基于C-A-C的生成式AI用戶間歇性中輟行為研究

關鍵詞：生成式AI；間歇性中輟；C-A-C;認知失調(diào)：情感承諾

人工智能（Artificial Intelligence，AI）技術(shù)的快速發(fā)展正在深刻地重塑人們的思維方式與認知結(jié)構(gòu)，并持續(xù)推動傳統(tǒng)產(chǎn)業(yè)格局的革新轉(zhuǎn)型。2022年，ChatGPT的爆發(fā)性流行讓生成式AI成為了公眾關注焦點。在此背景下，國內(nèi)外涌現(xiàn)了眾多各具特色的生成式AI產(chǎn)品，如文心一言、通義千問等。這類AI的核心原理在于運用算法、模型以及規(guī)則從數(shù)據(jù)中學習對象特征，并基于此創(chuàng)造與原始資料相似卻又新穎的產(chǎn)品或內(nèi)容。不同于以往專注于信息提煉和有限預測的“分析型AI”或“決策型AI”，生成式AI具備創(chuàng)新性地生成與訓練樣本顯著不同的全新內(nèi)容的能力。生成式AI的應用場景日益豐富和多元化，并已在內(nèi)容創(chuàng)作、個性化推薦、虛擬助手和信息檢索等領域展現(xiàn)出廣泛的應用潛力與價值。

但與此同時，隨著生成式AI深入日常生活應用，用戶對虛假信息、隱私風險等方面的擔憂也日漸增長，并導致其消極行為，如間歇性中輟，即用戶在使用平臺的過程中出現(xiàn)周期性或非連續(xù)性的使用減少直至暫時棄用的現(xiàn)象。間歇性中輟可能導致用戶流失，影響生成式AI獲取持續(xù)競爭優(yōu)勢?，F(xiàn)有研究主要關注生成式AI用戶的積極行為，如采納和持續(xù)使用，較少關注消極行為，如生成式AI用戶間歇性中輟行為?；诖耍疚膶恼J知一情感一意愿（Cognition-Affect-Conation，C-A-C）視角，考察影響生成式AI用戶間歇性中輟的“使能”與“抑制”因素。使能因素包括隱私擔憂、信息幻覺、認知失調(diào)；抑制因素包括智能化、擬人化、個性化、情感承諾。研究結(jié)果將揭示生成式AI用戶間歇性中輟行為的成因，并為生成式AI提供決策借鑒和參考，從而采取有效措施來抑制用戶間歇性中輟，實現(xiàn)用戶保持，獲取競爭優(yōu)勢。

1文獻綜述

1.1生成式AI用戶行為

生成式AI的快速發(fā)展與廣泛應用引發(fā)了學術(shù)界對用戶行為的關注。作為新興技術(shù)，生成式AI用戶的采納和使用是確保其成功的首要一步，這也是已有研究的重心。表1列出了關于生成式AI用戶行為的代表性文獻。從表2可以發(fā)現(xiàn)，已有研究主要關注用戶對生成式AI的采納和持續(xù)使用，相應的理論基礎包括技術(shù)采納與使用整合模型（UTAUT）、刺激一組織一響應（SOR）、任務技術(shù)匹配（TTF）、人工智能設備使用采納（AIDUA）模型等，發(fā)現(xiàn)了績效期望、努力期望、信息質(zhì)量等因素對用戶行為的作用，但較少關注用戶的消極行為，如間歇性中輟。因此，有必要研究生成式AI用戶間歇性中輟的成因，從而采取措施抑制其中輟行為，實現(xiàn)用戶保持。

1.2間歇性中輟

中輟反映了一種采納后行為，是指用戶在先前采用了某種創(chuàng)新并且使用了一段時間之后，又決定拒絕或中止使用該創(chuàng)新的一種消極使用行為。隨著對該現(xiàn)象的深入研究，有學者發(fā)現(xiàn)用戶的決策并非一成不變的，關注到用戶在中止使用某項技術(shù)后仍會重新采納的現(xiàn)象。因此，研究人員將“中輟”概念延伸為“間歇性中輟”，即用戶在采納某種創(chuàng)新后，在一段時間內(nèi)中止使用或降低使用頻率，但后來又再次使用或恢復正常使用頻率，并可能反復循環(huán)這個過程。由此可見，間歇性中輟行為并不意味著徹底地放棄使用，而是一種動態(tài)的“中止一恢復”的過程。

已有文獻考察了社交網(wǎng)絡、短視頻、智能健康硬件等背景下的間歇性中輟行為，表2列出了一些代表性文獻。這些文獻采用的理論基礎包括社會比較理論、理性行為理論、SOR、壓力一應對一結(jié)果（SSO）模型等，發(fā)現(xiàn)了負面情感，如倦怠、疲勞、不滿意等對間歇性中輟的作用。從表2可以發(fā)現(xiàn)，已有文獻聚焦于社交媒體用戶間歇性中輟行為，較少考察作為新興應用的生成式AI用戶的間歇性中輟行為。此外，已有文獻主要關注負面情感對間歇性中輟行為的“使能”影響，較少考察“抑制”間歇性中輟行為的因素?；诖?，本文將綜合考察使能因素和抑制因素對生成式AI用戶間歇性中輟行為的影響。

2研究模型和假設

2.1C-A-C

認知一情感一意愿（C-A-C）認為個體行為決策包括認知、情感和意愿三大構(gòu)成要素。認知體現(xiàn)在對事物本質(zhì)的理解與解析，比如解讀信息的實際含義：情感則是在認知基礎上對事物所產(chǎn)生的主觀情緒反應，如對信息的好惡感受；意愿則作為橋梁連接認知、情感與實際行動，表征行為的潛在動機，如行為意向。C-A-C在信息系統(tǒng)用戶行為研究中得到了廣泛應用，包括對健康類應用程序的接受、消費者對VR的購買意愿、社交媒體用戶信息規(guī)避、社交媒體用戶倦怠行為等。C-A-C為了解用戶的行為決策過程提供了一個有用的視角。因此，本文將從C-A-C視角考察生成式AI用戶間歇性中輟行為，研究結(jié)果將揭示生成式AI用戶間歇性中輟行為的內(nèi)在形成機理。

基于C-A-C，本文從“使能因素”與“抑制因素”視角考察了生成式AI用戶間歇性中輟行為。使能因素包括隱私擔憂、信息幻覺、認知失調(diào)，抑制因素包括智能化、擬人化、個性化、情感承諾。其中，認知失調(diào)和情感承諾是情感因素，其他因素是認知因素。隱私擔憂反映了用戶對個人隱私數(shù)據(jù)可能被不恰當?shù)厥褂没蛐孤兜膽n慮，信息幻覺指生成式AI可能提供虛構(gòu)、誤導性信息。智能化、擬人化、個性化分別反映了用戶對生成式AI技術(shù)專業(yè)性、類人特征水平以及個性化需求滿足能力的認知評價。認知失調(diào)反映了用戶對生成式AI的期望和實際感受之間的差距，情感承諾反映了用戶與生成式AI的情感聯(lián)系，如依戀、認同等。研究模型如圖1所示。

2.2隱私擔憂

隱私擔憂是指個人在披露個人數(shù)據(jù)時對其信息保密性的擔憂。生成式AI通常需要大量數(shù)據(jù)進行訓練以優(yōu)化其性能和提高準確性，這些數(shù)據(jù)可能包括用戶的個人資料、搜索歷史、對話記錄等隱私信息。大模型內(nèi)部工作原理對于普通用戶來說相對復雜且不透明，用戶不清楚他們的數(shù)據(jù)如何被處理以及是否有可能被泄露。此外，生成式AI模型具有強大的上下文理解和記憶能力，可能在后續(xù)交互中“回憶”起以前的對話內(nèi)容，這可能導致存儲在模型中的個人信息在未經(jīng)授權(quán)的情況下被復現(xiàn)或濫用。

隱私擔憂表明用戶在享受AI帶來的便利性的同時，可能會犧牲個人信息隱私。因此，用戶內(nèi)心產(chǎn)生了一種認知沖突：他們既希望利用AI的強大功能，又擔心這樣做將引發(fā)隱私風險，即“隱私悖論”。這種內(nèi)在的沖突加劇了用戶的認知失調(diào)程度，促使他們在繼續(xù)使用AI與保護個人隱私之間權(quán)衡，可能導致一系列的行為調(diào)整，如減少使用頻率、尋求更安全的替代方案或重新評估對AI的信任度。陳昊等發(fā)現(xiàn)，社交媒體用戶的隱私關注會引發(fā)負向情感響應，進而影響其持續(xù)使用意愿，MenonD等認為隱私關注影響用戶對ChatGPT的使用。因此，本文提出以下假設：

H1：隱私擔憂正向影響用戶的認知失調(diào)

2.3信息幻覺

信息幻覺是指大模型在未基于真實數(shù)據(jù)的情況下，通過對其訓練數(shù)據(jù)的不合理外推或創(chuàng)造性解釋所生成的低質(zhì)量內(nèi)容，包括看似合理實則無意義、超現(xiàn)實甚至幻想性的圖像、文本、聲音或視頻內(nèi)容。如果生成式AI提供了虛假或不真實信息，用戶可能會基于錯誤的信息形成決策或信念，當發(fā)現(xiàn)真相時，其行為或信念與新的信息之間就可能產(chǎn)生矛盾，導致用戶感到不安、困惑或焦慮，從而產(chǎn)生認知失調(diào)。前后相互矛盾或含糊不清的信息會導致用戶在理解和判斷上出現(xiàn)困擾，尤其是在面臨重要決策日寸，這種情況會增加認知失調(diào)的可能性。若用戶發(fā)現(xiàn)生成式AI存在信息幻覺，其對所獲取信息的信任感也會下降，這與其對AIGC的預期相悖，進一步加重認知失調(diào)。張皓翔發(fā)現(xiàn)，在社會化問答社區(qū)中，信息質(zhì)量和信息需求引發(fā)信息與需求不匹配的沖突，導致用戶的認知失調(diào)和信息規(guī)避行為。因此，本文提出以下假設：

H2：信息幻覺正向影響用戶的認知失調(diào)

2.4智能化

智能化作為人工智能的核心特征，指AI系統(tǒng)所展現(xiàn)的專業(yè)技能、知識底蘊等。Moussawi S等將智能化定義為用戶感知到的人工智能行為的有效性、自主性和自然語言處理與生成能力。當生成式AI能夠理解用戶需求、自主響應并高效完成任務時，用戶可能認為其具備智能特性并產(chǎn)生較高程度的信任。在實際應用中，智能化的生成式AI通過自動處理大量數(shù)據(jù)和復雜任務，顯著提升了工作效率，減輕了用戶的負擔。這種便捷性和效率的提升往往促使用戶對其產(chǎn)生依賴，并逐步深化情感連接。研究表明，用戶在與AI互動的過程中，能夠建立起類似與人類交往般的親密感和積極熱情，進而促進用戶的承諾和長期使用行為。

隨著機器學習技術(shù)的進步，智能化AI還展現(xiàn)出自我學習和持續(xù)優(yōu)化的能力，意味著其服務質(zhì)量和適應性會隨時間不斷提高，從而讓用戶感到自身需求得到了充分理解和回應，進一步強化了情感聯(lián)系。Rafiq F等的研究顯示，AI聊天機器人的智能性影響用戶認知態(tài)度和情感態(tài)度，進而影響采納意向。Moussawi S等的研究發(fā)現(xiàn)，智能性影響用戶對個人智能代理的有用性、易用性感知和初始信任。高度智能化AI將超越用戶預期，創(chuàng)造出新穎的內(nèi)容和靈感火花，其創(chuàng)新能力帶來的驚喜體驗會進一步激發(fā)用戶的情感投入與長期承諾。因此，本文提出以下假設：

H3：智能化正向影響用戶的情感承諾

2.5擬人化

擬人化指的是賦予機器人等非生物實體以人類的特征表現(xiàn)，如仿人類的外觀和情感行為模擬。擬人化設計在生成式AI中扮演了關鍵角色，它通過賦予AI系統(tǒng)更加人性化的特征和交互方式來滿足用戶的社會需求，增強了用戶與技術(shù)之間的情感紐帶。當AI能夠模擬人類的對話習慣、情緒反應、個性特質(zhì)時，用戶更易產(chǎn)生如同與真人交流的真實體驗感，并由此激發(fā)共情反應，進而可能對AI系統(tǒng)形成情感認同和信任。已有研究表明，聲控AI設備的擬人化程度影響用戶對其產(chǎn)生的情感依戀程度。Zhang A D等發(fā)現(xiàn)，在智能家居情境下，擬人化水平以及社會角色設定影響用戶的情感依戀、信息披露傾向及滿意度。此外，擬人化產(chǎn)品由于類人特征帶來的親切感和熟悉感，使得它們能被用戶自然接納并建立信任關系，在互動過程中往往能夠引發(fā)積極的情緒反應，如愉悅感和滿足感，從而刺激用戶的探索欲望和興趣，進一步提升用戶對AI的忠誠度。Moussawi S等也證實了個人智能代理的擬人化特性對提升用戶感知愉悅具有顯著作用。因此，本文提出以下假設：

H4：擬人化正向影響用戶的情感承諾

2.6個性化

個性化指的是基于用戶的獨特需求與偏好而定制服務的過程，對于滿足用戶在自我表達、效率提升及所有權(quán)感知等層面的訴求至關重要。生成式AI通過學習和理解用戶的偏好、行為模式及情感反應，能夠提供高度精準且定制化的體驗和服務。例如，生成式AI平臺Midjourney可以根據(jù)用戶提供的文本描述創(chuàng)建具有個人特色的藝術(shù)作品或圖像，此類深度個性化的互動體驗會增加用戶對平臺的認同感和依賴度，提升情感承諾。Choi N發(fā)現(xiàn)，個性化對建立用戶依戀具有顯著作用。此外，Sheng H等也證實，個性化設計對用戶形成情感依戀以及功能依戀具有顯著作用。當用戶感知到生成式AI的獨特價值和個性化關懷時，會更傾向于將其融入日常生活，并由此建立起深厚的情感紐帶，進而發(fā)展為強烈的情感承諾。因此，本文提出以下假設：

H5：個性化正向影響用戶的情感承諾

2.7認知失調(diào)

認知失調(diào)理論認為，個體在意識到自身態(tài)度內(nèi)在的不一致性或行為與態(tài)度間的矛盾關系時，會本能地體驗到心理不適，并傾向于采取措施來緩解這種沖突狀態(tài)。生成式AI用戶可能一方面認可并享受AI帶來的便利和效率提升，另一方面又擔憂其個人數(shù)據(jù)的安全性和隱私權(quán)受到侵犯。此外，生成式AI有時會輸出看似合理實則虛假或誤導性的內(nèi)容，期望與實際體驗之間的差距導致用戶對其功能性和可靠性產(chǎn)生懷疑，這種內(nèi)在的不一致性導致了認知失調(diào)狀態(tài)。面對認知失調(diào)的壓力，用戶可能采取緩解策略，其中之一就是選擇間歇性地中止或減少使用生成式AI。這種間歇性中輟可以理解為用戶試圖通過暫時遠離AI來減輕由于認知沖突所帶來的壓力，并可能在此期間尋求自我價值確認、重構(gòu)對AI技術(shù)的認知或調(diào)整自己的使用方式。已有研究發(fā)現(xiàn)，認知失調(diào)會導致社會化商務用戶產(chǎn)生潛水、抱怨和間斷使用等消極使用行為，誘發(fā)社會化問答社區(qū)用戶信息規(guī)避行為，影響短視頻社交媒體用戶不持續(xù)使用意向。因此，本文提出以下假設：

H6：認知失調(diào)正向影響用戶的間歇性中輟行為

2.8情感承諾

承諾理論在組織行為學中指的是組織成員持續(xù)忠誠于組織的意愿。在生成式AI情境下，情感承諾反映了用戶維持關系的意愿，包括對生成式AI的認同和依戀。例如，自媒體創(chuàng)作者可能會運用生成式AI來構(gòu)建文章結(jié)構(gòu)或啟發(fā)創(chuàng)新思維。當他們觀察到此類工具能夠?qū)嵸|(zhì)性地提升創(chuàng)作效率，并助力產(chǎn)出更多優(yōu)質(zhì)內(nèi)容時，他們會認同生成式AI的價值，并形成情感上的依賴與承諾。情感依戀等積極情緒會促使用戶在遇到問題時表現(xiàn)出更高的容忍度與耐心，愿意克服困難并持續(xù)使用服務，從而降低了間歇性中輟的可能性。已有研究表明，情感承諾能有效降低用戶的間歇性中輟行為傾向。因此，本文提出以下假設：

H7：情感承諾負向影響用戶的間歇性中輟行為

3研究設計

研究模型共包括8個變量，每個變量通過3～4項指標進行測量。這些指標選取自國內(nèi)外文獻中驗證過的成熟量表，以增強量表在內(nèi)容層面的有效性。問卷設計過程中，運用了翻譯與反向翻譯技術(shù)確保其準確無誤。研究邀請了15名活躍的生成式AI用戶參與預測試，并根據(jù)他們的反饋意見，對部分指標進行了調(diào)整優(yōu)化。最終的測量指標及其文獻來源如表3所示。

調(diào)查問卷設計與發(fā)放借助在線問卷平臺完成，并通過社交媒體以二維碼和鏈接的形式分發(fā)給目標用戶群體。經(jīng)過篩選排除了填寫時間過短或未曾使用過生成式AI的無效問卷后，最終收集到有效問卷405份。在性別分布上，男性為44.9%，女性為55.1%：78.5%的受訪者年齡位于40歲以下：60%的受訪者擁有本科及以上學歷背景。使用經(jīng)驗方面，76.8%的受訪者使用過國內(nèi)諸如文心一言、通義千問等產(chǎn)品，75.1%的受訪者使用過ChatGPT、NewBeing等國外生成式AI產(chǎn)品。使用頻率方面，11.4%的受訪者每日使用生成式AI，38%的受訪者表示他們的使用頻率為每隔幾天使用1次。

4數(shù)據(jù)分析

4.1結(jié)構(gòu)方程模型（SEM）

4.1.1信效度檢驗

采用SPSS 25.0和AMOS 21.0對測量模型進行分析，以檢驗量表的信度與效度。根據(jù)表4的數(shù)據(jù)，各變量的Alpha系數(shù)介于0.778～0.910之間，均超過了0.70的閾值，顯示了較好的內(nèi)部一致性。同時，各CR值位于0.776～0.912之間，且所有因子載荷均大于0.70，AVE也都高于0.50的閾值，顯示量表具有良好的收斂效度。此外，如表5所示，各變量的AVE平方根值均顯著大于該變量與其他變量間的相關系數(shù)，顯示較好的區(qū)分效度。

4.1.2假設檢驗

采用AMOS 21.0對結(jié)構(gòu)模型進行分析，計算模型中各變量間的路徑系數(shù)并進行假設檢驗。圖2顯示各假設均得到支持。表6列出了模型擬合結(jié)果，所有擬合指數(shù)的實際值均優(yōu)于推薦閾值，表明該模型整體具有良好的擬合優(yōu)度。

4.2模糊集定性比較分析（fsQCA）

傳統(tǒng)的回歸分析認為自變量之間是相互獨立的，所以SEM在探究自變量對因變量的邊際“凈效應”時雖有其價值，卻難以解決前因變量間潛在的相互關聯(lián)性及非對稱因果關系難題。而fsQCA方法借鑒整體論與集合論原理，有效應對了此類問題。該方法考察了由多個條件變量構(gòu)成的組態(tài)對結(jié)果變量的影響，能夠揭示變量之間的復雜因果關系。因此，本文采用fsQCA方法，研究導致生成式AI用戶間歇性中輟的組態(tài)。

4.2.1變量的選取與校準

本文選取7個前因變量，即隱私擔憂、信息幻覺、智能化、擬人化、個性化、認知失調(diào)及情感承諾，將生成式AI用戶的間歇性中輟設定為研究的結(jié)果變量。對所有變量值進行平均處理，隨后遵循Ragin C C提出的完全不隸屬閾值5%、完全隸屬閾值95%以及交叉點標準50%，采用Calibrate函數(shù)對各個變量逐一實施數(shù)據(jù)校準。完成數(shù)據(jù)校準后，進一步進行了必要性條件分析。結(jié)果表明，各個前因變量單獨作為結(jié)果變量的必要條件時，其一致性水平均未達到0.9。這意味著沒有任何一個單一的前因變量是引致生成式AI用戶間歇性中輟行為的必要條件。因此，需要進一步采用組態(tài)分析來考察生成式AI用戶間歇性中輟行為。

4.2.2組態(tài)分析

在實施fsQCA分析時，首先構(gòu)建了一張包含27（128）種可能條件組合的初始真值表，每行代表一個特定的條件搭配隋景。結(jié)合樣本的實際分布特征，本文將案例頻數(shù)的可接受閾值設定為7，一致性閾值設定為0.8，PRI閾值設為0.7。表7展示了組態(tài)分析結(jié)果。其中，●表示核心條件存在，O表示核心條件缺失，表不輔助條件存在。

路徑1為“隱私擔憂*信息幻覺*智能化*擬人化*個性化*認知失調(diào)*～情感承諾”，其中，隱私擔憂和信息幻覺作為核心條件存在，智能化、擬人化、個性化和認知失調(diào)作為輔助條件存在，而情感承諾作為核心條件缺失。路徑1揭示，在用戶對生成式AI具有高度隱私擔憂且信息幻覺及認知失調(diào)處于較高水平時，也就是使能因素處于較高值的情況下，即使包括智能化、擬人化和個性化在內(nèi)的抑制因素水平較高，若情感承諾較低，則用戶極可能表現(xiàn)出間歇性中輟的行為，從而突顯出情感承諾在抑制間歇性中輟上的重要作用。

路徑2為“～隱私擔憂*信息幻覺*智能化*擬人化*個性化*認知失調(diào)*情感承諾”，其中，隱私擔憂作為核心條件缺失，信息幻覺和認知失調(diào)作為核心條件存在，而智能化、擬人化、個性化和情感承諾作為輔助條件存在。路徑2表明，在隱私擔憂較輕的用戶群體中，盡管使能因素（信息幻覺和認知失調(diào)）和抑制因素（智能化、擬人化、個性化和情感承諾）皆處于高位，但由于使能因素為核心條件，抑制因素為輔助條件，仍會誘發(fā)間歇性中輟。這類用戶高度關注生成式AI的內(nèi)容真實可靠性，由此而導致的認知失調(diào)將引發(fā)他們的間歇性中輟行為。

5結(jié)果討論

5.1主要研究發(fā)現(xiàn)

1）使能因素方面，隱私擔憂和信息幻覺顯著影響生成式AI用戶認知失調(diào)。fsQCA也顯示隱私擔憂和信息幻覺是組態(tài)路徑1的核心條件。一方面，隱私擔憂反映出個體對其個人信息可能被生成式AI不當收集、使用或泄露的深切憂慮。當用戶對生成式AI技術(shù)的隱私保護機制持懷疑態(tài)度時，這種疑慮會加劇他們對自身隱私權(quán)益可能受損的擔憂，從而誘發(fā)一定程度的認知失調(diào)。另一方面，信息幻覺反映了用戶對AI生成內(nèi)容的虛假性的感知，深度偽造的信息可能使用戶無法準確判斷接收到的信息真?zhèn)?，造成認知失調(diào)狀態(tài)。當用戶因AI生成內(nèi)容而產(chǎn)生錯誤信念或者做出不符合實際的決策時，他們的認知系統(tǒng)便會在理想預期與實際體驗之間產(chǎn)生不協(xié)調(diào)，這將進一步加深用戶的認知失調(diào)感受。

2）抑制因素方面，智能化、擬人化、個性化顯著影響用戶情感承諾。其中，個性化的作用最大，顯示用戶高度重視生成式AI的個性化內(nèi)容和服務，從而建立雙方的關系連接，這與已有文獻結(jié)果相一致。fsQCA分析顯示智能化、擬人化、個性化是兩條路徑的共同輔助條件。首先，智能化表現(xiàn)為系統(tǒng)的自主學習能力、決策優(yōu)化以及問題解決的高效性，這種能力增強了用戶對其的信任感和依賴度，進而促使用戶形成強烈的情感連接。其次，擬人化設計通過賦予生成式AI類似人類的特征和交互風格，如自然語言處理、情緒感知及響應機制等，使用戶能夠建立更深層次的人機連接。這種類人互動方式有助于增進用戶的親近感與認同感，從而提高他們對系統(tǒng)的情感投入和承諾水平。最后，個性化反映了生成式AI能夠依據(jù)用戶的行為習慣、興趣偏好和需求進行動態(tài)適應與個性化服務提供。當用戶感受到系統(tǒng)對其需求的理解和尊重時，會更容易產(chǎn)生共情，形成情感依戀和承諾。

3）認知失調(diào)、情感承諾分別對用戶間歇性中輟行為產(chǎn)生了顯著的正向、負向影響，且認知失調(diào)的作用強于情感承諾，顯示相對于抑制因素，使能因素對間歇性中輟的作用更大。fsQCA的路徑2也顯示認知失調(diào)是核心條件，情感承諾是輔助條件，這與SEM結(jié)果相一致。一方面，內(nèi)在的不和諧狀態(tài)促使用戶在面對不確定性或不滿意的服務體驗時更傾向于選擇暫時停止或減少使用該技術(shù)。當用戶對生成式AI的心理預期與其實際使用體驗存在較大差距時，可能引發(fā)認知失調(diào)，用戶間歇性中輟的可能性隨之增加。另一方面，當用戶對生成式AI形成較強的情感連接，如依賴感和認同感，他們更可能持續(xù)使用并克服暫時的問題或困擾。然而，情感承諾形成的過程通常較為緩慢且所需時間較長，認知失調(diào)卻可能導致用戶迅速產(chǎn)生負面情緒和短期的適應性行為，使認知失調(diào)對用戶間歇性中輟的作用更為明顯。

5.2理論貢獻

本文的理論貢獻包括：①已有研究主要關注生成式AI用戶的積極行為（如采納、持續(xù)使用等），較少考察用戶的消極行為（如間歇性中輟）。因此，本文的研究結(jié)果豐富了關于生成式AI用戶行為的研究。②基于C-A-C，本文發(fā)現(xiàn)認知因素包括隱私擔憂、信息幻覺、智能化、擬人化、個性化，影響用戶的情感包括認知失調(diào)、情感承諾，進而影響間歇性中輟行為。研究結(jié)果揭示了生成式AI用戶間歇性中輟行為的形成機理。③本文從“使能”與“抑制”兩個視角考察了生成式AI用戶間歇性中輟行為。相對單一視角，本文結(jié)果為理解生成式AI用戶間歇性中輟提供更為完整的視角。④已有研究聚焦于負面情緒（如疲勞、焦慮和不滿意等）對間歇性中輟的影響，本文發(fā)現(xiàn)情感承諾是抑制生成式AI用戶間歇性中輟的重要因素，這一結(jié)果也充實了關于用戶間歇性中輟的研究成果。

5.3實踐啟示

本文的研究結(jié)果具有以下實踐啟示：①緩解用戶隱私擔憂。生成式AI平臺應重視數(shù)據(jù)安全和隱私保護措施，通過設計更嚴格的數(shù)據(jù)加密機制、清晰的隱私政策說明以及可定制化的權(quán)限設置，減輕用戶在使用過程中的隱私顧慮。②減少信息幻覺。平臺需要完善AI模型架構(gòu)，優(yōu)化訓練算法，加強過程監(jiān)督與反饋，提高信息的真實可靠性，減少AI幻覺問題，以免引發(fā)用戶認知失調(diào)。③降低用戶的心理失調(diào)。平臺需提高模型的透明度和可解釋性，幫助用戶理解生成式AI的能力邊界及其工作原理，培養(yǎng)他們批判性地接收和評估AI生成信息的能力，從而避免因誤解或過度依賴AI輸出而造成的心理壓力。④增進用戶的情感承諾。平臺應提供個性化的用戶體驗，例如通過深度學習和用戶畫像技術(shù)提供更為貼近用戶需求的服務，進而加深用戶與平臺之間的情感連接。

6結(jié)語

基于C-A-C．本文考察了生成式AI用戶間歇性中輟行為，采用SEM與fsQCA方法。研究發(fā)現(xiàn)用戶間歇性中輟行為受到使能因素與抑制因素的雙重影響。研究結(jié)果提升了對生成式AI用戶間歇性中輟行為的理解，有助于生成式AI平臺采取措施來抑制用戶間歇性中輟行為，從而實現(xiàn)用戶保持。

本文的局限包括：①生成式AI處于快速發(fā)展之中，其功能和應用場景不斷豐富，并且從通用大模型發(fā)展到專業(yè)大模型。未來的研究可考察專業(yè)型AI用戶中輟行為。②中輟行為是動態(tài)發(fā)展的過程，本文主要采用截面數(shù)據(jù)，未來的研究可采集縱向數(shù)據(jù)，跟蹤用戶中輟行為的發(fā)展。③本文主要考察了認知失調(diào)和情感承諾對間歇性中輟的影響，未來的研究可以考察其他變量如信任、用戶體驗等因素的作用。