问题提出

既有聊天机器人研究几乎都把「行为意向」当终点，留下两处空白：① 机器人的交互质量怎么变成品牌层面的关系纽带（信任、满意、承诺）？在社交商务里，机器人往往就是品牌唯一的接触点，交互好不好会被直接归因给品牌本身，但这条「交互 → 关系」的链条很少被建模；

② 消费者对机器人行为的伦理评价（它有没有如实报价、有没有保护隐私、有没有夸大其词哄我买）如何影响关系与行为结果？伦理维度在电商网站时代研究过，搬到 AI 机器人上几乎没人做。第三处是模型层面的：UTAUT2 的六个前因在原模型里直连使用意向，中间缺一层「关系」的心理转化机制——用户未必是因为工具好用而续用，而是因为跟品牌的关系变好了才续用。

难点剖析

难点有四：① 两个高阶构念要合法建构——关系质量是「满意 + 信任 + 承诺」三因子的反映型-反映型二阶构念，伦理感知是「履约/可靠 + 安全 + 隐私 + 不欺骗」四因子的二阶构念，都不能当普通一阶变量塞进模型，须按重复指标法处理并单独评估信效度；

② 伦理量表要跨情境移植——原本为在线零售网站验证的四维伦理量表要挪到 AI 机器人上，必须论证功能等价性（两者都展示商品、处理交易、接触个人信息、进行说服性对话），否则构念效度站不住；

③ 便利条件的预期方向有冲突——UTAUT2 传统上把它当正向促成因素，但在社交商务这种低门槛场景里，「条件齐备」可能恰恰意味着品牌没有提供任何额外的关系投入，方向需要数据裁决；

④ 社交商务平台形态混杂（带商业功能的社交媒体 + 带社交功能的电商），样本必须覆盖两类并锁定近六个月内的真实使用经历。

理论脉络

理论地基三块：① UTAUT2（Venkatesh 等 2012）——绩效预期、努力预期、社群影响、便利条件、享乐动机、习惯六前因预测技术采纳与持续使用；本文把六个前因的落点从「使用意向」改成「关系质量」，让技术体验先转成关系，再由关系导向续用；

② 关系质量理论（Liang 等 2011）——满意、信任、承诺三维度构成的品牌关系纽带，是持续使用社交商务平台的关键前因；

③ 消费者伦理理论（Román & Cuestas 2008）——在线零售语境下消费者对网站的伦理评价由履约/可靠、安全、隐私、不欺骗四维度构成，伦理感知会提升对网站的整体信任。本文把伦理理论嫁接到 AI 机器人：机器人已成为消费者体验交易全部伦理维度的第一界面，因此伦理评价的对象从「网站」平移到「机器人」，并同时通向关系与行为两个结果。

理论模型

研究模型（见模型图）：UTAUT2 六个前因为外生变量——绩效预期 PE、努力预期 EE、社群影响 SI、便利条件 FC、享乐动机 HM、习惯 HT，全部指向关系质量 RPQ（二阶构念：满意 + 信任 + 承诺）；另设消费者伦理感知 CEP（二阶构念：履约/可靠 + 安全 + 隐私 + 不欺骗）同时指向关系质量（H7）与持续使用意向 CI（H8）；关系质量再指向持续使用意向（H9）。共九条路径。关键设计是把「关系质量」放在中间层：UTAUT2 的技术体验不再直接换意向，而是先兑换成品牌关系。

研究假设

H1：AI 机器人的绩效预期正向影响消费者与品牌在社交商务平台上的关系质量。 H2：AI 机器人的努力预期正向影响关系质量。 H3：AI 机器人的社群影响正向影响关系质量。 H4：AI 机器人的便利条件正向影响关系质量。 H5：AI 机器人的享乐动机正向影响关系质量。 H6：AI 机器人的使用习惯正向影响关系质量。 H7：消费者对 AI 机器人的伦理感知正向影响关系质量。 H8：消费者对 AI 机器人的伦理感知正向影响其持续使用意向。 H9：与品牌的关系质量正向影响持续使用 AI 机器人的意向。

分析策略

PLS-SEM（SmartPLS 4.0.9.3）两阶段 + 三项补充分析。

① 测量模型：一阶构念看指标载荷、Cronbach‘s α、ρA、组合信度 CR、AVE、HTMT 区分效度；两个二阶构念按 Sarstedt 等 (2019) 的重复指标法单独手工评估信度与收敛效度。

② 结构模型：先查 VIF 共线性（阈值 5），再用 5000 次 bootstrap 重抽样检验路径，报告 β、t 值与 99% 偏差校正置信区间。

③ 补充分析：PLSpredict 样本外预测力（与线性基准 LM 比较 RMSE，报告 Q²_predict）；以 MICOM 三步建立测量不变性后，对性别与使用频次做基于置换的多群组分析 MGA（5000 次置换）。共同方法偏差用 Harman 单因子检验（阈值 50%）与相关矩阵检查。样本量用 G*Power 事前估计（8 个预测变量、双尾、中等效应 15%、α=0.05、power=0.95 → 最少 89 人）。

数据收集

横断面在线问卷调查，通过在线调研社区 Prolific 招募，目标为美国社交商务消费者。四重质量控制：① 筛选题限制为近六个月内在两类社交商务平台（带商业功能的社交媒体：Facebook Marketplace、Instagram Shopping、Pinterest、LinkedIn、YouTube、X；带社交功能的电商：Amazon、eBay、DoorDash 等）上用过 AI 机器人，且覆盖购前—购买—购后全流程；

② 卷首知情同意；

③ 嵌入注意力检验题；

④ 剔除完成度不足 85% 与作答时间过快的样本。合格样本池 59,873 人，290 人提交，剔除 27 份不合格，最终 263 份有效问卷。

研究样本

N=263 名美国社交商务用户。性别：女性 55.4%（144 人）、男性 44.6%（116 人）、非二元 1.1%（3 人）。年龄：25–34 岁 30.0%、35–44 岁 28.9%、18–24 岁 14.4%、45–54 岁 15.6%、55–64 岁 9.5%、65 岁以上 1.5%。学历：四年制大学 30.8%、专业学位 17.5%、部分大学 24.3%、高中 15.6%、两年制 9.1%、博士 1.9%。职业：全职 58.2%、兼职 20.5%、学生 8.7%。年收入分布较均衡（2 万–4 万美元区间占比最高）。机器人使用经验：偶尔使用 73.0%、经常 21.3%、频繁 5.7%；响应速度为「一般」33.5%、略快 23.6%、较快 22.1%；推荐准确性「一般」56.7%、「好」23.2%；处理复杂请求「完全无效」32.3%、「略有效」38.8%。

测量工具

问卷分四段（筛选题 / 机器人使用经历 / 构念题项 / 人口学），全部 7 点李克特（1=完全不同意，7=完全同意），题项均改编自既有量表：PE、EE、SI、FC、HM、HT 取自 Venkatesh 等 (2012) 的 UTAUT2 量表；关系质量为 Liang 等 (2011) 的满意/信任/承诺三因子二阶构念；伦理感知为 Román & Cuestas (2008) 的履约可靠/安全/隐私/不欺骗四因子二阶构念；持续使用意向取自 Bhattacherjee (2001)。测量清洗：FC4 载荷低于 0.708，予以删除。

信效度检验

测量质量：除已删除的 FC4 外，所有题项载荷均超过 0.708；α 0.713–0.962、ρA 0.724–0.962、CR 0.840–0.973，内部一致性达标；AVE 0.614–0.924，聚合效度达标；HTMT 全部低于 0.85，区分效度达标（两个二阶构念按重复指标法手工计算后同样达标）。共同方法偏差：Harman 单因子检验无任何单因子解释超过 50% 的协方差，构念间相关也不算过强；结构模型 VIF 全部低于 5，无共线性。解释力：模型解释关系质量 70.43% 的方差、持续使用意向 47.39% 的方差——关系质量被解释得很充分。样本外预测（PLSpredict）：四个题项的 Q²_predict 均为正（0.4241 / 0.4410 / 0.1558 / 0.3958），且 PLS-SEM 的 RMSE 小于线性基准 LM，模型具备预测相关性。

假设检验

九条路径七条成立，两条被拒（且被拒的方式很有信息量）：

H1 支持：PE → 关系质量，β=0.250（t=4.690，p<0.001，99% CI 0.113–0.385）。

H2 支持：EE → 关系质量，β=0.184（t=3.697，p=0.0003，99% CI 0.065–0.327）。

H3 不支持：SI → 关系质量，β=0.033（t=0.747，p=0.4589，CI −0.082–0.151）——别人推不推荐，跟我和品牌的关系无关。

H4 不支持（显著反向）：FC → 关系质量，β=−0.136（t=2.667，p=0.0007，CI −0.272–−0.009）——资源、知识、兼容性越齐备，关系质量反而越低。

H5 支持（最强的前因路径）：HM → 关系质量，β=0.254（t=4.398，p=0.0002）——好玩比好用更能拉近关系。

H6 支持：HT → 关系质量，β=0.209（t=3.630，p=0.0002）。

H7 支持：CEP → 关系质量，β=0.218（t=4.684，p<0.001）。

H8 支持：CEP → 持续使用意向，β=0.174（t=3.059，p=0.0020）——伦理感知不只走关系这条间接路，还直接推动续用。

H9 支持（全模型最强路径）：关系质量 → 持续使用意向，β=0.574（t=10.374，p<0.001）。

补充：以 MICOM 确认完全测量不变性后做的多群组分析显示，性别与使用频次两组间存在显著差异路径（「频繁使用」组因样本仅 15 人被排除）。

研究结论

最大的看点是两条被拒的假设：① 社群影响完全无效——在社交商务里，用不用机器人、跟品牌关系好不好，取决于我和这个机器人这段交互本身，而不是我身边人怎么看；社交商务的「社交」属性并没有转化为社群规范压力。

② 便利条件是负的——这是全文最反直觉的发现。作者的假设与传统 UTAUT2 一致（条件齐备应该促进关系），但数据显示相反：当设备、网络、知识、兼容性这些条件都不成问题时，机器人交互变成了一种「无摩擦但也无投入」的体验，品牌没有在其中提供任何可见的额外付出，关系反而建立不起来；反倒是条件不那么齐备、需要品牌提供帮助与支持的时刻，才产生关系价值。这与「便利条件在 UTAUT2 里通常是弱预测因子」的既有证据方向一致，只是这次直接翻了符号。

③ 主机制很清楚：技术体验先兑换成关系，关系再兑换成续用（0.574 的最强路径），而伦理感知是唯一同时走关系与行为双通道的变量——机器人讲不讲道德，既让你跟品牌更亲近，也直接让你更愿意继续用它。给业界的提示：别把力气全花在让机器人更顺滑上；把报价、隐私、不夸大这些伦理细节做实，把交互做得有点意思（享乐动机 0.254 是前因里最强的），比堆便利性更能留住人。

研究局限

① 横断面设计——只能谈关联不能谈因果，持续使用意向与实际续用行为之间仍有落差；

② 样本仅美国消费者，作者自己明确说明向其他文化与地理语境外推受限；

③ Prolific 在线样本库的非概率抽样，样本偏年轻、高学历、全职为主；

④ 「频繁使用」组仅 15 人，多群组分析中被排除，使用频次的调节结论稳健性不足；

⑤ 自评量表，虽经 Harman 检验与 VIF 检查，共同方法偏差无法完全排除；

⑥ 伦理感知量表原为在线零售网站验证，虽论证了功能等价性，但 AI 机器人特有的伦理议题（如拟人化诱导、算法歧视）未被覆盖；

⑦ 未报告各构念的均值/标准差与效应量 f²，无法比较各前因的相对解释贡献。

未来展望

跨文化重复检验（尤其集体主义文化下社群影响是否恢复显著）；用纵向或行为日志数据追踪「便利条件 → 关系质量」的负向机制（是「无摩擦即无投入」，还是「条件差时才触发品牌帮扶」）；补 AI 特有的伦理维度（拟人化操纵、算法偏见、情绪诱导）；扩大「频繁使用」组样本重做多群组分析；检验机器人拟人化程度、交互失败与补救（service recovery）如何改变伦理感知；把客观使用行为（留存率、复购率）替代自评意向。

金句

留住用户的不是机器人有多顺手——条件太齐备反而让品牌在关系里缺席；真正管用的是两件事：它讲不讲道德，以及你跟这个品牌的关系好不好。

— 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！