?一句话总结
消费者对AI的抗拒并非铁板一块——它强烈依赖于AI的呈现方式、应用场景和研究方法，而随着时间推移，人们对AI的认知评价已接近“无反感”。
❓核心问题
我们常听说“人们不信任AI”、“消费者抗拒算法”——但这种抗拒是普适且稳定的吗？还是说，它其实高度依赖语境、标签、领域和研究方法？
?研究方法
通过元分析整合了22年间（2002–2023）的440个效应量，涵盖76,142名参与者的实证研究，首次系统比较了：
4类AI标签：算法 vs. 系统 vs. 助手 vs. 机器人
3类消费者反应：认知 vs. 情感 vs. 行为
多维度调节变量：领域、任务类型、研究设计、时间趋势
?核心结论
1. AI叫什么，真的很重要
·AI机器人（如实体机器人、自动驾驶汽车）引发最强抗拒（d = -0.83）
·AI助手（如Siri、ChatGPT）和AI算法（如推荐算法）抗拒较弱（d ≈ -0.20）
启示：具身化、高实体的AI更容易触发“非我族类”的心理排斥
2.领域决定接受度：高风险 ≈ 高抗拒
·最强抗拒：交通运输、公共安全、社会福利（涉及人身安全与公平）
·最弱抗拒：运营管理、娱乐生活（提升效率、低人身风险）
·医疗领域存在任务分化：高抗拒：AI执行高风险诊断/手术；低抗拒：AI用于基础数据收集、患者引导
3.时间正在改变人心：认知反感已趋近于零
·认知评价（如“AI是否准确/有用”）从显著负面（2010前）已回升至无显著差异
·情感与行为仍显负面，但趋势向好
?转折点出现在2016年后，伴随生成式AI的突破与普及
4.“研究方法”本身就是变量：实验室夸大抗拒
·使用文本描述、自我报告、无激励的实验室研究，显著放大AI抗拒
·实地实验、激励相容、行为测量等高生态效度设计显示：抗拒大幅减弱甚至消失
这说明：我们过去对“AI抗拒”的理解，部分来自研究方式本身的人为设定
?创新与启示
• 打破“AI是一体”的粗糙认知，首次系统比较AI标签
• 引入时间维度，揭示消费者认知与技术演化的共变
• 犀利指出研究方法本身就是关键变量
?一些思考
我们正从“是否接受AI”走向“如何设计AI才被接受”。这篇文章告诉我们：
慎用机器人形象，除非必要
在高风险领域强调人类监督与可控性
用真实场景测试用户行为，而非仅依赖问卷
AI不是不被接受，只是还没被“合适地”呈现。
#带你一起读论文 #文献综述 #消费者行为 #元分析 #AI营销
消费者对AI的抗拒并非铁板一块——它强烈依赖于AI的呈现方式、应用场景和研究方法，而随着时间推移，人们对AI的认知评价已接近“无反感”。
❓核心问题
我们常听说“人们不信任AI”、“消费者抗拒算法”——但这种抗拒是普适且稳定的吗？还是说，它其实高度依赖语境、标签、领域和研究方法？
?研究方法
通过元分析整合了22年间（2002–2023）的440个效应量，涵盖76,142名参与者的实证研究，首次系统比较了：
4类AI标签：算法 vs. 系统 vs. 助手 vs. 机器人
3类消费者反应：认知 vs. 情感 vs. 行为
多维度调节变量：领域、任务类型、研究设计、时间趋势
?核心结论
1. AI叫什么，真的很重要
·AI机器人（如实体机器人、自动驾驶汽车）引发最强抗拒（d = -0.83）
·AI助手（如Siri、ChatGPT）和AI算法（如推荐算法）抗拒较弱（d ≈ -0.20）
启示：具身化、高实体的AI更容易触发“非我族类”的心理排斥
2.领域决定接受度：高风险 ≈ 高抗拒
·最强抗拒：交通运输、公共安全、社会福利（涉及人身安全与公平）
·最弱抗拒：运营管理、娱乐生活（提升效率、低人身风险）
·医疗领域存在任务分化：高抗拒：AI执行高风险诊断/手术；低抗拒：AI用于基础数据收集、患者引导
3.时间正在改变人心：认知反感已趋近于零
·认知评价（如“AI是否准确/有用”）从显著负面（2010前）已回升至无显著差异
·情感与行为仍显负面，但趋势向好
?转折点出现在2016年后，伴随生成式AI的突破与普及
4.“研究方法”本身就是变量：实验室夸大抗拒
·使用文本描述、自我报告、无激励的实验室研究，显著放大AI抗拒
·实地实验、激励相容、行为测量等高生态效度设计显示：抗拒大幅减弱甚至消失
这说明：我们过去对“AI抗拒”的理解，部分来自研究方式本身的人为设定
?创新与启示
• 打破“AI是一体”的粗糙认知，首次系统比较AI标签
• 引入时间维度，揭示消费者认知与技术演化的共变
• 犀利指出研究方法本身就是关键变量
?一些思考
我们正从“是否接受AI”走向“如何设计AI才被接受”。这篇文章告诉我们：
慎用机器人形象，除非必要
在高风险领域强调人类监督与可控性
用真实场景测试用户行为，而非仅依赖问卷
AI不是不被接受，只是还没被“合适地”呈现。
#带你一起读论文 #文献综述 #消费者行为 #元分析 #AI营销
