问题提出

生成式 AI 正在改写旅行规划的定义：从「帮我查」变成「替我决定」。但既有研究有三处空白：① 文献几乎全在谈 AI 的「功能效用」（好不好用、准不准），没人回答更根本的问题——什么条件下旅行者愿意把决策权交出去？「工具」和「受托人」之间隔着一道更深的评估门槛；

② 负责任 AI 研究（reliable/fair/trustworthy/accountable/transparency）大多停留在技术治理与原则清单层面，没有把它们当作用户实际用来评估 AI 代理的「信号」来检验，更没有检验这些信号在不同委托深度上的差异化作用；

③ 委托本身被当成二值变量（用/不用），而现实中委托是连续统——让 AI 决定「什么重要」（属性集）、让 AI 缩小范围但保留拍板权（备选集）、把最终决定整个交出去（最终决策），三种深度的心理机制并不相同。

难点剖析

难点有四：① 委托要拆成三层分别建模，同一个前因在三层的预期作用不同（可靠性应在最深一层最强、可信性只在最浅一层起作用、问责性全程有效），这意味着 5×3 的假设矩阵而非单一路径；

② 透明度的作用方向存在理论冲突——代理理论说透明降低信息不对称应该促进委托，但委托的动机恰恰是省力，详细解释会重新引入委托想避免的认知加工，两个对立逻辑必须放进同一模型让数据裁决；

③ 五个特征概念相近（HTMT 置信区间较高），区分效度必须用置信区间法严格验证，且作者明确将五者设为一阶构念而非一个高阶「负责任 AI」因子——组态分析中它们以不同组合出现正是支撑；

④ 对称方法（PLS-SEM）与非对称方法（fsQCA）要互补——净效应回答「平均来看谁重要」，组态回答「哪些组合足够导致高/低委托」，两套结论要能互相印证而非打架。

理论脉络

理论地基三块，各管一段：① 代理理论（Eisenhardt）——委托的核心风险是结果不确定、信息不对称、目标错位与监督困难；可靠性对应「表现预期」、透明度对应「过程可理解」、公平性对应「输出无偏」、问责性对应「出错可追责」，四个特征分别化解一类代理风险；

② 信任理论（Mayer 等；Glikson & Woolley）——生成式代理无法像人类代理那样用合同和激励来治理，委托方必须形成关系性判断：「这个代理是否正直、是否为我的利益行事」，这就是可信性（trustworthiness）；

③ 决策委托框架（Aggarwal & Mazumdar）——委托是控制权转移的连续统：属性层（AI 影响「什么重要」的框架）、备选层（AI 缩小范围、人保留拍板）、最终决策层（控制转移最彻底、后果最不可逆）。三层整合起来才是完整的委托问题：代理理论给出风险清单，信任理论补充关系判断，委托框架指明每种信号在哪一层起作用。

理论模型

研究模型（见模型图）：五个负责任 AI 特征作为自变量——可靠性 REL（系统准确、稳定、可预期）、公平性 FAIR（输出无偏见、对不同用户一视同仁）、可信性 TRW（正直、为用户利益行事）、问责性 ACC（决策结果可追责、有救济渠道）、透明度 TRANS（决策过程与逻辑可理解）；三个因变量为三层委托意愿——属性集委托 DDA、备选集委托 DDC、最终决策委托 DDF，构成 5×3 的假设矩阵。另有组态模型（fsQCA）：五个特征的不同组合作为通往高/低委托的充分路径，体现「殊途同归」（equifinality）与因果不对称。

研究假设

H1：可靠性正向影响三层委托意愿（H1a 属性集；H1b 备选集；H1c 最终决策）。 H2：公平性正向影响三层委托意愿（H2a/H2b/H2c）。 H3：可信性正向影响三层委托意愿（H3a/H3b/H3c）。 H4：问责性正向影响三层委托意愿（H4a/H4b/H4c）。 H5：透明度正向影响三层委托意愿（H5a/H5b/H5c）。 共 15 条假设，构成「5 特征 × 3 委托层级」矩阵。

分析策略

多方法设计（multi-method）。

① PLS-SEM（SmartPLS 4）：测量模型看 CR（>0.7）、rho_A（>0.7）、AVE（>0.5）；区分效度用 HTMT 置信区间法——1 不落在置信区间上下界内即表明 HTMT 显著小于 1；假设检验报告直接效应、p 值与偏差校正 95% 置信区间；报告三层的 R²。

② fsQCA（fs/QCA 4.0）：校准锚点 完全隶属=5、交叉点=3、完全非隶属=1；充分性分析一致性阈值 0.8、覆盖率阈值 0.2；必要性分析阈值 0.9；分别对三层委托的高低两种结果做组态分析。对称与非对称两种逻辑互补：前者管净效应，后者管条件组合与殊途同归。

数据收集

Qualtrics 在线问卷，通过澳大利亚样本服务商 Pureprofile 招募。选澳大利亚的原因：该国是生成式 AI 使用率与成熟度的全球领跑者之一。筛选题确保受访者此前确曾把旅行决策委托给过生成式 AI，并测量使用频率以确认熟悉度；问卷内嵌多处验证题与注意力检验题。最终获得 421 份有效问卷。

研究样本

N=421 名澳大利亚旅行者（均为有生成式 AI 旅行规划使用经验的样本库成员；人口学细分见论文正文表格）。分析单位为个体旅行者对其所用 GenAI 代理的感知评估。

测量工具

全部构念改编自既有量表并按 GenAI 旅行情境微调措辞，统一 7 点李克特（1=完全不同意，7=完全同意）：三层委托各 3 题，改编自 Aggarwal & Mazumdar (2008) 的三层委托概念化；可靠性改编自 Vössing 等 (2022)；公平性改编自 Shin、Zhong & Biocca (2020)；问责性与透明度改编自 Gupta 等 (2023)；可信性改编自 Dennis、Lakhiwal & Sachdeva (2023)。测量清洗：TRW2 载荷仅 0.226，予以删除；FAIR2（0.487）与 ACC3（0.470）偏低但高于 0.40 最低线，为保留内容效度而保留。

信效度检验

测量质量：八构念 CR 0.773–0.948、rho_A 0.731–0.939、AVE 0.546–0.842，全部达标；HTMT 置信区间法确认区分效度（所有构念对的 HTMT 区间不含 1）。解释力：三层委托的 R² 分别为 0.322（属性集）、0.330（备选集）、0.348（最终决策）——三个层级被解释的方差相近，说明同一组信号在不同深度上的作用机制是「梯度变化」而非「本质不同」。假设盘点：15 条中 7 条成立（H1a/b/c、H3a、H4a/b/c），透明度三条因方向与假设相反而判「不支持」，公平性三条全部不显著，可信性两条不显著。

假设检验

5×3 假设矩阵的完整结果（PLS-SEM，偏差校正 95% CI）：

可靠性 REL——三层全胜且随委托深度递增：H1a 支持 β=0.348（p<0.01）；H1b 支持 β=0.381（p<0.01）；H1c 支持 β=0.451（p<0.01，全模型最强路径）。结果不确定性最大的最终决策层，最吃「可靠性」。

公平性 FAIR——三层全军覆没：H2a β=−0.014（p=0.419）、H2b β=0.018（p=0.403）、H2c β=−0.029（p=0.341），全部不显著。用户并不用「公平」来决定是否托付。

可信性 TRW——阈值型条件：H3a 支持 β=0.126（p<0.05）仅在属性层显著；H3b β=0.087（p=0.103）、H3c β=0.066（p=0.163）不显著。只有决定「让不让 AI 定义问题」时才看它。

问责性 ACC——三层全胜且效应稳定：H4a β=0.190（p<0.01）、H4b β=0.177（p<0.01）、H4c β=0.174（p<0.01）。只要有控制权转移，就需要「出错有人管」的保障。

透明度 TRANS——三条全部反向显著（H5 假设被拒）：H5a β=−0.131（p<0.05）、H5b β=−0.156（p<0.01）、H5c β=−0.158（p<0.01，负得最深）。解释越充分，委托意愿越低——透明度悖论在三个层级全部成立，且在最不可逆的最终决策层最强。

fsQCA 组态补充：高属性集委托有 6 条充分组态（解覆盖率 0.687、一致性 0.703），高备选集 5 条，而通往高最终决策委托的组态只有唯一一条：REL × FAIR × TRW × ~TRANS——高可靠 + 高公平 + 高可信 + 低透明。低委托的组态也多为「可靠/可信/公平的缺失」与「高透明」的组合（如 ~TRW×ACC×TRANS）。必要性分析未发现任何必要条件。组态结论与净效应互相咬合：可靠性、可信性是组态常客，透明度在高委托组态里一致缺席或以否定形式出现。

研究结论

核心发现是「信号的层级分工」：可靠性是全程发动机（且越深越强，β 从 0.348 爬到 0.451），问责性是全程压舱石（0.174–0.190 几乎恒定），可信性只是属性层的门槛条件，公平性根本不在评估清单里，而透明度是唯一全程为负的信号。透明度悖论的机制：旅行者委托的本意就是省认知力气，而详细的算法解释恰恰要求他们重新做功课——加工流畅性研究表明费力的信息会降低决策信心，有限理性也意味着超过阈值的信息不再提升决策质量，只会消耗它。三层假设矩阵的价值在于它否定了「一个特征处处重要」的朴素预期：委托不是单点决定，而是控制权逐步移交的过程，每一步的主导风险不同，回应风险的信号也就不同。对实践的含义很直接：AI 产品方与其堆砌解释面板，不如把力气花在可靠性证据与问责机制上；政策方要补的不是更多披露，而是清晰的追责与救济渠道——那才是用户敢把最终决定交出去的前提。

研究局限

① 横断面自评数据——只能谈关联，委托意愿不等于实际委托行为；

② 单一国家样本（澳大利亚），且仅限有 GenAI 旅行使用经验的用户——透明度悖论在低 AI 熟悉度人群、高风险决策场景或其他文化中的表现可能不同；

③ 感知测量——五个特征测的是用户对代理的判断而非系统的技术属性或治理安排，与客观指标（实际准确率、真实披露程度）之间的落差未检验；

④ 五特征之外的负责任 AI 维度（隐私、安全、人类监督）被界定为监管层或部署层因素而排除在域外，模型完整性受此边界限定；

⑤ 可解释性被并入透明度处理，未单独立构念；

⑥ 组态分析的一致性解总体偏低（高 DDA 解一致性 0.703），且未发现必要条件，组态结论应视为与净效应一致而非独立证据。

未来展望

跨文化重复检验透明度悖论（高不确定性规避文化是否更强）；用行为实验区分「披露量」与「披露形式」——递进式/可选式解释是否比一次性全披露更能化解认知负担；把委托从意愿推到行为（真实任务中的授权比例）；检验决策风险类型（金钱损失 vs 隐私暴露 vs 时间浪费）是否调节透明度的负效应；纳入隐私、安全、人类监督等被排除的维度做完整模型；追踪委托关系随时间与信任演化的动态变化。

金句

用户把决定交给 AI，买的是省心不是听课——可靠性让人放心，问责性让人有底，而过度透明的解释，恰恰把委托想省掉的那份认知负担又塞了回来。

— 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！