证TTAT的公平启发式）。

② 认知负荷（Study 1）出现「反效果」：负荷越高，用户反而觉得AI越公平、越环保，同时模糊感与焦虑上升；只有模糊感/焦虑按预期升高。说明「降低认知负荷」并不自动换来信任。

③ 个性化推荐（Study 2）同时抬高四类伦理/情绪感知，但只有公平性与环保感知转化为信任；模糊感、焦虑再次「反向」——越高反而信任越高，拒绝原假设。

④ 感知可控性是稳健且显著的调节变量：它缓冲了公平性/模糊感/焦虑 → 信任的路径（Study 2 进一步连环保感知→信任也受调节）。赋权用户、让其「说了算」，是降低焦虑、提升信任的关键杠杆。

⑤ 理论贡献：拓展TTAT，证明伦理因素（公平、可控）是抵御「技术威胁规避」的保护性机制，把伦理设计从边缘推向用户信任评估的核心。

研究局限

1. 采用自我报告量表，受既有GenAI使用经验、社会期望、技术素养等偏误影响。 2. 仅聚焦旅游单一情境，结论向其他GenAI应用领域的外推有限。 3. 样本来自单一文化与地区（印度），公平性/可控性/信任的文化特异性未被检验。 4. 只考察旅游推荐功能，忽略动态个性化、数据隐私保障等 broader 功能，相比电商/教育场景泛化性不足。 5. 仅用实验+回归，缺乏质性（访谈/焦点小组）对用户体验的深层刻画。 6. 横截面设计，无法追踪用户感知随时间的演变。

未来展望

① 跨文化旅游比较研究 + 真实实时AI交互的现场实验。

② 将框架迁移到电商、医疗、保险、银行等场景检验普适性。

③ 用纵向设计追踪信任的演化。

④ 引入质性方法（半结构化访谈/焦点小组）深挖用户痛点。

⑤ 考察LLM、扩散模型、多模态等新一代GenAI模型对用户信心的影响。

⑥ 纳入数据隐私保障、动态个性化等新增构念。

金句

原文：“perceived fairness surpasses environmental considerations in predicting user trust in generative AI”（Singu et al., 2026） 解读：游客信不信AI，公平感说了算——比起「环不环保」，他们更在意「这推荐公不公平、有没有偏袒我」。 原文：“perceived controllability becomes one of the crucial factors in user experience, which defines user belief and trust” 解读：让用户能掌控AI输出（自定义、看得到推荐理由），焦虑降、信任升——「我说了算」比「你替我想」更重要。

— 研究模型图

欢迎关注我的视频号

（❤️会不定期更新AI工具哦❤️）

三连一下，不失联！