AI生成内容的双刃剑:高参与、低好感
作者：微信文章一、研究背景与理论框架
当前营销领域对人工智能生成内容的应用存在明显分歧。一方面，AI技术赋予广告创作前所未有的效率与创新潜力；另一方面，其"非人类"本质触发了深层的心理抗拒机制。最新的调查表明，52%的美国人对日常生活中的AI应用表示担忧，较2021年的37%呈现上升趋势。
既有研究结论呈现相互矛盾的结论：部分研究发现消费者对AI创建的理性诉求广告反应积极，认为机器生成内容更具安全性和可信度。相反，另一些研究通过对社交媒体内容的分析发现，AI参与广告活动是最易引发负面反馈。
研究团队引入"AI显著性"概念，该概念被定义为消费者对人工智能在广告创作中参与程度的感知水平。这种显著性可通过两种途径实现：显性披露（如标注"AI生成"标签）或隐性提示（如明显的人工智能风格图像）。
研究理论框架建立在三个相互关联的理论基础之上：恐惧管理理论、心理抗拒理论和计划行为理论。
恐惧管理理论指出，当个体面对潜在威胁时，会经历一个从情绪唤起到应对策略的心理过程。在AI广告情境下，人工智能的"非人类"特质和不可预测性触发了这种威胁感知。
心理抗拒理论进一步解释了这种威胁感知如何转化为具体行为反应。当消费者感知到AI技术可能威胁其自主权和决策自由时，会产生心理抗拒——一种旨在恢复受威胁自由的动机状态。这种抗拒状态通常伴随愤怒、烦躁等负面情绪，最终导致对广告信息的抵制行为。
计划行为理论为理解参与度与态度之间的背反现象提供了理论支撑。该理论将行为意向区分为认知、情感和行为三个相对独立的成分，这正好解释了为什么消费者会表现出"被吸引却又抗拒"的矛盾反应：高AI显著性内容引发的好奇心和信息寻求动机驱动了互动行为，如评论、点赞，而同时激活的威胁感知和负面情绪则损害了广告态度和接受意愿。
二、研究方法与设计
文章采用四重研究方法的策略性组合。研究若只停在问卷层面，无法分辨“观众真的更愤怒”还是“嘴上说讨厌手很诚实”。作者于是把实验室、田野、控制实验逐层叠上去：研究1a 测情绪语料，1b 用真实社媒评论验证外部效度，研究2通过实验把素材、披露方式、广告类型全部固定，检验因果，研究3则把实验换到医疗场景并加高“AI 显眼度”，看剂量效应。
1.研究1a与1b：探索性研究的互补设计
研究1a采用开放式调查方法，旨在捕捉消费者对AI广告的自发反应。这种方法能够避免预设选项带来的偏差，获得更真实的一手数据。178名参与者被要求描述对AI广告的感受和情绪反应，随后完成结构化情绪量表。这种先开放后封闭的设计顺序既保证了数据的丰富性，又确保了测量的可靠性。
文本分析采用LIWC（Linguistic Inquiry and Word Count）软件，这是一种基于词典的内容分析方法，能够量化文本中的情绪表达、认知过程和社交主题。该方法特别适合分析情绪相关的语言特征，其有效性已在多个心理学研究中得到验证。
结果显示，参与者使用负面情绪词汇的频率显著高于正面词汇（3.33 vs. 10.47）。结构化情绪量表显示，负面情绪维度（包括愤怒、焦虑、威胁感等）的复合得分（M=3.10）显著高于正面情绪维度（希望、快乐等）的得分（M=3.53）。这初步证实AI广告会唤起消费者的负面情绪反应。
研究1b转向自然情境下的真实消费者反应，分析美宝莲AI广告的实际社交媒体评论。研究人员对122条评论进行人工编码和自动化文本分析，同时考察评论内容的情感倾向和互动指标。对美宝莲AI广告的122条真实用户评论分析揭示了线上参与行为的复杂性。AI显著性评论（占44%）在互动指标上表现突出：平均点赞数9.8次，显著高于非AI评论的2.5次；评论长度也更长（14.22词 vs. 10.24词）。
然而，行为意向分析呈现相反模式。AI相关评论中的行动词汇（如"查看"、"购买"、"尝试"）使用频率显著较低（0.19 vs. 1.20）。情感分析显示AI评论的情感基调更为负面。这些发现初步揭示了参与度与转化意向之间的分离现象。
两个探索性研究形成方法三角验证：1a侧重主观报告的情绪体验，1b关注客观行为指标；1a控制变量间因果关系，1b展现自然情境下的真实反应。这种互补设计为后续实验研究提供了坚实的实证基础。
2. 研究2：机制检验的实验设计
研究2采用2（AI显著性：高/低）×2（广告类型：产品/模特）的组间设计，这种设计能够同时考察主效应和交互效应。401名参与者被随机分配到四个实验条件，确保组间可比性。实验材料基于真实美宝莲广告改编，通过操纵"AI生成"标签的呈现来控制显著性水平，通过变换广告图像（产品vs模特）来检验边界条件。
测量工具涵盖多个心理构念：广告态度（4项目，α=0.97）、负面情绪（2项目，r=0.84）、心理抗拒（3项目，α=0.81）。此外，研究还测量了四个替代解释变量：广告相关性、一致性、好奇心和消费者怀疑论，这种设计能够排除竞争性解释，增强结论的稳健性。
数据分析采用方差分析检验主效应和交互效应，使用PROCESS宏进行中介和调节中介分析。序列中介模型（Model 6）检验负面情绪和心理抗拒的链式作用机制，而调节中介模型（Model 92）考察广告类型对中介路径的调节作用。
结果发现显著交互效应：当广告使用模特图像时，AI显著性导致更负面的广告态度（3.96 vs. 4.46）。同时，AI显著条件引发更多评论词数（7.91 vs. 6.37）和点赞意向（3.21 vs. 2.74），验证了参与度提升效应。
序列中介模型分析显示，AI显著性通过增加负面情绪，进而激发心理抗拒，最终导致广告态度恶化（间接效应=-0.12）。当广告含模特图像时，该效应尤为显著（间接效应=-0.20）。
3. 研究3：效度扩展与剂量效应检验
研究3在前两个研究基础上进行三个重要扩展：首先，转换到医疗健康领域检验理论泛化性；其次，引入高显著性条件检验剂量反应关系；第三，使用更强烈的实验操纵增强处理效应。
三组设计（无AI/普通AI/高AI显著性）能够考察显著性水平的梯度效应。306名参与者观看COVID-19疫苗广告，高显著性条件使用红色AI标签和经过明显AI处理的图像。这种设计不仅检验了理论跨情境的稳健性，还揭示了显著性水平与心理反应的剂量依赖关系。
结果显示AI显著性强度梯度效应：高显著性条件产生最负面的广告态度（3.41 vs 4.20 vs 4.84）、最强的负面情绪（2.27 vs 2.41 vs 1.85）和心理抗拒（4.14 vs 3.81 vs 3.22）。序列中介模型再次验证了理论机制。
三、方法论与实践的思考
文章的四重研究方法体现了理论构建与检验的完整周期：从探索性研究（1a、1b）到机制检验（研究2），再到泛化验证（研究3）。每种方法贡献独特价值又相互补充，文本分析方法捕捉了消费者对AI广告的自然语言反应，避免了预设选项的引导偏差。通过随机分配和变量操纵确立了因果关系。自然情境下的观察性研究提供了生态效度和现实相关性。这种多方法聚合增强了结论的可靠性和泛化性。
这项研究揭示了技术透明度与传播效果之间的复杂关系，对公共传播实践具有重要启示。在数字化传播环境中，人工智能技术的应用日益普及，但研究显示单纯强调技术透明度可能产生反效果。公共传播者需要在技术披露与心理接受度之间寻找平衡点，避免触发受众的防御机制。研究发现的心理抗拒机制特别值得公共传播者关注。当传播内容带有明显的人工智能生成特征时，虽能获得更多关注，却可能损害传播效果的公信力和说服力。这对公共政策传播、健康信息传播等需要建立信任的领域尤为重要。
页:
[1]