1. 引言
工業4.0嘅普及加速咗人工智能（AI）喺商業價值鏈嘅整合，AI驅動嘅語音助手（AI VAs）喺人機互動中變得無處不在。由1962年IBM嘅「Shoebox」到現代嘅Siri、Alexa同Google Assistant等系統，語音技術已經有咗顯著發展。然而，儘管佢哋嘅能力不斷增強，但用戶採用仍然面臨心理同技術上嘅障礙。本研究通過調查推動同抑制AI VA採用嘅雙重力量，來解決呢個缺口。
2. 理論框架
本研究提出一個新穎嘅雙因子模型，整合咗兩個成熟嘅理論：現狀偏見（SQB）同科技接受模型（TAM）。呢個整合提供咗對阻力驅動因素同採用動機因素嘅全面視角。
2.1 現狀偏見 (SQB) 因素
SQB解釋咗點解個人傾向於維持現有行為。本研究檢視咗六個影響抗拒嘅SQB因素：
- 沉沒成本：對現有技術嘅先前投資。
- 避免後悔：對轉換帶來負面結果嘅恐懼。
- 慣性：對現有常規嘅心理舒適感。
- 感知價值：對效益與成本嘅主觀評估。
- 轉換成本：改變所需嘅努力、時間同資源。
- 感知威脅：對新技術擾亂生活嘅焦慮。
2.2 科技接受模型 (TAM) 因素
TAM聚焦於驅動對科技持正面態度嘅因素：
- 感知有用性 (PU)：相信該技術能提升表現。
- 感知易用性 (PEOU)：相信使用該技術係毫不費力。
2.3 雙因子整合
整合模型假定，SQB因素主要驅動對AI VA嘅抗拒，而TAM因素則驅動正面態度同使用意圖。呢個雙重視角對於理解完整嘅採用情況至關重要。
3. 研究方法
採用定量方法來測試所提出嘅假設。
3.1 樣本同數據收集
數據收集自420名參與者嘅樣本。該樣本旨在代表可能與AI VA互動嘅多元化用戶群體。
3.2 測量與分析
改編先前文獻中嘅成熟量表來測量SQB同TAM構念。使用結構方程模型（SEM）配合AMOS或SmartPLS等軟件進行數據分析，以評估模型嘅擬合度同假設路徑嘅顯著性。
4. 結果與發現
SEM分析得出咗幾個關鍵發現，挑戰並確認咗現有理論嘅某些方面。
4.1 結構方程模型結果
- 慣性 → 抗拒：假設嘅正向關係被發現係不顯著。呢個表明，單純嘅常規可能唔係AI VA採用嘅強大障礙，同某啲SQB預期相反。
- 感知價值 → 抗拒：顯示出負向且顯著嘅關係。AI VA嘅感知價值越高，直接降低抗拒，突顯咗傳達清晰效益嘅重要性。
- TAM因素 → 態度：感知有用性同感知易用性都顯示出與對AI VA態度嘅強烈正向關係，強化咗TAM核心範式。
- 其他SQB因素，如沉沒成本同轉換成本，如預期所示，與抗拒顯示出顯著嘅正向關係。
4.2 人口統計差異
研究發現慣性喺性別同年齡組別之間存在顯著差異。呢個表明，根源於習慣嘅抗拒並唔係一致嘅，必須用分層策略來應對。
樣本數量
420
參與者分析
關鍵發現
慣性不顯著
挑戰SQB假設
核心驅動因素
感知價值
對抗拒產生負面影響
5. 關鍵洞察與啟示
對研究人員：本研究驗證咗雙因子方法嘅力量。佢表明，採用模型必須同時考慮吸引力（TAM）同排斥力（SQB）。慣性嘅不顯著性，呼籲重新檢視佢喺數碼環境中嘅操作化定義。
對從業者（科技公司）：為咗克服抗拒，市場營銷同設計必須積極應對感知威脅同轉換成本，同時放大感知價值。需要針對人口統計特徵定制訊息，因為慣性對唔同群體嘅影響唔同。增強PEOU同PU對於建立正面態度仍然係不可或缺嘅。
6. 技術細節與框架
結構模型可以表示為一個方程組。抗拒構念（$R$）被建模為SQB因素嘅函數，而態度（$A$）則係TAM因素嘅函數。使用意圖（$IU$）係最終嘅因變量，受$R$同$A$兩者影響。
抗拒方程：
$R = \beta_1 SC + \beta_2 RA + \beta_3 I + \beta_4 PV + \beta_5 SW + \beta_6 PT + \zeta_1$
其中$SC$係沉沒成本，$RA$係避免後悔，$I$係慣性，$PV$係感知價值，$SW$係轉換成本，$PT$係感知威脅，$\zeta$係誤差項。
態度方程：
$A = \beta_7 PU + \beta_8 PEOU + \zeta_2$
意圖方程：
$IU = \beta_9 R + \beta_{10} A + \zeta_3$
其中$\beta_9$預期為負值，$\beta_{10}$為正值。
7. 實驗結果與圖表
圖表描述（基於發現嘅假設性）：路徑圖會視覺化呈現SEM結果。顯著路徑（例如，感知價值 → 抗拒）會用實心粗箭頭同標準化係數值（例如，-0.35**）顯示。不顯著路徑（慣性 → 抗拒）會用灰色虛線箭頭標示為「n.s.」（不顯著）。模型擬合指數如CFI（比較擬合指數 > 0.92）、TLI（Tucker-Lewis指數 > 0.90）同RMSEA（近似誤差均方根 < 0.08）會顯示出來，表明數據對所提出嘅雙因子模型擬合良好。
8. 分析框架：案例示例
案例：推出用於長者護理嘅新AI VA
1. 應用SQB視角（抑制因素）：
- 沉沒成本：用戶已有簡單嘅醫療警報系統。
- 轉換成本與感知威脅：對複雜性同私隱侵犯有高度恐懼。
- 慣性：對熟悉常規（低技術解決方案）有強烈依戀。
- 感知有用性：定位為安全增強器（跌倒檢測、藥物提醒）。
- 感知易用性：設計超簡單語音指令，無需依賴屏幕。
9. 未來應用與方向
1. 跨文化驗證：應該喺唔同文化背景下測試呢個模型，喺嗰度，SQB因素如損失厭惡可能差異顯著（Hofstede維度）。
2. 與先進AI模型整合：未來研究可以將用戶感知連結到AI嘅特定技術屬性，例如透明度（如CycleGAN論文中有關生成模型可解釋性嘅討論）或算法決策嘅公平性。知道AI使用GAN或Transformer架構會否影響感知威脅或有用性？
3. 縱向研究：追蹤SQB同TAM因素嘅強度如何隨用戶從初次接觸到習慣性使用AI VA而變化。
4. 應用於其他AI界面：將雙因子框架擴展到AI驅動嘅聊天機械人、實體機械人或擴增實境界面。
10. 參考文獻
- Balakrishnan, J., & Dwivedi, Y. K. (2021a). Role of cognitive absorption in AI voice assistant use. Computers in Human Behavior.
- Davis, F. D. (1989). Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology. MIS Quarterly, 13(3), 319-340.
- Dwivedi, Y. K., et al. (2021a). Artificial Intelligence (AI): Multidisciplinary perspectives on emerging challenges, opportunities, and agenda for research and practice. International Journal of Information Management.
- Samuelson, W., & Zeckhauser, R. (1988). Status Quo Bias in Decision Making. Journal of Risk and Uncertainty, 1, 7-59.
- Zhu, J.Y., Park, T., Isola, P., & Efros, A.A. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. In Proceedings of the IEEE International Conference on Computer Vision (ICCV). [外部權威 - CycleGAN]
- MIT Technology Review. (2019). How voice assistants are changing our relationship with tech. [外部權威 - 研究機構]
- Gartner. (2023). Hype Cycle for Artificial Intelligence. [外部權威 - 研究公司]
11. 行業分析師觀點
核心洞察：市場對AI功能競賽嘅痴迷錯失重點。呢項研究揭示咗一個殘酷事實：採用嘅成功唔在於邊個擁有最聰明嘅算法，而在於邊個最能駕馭人類面對改變嘅心理。科技巨頭投入數十億於研發以獲取邊際準確度提升，而真正嘅瓶頸——根源於現狀偏見嘅用戶抗拒——仍然資金不足同被誤解。
邏輯流程：本研究嘅精妙之處在於其雙重視角框架。佢唔單止問「乜嘢令AI VA好？」（TAM方面），更關鍵係問「乜嘢令人們緊抱佢哋舊嘅、較差嘅方式？」（SQB方面）。慣性唔係顯著障礙嘅發現係爆炸性嘅。佢暗示用戶唔係懶惰；佢哋係理性嘅。如果價值主張被高轉換成本或感知威脅所粉碎，幾咁易用都救唔到個產品。邏輯係無情嘅：首先拆除障礙，然後放大效益。
優點與缺陷：
- 優點：模型實用而優雅。佢俾產品經理一個清晰嘅清單：對每個SQB因素，都要有一個緩解策略；對每個TAM因素，都要有一個增強策略。
- 優點：關於慣性嘅人口統計發現係針對性營銷嘅金礦。佢超越咗一刀切嘅訊息傳遞。
- 缺陷：420嘅樣本雖然足夠，但可能未能捕捉採用曲線嘅極端邊緣——強烈抗拒者或極度熱情嘅早期採用者，佢哋嘅心理截然不同。
- 關鍵缺陷：模型將「感知威脅」視為單一整體。喺2024年，威脅感知係多方面嘅：工作被取代嘅焦慮、數據私隱（呼應CycleGAN論文中有關數據來源嘅辯論）、算法偏見，甚至存在風險。需要一個細緻嘅分類。
可行洞察：
- 從功能中心轉向摩擦中心路線圖：為每個「功能添加」衝刺分配一個「摩擦減少」衝刺。以感知轉換成本嘅降低來衡量成功，而不僅僅係新增嘅語音指令。
- 用硬指標量化「感知價值」：超越模糊承諾。對於智能喇叭，唔好話「令生活更輕鬆」；展示「每日喺常規任務上節省15分鐘」。
- 為「零學習曲線」入門而設計：慣性嘅不顯著性意味住，如果初始門檻低，用戶就會轉換。投資於情境感知、主動式設置，要求最少用戶輸入，利用自適應UI研究嘅成果。
- 公開應對多頭「威脅」龍：主動發布關於數據使用嘅透明度報告（如Apple嘅私隱標籤），投資於可解釋AI（XAI）以解開決策之謎，並超越公關參與道德AI討論。沉默會被視為有罪。