用户对人工智能生成旅游信息的采纳意愿研究

廉同辉， 田潇鹤

0 引言

生成式人工智能（generative artificial intelligence，GAI）是人工智能领域专注内容创造的突破性进展，能够基于复杂的神经网络，通过对大数据展开深度“学习，”实现概率分布建模，以此生成新的内容，模仿人类的创造力[1]。目前，旅游业正尝试将生成式人工智能逐步应用于特定领域为用户提供服务[2]。《“十四五”旅游业发展规划》强调，要深化数字经济与旅游业的融合发展，以数字化、网络化、智能化为主线，培育发展旅游新业态、新模式，推动旅游业发展质量、效率和动力变革[3]。党的二十届四中全会通过《中共中央关于制定国民经济和社会发展第十五个五年规划的建议》提出“激发全民族文化创新创造活力，繁荣发展社会主义文化”的战略任务，要求推进文化、旅游和科技融合，加快数智化赋能、信息化转型，培育催生更多新业态、新应用、新模式。这为生成式人工智能与旅游垂直场景的深度融合提供了政策方向与实施路径指引[4]。在政策引导与技术创新的双重驱动下，生成式人工智能技术迅速渗透至旅游业各环节，成为旅游数字化、网络化、智能化发展的核心技术支撑[5]。生成式人工智能服务大模型注册用户已突破3亿，人工智能技术普及率达16.4%，标志着技术商业化进入规模化应用阶段[6]。随着生成式人工智能的智能化进程加速，其应用场景已从工作场景延伸至消费决策领域[7]。用户与生成式人工智能的交互更加日常化，沟通方式不断丰富，更多地是将生成式人工智能当作“助手，”让其参与消费决策，并进行信息采纳[8-9]，这种深度协作也使得生成式人工智能逐渐发展成为提供旅游信息生成与智能决策支持的新兴服务主体[10]。

生成式人工智能在旅游信息服务中的深度渗透，正在重塑传统旅游信息交互的底层逻辑[11]。相较于依赖人际互动的信息供给模式，生成式人工智能通过算法驱动的概率建模能力重构了信息生产范式，其技术特性既体现为高维数据的整合与相关内容的生成[12-13]，也受限于情感交互的机械性虚拟表达缺陷[14-15]。现有研究从多维度揭示这一技术变革的影响，信息质量领域聚焦准确性、可信度与时效性等核心属性[16]，交互机制层面强调人机交互体验的人本思想[17]，而跨领域融合实践则验证了生成式人工智能在知识生产转型[18]、服务生态重构[19]中的潜在价值。在旅游场景中，用户对生成式人工智能生成信息的采纳意愿本质上是技术特性与人类认知模式交互作用的结果，这既涉及信息价值判断的理性认知过程，也包含情感化体验的感知机制[20]。既有研究为揭示生成式人工智能驱动的信息采纳机制提供了文献基础，然而在旅游领域涉及较少，其作用路径与边界条件亟待通过整合性理论框架与实证方法予以系统阐释。

本文聚焦生成式人工智能生成旅游信息的用户采纳意愿，旨在剖析影响其采纳意愿的具体因素、作用路径及产生的效果。基于心智感知理论，结合精细加工可能性模型，通过解析关键驱动要素与作用逻辑，厘清用户如何形成对生成式人工智能旅游信息的采纳意愿，这不仅是完善人机交互理论框架的重要环节，更是破解当前生成式人工智能应用中技术供给与用户需求错配问题的关键切入点。同时，研究旨在丰富生成式人工智能在旅游领域的应用形式，为企业精准优化生成式人工智能旅游信息、提升服务个性化与智能化水平提供理论支撑与实践参考。

图片来源于微信公众平台AI配图

1 文献回顾和理论基础

1.1 文献回顾

1.1.1 旅游信息采纳

信息采纳作为个体基于目标导向的信息筛选与整合过程，其行为机制受主体认知能力、信息客体属性及环境情境的三重交互影响[21]。在旅游决策情境下，信息采纳呈现出鲜明的情境特性：游客需在高度动态化的信息环境中筛选和整合碎片化、多源异构的旅游信息，这一过程的核心价值在于降低决策风险、提升体验质量，并优化资源配置[22]。游客信息采纳的影响机制也进一步演变为功能价值和体验价值的双重诉求[23]。

在功能价值方面，用户旅游信息采纳意愿受论证质量、信息来源可信度、信息有用性等信息本身维度的影响[24]，用户采纳旅游信息受在线平台生成内容质量的影响[25]，在此过程中，用户数字能力调节信息采纳意愿，用户信息采纳行为同时与旅游业实现价值共创[26]。在体验价值方面，由于旅游的情境性，用户更倾向将体验框架和情绪效价等情感因素纳入采纳体系中[27]，这对旅游信息的感知价值和其采纳意愿均有显著的中介效应[28]。而在线旅游网站信息生态链中的个性化推荐及引导消费机制，也提高了用户的感知易用性和感知有用性，从而进一步影响用户旅游信息采纳意愿[29]。

新媒体的出现深刻改变用户的旅游信息采纳意愿与行为[27]，其通过碎片化的叙述方式与旅游信息的实时表达，在提升旅游目的地吸引力的“同时，”也满足了游客功能价值与体验价值的双重诉求[30]。旅游目的地借助短视频产生的“网红效应”，使得网红主播作为“意见领袖”参与到用户的认知和情感反应中，并影响其采纳意愿[31]。随着线上旅游景点直播营销兴起，主播与用户的实时互动交流为用户的旅游信息采纳提供了参考依据，主播专业性、吸引力及可信性对用户采纳意愿均有显著正向影响[32]；然而，主播输出过于全面的旅游信息反而会降低旅游目的地的可探索性，对用户的实地旅游意愿带来负面作用[33]。当前，关于旅游信息采纳的研究大多聚焦在线领域影响机制，而生成式人工智能在旅游信息采纳中的独特作用尚未得到系统探讨，本文尝试分析生成式人工智能技术与用户信息采纳行为的互动逻辑，结合旅游决策的情境特性，以期为相关研究提供参考。

1.1.2 生成式人工智能用户信息采纳

生成式人工智能正通过技术特性与交互范式的双重变革重构用户信息采纳机制[34]。其技术特性体现为以动态数据整合与知识生产范式转型为核心的信息供给能力的提升[35]和通过多渠道融合应用实现跨场景服务生态的重构[12]。技术赋能使生成式人工智能突破传统信息交互边界，推动用户信息行为从被动检索向主动知识建构转变[11]，但也引发了交互过程中用户信息采纳效率与伦理的双重矛盾：一方面，生成式人工智能通过智能任务协同与认知负荷降低增强用户决策自主性，使得用户高效地搜索目标信息并采纳[36]；另一方面，技术依赖导致的批判能力弱化[37]、算法透明度缺失引发的信任衰减[38]，以及文化语境误判的伦理风险[39]，构成人本服务生态的实践悖论。

生成式人工智能用户信息采纳的影响因素，主要体现在生成式人工智能技术能力和用户感知两方面[40]。在技术能力方面，用户采纳主要受生成式人工智能生成信息质量的影响[41]，全面可用并且易理解的信息能在根本上满足用户的信息搜寻需求[42]。同时，由于生成式人工智能的交互特性，其生成信息的可解释性通过对生成信息的量化展示，间接影响生成式人工智能用户信息采纳[43]。在用户感知方面，用户感知直接决定其采纳意愿，而用户感知可体现为感知信任和感知共识[42]。算法透明度的感知直接影响信任度，而算法素养差异通过自我效能感调节采纳持续性[44-45]。在交互体验中，伙伴型助手的拟人化设计依托控制感与身份认同激活情感依恋，并通过情感共鸣与任务适配性构建信任机制提升推荐接受意愿[46-47]。然而，技术双刃剑效应也逐渐凸显，算法“黑箱”引发的隐私焦虑与文化误判可能削弱主体性感知质量[48]，而过度拟人化导致的认知失调将加剧感受性信任衰减[46-47]。

生成式人工智能用户信息采纳主要分为生产端和消费端两个领域。在生产端，以科研人员为代表的信息生产者对生成式人工智能信息的采纳意愿受感知质量、感知信任、用户期望等多个因素的共同影响，单一的因素并不能主导其采纳意愿[49]。在消费端，生成式人工智能通过内容生成、客户服务、个性化推荐等交互行为，提升消费者接受度与信任度，从而影响后续采纳行为[50]，与生产端的综合作用不同，消费者与生成式人工智能交互体验对其采纳意愿的作用较大[51]。作为消费端重要场景的旅游领域，针对生成式人工智能用户信息采纳的研究尚在探索中，本研究聚焦旅游领域用户信息采纳意愿，以期为该特定场景下的技术应用与用户行为研究提供补充。

1.2 理论基础

1.2.1 精细加工可能性模型

精细加工可能性模型（elaboration likelihood model，ELM）是描述个体决策、态度和行为如何通过信息处理而改变的模型[52]。信息接收者在处理说服性信息时存在两条认知加工路径：一是中枢路径，当接收者有足够的动机和能力时，会深入思考信息内容，如权衡产品的性能、质量等细节，这种基于仔细权衡形成的态度较为持久，对行为的预测性也更强[53]；二是边缘路径，当接收者缺乏动机或能力去仔细思考时，就会依赖边缘线索，如信息来源的可信度、呈现方式等来形成态度，此路径所强调的外部线索是把产品和用户对另一事物的态度联系起来的桥梁，故涵括情感因素[54]。更多时候，中枢路径与边缘路径一起对消费者的态度产生影响。在信息研究领域，信息质量（中枢路径）和信源可靠性（边缘路径）通常被作为消费者是否采纳信息的重要因素进行研究[55]。网络环境下信息质量指的是满足用户需求的核心属性集合，通常包括信息的准确性、相关性、及时性、详尽性4个部分[56]，信源可靠性指的是信息使用者对信息来源所感知到的胜任性与可信性的综合评价，包括胜任性、可信性[57]。

传统ELM基于人际传播或静态网络信息场景，提出中枢路径与理性认知、边缘路径与情感感知的二元划分[52]。但随着智能交互技术的发展，近年研究逐步突破这一边界，指出路径交叉影响的合理性，且在高涉入度的旅游、健康等场景中尤为显著[58]。从中枢路径对情感的跨维度影响来看，作为ELM中枢路径核心的信息质量，不仅作用于认知评估，还能通过认知安全感和控制感间接激活情感反应[59]，这表明，中枢路径的信息属性评估能够作用于情感类结果变量。从边缘路径对认知的跨维度影响来看，ELM边缘路径核心的信源可靠性，不仅能触发情感线索，还可通过信任迁移强化认知判断[60]。旅游直播领域研究也显示，情感回应通过建立情感信任，使用户更倾向于认可信息的实用价值[32,61]。这说明，边缘路径的外部线索可作用于认知类结果变量。此外，旅游场景的“高涉入度、高风险、动态性”特征，进一步强化了这种交叉影响——用户在旅游决策中既需通过中枢路径评估信息内容的实用价值，也需通过边缘路径感知交互的情感安全性，且两者相互渗透[33]。

综上，本研究以该模型为基础，以信息质量和信源可靠性为依据，选取影响用户旅游信息采纳意愿的自变量，并分别归纳为中枢路径和边缘路径两类，使其同时作用于“认知”与“情感”两个变量。

1.2.2 心智感知理论

心智感知理论用于解释用户与人工智能主体互动时感知的潜在机制，主要表现为两个维度：体验维度，即感受各种情感和具有自我意识及独特个性的能力；能动性维度，即一个实体进行思考、规划、自愿行动以及与外界互动和产生影响的能力[62]。一旦人类对机器人的感知相似度增加，并产生试图与机器人建立社会联结的动机，便会触发心智感知，即认为机器比人更加富有思想与情感[63]。随着生成式人工智能迅速发展，在人机交互情境中能动性和体验两个维度又被进一步划分解释：一是主体性感知，即与生成式人工智能能力相关的感知；二是感受性感知，即与生成式人工智能交互过程中所延伸出的情感相关的感知[40]。同时，由于AI具有极高的“黑箱”属性，人们通常相信AI是以预先编程的、客观的、稳定且一致机器式的方式运作，往往更加关注AI准确、一致、稳定等机器性特征，从而形成一种“完美AI”的认知模式，对AI抱有较高的能力期望与信任[64]。

随着生成式人工智能的发展，心智感知也被广泛应用于生成式人工智能渗透的各个方面。在新闻学领域研究中，生成式人工智能正面报道和负面报道的拟人化程度都显著提升了受众对人工智能的心智感知[65]；在人类对机器人的利他行为中，人对机器人的心智感知起部分中介作用[66]；在人机协作领域，作为心智感知的进一步延伸，共享心智模型被提出，其成为引导人机协作团队成员相互理解、协调的关键概念，能有效促进团队合作和任务绩效，验证了人机协作下共享心智模型的可行性与有效性[67]。

同时，心智感知的能动性维度为ELM中枢路径提供了底层动机支撑——个体只有先感知到交互实体具备高能动性，才会产生深入加工信息内容的意愿[62]，进而通过中枢路径权衡信息细节、形成理性认知；而体验维度则为ELM边缘路径提供了情感联结基础——个体对实体“理解情感、产生共鸣”的体验感知[63]，会促使其关注交互中的外部线索，并基于这些线索形成情感体验。进一步地，ELM的双路径可同时作用于认知和情感变量[58]，由此表明，中枢路径并非仅依托能动性维度作用于认知，也能触达体验维度关联的情感；边缘路径并非仅凭借体验维度作用于情感，还可反作用于能动性维度关联的认知。这种适配既保留心智感知“能动性-认知”与“体验-情感”的核心对应，又契合ELM双路径动态特性，为解析生成式人工智能旅游信息交互的认知-情感形成机制提供了理论衔接。

基于此，本研究在ELM的基础上加入心智感知理论从而形成协同框架，从双重路径构建变量体系，形成“认知-情感”双路径驱动模型，为揭示人机协作深层机理提供整合性理论框架。

2 研究假设

本研究基于ELM与心智感知理论的协同框架，构建“认知-情感双路径”驱动模型并推导假设。一方面，生成式人工智能生成旅游信息中详尽性、实时性、个性化的核心质量特征作为中枢路径的核心变量，通过用户对信息内容的深度加工——即理性认知，影响感知有用性，同时基于心智感知的能动性维度触发情感反应；另一方面，将生成式人工智能在信息解释、情感理解与回应的交互特性作为边缘路径的关键线索，通过用户对外部线索的快速加工——即感性认知，影响情感效能，同时基于心智感知的体验维度强化认知判断。最终，感知有用性与情感效能共同影响用户采纳意愿。本研究分别从中枢路径、边缘路径及双路径对采纳意愿的影响提出具体假设。

2.1 中枢路径：信息详尽性、信息实时性与信息个性化

中枢路径强调用户对信息内容的深入思考与理性评估，在旅游信息采纳意愿中，其核心在于生成式人工智能生成旅游信息的高质量性，故生成式人工智能生成旅游信息的质量为旅游用户信息采纳意愿的中枢路径。网络环境下信息质量通常包括信息的准确性、相关性、及时性、详尽性4个部分[56]。信息质量是影响消费者使用意向的重要因素之一，高质量的旅游信息（准确、详尽、实用且具有时效性的旅游内容）有助于消费者做出更精准的决策[68]。生成式人工智能的个性化算法推荐进一步丰富了信息质量的内涵。个性化指的是生成式人工智能凭借其强大的数据处理与分析能力，依据用户输入的各类信息，为每个用户生成高度契合其需求的旅游信息[69]。因此，本研究将生成式人工智能提供的旅游信息质量进一步划分为详尽性、实时性以及个性化，重点将这3个特点作为中枢路径展开研究。

2.1.1 信息详尽性与感知有用性和情感效能

信息详尽性强调信息内容的完整性、深度与逻辑连贯性，涵盖对核心要素的系统覆盖、潜在问题的预判及多维度细节的呈现[70]。其被视为信息质量的核心维度，通过减少信息碎片化与认知偏差，帮助用户构建更精准的决策框架。在线领域中的内容全面性能够显著提升用户对信息实用性的评价，结构化知识的整合与分散信息的系统性梳理可降低用户的认知负荷，使其更高效地评估决策方案的可行性[71]。这种机制在需要高信息密度的场景中得到广泛验证，用户倾向依赖覆盖多维度、多层级的信息源以规避决策盲区[72]。因此，提出如下假设：

H1：生成式人工智能生成旅游信息的详尽性正向影响用户的感知有用性

信息详尽性通过透明化与可解释性设计，缓解用户因信息模糊性产生的不确定感与焦虑情绪[73]。当信息能够清晰呈现逻辑链条与潜在风险时，用户的掌控感与信任感会显著增强。完整信息的提供可满足用户对心理安全的需求，消解因信息缺失引发的负面情绪[74]。这一效应不仅限于功能性场景，还通过情感化设计间接强化用户对技术的依赖。当用户感知到信息无隐藏风险时，其对技术的消极情绪得以转化为安全感或满意度，从而建立深层次的情感联结[75]。因此，提出如下假设：

H2：生成式人工智能生成旅游信息的详尽性正向影响用户的情感效能

2.1.2 信息实时性与感知有用性和情感效能

信息实时性指信息与动态环境的同步更新能力，其本质是确保内容与外部变化的即时匹配[76]。实时性通过情境适配性满足用户需求——动态更新的信息能够持续提供有效的决策支持，从而巩固用户对工具实用性的认可[56]。在需要快速响应的直播环境中，用户更倾向依赖能够反映最新状态的信息源，以优化决策效率[77]。因此，提出如下假设：

H3：生成式人工智能生成旅游信息的实时性正向影响用户的感知有用性

信息实时性通过即时响应与动态交互，满足用户对效率与可控性的心理需求[78]。实时性设计能够缩短行动-反馈周期，通过即时反馈循环，减少等待焦虑，并增强用户的控制感[79]。这一过程不仅提升功能性体验，还通过情感化交互激发积极情绪。当用户感知到技术的高效响应时，其便捷感与安心感被激活，形成对技术的情感依赖[80]。因此，提出如下假设：

H4：生成式人工智能生成旅游信息的实时性正向影响用户对其的情感效能

2.1.3 信息个性化与感知有用性和情感效能

信息个性化指基于用户特征的定制化内容生成，其核心是信息供给与个体需求的高度匹配[69]。个性化服务通过降低信息过载与筛选成本，显著提升用户决策效率[81]。当内容与用户需求精准适配时，其解决问题的直接性与针对性增强，从而强化用户对工具的实际价值感知[82]。这一机制在需要精准决策支持的网购场景中具有普适性，用户更倾向依赖能够理解其独特需求的信息源，以优化决策路径[83]。因此，提出如下假设：

H5：生成式人工智能生成旅游信息的个性化正向影响用户的感知有用性

信息个性化通过满足用户的独特性需求与自我表达诉求，触发深层次的情感共鸣[84]。当技术能够识别并响应用户的个性化特征时，用户会感知到被理解与被重视，从而建立情感联结[85]。个性化服务通过超越工具理性的设计，使用户感受到技术对其需求的深度洞察，进而激发惊喜感或认同感[40]。因此，提出如下假设：

H6：生成式人工智能生成旅游信息的个性化正向影响用户的情感效能

2.2 边缘路径：信息解释与情感理解回应

边缘路径的触发通常源于用户对深度认知加工的动机或能力不足，转而依赖直观、高效的外部线索进行信息评估[52]。而信源可靠性经常作为边缘路径的主要变量，被定义为信源被信息使用者所感知的胜任力、可信性[57]。用户面对海量旅游信息时，往往倾向将信息源的权威性、解释的逻辑性，以及与情感需求契合的互动体验作为信源可靠性的主要评价因素[22]。生成式人工智能在与用户交互过程中往往通过信息解释来展现信息源的权威性与解释的逻辑性，通过情感理解回应来展现情感契合互动[7]。故本研究将用户与生成式人工智能在旅游信息交互过程中的信源可靠性，定义为信息解释的可靠性与情感理解的回应能力。

2.2.1 信息解释与感知有用性和情感效能

信息解释的可靠性是影响用户决策的重要外部线索。其可靠性涵盖信息来源的可信度[87]、推荐者的专业性和权威性[88]等方面。生成式人工智能生成的信息解释更多被定义为机器解释，是指在人机交互过程中，为了帮助人类理解机器决策的依据和过程，通过特定方法提供给人类关于机器学习决策的详细信息，其目的在于凸显其信息来源的可信度与其自身的专业性和权威性，增强人类对机器的信任，促进人机协作的有效开展[7]。机器解释在人机协作中充当着重要的参考线索，对人类的决策行为产生影响[89]。

在互联网发展新业态下，网红博主作为意见领袖，在信息解释中担任专业权威推荐者角色，其提出的旅游地推荐信息对用户认知反应和信息采纳均具有显著正向影响[31]。在旅游信息采纳意愿中，生成式人工智能具备与网红博主相似的功能：通过详尽的机器解释，阐述相关理由，点明旅游信息来源，并进一步延伸拓展，展现信源可信度和推荐者专业性和权威性，由此形成较为完备的信息解释，会对用户的感知有用性产生显著性影响。因此，提出如下假设：

H7：生成式人工智能生成的旅游信息解释正向影响用户的感知有用性

图像、文本内容及表达等信息解释对用户情绪具有重要影响，其中，图像作为最直观的信息呈现方式，具有更强的情绪传染力，而文字更容易在潜移默化中影响用户情绪[90]，进而影响信息采纳和分享行为。同时，直播的兴起，使主播展现的可信性、专业度与知名度等信息解释进一步激发用户的参与度，从而强化情感沉浸[91]。由于上述在其他领域中信息解释对用户情感影响的研究，以及生成式人工智能在旅游信息解释方面所具备的特点和优势，在旅游信息采纳意愿中，生成式人工智能的信息解释有很大可能会对用户的情感效能产生积极作用。因此，提出如下假设：

H8：生成式人工智能生成的旅游信息解释正向影响用户的情感效能

2.2.2 情感理解回应与感知有用性和情感效能

边缘路径所强调的外部线索是把产品和用户对另一事物的态度联系起来的桥梁，从而涵括了情感因素[54]。生成式人工智能的情感理解回应能力是指其能够运用复杂的算法和深度学习模型，精准解析用户在旅游信息交流过程中所表达的情感倾向、情绪状态以及背后潜在的心理需求，并以富有情感色彩和针对性的方式给予回应的能力[14]。生成式人工智能依托算法与训练数据实现用户情感识别与针对性回应[37]。因此，提出如下假设：

H9：生成式人工智能生成旅游信息时的情感理解回应正向影响用户的感知有用性

用户采纳行为研究通常将情感因素包括在内，但其往往作为调节变量，很少作为中介变量直接纳入研究。例如在网络直播受众的信息加工机制和行为研究中，由情感唤醒与愉悦构成的情绪感染作为调节变量，同时对影响受众购买行为的中心路径和边缘路径产生显著影响[61]。但生成式人工智能通过情感理解回应能力实现与用户的实时互动，契合旅游用户需求，并提出针对性解决措施，既是信息生产者，也是情绪传播者，该特性可直接影响用户的情感效能，而非间接反映。因此，提出如下假设：

H10：生成式人工智能生成旅游信息时的情感理解回应正向影响用户的情感效能

2.3 感知有用性、情感效能与用户旅游信息采纳意愿

人机交互情境中用户的旅游信息采纳意愿，主要是指用户在与生成式人工智能交互过程中，基于自身旅游需求、认知水平和以往经验，对生成式人工智能生成的各类旅游信息进行有目的的筛选、评估，判断其可信度、相关性、准确性和实用性，进而决定是否接受，并将其融入自身旅游决策体系，最终影响实际旅游行为的一系列复杂心理与行为活动的总和[22,42]。感知有用性更多地与认知层面相关，而情感效能更多地与情感层面相关，研究将两者进行统一概念化处理，从而构建“认知-情感“双路径驱动模型——用户的认知和情感等因素相互交织，共同作用于最终信息采纳意愿。

2.3.1 感知有用性与用户旅游信息采纳意愿

感知有用性是个体基于自身内在的需求体系、目标导向以及过往积累的经验，对所接触到的事物或信息所蕴含的有助于达成特定目标或满足特定需求的潜在能力的一种主观认知判定[92]。在信息行为研究范畴内，它精准地反映了用户从自身视角出发，对信息价值的个体化评估[93]。在用户信息采纳意愿研究中，感知有用性对信息采纳的直接正向显著性影响，主要集中在医疗健康情境、生活情境、工作情境及社交媒体情境4个情境下，而旅游领域属于生活情境和工作情境的融合部分，用户在旅游信息服务体验中的内容感知有用性，对出游意愿和决策质量有正向影响[94]。生成式人工智能根据用户需求，通过复杂的算法和深度学习模型生成详尽的旅游信息、与用户产生共鸣的话语以及个性化推荐，以此帮助他们更好地规划旅行，提升旅行体验。用户通过对这些旅游攻略信息的综合考量，判断其对优化旅行计划、提升旅行整体品质的实际帮助程度，进而形成对该信息感知有用性的认知评价，并以此为依据进行信息采纳。因此，提出如下假设：

H11：用户的感知有用性正向影响其旅游信息采纳意愿

2.3.2 情感效能与用户旅游信息采纳意愿

情感效能是指个体在特定情境中，其情感状态对自身认知、决策及行为产生影响的能力与程度。它反映了情感不仅仅是一种内在的心理体验，更是能够驱动个体在面对各种信息与任务时，如何感知、处理并作出反应的一种力量[95]。在社交网站健康信息采纳行为研究中，感知信息支持和感知情感支持显著影响用户的信息采纳意愿[96]。同时，满意度、信任感等积极情感效能会进一步影响用户在出游过程中的行为和决策[97]。在社交媒体领域中，用户在移动短视频中所得到的感知娱乐性对用户行为意愿有显著正向影响[98]。生成式人工智能通过精准地感知并捕捉交互过程中所涉及的旅游信息的多元价值维度，并依据情感的特质与强度，积极地激发用户对信息进行深度认知加工。用户对此产生了强烈的共鸣，从而形成情感效能，进而影响其旅游信息采纳意愿。因此，提出如下假设：

H12：用户的情感效能正向影响其旅游信息采纳意愿

本研究通过上述假设，构建了生成式人工智能用户的旅游信息采纳意愿研究的概念模型（图1）。

图1 概念模型
Fig.1 Conceptual model

3 研究设计

3.1 问卷设计

本研究采用问卷调查法收集数据。问卷量表包括8个构念（信息详尽性、信息实时性、信息个性化、信息解释、情感理解回应、感知有用性、情感效能和信息采纳意愿），所有变量的设计均来源已有文献，以保证测量的内容效度，并根据专家意见做了相应修改。问卷中各题项的测量均使用5点Likert量表（表1），1表示“非常不同意”，5表示“非常同意”。

表1 量表设计
Tab.1 Scale design

3.2 数据收集

本研究的调查对象为“使用过旅游相关AI助手且有旅游需求的群体”，其中，常用旅游AI助手包括通用型生成式AI（如豆包、元宝、文心一言）、旅游平台专属AI工具（如携程问道、马蜂窝“AI小蚂”）等。数据采集工作于2024年12月1日至2025年2月28日期间实施，共收到442份样本数据，剔除无效问卷后，最终得到412份有效问卷，有效回收率为93.21%，达到样本容量要求。

4 数据分析与结果

4.1 描述性统计分析

在本研究的样本构成分析中，性别分布呈现出女性占比略高于男性的态势。女性样本为222人，占53.9%；男性样本为190人，占46.1%。这一差异表明，女性在旅游信息获取行为上或许更为积极，对生成式人工智能的应用参与度可能更高，其态度和行为对研究结果的影响值得重点关注。

从年龄结构来看，受访者以45岁为界，形成青壮年（18～45岁，52.9%）与中老年（46岁以上，47.1%）两大均衡群体。青壮年群体以高频次、多元化旅游需求为核心，普遍依赖社交媒体、旅游App等数字化渠道获取信息，偏好社交分享型及家庭出游场景，注重信息整合的高效性与个性化，是旅游决策的活跃消费主力。中老年群体则呈现品质化与适老化特征，更关注康养疗愈、文化深度体验等慢旅行场景，重视目的地服务细节，对信息获取的便捷性要求较高。其中，55岁以上银发群体占比达24.3%，其凭借充裕的闲暇时间与提升生活品质的需求，成为潜力巨大的旅游市场增量，凸显“银发经济”在旅游领域的崛起。

旅游频率方面，每月多次旅游的占12.1%，每月一次旅游的占比达30.8%，每季度一次旅游的占28.6%，每年一次旅游的占18.0%，很少旅游的占10.4%。高频次旅游人群（每月多次和每月一次）占比近半，该群体由于旅游活动频繁，对旅游信息的需求更为持续和多样，生成式人工智能能否精准、高效地满足其个性化信息需求，对这部分人群的信息采纳意愿影响重大。而低频旅游人群在信息需求的及时性和深度上与高频人群存在差异，其对生成式人工智能生成的旅游信息的依赖程度和采纳标准也有所不同。

在旅游中，生成式人工智能使用频率较高和非常高占比37.6%，反映出大部分用户将此类工具主要应用于旅游规划阶段，这可能与旅游规划对信息全面性、前瞻性的高要求相关，用户期望借助生成式人工智能提升规划效率和质量。

综上所述，本研究样本在多个维度呈现出的分布特征与当前旅游市场中年轻群体引领旅游消费潮流、旅游方式日益多元化、技术应用不断深化的发展趋势高度吻合。这些特征为深入探究生成式人工智能用户旅游信息采纳意愿的影响机制提供了坚实的数据基础，有助于精准剖析影响因素和作用路径，为旅游行业的智能化发展提供有针对性的策略建议。人口特征统计见表2。

表2 人口特征统计
Tab.2 Demographic characteristics

4.2 信效度分析

4.2.1 信度分析

在本研究中，主要因素均通过量表的形式进行测量，因此，对测量结果的数据质量进行检验是保证后续分析具有意义的重要前提。正式问卷整体的Cronbach’ s α系数为0.976，远高于0.7的标准。由表3可知，信息详尽性、信息实时性、信息个性化、信息解释、情感理解回应、感知有用性、情感效能以及采纳意愿各维度的Cronbach’s α系数分别为0.875、0.872、0.859、0.813、0.848、0.834、0.835、0.833，均远大于0.7，说明量表各维度信度较好。整体来讲，本次研究所使用的量表均具有良好的内部一致性，信度较好，可以进行下一步分析。

表3 组合信度和收敛效度分析
Tab.3 Composite reliability and convergent validity analysis

4.2.2 效度分析

由表3可知，信息详尽性、信息实时性、信息个性化、信息解释、情感理解回应、感知有用性、情感效能、采纳意愿的标准化因子载荷接近或大于0.7，说明各变量具有良好的聚合效度。与此同时，所有维度的组合信度（compositer reliability，CR）值均大于0.8，平均方差提取量（average variance extracted，AVE）值均大于0.5，进一步证实了变量内部的一致性信度和收敛效度处于较高水平，说明该题项对相关变量的测量具备高度的可靠性与有效性，为研究准确获取变量信息提供了有力保障。

本研究通过对比各变量的AVE平方根与变量间相关系数，对区分效度进行了精确评估。由表4可知，各变量的AVE平方根均大于变量间的相关系数。这充分表明，各个变量之间具有良好的区分度，在测量过程中能够相互独立，有效避免了概念的重叠与混淆，从而保证研究结果的准确性和可靠性，为后续深入分析变量间的关系提供了清晰、准确的数据基础。

表4 区分效度分析
Tab.4 Discriminant validity analysis

注：矩阵中下三角区域为变量间相关系数，对角线上的黑体数字为变量AVE的平方根。

4.3 结构方程模型与假设检验

4.3.1 模型拟合度检验

本研究模型的拟合度指标显，方自由度比为2.685，介于1～3的严格标准范围内；RMSEA值为0.064，低于0.08的“良好拟合”阈值；GFI（0.834）与AGFI（0.806）均超过0.8的基础门槛，而CFI（0.887）、IFI（0.888）、TLI（0.876）虽略低于0.9的理想值，但均高于社会科学研究中广泛认可的0.85可接受水平[112]。需要说明的是，当前模型在误差控制和协方差匹配度等关键指标上表现稳健，且理论路径系数均符合预期方向，考虑到过度追求统计适配性可能削弱理论效度[113]，本研究认为该模型具备初步解释力。作为该领域的探索性研究，此结果为后续理论深化提供了基线框架，未来将通过扩大样本和优化题项表述，进一步提升测量精度。

4.3.2 路径检验

本文运用Amos26.0对生成式人工智能用户采纳意愿的影响机制进行分析，

从结构方程模型标准化参数估计值（图2）、假设检验结果（表5）以及人口特征差异分析结果可知，本模型的大部分假设得到验证，表明生成式人工智能用户的信息采纳意愿可以通过ELM和心智感知理论的协同框架进行解释。用户对生成式人工智能的感知有用性和情感效能受中枢路径（H1、H2、H3、H6）和边缘路径（H7、H8、H9、H10）的影响，经由心智感知加工获得对生成式人工智能及其生成的旅游信息的整体性评价，进而影响用户的信息采纳意愿（H11、H12）。

表5 结构方程模型假设检验结果
Tab.5 SEM hypothesis testing results

图2 标准化参数估计值
Fig.2 Standardized parameter estimates

第一，中枢路径呈现差异化驱动与个性化悖论。在感知有用性维度，信息详尽性（p＜0.001）与实时性（p＜0.001）对感知有用性具有显著正向影响，H1、H3成立。表明当生成式人工智能生成的旅游信息具备更高完整度与更新时效性时，用户对其在旅游规划中的实用价值感知显著增强。此结果与内容全面性提升信息实用性的现有结论一致[71]，并进一步拓展了动态信息时效性优化决策效率的理论框架[77]，从而强化了高质量信息在理性决策机制中的核心作用。然而，信息个性化对感知有用性呈现显著负向影响（β=-0.333，p＜0.001），H5不成立。这种“个性化悖论”的核心原因在于“拟人化心智感知”用户对“算法操控”的敏感度显著高于普通算法推荐——以往情境中用户仅将技术视为“工具”，而生成式人工智能的交互性使其被感知为“协作主体”[8]，个性化推荐反而引发隐私焦虑与“选择过载”，抵消了其功能价值。值得注意的是，该发现补充了电子商务场景中用户对算法推荐的行为研究[83]，揭示了旅游决策中用户对“算法操控”的特殊敏感性。在情感效能维度，信息详尽性（p＜0.001）与个性化（p＜0.001）均显著正向影响用户情感效能，H2、H6成立。表明当生成式人工智能能够生成满足用户深层认知需求的信息时，可有效激活积极情感反馈。该结果不仅支持信息透明化促进情绪转化的理论框架[75]，还进一步验证了算法个性化特征识别对情感联结的建构作用[85]，揭示了技术赋能的共情机制。然而，信息实时性对情感效能无显著影响（p=0.257），H4不成立。这可能源于实时性主要满足时效性需求，而非直接触发情感共鸣。这一发现也为实时信息必然缓解用户焦虑的既有结论提供了新的研究视角[79]，提示生成式人工智能需平衡信息深度与用户心理接受度。

第二，边缘路径形成专业信任与情感认同的双重赋能机制。在感知有用性维度，信息解释（p＜0.001）与情感理解回应（p＜0.001）均显著提升用户对生成式人工智能的实用性评价，H7、H9成立。表明当生成式人工智能能够生成逻辑自洽的解释框架，并精准识别用户情感状态时，其信息采纳价值感知显著增强。这一发现不仅延伸了意见领袖解释逻辑强化说服效果的理论[31]，更将双路径模型中的边缘路径情感机制成功迁移至人机交互场景[54]，揭示了情感线索在理性决策中的隐性驱动作用。在情感效能维度，信息解释（p=0.023）与情感理解回应（p＜0.001）同样呈现正向影响，H8、H10成立。这表明解释性信息通过降低认知不确定性增强情感沉浸度，而情感适配回应则直接激活用户共情反馈，二者共同构成人机交互愉悦度的核心提升路径。此结果不仅验证了解释性内容驱动情感投入的跨场景普适性[91]，更推动了对经典情感效价理论的范式突破探索——在智能系统语境下，情感效能从调节变量重构为中介变量[61]，为技术赋能的情感计算研究提供了新的因果链模型。

第三，“认知-情感”双路径驱动用户采纳意愿。感知有用性（p＜0.001）与情感效能（p＜0.001）均显著正向驱动用户对生成式人工智能旅游信息的采纳意愿，H11、H12成立。研究表明，用户采纳决策并非单一理性或感性主导，而是认知评估与情感效能的动态耦合结果。在认知层面，用户对生成式人工智能的感知有用性评价影响其采纳意愿，其作用机制与个体化价值评估框架相契合[93]，进一步揭示旅游场景信息动态精准适配能力是感知有用性差异化的核心驱动力；在情感层面，情感效能通过技术焦虑缓解与心理认同强化双重机制提升采纳动机，此发现不仅延伸了感知愉悦性驱动行为意图的经典模型[98]，更凸显智能系统中情感因素的功能依附性，即情感价值传递需以技术可靠性为信任基底，从而实现效率-情感的平衡。该双路径模型也为生成式人工智能的心智感知研究提供了动态交互视角的理论补充[40]。

通过独立样本t检验和单因素方差分析，进一步考察分类变量的显著性差异，在性别方面，性别对信息采纳意愿无显著影响（t=1.129，p=0.260），表明性别并非用户采纳意愿的关键区分维度。在年龄方面，18～25岁群体的采纳意愿显著高于46～55岁（p＜0.001）和55岁以上群体（p＜0.001），可见年轻用户对生成旅游信息的主动采纳倾向更强，这是因为年轻用户具备更强的生成式人工智能技术熟悉度与信息处理能力，能高效通过中枢路径强化对旅游信息的感知有用性、通过边缘路径激活情感效能，且其高频多元化旅游需求与生成式人工智能生成信息的特性较为适配。而中老年群体的技术适应障碍或信息处理能力差异可能导致其采纳意愿显著偏低。在旅游频率方面，每月多次群体的采纳意愿显著高于每年一次群体（p＜0.001），表明旅游经验越丰富的用户对生成旅游信息的依赖度和敏感度越高，而低频用户的决策惰性或信息筛选能力不足，可能抑制其采纳意愿。在生成式人工智能使用频率方面，使用频率非常高的群体采纳意愿显著高于使用频率非常低的群体（p＜0.001），反映信息采纳程度与技术使用频率呈正相关，同时，生成式人工智能在执行过程中的持续支持更能使用户提升信息价值感知。

5 结论与启示

5.1 研究结论

本文基于ELM与心智感知理论，构建“认知-情感”双路径驱动模型，通过结构方程模型对生成式人工智能用户的旅游信息采纳意愿展开实证研究，深入探讨技术特性、用户认知、情感与采纳意愿的交互影响机制，得到结论如下。

生成式人工智能生成旅游信息对用户采纳意愿的影响机制，本质上是其“动态信息生成”与“情感化交互”核心技术特性，与用户认知-情感加工过程深度适配的系统过程。具体而言，生成式人工智能通过动态整合多源数据生成详尽性、实时性和个性化的信息，触发用户基于ELM的中心路径理性加工并作用于情感感知，形成对信息实用价值的感知有用性判断和情感效能；同时，依托信息解释与情感理解回应，激活ELM边缘路径的感性加工，构建用户的情感效能体验，并影响用户的认知判断。由此形成“认知打底、情感增量”的协同逻辑传导，二者共同驱动最终采纳意愿。

此外，该机制存在显著群体异质性：年轻用户、高频游客与高频生成式人工智能使用者更易激活“双路径协同”加工，而中老年用户、低频游客与低频生成式人工智能使用者则更依赖中心路径的信息可靠性判断，形成因用户技术熟悉度、旅游经验差异而变化的机制边界。

5.2 理论启示

其一，拓展了ELM在智能交互场景中的应用边界。本研究将其引入生成式人工智能生成旅游信息的人机交互情境，明确中枢路径与边缘路径对用户采纳意愿的差异化作用机制，并进一步发现信息个性化对感知有用性的负向“个性化悖论”；同时，将“情感”变量从ELM传统研究中的调节变量重构为中介变量，实证其与感知有用性共同构成“认知-情感”双路径驱动采纳意愿，完善了ELM在智能系统信息加工场景下的理论适配性，为该模型在人机交互领域的应用提供了新的分析视角。

其二，细化了心智感知理论在旅游信息采纳领域的应用维度。本研究基于心智感知理论“体验-能动性”双维度核心框架，将其具体映射为生成式人工智能旅游信息场景下的情感效能与感知有用性，并通过ELM双路径建立两者与生成式人工智能技术特性的关联机制。这一过程实证了心智感知的两个维度在人机交互信息采纳中并非独立作用，而是通过中枢路径与边缘路径的协同，实现了认知与情感的协同驱动，填补了心智感知理论在旅游细分场景下与信息加工模型结合的研究空白，为该理论在智能旅游服务领域的应用提供了可操作的分析框架。

其三，深化了生成式人工智能在旅游场景信息采纳领域的理论认知。本研究立足旅游信息搜寻高动态性、碎片化、强体验导向的独特属性，以及旅游决策高感知风险与不确定性的核心特征，揭示了生成式人工智能生成旅游信息的独特机制。一方面，生成式人工智能动态整合多源数据的技术特性，通过信息详尽性与实时性的精准供给，有效降低了旅游信息搜寻中的信息缺口与决策不确定性，回应了旅游场景对信息时效性、完整性的特殊诉求；另一方面，生成式人工智能情感化交互的独有优势，通过信息解释的可靠性与情感理解回应的适配性，既缓解了旅游决策中因信息不对称产生的感知风险，又满足了旅游体验中情感共鸣的隐性需求，凸显了生成式人工智能信息采纳研究中“情感价值”的重要性。同时，本研究发现的“个性化悖论”，本质是旅游决策中“算法操控焦虑”与“情感认同需求”的矛盾体现，为理解生成式人工智能个性化服务在高风险决策场景中的应用边界提供了新视角，也为后续探讨旅游场景下生成式人工智能技术特性与用户决策风险感知的适配机制奠定了理论基础。

5.3 实践启示

5.3.1 信息生产层：以中枢路径变量驱动精准供给与可信管理

在信息生产层面，需围绕中枢路径核心变量——信息详尽性与实时性构建精准化旅游信息供给体系，结合文旅产业“文化+旅游”的融合逻辑与数据资产价值，通过算法信任增强机制应对“个性化悖论”，实现精准供给、文化传承与算法透明性的三重提升。

在精准化与文化赋能的信息供给体系方面，需建立覆盖用户行为、实时环境、供应链及文化资源的多源异构数据整合机制，通过知识图谱实体对齐与关系推理技术，生成结构化的旅游场景知识库。借助生成式人工智能技术对历史文化资源进行深度挖掘与活化，将地方历史文脉、民俗风情转化为可感知的旅游信息，既丰富信息详尽性，又推动传统文化的创造性转化。同时，部署增量学习驱动的动态适配系统，贯通文旅资源开发、营销、消费反馈的全产业链数据流动，将静态信息供给升级为上下文感知的智能响应系统，精准匹配游客游前-游中-游后的动态需求，提升旅游信息采纳率与决策可靠性。针对文旅产业的场景特殊性，研发行业垂直大模型，通过知识蒸馏，将旅游专业知识、文化背景嵌入模型训练，解决通用算法对细分需求适配不足的问题，提升信息生成的精准度与文化深度。

在算法信任增强机制方面，首先需充分发挥旅游信息解释的核心作用，开发可解释性推荐系统，通过交互式逻辑编辑器实现算法权重可视化调整，以决策图谱动态展示推荐依据，降低算法黑箱引发的不确定性。其次，设计动态权限管理模块，允许用户自主选择数据共享范围，对游客行为数据进行匿名化与去标识化处理，严格管理数据生命周期，缓解隐私焦虑。最后，引入第三方可信度锚定机制，接入文旅部门权威数据库标注景区评级、服务质量等信息，采用对抗性训练消除算法偏见，避免“大数据杀熟”与地域文化歧视，确保技术输出与公共利益一致。同时，建立人机协同的信息审核体系，通过人工校验与机器筛查双重保障，过滤虚假信息与数据噪声，提升文旅信息的真实性与可靠性。此外，明确数据资产归属，健全数据确权与保护机制，为文旅数据的安全流通与价值转化提供制度保障。

5.3.2 交互设计层：以边缘路径变量激活情感效能与可控体验

在交互设计层面，需基于信息解释与情感理解回应的核心作用，构建“情绪识别-可控推荐-沉浸体验-包容适配”的4级技术架构，契合文旅消费从“物质满足”向“价值体验”的升级需求，实现用户认知效率、情感效能与群体包容性的协同优化。

首先，部署多模态情绪识别与动态适配系统，整合语义分析、情感解析及行为特征挖掘，构建用户情绪状态实时评估模型。针对理性需求场景采用结构化信息呈现策略，针对感性需求场景自动触发情感支持模式，动态调整交互话术与解决方案。同时，可引入数字人导游服务，为游客提供定制化导览讲解、行程规划等服务。数字人全天候即时应答的特点能够提升游客探索意愿，其独特的跨语言能力有助于促进游客的文化认同。最后，需结合消费模式从从AIDMA（attention-interest-desire-memoryaction，注意-兴趣-欲望-记忆-行动）到AISAS（attention-interest-search-action-share，注意-兴趣-搜索-行动-分享）的转型趋势，在交互中嵌入分享功能，方便游客将行程亮点实时传播至社交平台，形成价值共创[114]。

其次，设计可控个性化推荐引擎，允许用户通过滑块自定义“价格敏感度”“亲子设施优先级”“文化体验偏好”等参数，实时生成推荐列表，并可视化展示参数影响，通过透明化解释权分配缓解算法操控焦虑。针对不同消费群体优化交互适配，如为Z世代游客提供元宇宙、虚拟现实大空间等沉浸式体验场景，通过数字孪生技术构建虚拟旅游空间；为银发群体开展适老化改造，开发一键预约、语音导览、紧急呼救等便捷功能，将复杂文旅信息转译为易懂形式，消弭数字鸿沟。

最后，集成增强现实与空间计算技术，开发情境感知型决策支持界面，基于实时定位与地图构建算法实现虚实场景动态融合，使得用户扫描行程标签即可查看3D全息模型叠加实时人流热力图，支持手势缩放、语音问答及触觉反馈，将信息的认知负荷转化为空间化、多通道的交互信息解释辅助。同时，支持游客深度参与体验设计，从被动接收者转变为服务共创者，通过反馈迭代优化信息推荐与场景体验。

5.3.3 生态治理层：以双路径协同平衡技术创新与伦理风险

在生态治理层面，基于用户旅游信息采纳的影响因素与机制，融合“技术赋能、制度约束、伦理审查、多元共治”的协同逻辑，构建人本导向、包容可持续的治理框架，契合文旅融合高质量发展的要素融合、结构协同与制度创新支点。

技术侧采用隐私增强型计算框架，在保障用户等之前需列两项敏感信息安全的前提下，优化信息实时性指标；同时，部署可解释性人工智能技术，生成算法决策的透明化报告，阐明关键变量权重与逻辑链条。

制度侧建立动态化标准体系，针对中枢路径设定景区客流、交通信息的更新时效阈值，同时，需特别规范边缘路径的情感交互边界，明确禁止过度拟人化与诱导性表达，强制要求旅游产品价格构成、退改政策等关键信息的完整披露，并将其纳入行业服务质量认证体系。

伦理侧实施分级风险管控机制，成立多方参与的治理委员会，构建“政府-企业-平台-游客”的多元责任共同体，重点审查两类问题：一是中枢路径可能导致的信息过载风险，通过信息分级折叠与优先级排序策略优化内容密度；二是边缘路径潜在的情感操控倾向，设定情感交互的频率上限与话术禁区，禁止诱导性语言设计。此外，需建立常态化技术影响评估机制，系统性监测算法公平性，防范地域偏见与价格歧视风险，确保技术应用始终遵循公共利益优先原则，实现技术创新与社会价值的动态平衡。

5.4 局限性与未来展望

本研究的局限性主要体现在3方面：首先，样本中低频旅游用户与低频生成式人工智能使用者比例较低，可能导致研究对极端场景下用户采纳意愿的解释力不足；其次，横截面数据难以揭示用户与生成式人工智能动态交互中认知-情感路径的演变规律；再次，未充分解析旅游细分场景差异及技术焦虑等调节变量的群体影响机制。未来研究需从多维度深化，在理论层面，应追踪人机持续交互中的决策机理演化，并构建适用于高涉入度场景的需求-技术适配模型；在实践层面，需重点开发多模态环境下的伦理化服务配置工具，如基于隐私-效用感知阈值的动态优化系统，以实现效率与伦理的协同平衡。

图片来源于微信公众平台AI配图

文章发表于《旅游学刊》2026年第9期，脚注、参考文献略。

责任编辑 || 吴巧红

责任校对 || 周小芳

技术编辑 || 罗珺琛 山东大学管理学院 硕士研究生

封面图片 || 图片来源于微信公众平台AI配图

图片如有版权保护请与我们联系，E-mail: lyxk@vip.sina.com

旅

游

学

刊

Tourism Tribune

国家社科基金资助期刊

中国最具国际影响力学术期刊（人文社科类）

 全国中文核心期刊
中国人文社会科学期刊AMI综合评价 （A刊）权威期刊
《中文社会科学引文索引》（CSSCI）来源期刊

欢迎转载，转载请联系《旅游学刊》编辑部授权

（lyxkwx@163.com）

点我访问原文链接