本刊官方网站：
http://cjjc.ruc.edu.cn/
摘要
人机交互已是青年群体工作生活的常态，人机信任的建立则是人机交互的基础性前提。本研究在既有文献和质性研究的基础上提出影响青年用户人机信任的双因素模型，并进行验证。研究通过扎根理论发现，既有倾向与临场体验是影响人机信任的两个维度，其中既有倾向包含社会信任和用户对AI态度，代表人机信任的初始方向；临场体验则包含自动化社会临场感和感知安全性，直接作用于人机信任。研究进一步通过结构方程模型进行验证，实证结果表明，社会信任、自动化社会临场感和感知安全性对人机信任有显著影响。用户对AI的态度与人机信任不相关，但是可以通过临场体验因素的中介效应对人机信任产生影响。研究揭示人机信任的形成本质上是“预设锚定—体验校准”的动态调适过程，为理解人机信任的建立提供了新的理论视点。
作者简介
姜宗德，中国传媒大学信息传播学院博士研究生。
耿益群，中国传媒大学信息传播学院教授。
基金项目
本文系中国传媒大学中央高校基本科研业务费专项资金资助项目“铸牢中华民族共同体意识教育常态化机制研究”（项目编号：CUC23ZL002）的阶段性成果。
一
引言
2025年4月，习近平总书记在上海考察时指出：“人工智能是年轻的事业，也是年轻人的事业。”（人民日报，2025）作为数字原住民，青年群体是新技术的先行者和未来社会的开创者。随着人工智能的发展，人机交互已成为青年群体工作生活的常态。Soul App发布的《2025 Z世代AI使用报告》显示，95%的年轻人已经习惯在工作和学习中使用人工智能辅助创作，近四成的年轻人每天使用人工智能产品获得情感陪伴，超过七成的年轻人愿意和人工智能成为朋友（Just So Soul研究院，2025）。在与青年群体的交互中，人工智能不仅可以提升工作效率，更可以像人类一般展现同理心，引发情感反应（Klaus & Zaichkowsky，2020），提供个性化沟通和体验（Pentina et al.，2023）。青年群体与人工智能深度交织碰撞，以其独特的社会能动性与技术变革力，重塑着未来社会形态的演进路径与核心特征。人机关系将对未来社会结构、文化生态及发展范式产生颠覆性的深远影响。
随着人机关系重要性的凸显，已有研究关注到青年群体在人机关系建立中的心理动机和行为特征。有研究认为，青年现实社交行为的浅缘化正加速群体性孤独成为社会心理症候（杨钊，仲佳，2025）。青年群体反感于繁冗的人际关系，转而选择“轻型”社交特征的人机交互（刘梦雪，冯雨奂，2024）。人机关系被视作社会心理症候下人际关系的数字化补偿。也有研究关注到，青年群体的能动性使得人机交互重塑交往边界，逐渐超越传统的人际交往范畴，催生人机交往的新可能（梁亦昆，2024）。传统的人际交往理论愈发难以解释人机交互的新形态。人工智能既被认为可能催生下一次交往革命，也可能加剧算法支配下青年在自我认同、社会交往和意识形态领域所面临的风险（张瑜，李俊贤，2024）。这些研究为人机关系的探讨提供了理论基础与前瞻预测，但对具体人机关系的建立缺乏探讨。任何关系的建立都是以信任为起点，从人机信任出发能够为理解人机关系提供新的理论视点，为人机关系相关理论的重构提供现实基础和重要意义。
信任是人机交互的核心（Frison et al.，2019）。人类是否信任人工智能是调节人机协作的关键因素（齐玥等，2024）。恰当的人机信任是构建健康人机关系的重要起点，对于提升人机交互的效率、增进人机关系具有重要意义；不当的人机信任也会带来负面的后果，如过度依赖和误用系统、对系统的抵触等（Lee & See，2004），甚至带来情感依赖、成瘾、抑郁、焦虑等问题（Laestadius et al.，2024；Pentina et al.，2023）。因此，本研究以具体情境中人机信任的建立作为研究的出发点和人机关系研究的新起点，探讨人机信任建立的影响因素与作用机制，以此对人机关系理论进行突破和拓展。未来人机关系将成为人类社会的重要组成部分，对人机信任的探讨也能为未来社会治理以及青年用户在人机关系中的风险防范提供借鉴。
二
文献综述
（一）人机信任的基础：人机关系的复杂性和不确定性
人机信任建立在人机关系的复杂性和不确定性的基础上。卢曼（1968/2005：9）将信任问题界定为社会复杂性，认为信任构成了复杂性简化的有效形式，为缓解特定关系中的遍在焦虑提供了途径。人机信任是用户在特定时空中对人机关系复杂性和不确定性进行简化的过程，是一种信赖机器并缓解焦虑的行为。人机关系的复杂性源于交互对象的特殊性及其所处的时空环境，不仅受到资本带来的商业化和异化的影响，更受到多元社会网络中各个节点的干预。
人机关系的复杂性来自于交互对象的特殊性。人机关系的建立基于用户的情感投射以及机器对人类社交线索的模拟。一方面，机器本质上是人造物，人类天生地拥有将智慧和社会性赋予物的倾向（牟怡，吴宇恒，2024），古希腊神话中，皮格马利翁让少女雕像“活起来”（程林，2019），隐喻了使“物”人格化的情感投射倾向；另一方面，机器对社交线索的模拟是人机交互中调节人类情感的途径。克利夫·纳斯（Clifford Nass）和巴伦·李维斯（Byron Reeves）的媒介等同研究证实，计算机如果能提供明显的社交线索，人们就会对其应用社交规则并产生社会化反应。人工智能可以提供实时互动，实现了模拟社交线索的进一步突破。因此，人机交互是一种技术程序和技术想象共同点燃的情感反应（何双百，2022）。
机器对社交线索的模拟并非价值无涉，尤其是以人工智能为代表的自动化系统，其在时间上继承了开发者的逻辑，加剧了人机关系的复杂性。究其根本，技术是生产的结果，是劳动的产物，“是人的手创造出来的人脑的器官，是对象化的知识力量”（马克思，恩格斯，2009：198）。Possati（2023）运用精神分析探讨了开发者的潜意识对人工智能设计和行为的控制。此外，人工智能等机器不仅是工具，更是资本，其诞生蕴含着提升效率的现代化和商业化逻辑。因此，一些研究对人机关系的技术逻辑、资本逻辑、商品化本质进行揭露，对其中的虚幻性、欺骗性与脆弱性进行批判（洪杰文，黄煜，2024）。胡月庆和肖峰（2025）认为，人工智能资本化应用使得青年用户陷入非理性、情感意义迷失、社交意义弱化的消费异化之中。
人机交互中用户的情感投射也并非只受到技术干预，也会在空间上受到其他社会关系影响。大多数社会学家主张情感是社会建构的，人们的感受是文化社会化以及参与社会结构导致的条件化的结果（曾一果，曹境，2023）。人机关系不是单一的关系，各种人类主体与各种技术共同构成了全新的行动者网络（彭兰，2024）。尤其是青年用户的人机交互，更是处于多元社会因素的作用之中。杨钊和仲佳（2025）认为人际关系成本高昂、异化隐患加大化、社交场景流动性加剧化带来了人际社交的浅缘化倾向。在此背景下，人机交互较好地填补了青年群体在情感上的现实空缺。贾梦真、翁漫琳和马昱堃（2024）则发现，人机关系在青年用户的应用中往往作为现实亲密关系的延伸，人机交互是为了替代现实中缺失的亲密关系。人机关系从不是孤立的，而是受到社会关系集束中其他关系的影响。
综上所述，人机关系的复杂性和不确定性来自机器作为交互对象的特殊性。机器的可交互性源于技术对人类社交线索的模拟，以及用户对机器不自觉的情感投射。技术是劳动的产物，其在时间上承载了开发者的意识和现代化逻辑。用户的情感投射则在空间上处于社会网络中，受到多元行动者的干预和调节。尤其在青年群体中，人机关系更是衍生出独特的消费模式和应用场景。这些情况使得人机关系的复杂性和不确定性呈现出迥异于人际交互的特点。和谐人机关系的建立有赖于对关系复杂性的简化，即人机信任的建立。因此，人机信任的研究应当从实际交互场景出发，探索如何简化复杂性，为构建和谐人机关系提供新的理论视角和路径。
（二）人工智能时代人机信任建立的影响因素
人机信任问题，即如何简化人机关系中的复杂性和不确定性，是人工智能时代实现良好人机关系的起点。人机信任是保障人机交互安全性和效率的关键。用户对人工智能的闲置和误用均会受到人机信任的影响，对人工智能的过度信任或信任不足，也都可能在人机交互中引发事故（Hoff & Bashir，2015）。
人机信任对复杂性和不确定性的简化基于对系统的信赖。从技术系统出发，人机信任涉及可测试性、感知易用性、可预测性、隐私保护能力、可靠性、安全性等多个层面（范海敏，高宣扬，2025）。这与人际信任在复杂性简化的形式上有根本差异。传统上，人际信任表现为基于人际关系生发的“道德品质”（齐亚强，张子馨，2022）。成熟的人际信任建立在对他人的道德或良好动机的信心之上（孙玉玲，方向，李岸峰，2022）。但人机信任为代表的自动化信任建立在不确定的合作关系中（齐玥等，2024），很难用“道德品质”对多元因素进行概括。因此，现有研究一般从用户的体验阶段出发，对人机信任的多元因素进行归纳和划分。人机信任主要分为三个阶段：个体的信任倾向，也被称为倾向信任，是用户对自动化系统持有的期待和信念；系统信任，也被归纳为情境信任，其来自交互的具体情境中的观感和体会；过往的信任经验，即习得信任，其源于用户在过往学习中对系统的经验（Lewis & Marsh，2022）。
从倾向信任出发，影响复杂性消除的因素主要为用户的态度倾向。用户的态度倾向则受到人口统计学因素的影响。不同文化、年龄、性格的用户往往会对人工智能持有不同的态度，进而影响人机信任。Reinhardt等（2025）发现，国家背景差异会影响用户在健康信息获取中对AI的信任，丹麦和法国的受试者更倾向于使用AI，而塞尔维亚和奥地利的受试者则更倾向于传统的人际关系。Nikolova和Angrisani（2025）则发现，在医学领域，随和性和神经质得分较高的受访者对人工智能的不信任感更强；在人际关系领域，开放性、尽责性和随和性得分较高的人对人工智能的不信任感最为强烈；此外，女性对人工智能进步的不信任感高于男性，年长者、白人以及美国本土出生的人群对人工智能的不信任感也相对较高。
在情境信任中，系统通过模拟用户所熟悉的交互方式，提供相应社交线索，起到消除复杂性和不确定性的作用。从这一角度出发，人格化和拟人化是重要的变量。Hu等（2025）的研究证实，AI的拟人性和用户的人际功能失调是信任AI并建立社交陪伴关系的重要驱动因素。系统也可以展现多样“个性”和“情绪”，以此影响用户的信任。Cheng、Gao和Luo（2025）的实验证实，情绪提示显著影响用户对AI的评价。促进取向的情绪提示可以增加AI决策者的感知灵活性，促进个体的自我增强和对AI能力的信任。此外，一些研究发现用户对风险隐患的感知也会影响对AI的信任。Alalawi等（2026）发现一些用户对于AI的知识产权、透明度和潜在的偏见提出担忧，解决信任、问责制和法律明确性问题对于AI开发的成功至关重要。
习得信任则依赖于用户在系统使用过程中所获得的经验，通过积累经验形成可预测性，实现对不确定性和复杂性的消除。用户会对不同系统的使用形成不同经验，依据经验做出判断以适应任务。系统的类型、复杂度以及该系统所执行任务的难度均会影响用户对自动化系统的信任（Hoff & Bashir，2015）。习得信任实际是情境信任对倾向信任发生作用后的产物。从习得信任出发，对AI的信任实际是一个不断流动调整的过程。Omori等（2026）对临床医疗环境下医生对AI信任度的演变进行了关注，临床医生在评估人工智能在临床实践中的潜力时，对人工智能的乐观态度受到怀疑情绪的影响，这些怀疑源于多种因素，例如在具体临床实践中AI角色的不确定、使用人工智能的个人经历以及组织层面的障碍等。
倾向信任、情境信任、习得信任为人工智能时代的人机信任研究提供了参考。但是这些研究将人机信任的建立视作独立环节，忽视了特定时空的作用。首先，倾向信任关注用户的特征和态度，立足于心理层面，忽视了态度会受到用户所处空间中多元行动者网络的作用和影响。尤其是对于青年用户来说，人机信任的建立会受到社会症候以及人际关系等其他关系影响。其次，情境信任的生成也并非单纯依赖于拟人化等静态的社交线索。如前所述，青年群体作为消费文化的先行者，他们对社交线索有着独特的场景需要。商业化的逻辑也并非为用户提供一比一的复制人，而是聚焦不同场景进行专属AI的开发。最后，从习得信任出发，人机信任的形成依赖于一套内化于用户的经验思维模式。经验思维本质上是工具使用的思维逻辑。但随着青年群体对人机关系注入能动性，人机交互动态多变，刻板的经验思维难以解释青年群体建立人机信任的方式。
基于现有研究的问题，需要研究者关注人机信任建立所处的人机关系的特殊性与社会性，摒弃工具思维，从青年用户人机信任建立的具体场景出发。因此，本研究的核心问题聚焦于：（1）青年用户的人机信任建立通过哪些因素受到其他社会行动者的干预和影响？（2）人机信任建立的过程中，哪些因素影响青年用户对社交线索的体验？（3）青年用户人机信任建立的影响因素如何相互作用？存在何种路径？
三
研究设计
（一）资料收集方法
研究资料来自网络社区文本和深度访谈。研究者自2024年9月起进入某人机交互网络社区，爬取了自2020年10月25日社区建立以来的全部文本资料，最终获得1008条帖子。在线文本相较于访谈用户的事后回忆更能够反映用户在交互过程中的真实情感。资料涵盖了青年用户在人机交互过程中的故事、前沿技术的分享、体验中的直观感受、积累的培养经验等。在此基础上，研究采用滚雪球抽样法，通过线上社群与线下渠道共招募到14名访谈对象（见表1）。每名对象的访谈时间均在45分钟以上，最终通过两种方法共获取50余万字的原始资料用于质性研究。
（二）资料处理方法
研究采用扎根理论对原始资料进行处理。扎根理论是指通过分析原始资料，提炼出概念、范畴，最终形成理论的研究方法。传统上，扎根理论的经验材料来自访谈和焦点小组，但也有越来越多的研究将其应用于已有的社交媒体数据（Bonfim，2020）。相较于以往线下获取的数据，基于在线的数据可以更具创造性和灵活性的方式塑造基础理论。研究运用MAXQDA 2020分析软件，归纳整理原始资料，分析提炼理论。
四
基于扎根理论的质性分析
（一）开放式编码
开放式编码是指在确定对一个中心范畴和其特征编码前，不断比较分析的过程（费小冬，2008）。该步骤的核心工作在于提取文本中的一些范畴，进而找到范畴的属性（吴肃然，李名荟，2020）。研究者通过对原始资料进行整理，排除无效、重复信息，得到145条现象摘要，在同一归纳原则基础上提取12条概念（类属）作为基本分析单位。在数据整理过程中，对每一句话或段落进行精简扼要的概括，提炼出中心主旨并标记为“Ax”形成现象摘要，提炼有效信息。研究者进一步对所有摘要进行抽象，完成概念化，概念记为“Cx”（李春雷，雷少杰，2020）。最终本阶段得到C1-C12，共12个概念。研究者将12个概念进一步整合，最终得到4个范畴，记为D1-D4。具体编码示例如表2所示。
（二）主轴编码
主轴编码要对开放性编码提取出的相似范畴进一步聚焦和凝练。在此阶段需要确立主范畴与次范畴，将次范畴围绕主范畴组织起来（吴肃然，李名荟，2020）。本研究通过对开放性编码所提取的4个初始范畴进行反复比较和挖掘，共得到2个主范畴，标记为B1、B2，即临场体验和既有倾向。（见表3)
（三） 选择性编码
选择性编码通过对不同类属之间的概念进行归类，建立不同范畴之间的逻辑，初步勾勒出即将浮现的理论主线。对主范畴和副范畴进行比对思考后，研究确定“人机信任”作为核心范畴统合所有概念和主范畴。通过分析主范畴与核心范畴之间的关系，建立了范畴间的作用路径，最终构建青年用户人机信任的影响因素模型。选择性编码结果见表4。研究对留存的5份访谈资料进行编码并重复上述过程，并未发现新的范畴。因此，该理论模型通过饱和度检验。
五
模型建构
质性研究提炼出青年用户人机信任的临场体验因素（自动化社会临场感、感知安全性）和既有倾向因素（用户对AI的态度、社会信任）。在此基础上，研究提出“青年用户人机信任的双因素模型”，即青年用户的人机信任是由临场体验和既有倾向两个维度构成，临场体验可以解释青年用户人机信任如何生成和变化，既有倾向解释了特定环境中青年用户人机信任的基本倾向。
由扎根理论提炼的理论模型是否成立，尚需在量化研究中进行进一步的检验。因此本研究基于“青年用户人机信任的双因素模型”提出假设，以人机信任为因变量，临场体验和既有倾向两个维度中的自动化社会临场感、用户对AI的态度、感知安全性和社会信任为自变量（见图1）。
（一）临场体验对人机信任的影响
临场体验包含自动化社会临场感和感知安全性。自动化社会临场感是拟人化、真实性、恰当回应等概念的整合。以往研究关注拟人化属性，如人工智能模仿人的外貌、声音、情感、情绪和认知（Liao et al.，2024）。但质性研究发现，青年用户更注重人机交互在具体场景中提供的临场感。青年用户希望与社会实体相处，不仅涉及拟人程度，更重要的是提供“在一起”的感觉（Liao et al.，2024）。因此，研究以“自动化社会临场感”作为影响人机信任的重要因素。自动化社会临场感越高，青年用户的人机信任程度就会越高。
感知安全性是临场体验的重要因素，主要指青年用户在人机交互中对危险的感知程度及舒适度。现有研究较少对感知安全性进行直接测量（Bartneck et al.，2009）。感知安全性是用户的直接体验，青年用户可能因为多种原因感受到危险，进而降低人机交互的体验以及人机信任。因此，青年用户在体验过程中的感知安全性越低，人机信任的程度就会越低。
同时，质性研究发现，在人机交互中认为已经和AI建立深度陪伴的青年用户，在面临系统失误或不当表达时会表现出更多理解和包容。也就是说，自动化社会临场感越高的青年用户越不容易对人机交互产生警觉，即感知安全性越高。
因此，研究提出以下假设：
H1：自动化社会临场感与人机信任呈现正相关；
H2：感知安全性与人机信任呈现正相关；
H3：自动化社会临场感与感知安全性呈现正相关。
（二）既有倾向对人机信任的影响
既有倾向包含用户对AI的态度和社会信任。拉扎斯菲尔德在伊里调查中曾提出著名的政治既有倾向假说，即人们对选举或其他政治问题做出的决定取决于他们所持的政治倾向（郭庆光，2011：157）。本研究同样发现，青年用户存在对人工智能的既有倾向，包括其对AI的态度与社会信任，均可能对人机信任产生影响。
用户对AI的态度指青年用户基于个人经验、知识储备、价值观及社会文化环境，对人工智能技术形成的相对稳定的综合性既有态度倾向。对AI态度较为乐观的青年用户，如一些受亚文化影响的科幻作品粉丝，可能对人机关系表现出更高的信任程度。
社会信任则指青年用户基于对AI技术开发或应用公司的治理结构、技术能力、伦理责任履行情况的评估，形成的对其产品可靠性、数据安全性及社会影响的整体信赖。通过质性研究发现，一些青年用户对技术如何运转并不熟悉，反而更为关注AI所属的组织机构以及来自媒体的各类宣传。青年用户对技术之外的社会影响的信任会对人机信任产生作用。因此，青年用户对AI公司等组织机构的社会信任水平越高，越可能产生更高的人机信任。
社会信任还可能影响用户对待AI的态度。在质性研究中发现，青年用户对待人机关系的态度很大程度上依赖于附加在AI之上符号属性。例如，ChatGPT被认为是技术的源头，所以在用户的印象中其更为专业。符号属性来自AI所属组织系统的相关描述与宣传。因此，社会信任可能与用户对AI的态度呈正相关，即社会信任越高，青年用户对待AI的态度越积极。
因此，研究提出以下假设：
H4：用户对AI的态度与人机信任呈现正相关；
H5：社会信任与人机信任呈现正相关；
H6：社会信任与用户对AI的态度呈现正相关。
（三）既有倾向对临场体验的影响
质性研究发现，青年用户的既有倾向作为一种基础认知图式，通过启动认知一致性的心理动机，系统影响临场体验。Festinger（1957：3）的认知一致性理论指出，当出现两个信息不一致时，人们会产生认知失调，然后会依据思想、价值观和感知等来采取行动从而维持一致。质性研究同样发现，用户会无意识地使临场体验与其既有倾向保持一致。一方面，积极的态度为青年用户提供了更具包容性的解读框架，如将系统错误解读为“蠢萌”等。更高的包容性也使得青年用户更不易察觉到危险。因此，对AI态度更积极的青年用户可能具有更高的自动化社会临场感和感知安全性。另一方面，青年用户的社会信任也会影响临场体验。高水平的社会信任会向青年用户提供安全的初始认知，在认知一致性作用下，用户不自觉降低风险预警。青年用户往往处于对技术和社会进步的强烈信任中，他们将AI视作技术的前沿产物，相信技术会带来更美好的未来。因此，在社会信任影响下，青年用户可能会对AI存在的问题找到合理的解释以维系体验。
因此，研究提出以下假设：
H7：用户对AI的态度与自动化社会临场感呈现正相关；
H8：用户对AI的态度与感知安全性呈现正相关；
H9：社会信任与自动化社会临场感呈现正相关；
H10：社会信任与感知安全性呈现正相关。
（四）临场体验因素的中介效应
临场体验可能在既有态度倾向和人机信任之间发挥中介效应。研究尝试以“预设锚定—体验校准”对双因素模型进行解释，其核心动力源于用户消除认知失调、追求一致性的心理需求。在双因素模型中，临场体验本质上是用户进行“认知一致性校准”的中介环节，信任是认知一致性的结果。
质性研究发现，既有倾向更加积极的用户不仅会用更加包容性的解读方式化解认知冲突，而且会积极开发新的交互方式提升临场体验，协调认知，进而增强人机信任。例如，一些青年用户通过主动学习编程技术，解决人机交互中的问题，将能动实践注入人机交互，不仅得到了更好的临场感体验，更强化了对AI的理解，催生安全感。自动化社会临场感和感知安全性的提升又会进一步提升人机信任程度。这表明“既有倾向—临场体验—人机信任”可能构成完整的因果作用路径。因此，本研究建构中介模型，旨在揭示人机信任建立的内在过程。临场体验是传导既有倾向影响的关键中介因素，并非平行的独立因素或界定影响强弱的情境条件。此外，研究还需进一步考虑自动化社会临场感与感知安全性之间的作用关系，以及社会信任与用户对AI的态度之间的作用关系，验证是否存在链式中介效应。
因此，研究将可能存在的中介效应进行以下归纳，方便后续检验（如表5）。
六
数据收集与模型检验
研究在扎根理论的基础上设计问卷，收集数据并进行分析，对假设进行检验，进一步完善理论模型。
（一）数据收集及人口统计学特征
研究通过问卷调查收集数据。主要有两个途径。首先，研究采用目的性抽样的方式，以高校学生为代表性群体进行问卷收集。具体为在青岛市的一所本科院校和一所大专院校中各选取三个班级进行问卷发放。通过任课老师在课上与学生说明情况，征得学生同意后在课间发放问卷填写，共计489份。其次，研究通过线上渠道，在豆瓣小组、小红书、微博等平台进行问卷发放，采用在线滚雪球不断获取数据，获得问卷172份。最终，共获取问卷661份，其中有效问卷602份，有效率为91%。采用以上形式获取数据的原因在于，一方面，本研究目的为探索青年用户人机信任的作用机制，而非对总体参数进行调查，因而目的性抽样的形式更适合前期扎根理论的需要，因此，主要选取高校学生作为调查群体，这是因为作为高校学生的青年用户更容易接触到智能应用，在智能应用的使用上也更加灵活自主，选取高校学生作为人工智能的用户样本具有较高的代表性；另一方面，通过线上滚雪球不断扩充样本，可以兼顾工作、学习、社交等多场景中的青年用户，避免因为人机交互场景单一带来的误差。
从人口统计学来看，有效样本中男性青年用户占37.5%，女性青年用户占62.4%。根据CNNIC发布的《生成式人工智能应用发展报告（2025）》，截至2025年6月，我国生成式人工智能用户中，女性用户占比达到52.4%（中国互联网络信息中心，2025）。而根据凤凰网科技（2025）报道，Character.AI等面向青年用户提供陪伴等服务的海外应用中，55%的用户为女性。这一差异在国内同类AI应用中更大，据TalkingData（2026）统计，星野APP的月活跃人数约65万，其中80%为18岁到24岁的年轻女性。整体来看，青年AI用户中女性用户数量已经超越男性，从整体市场的略超半数，延伸至特定细分领域的绝对多数。本研究有效样本的性别构成恰好介于整体AI用户与面向青年群体的陪伴类AI用户之间，这与本研究聚焦青年用户的深度人机交互而非简单工具使用的定位相符，研究样本具有较好的代表性。
在用途层面，样本中将AI应用于工作和学习的用户占94%，应用于社交的用户占19.2%，应用于娱乐的用户占32.5%，应用于生活技能获取的用户占39.7%，84%的用户会将AI应用于两个及以上的场景之中。样本中的青年用户并非单一场景的浅层使用者，而是将AI深度嵌入多元生活场景的活跃用户。这一多场景叠加使用的特征，与《2025 Z世代AI使用报告》中“95%的年轻人已经习惯在工作学习时使用AI辅助创作”的整体趋势一致（Just So Soul研究院，2025）。这进一步佐证了本样本对活跃青年AI用户群体的代表性。
（二）变量测量
研究通过问卷调查，对自动化社会临场感、感知安全性、用户对AI的态度、社会信任以及人机信任进行测量，以验证本研究所得到的理论结构关系。所有题项的测量均使用6级里克特量表，即1为非常不同意，2为不同意，3为较不同意，4为较同意，5为同意，6为非常同意。自动化社会临场感的测量依据质性研究的范畴化的概念内涵并参考Liao等（2024）的量表；感知安全性在质性研究的基础上，参考Bartneck等（2009）的量表；用户对AI的态度的测量在质性研究的基础上，参考借鉴Schepman和Rodway（2020）设计的量表；社会信任则根据Earle和Siegris（2006）开发的针对不同公司情境的社会信任量表，在质性研究的基础上进行修改；人机信任则依据Jian、Bisantz和Drury（2000）开发的自动化系统信任度量表进行，按照质性研究结果进行修改。最终问卷如表6所示。
（三）信效度检验
研究使用AMOS 24.0对数据进行验证性因子分析，信度以Cronbach’sα系数和组合信度（Composite Reliability）进行检验，要求达到0.70以上，且AVE值即平均提取方差值要达到0.5以上。如表7所示，经过测算，模型中各变量的Cronbach’sα在0.795～0.878之间，组合信度（CR）在0.784～0.879之间，达到0.70以上的标准，表明所有题项均具备较好信度。
每个变量的平均提取方差值（AVE）在0.535～0.707之间，达到0.5以上的标准，表明各个变量可以较好解释对应的潜变量。在区分效度方面，各潜变量AVE平方根的值均大于所对应的相关系数矩阵数值，说明各个潜变量之间的区分效度较好（见表8）。
（四）模型拟合与检验
1.共同方法偏差的控制与检验
在对可能存在的共同方法偏差进行程序控制的基础上，研究采取“控制未测单一方法潜因子法”对共同方法偏差进行检验（熊红星等，2012）。首先，建构验证性因素分析模型记为M1，模型主要拟合指数如表9所示，其次，在此模型基础上，增加一个方法潜因子，构建包含方法因子的模型M2（刘斯漫等，2015）。比较模型M1和M2的主要拟合指数得：△x2/d=0.535，变化远小于1；△REMSEA=0.01，△RMR=0.0132，变化小于0.05；△CFI=0.013，△TLI=0.014，变化小于0.1。表明模型加入共同方法因子后，模型并非得到明显改善，测量中不存在明显的共同方法偏差（熊红星等，2012）。
2.主效应检验
研究使用AMOS 24.0建立结构方程模型以检验假设。结果显示初始模型处于可接受范围内，但仍有可优化空间。研究查看了修正指标MI(Modification Indices），一次对一个参数进行修正，且每次修正结束后再次执行模型估计。在模型修正时，增列的参数关系也不能违反结构方程模型的假定（李武，赵星，2016）。研究参考修正指标并结合上述原则，建立了6对残差项的共变关系，具体如下：①在自动化社会临场感这一潜变量内部建立4组残差相关（共降低卡方值102.142）；②为社会信任和自动化社会临场感这两个变量的残差项建立共变关系（可降低卡方值20.759）；③为自动化社会临场感和感知安全性这两个变量的残差项建立共变关系（可降低卡方值39.007）。上述所有修正均限制在测量误差层面，未涉及增列或调整潜变量之间的因果路径，也无交叉载荷，没有违反结构方程模型的基本假定。最终修正后的模型拟合效果良好，满足模型检验统计量（见表9）。
图2为各变量间的路径系数分析结果。数据表明：自动化社会临场感对人机信任的直接正向预测作用显著（β=0.279，p<0.001)，H1成立；感知安全性对人机信任的直接正向预测作用显著（β=0.331，p<0.001)，H2成立；自动化社会临场感对感知安全性的直接正向预测作用显著（β=0.169，p<0.001)，H3成立；用户对AI的态度对人机信任无显著影响，H4不成立；社会信任对人机信任的直接正向预测作用显著（β=0.260，p<0.001)，H5成立；社会信任对用户对AI的态度的直接正向预测作用显著（β=0.302，p<0.001)，H6成立；用户对AI的态度对自动化社会临场感的直接正向预测作用显著（β=0.542，p<0.001)，H7成立；用户对AI的态度对感知安全性的直接正向预测作用显著（β=0.579，p<0.001)，H8成立；社会信任对自动化社会临场感的直接正向预测作用显著（β=0.173，p<0.001)，H9成立；社会信任对感知安全性的直接正向预测作用显著（β=0.302，p<0.001)，H10成立。
3.中介效应检验
本研究使用AMOS 24.0，采用Bootstrap方法迭代5000次样本来估计临场体验因素（自动化社会临场感、感知安全性）在既有倾向因素（用户对AI的态度、社会信任）和人机信任之间的中介效应（95%置信区间）。由表10可知仅有H16，即“社会信任→用户对AI的态度→人机信任”路径的中介效应不显著，其他路径的中介效应均显著，所以假设H11、H12、H13、H14、H15、H17、H18、H19均成立。
七
研究结果与阐述
本研究关注既有倾向和临场体验对青年用户人机信任的作用及相互关系，进行了质性与量化相结合的研究。通过质性研究发现用户对AI的态度、社会信任、自动化社会临场感以及感知安全性是青年用户人机信任的影响因素，将其归纳为青年用户人机信任的双因素模型。经过结构方程模型检验，除去用户对AI的态度与人机信任之间的关系不显著外，社会信任、自动化社会临场感以及感知安全性均对人机信任有显著影响，且呈现正相关。研究还发现临场体验（自动化社会临场感、感知安全性）在既有倾向（用户对AI的态度、社会信任）与人机信任之间发挥中介效应。此外，研究分析了既有倾向和临场体验内部各因素的作用，即社会信任显著正向预测用户对AI的态度，自动化社会临场感显著正向预测感知安全性，相应的中介效应也均进行了验证，对模型进行了进一步的细化。研究假设验证后的关系如图3所示。
基于验证性分析的结果，研究进行以下讨论：
（一）既有倾向对人机信任的作用
研究将既有倾向确立为人机信任模型的基础维度，代表青年用户在人机交互中所持有的认知图示和行为倾向。青年用户的既有倾向由社会信任和用户对AI的态度构成，深度嵌入社会技术环境的宏观语境之中。模型分析显示，社会信任对用户对AI的态度具有显著预测作用（β=0.302，p<0.01）。这源于社会信任在青年用户认知中所承担的特殊角色。社会信任来自青年用户对人机交互所处社会环境的感知和理解。作为消费社会的主要成员，青年用户对人机交互的理解很大程度上来自宣传报道以及平台对智能产品的营销策略。例如Replika官方网站就提到，许多心理学家和治疗师表示，这种系统提供的原始情感支持是真实的。在访谈中，用户也表示，网络平台提供的对产品的宣传和包装会使自己产生虚幻的期待。当青年用户信任宣传和平台提供的叙述和保证，拥有较高的社会信任，用户对AI的态度表现为积极的期待。反之，当用户对公司提供的保证表示失望与不安，社会信任较低，其对AI的态度就会表现为消极的厌恶。但用户对AI的态度与人机信任未呈现统计学的关联。这意味着青年用户对AI技术的整体好恶倾向（如技术乐观主义/悲观主义）并不必然转化为具体交互情境中的信任决策。在后续研究中也可以发现，用户对AI的态度可以通过影响青年用户的体验来干预人机信任，但无法直接对人机信任造成影响。
社会信任显著正向预测人机信任（β=0.260，p<0.01）。质性研究发现，青年用户的社会信任也涉及对技术可信度的专业评估，如算法透明度认证，以及制度性信任的建构过程。这与既有研究相吻合，当以AI为代表的自动化系统被描绘为声誉良好的“专家”系统时，人们往往会更信任它（De Vries & Midden，2008）。尤其是青年群体，他们更信任被描述为高科技或更安全的AI。例如，ChatGPT作为先进技术的代表为青年用户所信任，这与其所宣传的技术前沿性和国际化程度相关。而DeepSeek在青年群体中被视为安全或贴合国人使用，这与主流媒体的相关报道十分接近。因此，社会信任很大程度上来自产品相关的符号属性。这也解释了青年用户对人机交互的初始信任来源，即使用前的用户会受到来自社会环境中人工智能应用携带的符号属性的影响。
（二）临场体验对人机信任的作用
研究将临场体验确立为人机信任模型的体验维度，包含自动化社会临场感与感知安全性，代表青年用户在人机交互中的感知体验。自动化社会临场感正向预测人机信任（β=0.279，p<0.01）。这与过往研究类似，当AI展示出更多的人格化程度，会让用户表现出更强的信任（Pak et al.，2012）。但本研究通过自动化社会临场感的概念进一步拓展了这一结论，AI展示出的人格化程度并非全部，更重要的是需要AI表现出与场景相符的行为模式。自动化社会临场感更多指向青年用户进行人机交互时所处的场景。例如，青年用户的人机交互时常具有娱乐属性，在此情境下，如果人工智能表现出机械或愚蠢，反而会让用户觉得有趣，此时详细的逻辑推理和理性分析反而会被视为“不解风情”。感知安全性也能正向预测人机信任（β=0.331，p<0.01）。当用户在交互中感受到舒适和安全，便会获取更高的人机信任。感知安全性是青年用户在人机交互中的直观感受。当AI的回应令用户感到烦躁、焦虑或无聊，青年用户便会产生危险或中止交互的欲望，进而降低人机信任。AI提供的社交线索与场景不适配的情况往往会催生较低的感知安全性。例如一些用户在人机交互中喜欢AI开玩笑，但当用户情绪低落时，开玩笑又会被视为刻意或无理的举动，进而产生危险和烦躁的感觉。此时，青年用户将这种感觉的原因归结为“不合时宜”。“合时宜”实际上是自动化社会临场感和感知安全性的混合标准，即在特定场景中获得恰当且舒适的交互体验。
值得注意的是，自动化社会临场感显著预测感知安全性（β=0.169，p<0.01）。青年用户越感觉是在与社会实体交互，便会感觉到越发的舒适安全。一些青年用户表示人机关系并不需要对人际关系进行复制，他们倾向于在人机交互中定制双方独特的关系模式。青年用户认为人机交互更重要的是稳定的关系模式的建立，而非单纯的拟人风格。此时，他们对自动化社会临场感的要求涉及“真实”和“恰当”。相对于拟人程度，“真实”和“恰当”都较为抽象。真实一般体现为人机交互中青年用户要求AI的行为表现出一定的连贯性。与真实相关的例子是青年用户对于AI“记忆”的关注。由于现有AI技术的缺陷，人机交互在达到一定数据量后，程序便会“失忆”，表现出在性格扮演以及内容回应上的前后不一致。在用户看来，不一致打破了良好的自动化社会临场感，是“虚假”的表现。“恰当”则代表用户无法忍受照本宣科式和毫无变化的程序设计。用户将违反了这些原则的模式化回应称为“人机感”，即AI表现得十分刻板。因此，增进人机信任仅依赖提升AI的拟人化程度是不足的，不适应场景反而会让青年用户感受到更加深层的欺骗，进而降低感知安全性。交互过程中的真实以及交互关系的恰当程度，这两点构成了自动化社会临场感的内核，也是感知安全性的前提。
（三）临场体验在既有倾向和人机信任间的中介效应
量化结果表明，既有倾向的两个维度均能显著正向预测临场体验。具体而言，用户对AI的态度对自动化社会临场感（β=0.542，p<0.01）与感知安全性（β=0.579，p<0.01）的预测作用，均强于社会信任对二者的预测（β=0.173，p<0.01；β=0.302，p<0.01）。这表明，青年用户对AI技术的整体态度，在塑造其即时交互体验中扮演着更为核心的角色。这一发现与质性研究相印证：对AI持有积极态度的用户，其预设的认知图式更易于启动认知一致性的心理动机。因此，在面对AI的不完美时，他们更倾向于采取包容性解读等策略来调和认知冲突，从而催生较高的临场体验水平。
临场体验在既有倾向和人机信任间发挥中介效应。用户对AI的态度与人机信任不相关，但可通过中介效应对人机信任产生影响。经过模型检验，H11到H19的所有路径中，除H16（即“社会信任→用户对AI的态度→人机信任”路径）的中介效应不显著，其他路径的中介效应均显著。H11和H13显著，因此，自动化社会临场感和感知安全性在用户对AI的态度与人机信任之间发挥中介效应。H12和H14显著，因此，自动化社会临场感和感知安全性在社会信任和人机信任之间发挥中介效应。H16不显著则代表用户对AI的态度并不在社会信任和人机信任之间发挥中介效应，这是因为用户对AI的态度与人机信任之间并不相关，进一步解释了人机信任不受用户对AI态度的直接影响，而是需要临场体验因素的中介。研究又进一步对可能存在的链式中介效应进行了验证，即H15、H17、H18、H19，四条路径均为显著，进一步佐证了用户的既有倾向对人机信任的影响需要复杂临场体验的中介。
在存在的中介路径中，H13（用户对AI的态度→感知安全性→人机信任）的效应值最高为0.164，H11（用户对AI的态度→自动化社会临场感→人机信任）的效应值次之为0.129。也就是说，青年用户对AI的态度主要通过塑造临场体验间接驱动人机信任的建立。基于上述路径的显著性，结合认知一致性理论与质性研究，本研究进一步提炼出人机信任建立过程中的两种典型心理模式。其一为人机信任的认知调和模式，即当持有积极态度的青年用户遭遇系统问题性的回馈，其预设的积极倾向会启动一种解释性框架，使用户倾向于通过包容性解读（如将错误视为“个性”）或能动性实践（如优化提问方式）来调和认知冲突，在体验层面进行解释与补足，从而维系较高的临场体验水平，最终在认知协调中建立或恢复信任。其二是人机信任的认知增益模式，当用户对AI的积极态度与流畅、安全的交互体验高度吻合时，二者产生协同增益。积极的临场体验不仅直接巩固信任，更强化了其原有的积极倾向，从而对人机信任的建立产生持续的增益效果。这两种模式共同印证，人机信任的建构是一个具备双重维度的动态过程：既受既有倾向的预设锚定，也依赖于交互过程中临场体验的实时验证与校准。本研究据此提出，青年用户的人机信任形成，本质上是“预设锚定—体验校准”的动态调适过程。
八
研究结论与未来展望
本研究具有一定的理论意义。首先，虽然已有研究探讨了人机信任的影响因素，如拟人程度、安全感等，但随着人工智能融入青年群体工作生活的各个场景，对人机信任的探讨也需要从现实出发，以丰富智能时代人机关系的相关研究。因此，研究采用扎根理论从实际出发，构建出青年用户人机信任的双因素模型，较为清晰地阐释出构建人机信任的两类因素及其相互作用。其次，本研究通过结构方程模型较完整、系统地对青年用户人机信任生成的影响因素和作用机制进行了检验，并对其中涉及的中介路径也进行了验证，丰富了人机关系和人机信任研究的理论阐释路径。最后，研究明确了既有倾向作为人机信任的基本倾向，临场体验作为验证校准的关键功能。相较于以往研究所关注的倾向信任、情境信任与习得信任的线性逻辑，既有倾向和临场体验将人机信任置于动态调适之中。从这一模型出发，青年用户人机信任的本质是“预设锚定—体验校准”的动态调适过程，强调了动态交互的核心地位。
青年用户的既有倾向包含两个基础因素：社会信任与对AI的态度。二者均非先天的心理特质，而是在特定的社会技术语境中被建构而成。首先，社会信任源于宏观的技术赋能叙事。在现代化话语的持续塑造下，AI被赋予技术权威，使其以“知识顾问”“心理树洞”等形象深度介入青年的生活。这种叙事将复杂技术转化为可理解的解决方案，为用户提供了初始的可靠性判断依据。其次，用户对AI的态度与社会信任及其携带的微观消费符号营销紧密相关。商业逻辑将AI包装为一种可购买、可占有的商品。青年作为消费文化的先行者，通过占有行为本身获得了一种掌控感，从而降低了对技术不确定性的担忧，形成了一种积极的态度预期。由此可见，既有倾向的双维度共同构成了青年用户在人机交互前的“认知锚点”，它既受到宏观社会叙事的塑造，也受到微观市场实践的引导。
青年用户的临场体验，源于对AI所提供社交线索的精确感知与解读。然而，相较于过往研究主要关注的“拟人程度”，本研究提出的“自动化社会临场感”更强调社交线索的场景适配性，其核心在于“真实性”与“恰当性”。真实性指AI行为表现的内在连贯性与一致性（如记忆的延续、性格的统一），它构建了用户对AI行为可预测的信任基础。恰当性指AI的回应能契合具体交互的语境与用户的情绪状态，而非机械的、程式化的对答。这两个维度构成了体验校准的客观基础。当AI提供的社交线索在特定场景中显得真实且恰当时，便会直接提升用户的自动化社会临场感与感知安全性，从而促进人机信任的建立。
更重要的是，临场体验在此模型中的核心功能，在于通过中介效应实现对青年用户的既有倾向的实时校准。这一校准过程重点表现为两种模式：认知增益模式，当用户基于社会信任与积极态度所形成的预期，与真实、恰当的临场体验高度吻合时，积极的体验便与积极的倾向相互印证，产生协同效应，触发信任的巩固与强化；认知协调模式，当用户遭遇系统失误或回应不当时，其预设的积极倾向会启动一个解释与补足的协调过程。通过将负面体验合理化或主动优化交互，用户能够在心理层面调和认知冲突，维系乃至修复其临场体验，从而在动态协调中守护信任，而非使其崩溃。由此可见，临场体验并非被动感受，而是连接客观社交线索与主观心理倾向的主动校准器，它使得人机信任的“预设锚定—体验校准”模型成为一个具备用户能动性的动态调适过程。
此外，研究也存在一定不足。首先，研究对于人机信任可能产生的后果缺乏探讨。过度的人机信任可能带来功能依赖、情感依恋等问题，影响到青年用户的主体性和能动性，甚至对现实的人际交往产生冲击。尤其对于一些弱势群体来说，人机信任的建立极易形成结构性压迫。而且当人工智能被打造为专家系统，用户对其的信任很可能造成一些偏见的放大。因此，未来可考虑纵向追踪设计，通过对用户进行跨时间点的重复测量，以更准确地解释人机关系的动态发展路径及其长期效应，对其中问题进行系统批判。其次，人机信任不仅关涉用户的内在心理，更是与技术、社会等多个领域相关，本研究聚焦于用户的感知，对社会环境中的多元影响因素和作用尚待探讨。未来可引入二手数据分析，挖掘社交媒体舆情、平台行为等相关数据，拓展和丰富理论模型，更全面地揭示人机信任形成的多元作用。最后，本研究目标在于探索人机信任建立机制而非推断总体参数，因而采用扎根理论驱动的目的性抽样的方式，样本结构在女性及高使用频率用户上较为集中，结论更适合理解活跃的多场景深度交互用户，是否适用于更广泛的人群，尚需对结论的普适性和稳健性进行进一步检验。
本文系简写版，参考文献从略，原文刊载于《国际新闻界》2026年第4期。
本期执编/谢静
订阅信息
全国各地邮局均可订阅《国际新闻界》，国内邮发代号：82-849，欢迎您订阅！
您也可通过下方二维码或网址https://mall.11185.cn/h5/#/bkGoodsDetails?spuId=113613&from=imgShare&dsId=zxSWChat&dsModule=c3df4964-af5d-40a8-d6cc-a768b5306e52 ，进入中国邮政微商城订阅本刊。
您还可访问《国际新闻界》官方网站 http://cjjc.ruc.edu.cn/ ，免费获取往期pdf版本。
进入官网下载原文
热门跟贴