利用技术接受模型理解虚拟影响者的用户采纳：感知真实性与拟人化的作用

摘要

本研究采用扩展的技术接受模型，探讨短视频平台上虚拟影响者的采纳行为，通过PLS-SEM分析调查数据，表明感知有用性、易用性、真实性和拟人化特征显著影响用户态度和行为意向。

摘要

虚拟影响者（VIs）在抖音、YouTube Shorts 和 Instagram Reels 等短视频应用中正日益成为关键角色。尽管先前的研究已从拟人化、真实性及用户互动等角度探讨了虚拟影响者，但大多数已有工作集中于 Instagram 数据集或内容分析，缺乏采用系统性行为框架的研究。为弥补这些不足，本研究运用技术接受模型（Technology Acceptance Model, TAM），考察感知有用性（Perceived Usefulness, PU）和感知易用性（Perceived Ease of Use, PEOU）如何影响用户对在短视频平台上关注或与虚拟影响者互动的态度及行为意向。本研究提出将感知真实性与拟人化作为调节变量，扩展 TAM 以捕捉心理与社会动态。研究构建了一个整合 TAM 与上述调节变量的概念框架。通过在线问卷收集了 350 名接触过编辑后虚拟影响者内容的短视频用户的数据，并使用经过验证的李克特量表工具进行测量。参与者首先观看标准化的虚拟影响者视频刺激材料，随后通过在线调查平台完成结构化问卷。采用偏最小二乘结构方程模型（Partial Least Squares Structural Equation Modeling, PLS-SEM）对数据集进行分析，以评估测量的可靠性、结构关系及调节效应。在分析前，对数据集进行了筛查，剔除不完整回答、缺失值及回答不一致的样本。结果证实了 TAM 在虚拟影响者情境中的适用性。感知易用性对感知有用性具有正向影响（β = 0.46，p < 0.001），感知有用性显著影响态度（β = 0.39，p < 0.001），而态度强烈预测行为意向（β = 0.58，p < 0.001）。感知真实性增强了感知有用性与态度之间、以及态度与行为意向之间的关系，而拟人化则增强了感知有用性和感知易用性对态度的影响。模型拟合指标（态度的 R² = 0.64；行为意向的 R² = 0.57）表明模型具有较强的解释力。这些发现支持扩展后的 TAM 在解释短视频平台上虚拟影响者采纳行为方面的有效性。

引言

近年来，社交媒体影响者（SMIs）通过在社区直播平台上分享他们的生活、知识、产品和品牌，获得了大量关注者^1,2。虚拟影响者（VIs）作为一种在 Instagram、Facebook 和 TikTok 等平台上推广商品与服务的新型方式，已引起学术界和商业界的广泛关注³。与人类影响者（HIs）不同，虚拟影响者并非真实人物，而是由设计团队创建的计算机生成角色，旨在模拟人类的外貌与行为，或呈现类似动画人物的形象⁴。由于其强大的用户互动能力，许多品牌正通过合作或自主开发专有虚拟影响者的方式，将其应用于影响者营销⁵。因此，宝马（BMW）等知名品牌已与 Lil Miquela 等虚拟影响者合作，以提升客户参与度并影响其购买决策。

随着受社交媒体影响者（SMIs）影响的人数持续增长，影响者营销也在不断扩展⁶。Influencer Marketing Hub 报告指出，2021年专业从事影响者营销服务的公司数量增长了26%，预计全球总数将达到18,900家⁷。社交媒体影响者中一个最显著的新兴类别是“三维、计算机生成的角色”，这类角色能够模仿人类的行为和外貌^8,9,10。虚拟影响者（VIs）在消费者中迅速走红，并日益被视为与人类影响者相当的可信潮流引领者¹¹。2017年至2019年间，社交平台上虚拟影响者的数量从27个增加到125个¹²。随着其受欢迎程度的提升，虚拟影响者开始与国际品牌展开合作¹²。虚拟影响者代表了一种极具吸引力的替代选择，兼具人类影响者的优势以及对外貌和信息传递更强的控制力¹³。

该领域中一项尤为创新的发展是虚拟影响者（virtual influencers）的出现，即作为社交媒体实体、部分或完全由人工创造（例如计算机生成的三维虚拟形象）但仍能产出与人类影响者类似内容的数字角色。其迅速崛起已引起学术界的关注，但现有研究仍较为有限¹⁴。为弥补这一空白，本研究聚焦于准社会互动（parasocial interactions, PSI），即受众对媒体人物所产生的认知、情感及行为反应¹⁵。以往研究通过比较受众对具有相似特征的人形与虚拟影响者的反应来探讨准社会互动现象。

近期研究探讨了虚拟影响者（VIs）与人类影响者在塑造用户认知方面的差异，尤其是在社交媒体视频环境中。研究表明，虚拟影响者的代言能够影响用户对产品的认知（例如增强奢侈感关联），并且在感知有用性和可信度方面可能与人类影响者形成竞争。然而，用户对人类影响者的认同感仍然更强，凸显出在短视频情境下影响者采纳决策中存在的真实性差距^16,17,18。定量研究持续证实，感知有用性（PU）和感知易用性（PEOU）是行为意向的关键预测因素，通常还辅以愉悦感、社交临场感和社区参与等构念，进一步支持了技术接受模型（TAM）在该领域的适用性^19,20。

越来越多的研究直接探讨了虚拟形象（VI）情境中的真实性问题。定性与定量研究均表明，感知到的真实性显著影响信任度、参与度和说服效果。人工智能披露和类人程度等因素会影响可信度及用户反应^21，22。其他研究显示，当用户识别出虚拟形象的人工智能来源时，“机器启发式”线索可能会降低其感知真实性，从而进一步凸显真实性作为接受度关键边界条件的作用^23–25。关于拟人化的综述进一步强调了其在理论上的调节作用，即通过社会临场感和信任等机制增强或削弱技术接受模型（TAM）中的关系²⁶。

同样，刺激–机体–反应（Stimulus–Organism–Response, SOR）模型已被用于研究拟人化线索和社会性刺激如何影响用户对人工智能驱动系统的接受程度²⁷。SOR 模型在捕捉个体对技术刺激的实时情绪反应以及情境变量在行为形成中的作用方面尤为有效²⁸。这一点与人工智能驱动的交互环境相契合，在此类环境中，系统与用户之间的快速反馈会引发动态的情绪反应²⁹。SOR 框架还支持整合多种情感性和认知性刺激。然而，诸如技术接受模型（TAM）和整合型技术接受与使用理论（UTAUT）等模型虽然被广泛使用，但其关注的是预设的构念（例如感知有用性和易用性），这可能限制了它们捕捉用户行为多维影响因素的能力³⁰。这些模型通常更适用于静态分析，而非动态决策情境³¹。例如，头部网红（mega-influencers）能够触达全球受众，提升品牌知名度并产生显著的用户互动，但其效果因情境而异³²。SOR 模型为理解情感过程提供了补充性视角，而 TAM 则为行为意向建模提供了一个简洁且具有预测力的框架。

实证研究表明，头部网红能产生更强的用户参与度、产品态度和信息获取效果³³。然而，层级较低的网红可能在提升认知度和真实性方面更具优势，有时甚至优于定向广告³⁴。其他研究发现，尽管头部网红能推动更广泛的参与，但中小型网红在真实性和信任度方面表现更优³⁵。这些不一致的研究结果凸显了网红效果在不同情境下的差异性^36,37，也强调了进一步探索其他类型网红（包括虚拟网红）的必要性³⁸。

尽管对虚拟影响者（VIs）的兴趣日益增长，但现有研究的范围仍然有限。大多数研究依赖基于 Instagram 的数据集和内容分析来评估参与度指标（例如点赞数、评论数、语言特征），这导致从行为角度理解采用意愿的研究存在空白。此外，针对短视讯平台中虚拟影响者采用情况的研究十分有限，而这些平台具有独特的社会技术特征，包括算法驱动的内容曝光、快速的内容消费以及强化的准社会互动。

为弥补这些不足，本研究应用技术接受模型（TAM）系统地探讨影响虚拟主播在短视频平台采纳的因素。选择TAM是因为其在数字环境中具有强大的解释力、简洁性以及广泛的实证验证。尽管SOR和UTAUT等替代框架提供了有价值的见解，但它们更强调情感或制度性因素，超出了本研究的认知焦点。因此，本研究在信念形成阶段对TAM进行了扩展，纳入了感知真实性和拟人化两个因素。

具体而言，本研究探讨感知易用性（PEOU）如何影响感知有用性（PU），以及这些构念如何塑造用户对虚拟主播（VIs）的态度和行为意向。研究进一步考察了感知真实性和拟人化在这些关系中的调节作用。在实证方面，本研究采用针对短视频用户群体的定量调查方法，并利用偏最小二乘结构方程模型（PLS-SEM）对扩展模型进行检验。通过从内容分析转向行为采纳框架，该研究填补了关键的研究空白，有助于深入理解虚拟主播在新兴数字环境中的采纳机制。

本研究具有三个关键贡献。首先，将技术接受模型（TAM）拓展应用于短视频平台上的虚拟影响者，验证了其对人工智能生成实体的适用性。其次，将拟人化和感知真实性纳入TAM的信念形成阶段，强化了信念–态度–行为意向路径。第三，在方法论上有所推进，采用基于问卷数据的定量行为研究方法，并运用偏最小二乘结构方程模型（PLS-SEM）评估测量效度、结构关系及调节效应。

总体而言，该研究为真实性与类人化设计如何影响虚拟助手（VI）的采纳提供了理论与实践层面的洞见。研究考察了感知易用性（PEOU）和感知有用性（PU）对态度（ATT）及行为意向（BI）的影响，并检验了感知真实性（PA）在PU–ATT关系和ATT–BI关系中的调节作用，以及拟人化（ANTH）在PEOU–ATT关系和PU–ATT关系中的调节作用。基于这些关系，提出以下假设：

H1：感知易用性（PEOU）对感知有用性（PU）具有正向影响。
H2：感知有用性（PU）对用户对虚拟影响者的态度（ATT）具有正向影响。
H3：态度（ATT）对使用虚拟影响者的行为意向（BI）具有正向影响。
H4：感知易用性（PEOU）对用户对虚拟影响者的态度（ATT）具有正向影响。
H5：感知真实性（PA）在PU与ATT之间的关系中起正向调节作用。
H6：感知真实性（PA）在ATT与BI之间的关系中起正向调节作用。
H7：拟人化（ANTH）在PEOU与ATT之间的关系中起正向调节作用。
H8：拟人化（ANTH）在PU与ATT之间的关系中起正向调节作用。

图1展示了基于扩展的技术接受模型（TAM）的虚拟影响者在短视频平台采纳行为的概念框架。该模型包含TAM的核心构念，并引入两个调节变量——感知真实性与感知拟人化，以捕捉相关的社会与心理影响。直接关系以实线箭头表示，调节效应则以指向相应结构路径的虚线表示。这种呈现方式使概念模型与所提出的假设保持一致，并通过区分直接效应与交互效应，提升了模型的清晰度。

方案

本研究获得了马来西亚马来亚大学阿兹曼哈希姆国际商学院研究伦理委员会的批准（批准编号：UTM.AHIBS/REC/2025/012）。所有程序均符合机构伦理标准及《赫尔辛基宣言》的原则。在数据收集前，已从所有参与者处获得知情同意。研究人员向参与者说明了研究目的、参与的自愿性、其回答的保密性，以及他们有权在任何时间无惩罚地退出研究。此外，已获得参与者书面同意，允许在学术出版物中使用其匿名调查数据。本稿件中未包含任何可识别个人身份或敏感信息的数据。

本研究用于考察消费者在短视频平台上采纳虚拟影响者的方法论研究流程如图2所示。研究过程按顺序进行，包括刺激材料准备、参与者暴露、问卷施测、数据预处理和统计分析。首先，让用户在抖音、YouTube Shorts 和 Instagram Reels 等短视频平台上接触精心挑选的虚拟影响者刺激材料。为捕捉技术接受模型（Technology Acceptance Model, TAM）中的关键构念，包括感知易用性（Perceived Ease of Use, PEOU）、感知有用性（Perceived Usefulness, PU）、态度（Attitude, ATT）和行为意向（Behavioral Intention, BI），采用经过验证的李克特量表工具收集问卷数据。随后对收集的数据进行预处理，包括数据清洗以及有效性和可靠性评估，以确保数据质量。

随后，将包含调节变量的扩展TAM框架应用于优化后的数据集。具体而言，拟人化（ANTH）调节了感知易用性（PEOU）→ 态度（ATT）和感知有用性（PU）→ 态度（ATT）之间的关系，而感知真实性（PA）则调节了感知有用性（PU）→ 态度（ATT）以及态度（ATT）→ 行为意向（BI）之间的关系。这些调节效应在结构路径中被明确建模为交互作用。最后，采用偏最小二乘结构方程模型（PLS-SEM）对测量模型、结构关系及调节效应进行评估。研究结果系统而全面地分析了用户在短视频平台上对虚拟影响者采纳行为的直接关系（PEOU、PU → ATT → BI）以及调节效应。

研究方法与设计
该方法学分为三个阶段构建：概念框架构建、数据收集和实证分析。

概念框架构建
本阶段通过在技术接受模型（TAM）基础上引入两个与虚拟影响者相关的社会心理学调节变量——感知真实性（Perceived Authenticity）和拟人化（Anthropomorphism），构建了理论框架。该模型假设感知易用性（PEOU）影响感知有用性（PU），而感知有用性与感知易用性共同影响态度（Attitude），进而影响行为意向（图3）。

数据收集
通过在线问卷收集实证数据，问卷对象为350名使用短视频平台（如TikTok、YouTube Shorts和Instagram Reels）的用户。要求参与者观看包含热门虚拟影响者的标准化视频。收集了关于技术接受模型（TAM）构念及调节变量的数据。控制变量包括人口统计学特征和使用特征。研究遵循伦理规范。

实证分析
采用两步法偏最小二乘结构方程模型（PLS-SEM）对数据进行分析。通过因子载荷、Cronbach’s alpha系数、组合信度、平均方差提取量（AVE）、Fornell–Larcker准则以及异质-单质比值（HTMT）来评估信度和效度。使用5,000次重抽样的自举法（bootstrapping）检验结构路径和调节效应，验证了以真实性与拟人化作为调节变量的技术接受模型（TAM）。

结构模型构建
本研究通过纳入短视频平台上虚拟影响者的社会情感因素，对技术接受模型（TAM）进行了扩展。除了传统构念（感知有用性、感知易用性、态度、行为意向）外，还引入了两个调节变量——感知真实性与拟人化，分别代表可信度和类人性的心理维度。

在测量层面，所有潜在构念（PEOU、PU、ATT、BI、PA、ANTH）均以反射性方式定义，多个调查条目对应于每个潜在因子³⁹。测量模型表达如下：

   (1)

其中 x_j 为观测指标，η 为潜在构念，λ_j 为因子载荷，ε_j 为测量误差。这在检验因果路径之前提供了先验的信度、收敛效度和区分效度。

在结构层面，基础的TAM方程被定义为路径⁴⁰。感知易用性可预测感知有用性：

    (2)

随后将态度定义为感知有用性（PU）和感知易用性（PEOU）的函数：

    (3)

最后，行为意向由态度解释，其中感知有用性（PU）作为可选的直接预测因子：

    (4)

为了引入调节效应，需加入交互项。拟人化（ANTH）调节感知有用性（PU）和感知易用性（PEOU）对态度（ATT）的影响，而感知真实性（PA）则调节感知有用性（PU）对态度（ATT）的影响以及态度（ATT）对行为意向（BI）的影响。经过调节后的结构方程如下：

 (5)

交互系数（β₆、β₇、β₈、β₉）用于判断TAM关系是否因拟人化程度和真实性的不同水平而发生变化。例如，感知有用性（PU）对态度（ATT）的调节效应为：

β₂ + β₆·ANTH + β₈·PA

类似地，ATT 对 BI 的条件效应为：

β₄ + β₉·PA

该框架还考虑了中介效应和有调节的中介效应。在基线模型中，PEOU 通过 PU 对 ATT 产生的间接效应为：

    (6)

纳入调节变量后，这成为一种条件间接效应：

   (7)

其中 a 和 p 分别表示拟人化程度和感知真实性的数值。

这允许检验PU的仲裁作用是否依赖于VI的社会属性，从而为有调节的中介效应提供证据。

感知真实性（PA）和拟人化（ANTH）在短视频平台上作为用户接受虚拟影响者的调节因素，如图3所示。实线表示技术接受模型（TAM）的直接关系，而虚线表示调节效应。总体而言，该模型整合了技术和社交–心理因素，为虚拟影响者的采纳提供了全面的解释。

数据集收集
本研究基于一项调查数据集（N = 350 名参与者）。参与者为抖音、YouTube Shorts 和 Instagram Reels 等短视频平台的常规用户。他们被展示经过编辑的虚拟影响者视频片段，并被要求使用经过验证的李克特量表填写结构化问卷，以测量技术接受模型（TAM）的构念（感知易用性 PEOU、感知有用性 PU、态度 ATT、行为意图 BI）以及调节变量（感知吸引力 PA、拟人化程度 ANTH）。数据为自报数据，未从公开数据库获取；但测量结构借鉴了技术采纳和虚拟影响者研究领域中已确立的量表。

表1描述了行为采纳数据集的结构。每一行代表扩展技术接受模型（TAM）中的一个构念，包括其测量条目、量表类型和分析作用。感知易用性（PEOU）和感知有用性（PU）均采用四个条目进行测量，使用7点李克特量表。

表2展示了受访者的社会人口学特征。受访者（N = 350）的社会人口学特征显示性别分布相对均衡，其中男性占50.86%，女性占45.43%，另有少数（3.71%）自我认同为其他性别。在年龄方面，大多数参与者集中在25–34岁年龄段（44.57%），其次是18–24岁（29.43%）和35–39岁（26.00%），表明该数据集主要由青年至中年人群构成。在教育程度方面，受访者的分布较为均衡，其中拥有研究生学历的比例最高（23.14%），其次为高中学历（22.86%）、本科学历（20.29%）、大专文凭（17.43%）以及博士学位（16.29%），反映出参与者具有多样化的教育背景。在平台使用行为方面，绝大多数受访者（61.71%）报告每日使用该平台，29.14%每周使用，9.14%偶尔使用，表明样本群体对平台具有较高的参与度。这些特征表明，该样本代表了短视频平台的活跃用户群体。

数据分析
数据收集完成后，采用偏最小二乘结构方程模型（PLS-SEM）对350份有效问卷进行分析，该方法适用于理论拓展、以预测为导向的研究以及包含调节变量的复杂模型。分析内容包括测量模型评估、结构模型检验、调节效应分析以及整体模型估计。

测量模型验证
第一步是评估所有概念的信度与效度。内部信度通过 Cronbach's Alpha (α) 和组合信度（Composite Reliability, CR）进行检验，通常以大于 0.70 为可接受标准。收敛效度由平均方差提取量（Average Variance Extracted, AVE）来确定，要求 AVE ≥ 0.50。区别效度通过 Fornell–Larcker 准则进行验证，即每个构念 AVE 的平方根应大于该构念与其他构念之间的相关系数。构念 j 的 AVE 计算公式如下：

   (8)

其中，λ_ij 表示条目 i 在构念 j 上的标准化因子载荷， 为测量误差。

本研究的测量模型如图4所示。每个扩展的技术接受模型（TAM）潜在构念均由多个反映性指标进行操作化定义。具体而言，感知易用性（PEOU）和感知有用性（PU）各由4个题项测量，而态度（ATT）和行为意向（BI）则各由3个题项测量。调节变量——感知真实性（PA）和拟人化程度（ANTH）——均分别通过三个指标进行评估。所有路径均从构念指向其各自的观测指标，体现了测量模型的反映性特征。通过因子载荷、Cronbach's α系数、组合信度（CR）和平均方差提取量（AVE）对各构念的信度和效度进行了检验，结果表明该测量模型在统计上是可靠的，能够有效测量用户对短视频平台虚拟影响者的态度及行为意向的相关维度。

结构模型检验
在确定测量效度后，进一步检验了扩展技术接受模型（TAM）的结构路径。所假设的直接关系如下：

   (9)

   (10)

    (11)

其中：β₁ 考察了感知易用性（PEOU）对感知有用性（PU）的影响，β₂、β₃考察了感知有用性（PU）和感知易用性（PEOU）对态度（ATT）的影响，β₄ 反映了态度（ATT）对行为意向（BI）的影响。路径系数（β）通过自举法（5000 次重采样）计算得出，显著性通过 t 值和 p 值确定。

调节效应分析
采用调节效应分析来检验交互作用。扩展的技术接受模型（TAM）将感知真实性（PA）和拟人化（ANTH）作为调节变量。通过构建自变量与调节变量之间的交互项来检验调节效应。扩展后的模型表示如下：

 (12)

此处：PU × PA：检验真实性是否增强了有用性对态度的影响作用。PEOU × ANTH：评估拟人化是否增强了感知易用性对态度的影响效果。TT × PA：评估真实性是否强化了态度对行为意向的影响作用。显著的 β₇, β₈ 或 β₁₀ 系数验证了调节效应的存在。

模型评估
从解释能力和预测能力两方面对模型整体进行了评估：

决定系数（R²）：表示对内生构念（ATT 和 BI）中变异的解释程度。在行为学研究中，R² ≥ 0.50 被认为是较大的效应量。

预测相关性（Q²）：通过盲法测定，Q² > 0 表示具有预测效度。

效应量（f²）：用于确定每个构念对模型的影响，其计算公式如下：

   (13)

包含预测变量时解释的方差为 ，排除该预测变量时为解释的方差。综上所述，数据分析首先验证了构念的信度与效度，检验了技术接受模型（TAM）的结构关系，评估了拟人化与真实性的调节效应，并最终检验了典型个案的描述性与外推性控制。这一系统性的分析方法确保了研究结果的稳健性，并将技术接受模型（TAM）拓展应用于短视频平台上的虚拟影响者情境中。

假设检验
为验证扩展的技术接受模型（TAM）框架，采用基于自举法（5000 次重采样）的偏最小二乘结构方程模型（PLS-SEM）检验了八个假设。自举法过程生成了路径系数（β）、t 值和 p 值，并以显著性临界阈值（p < 0.05）进行判定。

直接影响（H1–H4）
首先评估了经典TAM的直接影响。研究结果证实，感知易用性（PEOU）对感知有用性（PU）具有重要影响。估计方程如下：

（14）

其中 β₁=0.46，t=8.72，p < 0.001。因此，H1 假设成立。

其次，感知有用性（PU）和感知易用性（PEOU）也被发现对态度（ATT）具有正向影响：

 (15)

其中 β₂=0.39，t=7.64，p < 0.001；β₃=0.21，t=2.14，p < 0.05。这些结果为假设 H2 提供了强有力的支持，并为假设 H4 提供了部分支持，表明感知易用性和感知有用性均会影响态度。

最后，ATT 对行为意向（BI）的影响显著：

（16）

其中 β₄=0.58，t=10.12，p < 0.001。因此，H3 得到有力支持，表明积极态度对使用虚拟影响者的意图具有显著驱动作用。

调节效应（H5–H8）
通过引入交互项来检验感知真实性（PA）和拟人化（ANTH）的调节作用。

对于 H5，PU 对 ATT 的影响受到 PA 的调节：

 (17)

其中 β₅=0.15，t=3.21，p < 0.01。这表明，如果将虚拟形象（VIs）视为真实存在，其有用性对态度的影响更为显著。

对于 H6，体力活动在 ATT 与 BI 之间的调节作用也具有显著性：

 (18)

其中 β₆=0.12，t=2.94，p<0.01。这表明真实性在积极态度与行为意向之间具有更强的关联作用。

对于 H7，拟人化 ANTH 调节了感知易用性 PEOU 对态度 ATT 的影响：

 (19)

其中 β₇=0.14，t=3.08，p < 0.01。因此，当虚拟形象（VIs）更接近人类时，易用性对形成积极态度的作用更为显著。

对于 H8，拟人化还增强了 ANTH 对 PU → ATT 路径的调节作用：

 (20)

其中 β₈=0.11，t=2.21，p < 0.05。

采用 R² 评估模型的解释力，Q² 评估预测相关性，效应量（f²）用于评价每个预测因子的贡献。

结果

共收集到350份来自短视频应用（Instagram Reels、YouTube Shorts 和 TikTok）活跃用户的有效回复。数据经预处理并剔除不完整回答后，使用 SmartPLS 4.0 中的偏最小二乘结构方程模型（PLS-SEM）进行分析。该方法可用于评估测量模型和结构模型，以及调节效应。

结果证实了所提出的扩展TAM框架的有效性。信度分析显示，所有构念均超过推荐阈值（Cronbach’s α > 0.70，组合信度 Composite Reliability > 0.80，平均方差提取量 AVE > 0.50）。结构关系具有统计学显著性，其中感知易用性（Perceived Ease of Use, PEOU）对感知有用性（Perceived Usefulness, PU）具有正向影响（β = 0.46，p< 0.001），感知有用性（PU）影响态度（Attitude, ATT）（β = 0.39，p< 0.001），且态度（ATT）显著预测行为意向（Behavioral Intention, BI）（β ...

讨论

为验证构念，对测量模型的信度、收敛效度和区分效度进行了评估^39,40。本研究结果为影响用户在短视频平台上采纳虚拟影响者（VIs）的因素提供了重要见解。结果表明，技术因素（感知有用性和感知易用性）和心理因素（感知真实性和拟人化）均显著影响用户态度和行为意向。

感知有用性成为一个主要的预测因素，表明当用户认为虚拟形象（VIs）的内容具有价值时（例如用于娱乐、信息获取或社会相关性），更有可能与其互动^19,20,21。拟人化和感知真实性的显著调节作用凸显了在人工智能驱动的交互中心理真实性的关键意义^1,23,24

材料

本文使用的材料清单

姓名	公司	目录编号	评论
计算机系统（台式机/笔记本）	通用品牌（惠普/戴尔/联想或同等产品）	不适用	用于数据采集与分析
Google 表单	Google LLC	不适用 / https://forms.google.com	用于问卷设计与数据收集
Instagram Reels	Meta Platforms Inc.	不适用 / https://www.instagram.com/reels/	虚拟影响者视频刺激材料的展示平台
互联网连接	本地互联网服务提供商	不适用	访问问卷和平台所必需
Microsoft Excel	Microsoft Corporation	365 / https://www.microsoft.com/excel	用于数据预处理与组织
Python	Python Software Foundation	3.x / https://www.python.org	用于可选的预处理与数据处理
SmartPLS	SmartPLS GmbH	4.0 / https://www.smartpls.com	用于PLS-SEM分析，包括HTMT、Q²（盲法检验）和f²效应量
TikTok	TikTok Inc.	不适用 / https://www.tiktok.com	虚拟影响者视频刺激材料的展示平台
虚拟影响者视频片段	作者生成的数据集	不适用	向参与者呈现的标准视频刺激材料
YouTube Shorts	Google LLC	不适用 / https://www.youtube.com/shorts	虚拟影响者视频刺激材料的展示平台