MK,MK体育,MK体育官网,MK体育app,MK体育网页版,MK电竞,MK棋牌,MK百家乐,MK真人,MK百家乐,MK体育注册,MK平台注册,MK中国,MK体育中国,MK体育网页版,MK体育官方网站,mk官方网站,mk sports,mk体育平台app技术准备度用于衡量人们在日常工作生活中接受和使用新技术的倾向和程度。该指数的应用领域广泛，尤其是在新技术服务的商业推广方面，为技术服务提供方理解用户反应和需求打造了有效工具。随着科技的快速迭代发展，技术准备度原始量表中的部分题项已经脱离了当下科技使用的情境，因此Parasuraman 和 Colby对该指数进行了更新和精简，以增强其适用性。过往研究认为用户对技术所产生的积极或消极情绪会影响他们使用技术的行为和态度，技术准备度即是在这一前提下用于测量用户的信念和使用动机，其子维度主要有心理激励因素和抑制因素两个层面，不同的子维度相对独立，这意味着用户可能处于矛盾的心理状态，也就是说同时具有强烈的使用动机和抑制心理。技术准备度已被业界和学界使用多年，该指数反映的是个体水平的相对稳定特征，不会在短期内或因刺激而发生改变。除了年龄、职业及教育水平等基础的个人指标，技术的前沿程度也被视为消费者是否决定使用和接受某技术的重要参考因素（Parasuraman & Colby，2015）。

　　依据技术准备度的子维度特征，用户被划分为五种类型——怀疑论者（skeptics）、探索者（explorers）、回避者（avoiders）、开拓者（pioneers）以及迟疑者（hesitators）——且这种特征分布与用户对技术的适应和使用时间关系不大，反映出用户在技术信念方面更复杂的态度组合。其中，怀疑论者对技术持有相对中立的态度，少有极端的态度，他们需要更有说服力的信息来刺激他们使用产品；探索者相对拥有更积极的使用动机，对新技术的抵抗倾向低，他们更偏爱技术的高级功能；回避者对新技术的抵抗意愿高，而使用意愿低；开拓者对技术的态度鲜明，同时拥有较高的积极和消极态度，技术准备度得分较高的用户往往对新技术特别感兴趣；与其他类型不同的是，迟疑者对于创新的接受度格外低。不同的用户类型对应着差异的人口统计特征，例如探索者相对更年轻，且可能从事的就是技术相关工作；回避者则与探索者相反，且该群体的种族多样性较低；开拓者的种族多样性最大；迟疑者中从事技术相关职业的比例最低（Parasuraman & Colby，2015）。

　　在前几年关于自动化新闻的相关研究中，学者们更关注智能生成的新闻内容文本，并多次将其与人类写作的作品进行比较，注重比对智能生成文本的逻辑和质量与人类写作的差异。关于智能生成新闻文本的用户研究，无论是与人类记者的文稿对比，还是在不同题材之间进行对比，研究结论通常是存在分歧的，缺乏进展（Graefe & Bohlken，2020）。后来随着AI技术的快速升级和应用领域不断拓展，研究者们开始逐步跳出对文本内容的单一关注，认识到人工智能在新闻实践应用中的复杂性。例如开始有研究关注到，用户的个人差异会影响到他们对AI新闻的使用偏好，其中更了解AI相关知识的用户会更偏爱AI生成式新闻，此外，年轻群体相比老年群体也会更偏爱AI生成式新闻（Jang，Kwak & Bucy，2022）。

　　机器的身份复杂化改变了用户对技术的认知和评估过程，平台所提供的拟人化线索及其他机器特征影响着人机交互的形式和深入程度。正因为AI技术的发展使得程序或者机器逐渐具备交流性，由此发展成为行动主体，消解了传统意义上建立在“人类中心主义”上的传播交流观念，导致用户在与智能程序进行互动时，会受到机器拟人化线索的引导，主动将智能程序视为可交流的拟人主体，不自觉地使用人际传播的规则对待智能机器（师文，陈昌凤，吕宇翔，2022）。智能机器的主体化以及用户对机器的理解差异，显然会引导用户走向不同的人机互动规则，因此可以想见，以智能技术作为新闻内容的生成主体，同样会影响到用户对新闻内容的感知，用户通过对拟人化智能技术的想象，调整自身的新闻参与行为。

　　人工智能技术的升级为用户新闻互动提供了新的可能。人工智能技术正在以各种形式嵌入新闻生产的各个环节并得到研究者的关注，与此同时，如果将人工智能嵌入用户消费互动之中也可能会产生意想不到的效果。Kiskola等人（2025）探讨了以人工智能技术增强新闻用户服务的可能性，他们为相关专业领域的受访者提供了多种形式的人工智能应用范本，并邀请参与者进行构思和讨论，在参与者的想象中，智能技术能够用于优化用户的阅读体验，例如提供新闻相关的解读、调整新闻内容，甚至帮助他们从评论区里搜集想要获取的信息。目前的研究很少从新闻受众角度关注人工智能的作用，因此本研究中尝试加入互动模块的功能，并辅助以社交线索的提示，以强化被试者对人工智能技术的具象化认知，例如“脸部”及“形象”就是最基础的社交提示（Lombard & Xu，2021）。

　　过往大量研究证实媒体技术的专业化对用户存在积极的心理影响，例如用户对专业度高的媒体技术的信任度通常更高，且用户对专业化的媒体行动者的信任度会高于媒体和计算机（Koh & Sundar，2010），因此本研究将信源的专业化程度作为启发式线索。在实验中，不同组别的被试者会接收到来自不同信源类型的提示。关于信源类型的设计参考Lombard 和 Xu（2021）提出的“媒介作为社会行动者”范式（Media Are Social Actors，MASA），为被试者随机提供三种不同信源介绍：（1）AI写作程序：纯客观的机器程序简介，仅提供对AI程序的客观描述（例如：“AI writer是一款人工智能写作程序，其内部集成了多种深度学习模型，并通过大量的文本数据进行训练，以提升生成文本的质量与准确性。AI writer能够快速生成各种类型的文章，包括论文、新闻、小说等，此外它还可以根据用户的需求，自动选择合适的主题、文章结构和语言风格。”）；（2）AI专业记者：高权威性的拟人化机器人简介，提供社交线索，并强调其高权威性（例如：“机器人记者AI writer目前‘供职’于某知名媒体，是一名专攻健康领域的AI记者，具备相当成熟的报道经验。专业记者AI writer的个人优势在于拥有强大的数据处理能力，并能够依据准确判断向公众及个人给出健康管理方面的有效建议。在专业门槛极高的医学领域中，知识丰富的专业记者AI writer也能为读者提供获取优质健康科普知识的机会。”）；（3）AI实习记者：低权威性的拟人化机器人简介，提供社交线索，并强调其低权威性（例如：“机器人记者AI writer目前还在实习阶段，并未被正式录用。实习记者AI writer擅长写作体育赛事中英文稿件、财经信息稿件等多个领域的简短资讯。然而实习记者AI writer同时也存在一些能力缺陷，例如仅仅能够从已有的数据库学习和搜索信息，对信息的深度理解不够，只能进行简单写作。此外，实习记者AI writer目前还只能从事模板化的报道，其写作的每篇文章结构都基本相似。”）。

　　在互动模块中，首先会基于AI信源的设定身份向被试者进行基本情况介绍，文字风格也会依据设定身份有所调整（例如：“实习记者AI writer目前的写作能力仍然有限，还需要征求您的建议以不断改进个人的写作内容和风格，希望在未来TA可以为您提供更符合个人需求的信息资讯。您可以通过与记者AI writer进行对话，表达您的要求以方便TA继续学习和改进。”）。接着会向被试者提供“用户对话案例”作为参考（例如：“能否提供给我一些相关新闻资讯？”“能否进一步给我一些生动案例？”），同样参考社交线索的设计，AI信源的头像根据设定身份有所不同，AI程序对应“几何图形”，AI实习记者对应“大学生形象”，AI专业记者对应“精英形象”。最后邀请被试者参与新闻主题互动，话语风格同样会根据身份设定进行调整（例如：“实习记者AI writer希望了解您对TA报道内容的互动意愿和多样化需求，用于提升其报道能力，TA希望早日成为一名‘正式记者’。关于该篇由实习记者AI writer报道的文章，您是否有更多问题想与TA交流，您是否希望TA努力表达出不同的语言风格？”）。根据回收的有效样本分析，互动模块的应答率为97.6%，绝大多数被试者向AI主体进行了反馈或者互动，说明互动功能设置有效。

　　如图2所示，不同技术态度类型的人对不同信源的互动度有显著差异。回避者（22.9%）和怀疑论者（34.1%）对任何类型新闻来源的内容分享评论意愿都相对低一些，而且分享评论意愿的差距不大。当被告知新闻来源为“AI写作程序”时，迟疑者类型的分享评论意愿最高；当被告知新闻来源为“AI实习记者”时，迟疑者类型的分享评论意愿反而大大降低了，这说明对于技术创新接受度较低的人，更容易接受将AI技术描述为技术本身而非拟人化。开拓者更愿意分享新闻来源为“AI实习记者”的内容，表明他们更倾向于接受技术的不确定性和创新性。而对技术创新接受度低的迟疑者恰恰最不愿意分享评论新闻来源为“AI实习记者”的内容。探索者对新技术的接受程度高，对AI专业信源的分享评论意愿最高。

　　本研究发现，在感知新闻有用性较高时，无智能互动有助于提升用户对新闻建议的采纳度；在感知新闻有用性较低时，有智能互动有助于提升用户对新闻建议的采纳度。这一分析结论符合详尽可能性模型的相关观点，增加互动性会提升被试者在阅读过程中的思考深度，从而在感知有用性高的时候，更为谨慎地采纳建议；而在感知有用性低时，也会尽可能考虑采纳建议的可能性。与详尽可能性模型的核心机制类似的还有启发式系统化模型（Heuristic-systematic Model，HSM），该模型认为在大多数情况下个体倾向于进行启发式信息处理（heuristic processing）而非系统式信息处理（systematic processing）。启发式处理是指基于给出的外部信息，调动更少的精力来处理信息，用户的这种信息处理方式在外部提供与判断相关的线索（judgment-relevant cues）时更容易发生，例如新闻信源的专业度和可信度等都会鼓励用户进行启发式处理。在本研究中，当我们向被试者提供较高专业度的新闻信源时，新闻用户更可能采取权威启发式的信息快速处理方式。而当在研究中增加与AI记者的互动模块时，被试者的注意力被高度激发，他们才会进入到更全面和深入的系统式信息处理方式。