标有“AI生成”的内容，为什么更难获得点赞？——社交媒体AI披露与消费者参与

研究1：TikTok大规模真实数据

目的：检验TikTok实施AIGC披露政策后，带标签帖子是否获得更少互动。

数据：作者通过TikTok Research API和Apify收集2023年6月至2024年4月约9,837名美国成年创作者的2,220,404条帖子；剔除极端发帖用户后，最终样本1,135,817条帖子、8,650名创作者。TikTok于2023年9月推出AIGC披露政策，平台内AI效果自动加标签，外部AI工具由创作者自行披露。

方法：采用负二项固定效应回归，因变量为点赞数或整体互动（点赞+评论+分享），核心自变量为是否有AIGC披露。关键控制包括浏览量的对数、内容特征（是否有描述、图片/视频、标签数、是否广告）、传播特征（发布时间、评论是否开放、是否可搜索、是否允许二创），并加入创作者固定效应和年月固定效应。作者重点控制了浏览量，因为消费者看不到内容就无法互动，而TikTok算法很大程度上决定了曝光。

结果：描述性统计显示，带有AIGC披露的帖子平均点赞、整体参与度均低于无披露的帖子；披露帖子浏览量也更低。

回归控制浏览量后，AIGC披露仍显著负向预测点赞和整体参与度。

此外，作者进行了异质性分析，按粉丝数分为非网红、纳米网红和微型及以上网红，按政策前浏览量分五组，负向关系仍在多数群体中存在，说明披露政策会影响所有创作者。按图片和视频分类的分别估计仍显示负向显著；比较“至少发布过一条AIGC披露帖子”的创作者与未发者，两者呈现负向显著，且前者政策后点赞更少。

研究2A—2C：排除替代解释，寻找中介机制

研究2A：TikTok视频内容分析

目的：排除“AIGC帖子本身客观质量不同”的解释。

数据：从研究1中抽取200对视频（共400条），每对来自同一创作者，一条带AIGC披露，一条时间最接近第一条帖子且没有披露信息。下载后去掉TikTok界面信息（包括披露标签和互动数据），保留平台水印、音频和原声。该子样本中AIGC披露视频点赞仍更少（b=-0.13，p=.035），说明样本有代表性。

方法：用OpenAI Whisper转写音频，LIWC-22提取语言特征；提取亮度、色彩、锐度、运动强度、场景切换等视觉美学特征；用CLIP生成视频级语义嵌入并与主题标签比较，提取语义结构特征。将这些客观质量特征加入研究1模型。

结果：在不同控制组合下，AIGC披露系数均为负且显著。

研究2B：消费者主观感知

目的：检验主观质量、创造力、AI看法是否能解释参与度差异。

样本：697名大学生（TikTok熟练用户，M_age=19.75，女性占比46.6%）。

设计：参与者观看研究2A的400条视频（不显示AIGC披露），评价整体质量、视频质量、音质、有趣性（4项质量指数），创造力、独特性、独一无二性（3项创造力指数），并判断“是否由生成式AI创建或显著编辑”；每人最多评价10条视频，最终收集了5,277条视频评分。

结果：质量指数与平台互动正相关。原本包含AIGC披露视频的主观质量略低（2.98 vs 3.04，b=-0.06，p=.021），但控制了质量指数后，研究模型显示AIGC披露仍预测了更低的参与度（b=-0.13，p=.042）；创造力差异不显著（2.49 vs 2.55，p=.122）；原无披露视频中8%被多数人认为AI制作，原披露视频中36%被多数人认为AI制作，但“被多数人认为是AI制作”并不独立预测更低参与度（p=.221）。因此，主观质量感知组间差异很小且不能解释披露效应；创造力、AI信念也不支持。

研究2C：评论语言分析

目的：检验质量、人工智能警惕、准社会关系能否解释参与度差异。

数据：从研究1选取粉丝≥1万的创作者帖子爬取评论（评论数非零但低于99百分位）；用TikTok Research API每帖最多收集1,000条评论，共收集约190万条评论，来自56,720条帖子、791名创作者；其中仅1,791条评论来自82条AIGC披露帖子。

方法：利用LIWC-22编码语言、社会、认知、情感类别，标准化后用与研究1模型类似方法分析。

结果：

质量解释：整体语调无差异，积极情绪无差异；负情绪在AIGC帖下反而更少（b=-0.07，p=.004），与“质量差”引发负面情绪的解释相反。

人工智能警惕：风险和道德指标衡量都不显著。

准社会关系：AIGC披露帖子评论中人称代词比例更低（b=-0.11，p=.010），即更多用“它/那个”而非“我/你/她”，心理距离更远；朋友/家庭相关词语指标方向正确但不显著。因此，这一探索性分析不支持质量差异和人工智能警惕的解释，初步支持了准社会关系下降的机制。

研究3：AIGC披露的因果影响

目的：在控制内容完全相同条件下，仅操纵AIGC披露，检验因果。

样本：在Connect平台招募303名被试，剔除异常被试后，最终290人（平均37.44岁，49%女性）。

设计：先看一条无披露参考视频并报告点赞可能性；再看内容完全相同的目标视频，随机分为有/无AIGC披露。目标视频刺激材料部分含人工智能生成内容。测量点赞意愿、五项质量感知、操纵检查。

结果：AIGC组仅57.5%注意到披露，控制组5.6%误认为有披露。披露组点赞意愿边缘更低（4.47 vs 4.90，p=.079，d=.21）；正确识别披露的子样本中效应显著更大（4.06 vs 4.98，p=.002，d=.45）。质量感知无差异（4.70 vs 4.65，p=.693），在正确识别子样本中也无差异。因此，披露本身可降低参与度，但对质量感知没有显著影响。

研究4：披露来源对参与度的影响

目的：检验“平台强制披露”与“创作者自我披露”、以及说明AI只用于非核心元素，能否缓解负效应。

样本：在CloudResearch招募被试600人，进行2（无平台披露vs平台披露）×2（无自我披露vs自我披露）组间实验，最终样本为565人（平均38.78岁，49.6%女性）。

设计：观看图片帖子：日式早餐窗边雪景，雪由AI添加。测量点赞意愿、操纵检查、注意检查。

结果：平台披露主效应显著负向；自我披露主效应也显著；交互显著。仅平台披露组点赞意愿，显著低于无披露组（p<.001）；平台+自我披露组、仅自我披露组，均与仅平台披露组无显著差异。正确识别披露的子样本结果类似。说明自我披露并未缓解负效应，说明AI只用于非核心元素也未缓解。

研究5：中介检验——努力与准社会关系

目的：直接检验“AIGC披露→感知努力下降→准社会关系下降→互动下降”的串行中介，并排除AI厌恶和独特性需求的替代解释。

样本：在Prolific招募503人进行组间实验，剔除不符合要求的样本后最终385人（平均46.9岁，50.1%女性）。

设计：先看无披露信息的参考视频，再看目标视频（完全由AI生成），随机有/无AIGC披露标识。互动测量为“更愿意与哪条视频（参考视频or目标视频）互动”：

并测量6项准社会关系、感知努力、对AI的态度、AI使用频率、独特性需求、操纵检查以及注意力测试。

结果：AIGC组参与度更低（-0.29vs0.30，p=.012，d=.26）；正确注意到披露的子样本效应更大（-0.98vs0.39，p<.001，d=.63）。全样本准社会关系方向上更低但不显著（3.80vs4.01，p=.166）；正确识别披露信息的子样本显著（3.43vs4.01，p=.002）。感知努力显著更低（4.98vs5.90，p<.001），正确识别披露信息的子样本更显著（4.15vs5.91）。PROCESS Model6显示串行间接路径显著（b=-0.13，95%CI[-0.24,-0.05]）：披露降低感知努力，降低准社会关系，进而降低参与度；加入中介后直接效应不显著。对AI的态度、AI使用频率、独特性均不能显著预测因变量。

研究6：传递更多努力的披露能否缓解？

目的：如果机制是感知努力，那么传递创作者使用了“更费力”的AI工具应缓解负效应。Photoshop神经滤镜是AI，但被视为比其他AI更费力的编辑工具（预测试F(1,49)=72.107，p<.001）。

样本：在Prolific招募198人，进行三条件被试内设计（平均38.57岁，53%女性）。

设计：每人看来自三位创作者三组帖子（包含三条历史帖子和一条新发的帖子）：无披露、Photoshop神经滤镜披露、其他AIGC披露。帖子内容与披露类型随机匹配，顺序随机。查看每组帖子后报告对新发布帖子的点赞意愿并测量3个题项的准社会关系；最后进行操纵检查和注意力测试。

结果：披露条件整体显著。其他AIGC披露组点赞意愿显著低于Photoshop披露组（p<.001）；Photoshop组与无披露组无显著差异（p=.303）。准社会关系同上：其他AIGC组低于Photoshop组（p<.001）；Photoshop组与无披露组无显著差异。被试内中介显示准社会关系间接效应显著（b=-0.26，95%CI[-0.38,-0.15]）。加入帖子内容及交互后，仅披露条件显著，内容及交互不显著。说明更费力的AI工具可缓解参与度下降，且由准社会关系解释。