巴德尔·阿拉姆拉（Badr Alamr）、阿卜杜勒阿齐兹·阿尔哈比（Abdulaziz Alharbi）、穆罕默德·阿里·阿尔-阿瓦拉基（Mohammed Ali Al-Awlaqi）
沙特阿拉伯海勒大学（University of Ha’il）商学院管理与信息系统系
**摘要**
本研究旨在探讨人工智能聊天机器人与客户购买决策之间的关系，通过测试客户数字亲密感和心理归属感在这其中的双重中介作用来实现这一目标。研究采用了准实验设计来验证这种因果关系。数据来源于沙特阿拉伯中小企业的360位客户样本。研究模型显示，数字亲密感和心理归属感对人工智能聊天机器人与购买决策之间的关系具有完全的双重中介效应。人工智能聊天机器人对提升客户数字亲密感有显著积极影响，但对削弱其心理归属感有显著负面影响。本研究填补了文献中的空白，首次探讨了数字亲密感和心理归属感的双重中介作用，并通过将购买决策视为一种连接客户与所使用互动媒介的心理行为，为现有知识做出了贡献。
**1. 引言**
鼓励客户购买产品和服务是企业最终的目标。所有商业活动都服务于客户的购买决策（Cao等人，2025年）。传统上，企业通过与销售和客户服务团队的互动来与客户建立联系。销售团队接受培训以影响客户的购买决策。人类能够学习并展现出创新行为来满足客户的愿望和需求。近年来，企业与客户的沟通和互动越来越多地依赖于自动化工具，如程序化和基于人工智能的聊天机器人（Jadhav等人，2022年）。这些工具在影响客户购买决策方面的效率和效果仍是学术界讨论的热点（Sun等人，2023年）。
一种用于影响购买决策的创新工具是客户关系管理技术，例如基于人工智能的聊天机器人（Jadhav等人，2022年）。尽管人们认为像人工智能聊天机器人这样的新技术（Marcineková等人，2025年）能够对客户购买决策产生积极影响，但实际上并非总是如此。这些技术有时也可能带来负面后果（Hasal等人，2021年）。这可能与人类将机器人拟人化的心理现象有关（Ku，2024年）。人工智能聊天机器人在影响客户购买决策方面的成功在于它们能够营造出温暖、舒适的感觉，让客户感受到产品仿佛属于自己的。因此，与客户的互动应基于他们的感受和需求进行。本研究的主要目的是深入探讨这一现象。
中小型企业相比大型企业拥有更少的财务资源，因此必须更高效地利用这些资源。从这个角度来看，中小型企业有动力投资于人工智能聊天机器人等新技术以降低成本（Marcineková等人，2025年）。然而，要充分发挥这些技术的优势，必须确保它们能够提升客户的舒适度、兴趣和信任（Wang等人，2025年）。此外，这些技术还应被设计成优秀的推广工具。从这个视角出发，我们需要了解人工智能聊天机器人是否能够帮助建立客户的数字亲密感和心理归属感。
本研究旨在考察人工智能聊天机器人与客户购买决策之间的影响。这一主要效应被认为受到人与技术互动性质的影响。研究通过引入两个中介变量——数字亲密感和心理归属感来探讨这一互动机制。它通过揭示人工智能聊天机器人与人类之间的互动关系，为现有知识做出了贡献，并展示了该技术的有效性及其在促进客户数字亲密感和心理归属感方面的能力。
**2. 文献综述**
**2.1. 购买决策**
购买决策是指消费者选择购买产品或服务并付诸行动的过程。以往的研究主要关注购买意向，而客户的心理行为会对此产生影响，群体归属感也会对此决策产生影响（Zhang等人，2025年）。客户还会重视产品或服务的感知价值（Abdul Latip等人，2025年）。更重要的是，他们还会关注产品的可靠性，这会影响他们的购买意向（Abdul Latip等人，2025年）。研究人员还指出，购买电子产品的意向受到电子口碑（Abdul Latip等人，2025年）和产品认知（Abdul Latip等人，2025年；Liu等人，2025年）的影响。此外，其他客户的评价和产品名称的吸引力也在其中起作用（Bai等人，2025年；Xu等人，2025年）。
尽管只有少数研究关注实际的购买决策，但它们发现了一些重要因素。文献中提到了客户社会生活的影响，例如孩子的选择（Duus等人，2025年）、产品的可用性（Duus等人，2025年）、分销策略和仓储策略（Pratiwi等人，2025年）、定价策略（Pratiwi等人，2025年）、奖励机制（Pratiwi等人，2025年）以及启发式因素、信息和标签（Jacobs等人，2025年；Pienwisetkaew等人，2025年）。还有一些研究讨论了信息不足对购买决策的影响（Benhissi & Hamouda，2025年）。有趣的是，人们倾向于在能够带来情感支持和幸福感的产品上花费更多（Liu等人，2024年）。因此，将购买决策简单地视为满足客户需求的行动是不准确的。购买决策本质上是一种心理活动，应从这一角度进行研究。
**2.2. 技术的应用**
技术应用对购买决策或购买意向的影响也受到了研究。研究表明，使用技术和自动化有助于客户做出关于敏感产品的购买决策（Cardinali等人，2025年）。更先进的人工智能技术能够增强共情能力，从而缩短购买决策的延迟时间（Li & Kang，2025年）。此外，使用更熟悉的技术界面有助于塑造购买决策（Palaniappan等人，2025年）。二维码和区块链等技术帮助客户获取更多产品信息，增强信任感，进而促进购买行为（Adamashvili等人，2024年）。总之，客户欢迎技术参与其购买决策过程。
购买决策显然是一种复杂的行为，需要深入理解。虽然客户的购买决策是为了满足自身需求，但它无疑也包含情感和心理因素（Ngo等人，2026年）。在将人工智能聊天机器人作为低成本营销和互动工具时，必须考虑到这些情感因素。
**2.3. 人工智能聊天机器人**
人工智能聊天机器人是一种旨在与人进行聊天和交流的人工智能软件（Albayrak等人，2018年）。这些机器人被用于企业提供更好的客户服务，它们比人工客服更快、信息更丰富，有助于客户做出购买决策（Albayrak等人，2018年）。企业可以在网站上部署这些机器人，或将它们整合到Facebook等流行平台中（Krishnan等人，2022年）。因此，它们被视为适用于多种业务和平台的灵活工具。
文献中讨论了人工智能聊天机器人的多种重要应用。在教育领域，聊天机器人有助于创造支持性的学习环境（Mohamed等人，2025年），提高学生的参与度、互动性和学术表现（Ait Baha等人，2024年）。只要建立并遵守严格的伦理框架，这些工具在教育中是不可或缺的（Kooli，2023年）。与人工智能聊天机器人的交流可以提升学生的语言学习能力，并减少对评判的恐惧（Zhang，2026年）。它们还可以帮助教授应用科学（Rücker & Becker-Genschow，2025年），并增强学生对自己成功能力的信心（Naamati-Schneider & Alt，2025年）。
在教育领域，人工智能聊天机器人可能是一把双刃剑。虽然它们能提升学生表现，但也可能恶化某些学习效果（Gu & Liu，2025年）。这表明学习者可能误解了与人工智能聊天机器人的交流方式。有研究表明，学生使用聊天机器人的主要动机并非其实用性，而是社会规范的影响（Ballesteros等人，2025年）。这表明心理因素可能影响人工智能聊天机器人与学生之间的关系。
在医疗服务领域，人工智能聊天机器人能为患者提供便捷的沟通渠道，但其有效性尚未得到充分证实。有趣的是，早期研究认为它们会有效，因为它们需要理解人类语言（Milne-Ives等人，2020年）。人工智能聊天机器人可以为患者提供信息（Merç等人，2026年），帮助患者遵守用药计划并提高他们对自身病情的认识，但风险包括过度依赖、削弱与人类治疗师的关系以及无法模仿人类共情（Denecke等人，2021年）。
在商业领域，人工智能聊天机器人通过提升客户参与度来促进业务增长（Krishnan等人，2022年）。它们还有助于与员工沟通（Pillai等人，2024年）。然而，员工对它们的体验褒贬不一：一些人认为它们能快速回应问题、模仿人类行为并展现智能，而另一些人则担心数据安全或对技术的信任度（Pillai等人，2024年）。
与人工智能聊天机器人的互动应从情感和心理行为的角度来理解。例如，有些人认为它们缺乏同理心（Marcineková等人，2025年）。在政治投票场景中，虽然选民与聊天机器人建立了个人联系，但对其信任度较低（Lee & Yuan，2025年）。更令人担忧的是，与聊天机器人的交流可能导致心理问题（Richet，2025年）。另一方面，它们也可以缓解焦虑（Fattouh，2025年）。从商业角度来看，让聊天机器人更多地与客户交流并提供更多信息似乎是一种有效的策略（Yu等人，2025年）。
**2.4. 数字客户亲密感**
数字客户亲密感是指数字平台能够为与其互动的人创造温暖和归属感的能力（Liu等人，2024年）。这一概念不仅旨在培养对产品的积极态度，还强调改善与新技术的互动体验。它涉及利用新技术创造人性化体验（Liu等人，2024年）。数字客户亲密感比客户信任更为广泛：客户信任只是人与数字平台之间的桥梁，而数字客户亲密感则是维系这种关系的心理基础。数字客户亲密感不应与客户关系混淆。客户关系只是双方互动的起点，而数字亲密感则是长期维持这种关系的动力。与客户参与度相比，数字亲密感涉及更深层次的情感体验。随着企业越来越依赖数字平台和电子商务销售产品和服务，数字客户亲密感成为一个重要概念。如前所述，购买决策是一种情感驱动的行为，因此数字客户亲密感是重要的影响因素。从在线广告对购买决策的心理影响中可以直观地看出这一点（Xu等人，2024年）。即使对于理性且自信的消费者来说，具有攻击性或令人烦恼的广告也可能影响或改变他们的购买决定。此外，仅仅在应用程序中列出产品并不能说服顾客购买；应用程序应该被设计成提供信息和支持的，帮助顾客调整他们的购买决策（Lu等人，2025年）。AI的亲密感取决于一种复杂的关系，这种关系由道德互动和人类本性的微小变化所塑造，例如沉浸倾向（Bao等人，2026年）。人类在与机器和互联网的互动中可以体验到真实而深刻的亲密感（Smith & Snider，2019年），这种类型的AI亲密感能够建立信任、满足感和情感依赖（Bao等人，2026年）。此外，当AI代理看起来有吸引力、对产品或服务有扎实的专业知识，并且表现出一致性时，顾客与它们的互动会更好（Zhang & Zhu，2025年）。这表明顾客需要与这些平台建立数字上的亲密关系。先前的研究讨论了AI亲密感在将AI聊天机器人作为商业工具使用中的重要性。AI亲密感可以用来提高服务能力（Ku，2025年）。间接地，先前的研究通过展示数字美学和趣味性能够通过提供愉悦的体验来影响购买意向，从而证明了顾客数字亲密感的重要性（Rahman等人，2026年）。与被认为具有温暖感的AI机器人的互动可以通过数字营销创新来影响顾客满意度（Ku，2024年）。营销应用程序应该创造一种亲密感，以培养品牌忠诚度，而不仅仅是追求更多的销售额（Garrouch & Ghali，2023年），因此，使用如AI头像这样的数字互动工具，并理解人类亲密感的需求，可以创造出忠实的顾客（Shah等人，2025年）。
2.5. 心理所有权
心理所有权是指在没有正式拥有某产品或服务的情况下，仍感到自己拥有它的感觉（Scarpi，2024年）。心理所有权通过三个主要前提发展起来。首先是“可触碰感”，因为人们觉得他们可以触摸它或决定它的命运。第二个前提是“投入感”，因为人们在这个事物上投入了时间和精力。第三个前提是“共同历史感”（Morewedge，2021年）。这是一种强大且具有防御性的行为，可以与自我保护的感觉联系起来（Hingston & Whelan，2024年），并且可以在购买决定之前形成（Mahimkar，2026年）。从心理上讲，人们会夸大他们所拥有产品的价值。因此，当顾客发展出心理所有权但最终没有购买该产品时，他们的感受会从认为这是一种收获转变为一种损失。具有心理所有权的顾客会将产品视为自己的延伸（Nguyen等人，2025年）。心理所有权增加了产品或服务的吸引力、顾客愿意为其支付更多费用的意愿以及顾客对其的责任感（Alshammari & Al-Mamary，2026年）。迫切需要测试基于AI的技术在与顾客互动时培养心理所有权的能力。顾客与人类客户服务代理之间的互动可以有效增强心理所有权（Jiang等人，2026年）。然而，文献对聊天机器人创造心理所有权的能力提出了质疑，因为它们是预先编程的，因此缺乏自主性或学习能力（Scarpi，2024年）。这种怀疑不适用于AI聊天机器人，因为它们可以学习并产生自主的响应。
2.6. 研究空白
关于AI聊天机器人在销售和营销中的研究仍处于早期阶段。我们需要更多的研究来更好地理解这个问题。这里最关键的因素是顾客与AI聊天机器人之间的互动（Kumar等人，2025年）。以往的研究关注了几个可能影响购买决策的因素，但它们没有探讨这些因素是如何影响购买决策的机制。本研究通过强调人类与技术之间的互动在塑造购买决策中的重要性，填补了这一空白。本研究提出了两个主要的中介因素：数字顾客亲密感和心理所有权，作为AI聊天机器人影响购买决策的途径。
2.7. 概念框架
正如我们解释的那样，由于顾客与AI聊天机器人之间的互动，理解顾客购买决策的心理方面以及相关文献空白的重要性，本研究提出了以下概念框架。该概念框架展示了AI聊天机器人互动对购买决策的两种影响。第一种是AI聊天机器人互动对顾客购买决策的直接影响。第二种影响是通过数字亲密感和心理所有权中介的间接影响（图1）。
3. 研究方法
3.1. 研究设计
本研究采用了准实验性的定量探索性设计，以测试AI聊天机器人互动对购买决策的主要影响以及数字顾客亲密感和心理所有权的双重中介效应。这种定量设计使用了倾向得分匹配（PSM）来控制一组混杂变量之间的系统差异（Caliendo & Kopeinig，2008年）。PSM根据每个案例的倾向得分将处理组中的案例与对照组中的案例进行匹配。因此，PSM通过减少选择偏差和混杂偏差，增强了我们观察性研究中的因果论据（Lu等人，2018年）。我们使用非参数预处理方法进行参数因果推断（Salditt & Nestler，2023年）。倾向得分匹配的比例为1:1。主要方法采用了最近邻方法，并使用广义线性模型来拟合逻辑回归技术。在执行PSM时使用了六个控制变量。PSM设计基于自然分配到处理组和对照组，研究人员没有进行任何操作。顾客的选择过程没有任何关于他们状态的提示。处理组和对照组的分配基于顾客的反馈。使用标准化平均差异来测试PSM中的数据平衡性，标准化平均差异的临界值为0.1。任何高于0.1的差异都被认为是不平衡的（Zhang等人，2019年）。
所使用的分析技术是偏最小二乘结构方程建模（PLS-SEM），它基于方差分析，在探索和测试因果关系时是最佳选择，因为它能够最大化解释方差（Hair，2021年）。因此，PLS-SEM被认为是探索AI聊天机器人互动、数字亲密感和购买决策之间关系的理想工具。PLS-SEM在我们的案例中是最优的分析工具，因为它有三个优势：最新的PLS-SEM软件能够处理二元变量，甚至无需对其进行标准化（Becker等人，2022年）。因此，我们选择了SmartPLS 4来进行这项研究（Christian等人，2024年）。PLS-SEM是分析具有调节或中介效应的复杂模型的更可靠选项（Hair，2021年）。像其他结构方程建模技术一样，PLS-SEM也考虑了测量误差（Hair，2021年）。对于本研究中使用的心理测量量表（如数字亲密感和心理所有权），考虑测量误差是必不可少的。而在其他竞争技术（如线性或逻辑回归）中则无法考虑测量误差。
3.2. 变量测量
3.2.1. 数字顾客亲密感
数字顾客亲密感是使用Sternberg（1997年）开发的12项量表来测量的。这个量表非常适合本研究的目的（即测量顾客与AI聊天机器人之间可能发展的亲密感和舒适关系）。该量表测量的是一种支持性的伙伴关系，而不是浪漫情感。Sternberg的爱情三角量表包含三个主要组成部分：亲密感、激情和承诺。这三个组成部分共同构成了一个爱情量表。我们的兴趣在于测量亲密感而非爱情。亲密感部分包含12个灵活的条目，可以根据需要填写关于亲密感的任何内容。这个量表的表述非常简单，因此我们没有发现任何可能引起沙特当地受访者困惑的文化或特定情境相关的词汇。因此，我们直接采用了这个量表，并仅填写了所需的空白部分。例如，第11项“我感到与______有情感上的亲近”，被修改为“我使用销售AI聊天机器人时感到与之有情感上的亲近”。由于这个量表没有反向条目，我们将第5项“我从该公司的销售AI聊天机器人那里获得了相当大的情感支持”进行了反向处理。对于第3项“我强烈希望促进销售AI聊天机器人的福祉”，我们保持了原样，但添加了一个例子来澄清“福祉”的含义。
3.2.2. 心理所有权
心理所有权是使用Van Dyne & Pierce（2004年）开发的量表来测量的。这个量表被广泛用于不同情境下的心理所有权测量。该量表包含七个条目，其中一个条目具有反向含义。
3.2.3. AI聊天机器人互动
自变量被测量为一个二元（0/1）变量。0值表示与人类互动，1值表示与AI聊天机器人互动。顾客在有意购买产品或服务时发起互动。聊天机器人互动主要用于询问有关产品或服务的信息，如功能、图片、成分、质量、与其他产品的比较、产品是否适合顾客等。无论是人类还是AI聊天机器人的互动，都是为了刺激购买决策。互动与购买决策之间没有特定的固定时间间隔。有时购买决策会在互动后立即发生，尤其是在线上进行的情况下。在某些情况下，可能需要一段时间，或者在多次互动后才会发生。还有一些情况下，购买决策根本不会发生。
3.2.4. 购买决策
自变量被测量为一个二元（0/1）变量。0值表示顾客没有从该公司购买任何产品或服务，而1值表示顾客由于与AI聊天机器人或人类的互动而购买了产品或服务。选择二元量表是基于研究的重点，即购买决策的实际行为。以往的研究没有关注实际购买行为，而是关注购买决策的其他状态，如购买意图。实际购买情况最好通过顾客是否购买了产品来反映。此外，二元量表产生相同结论的能力与其他量表格式相当。而且，二元量表完成速度更快，产生的答案也更可靠（Dolnicar & Grün，2007年）。
3.3. 控制变量
第一个控制变量是年龄。年龄是本研究中的一个关键因素，因为不同世代对新技术的熟悉度和使用频率不同。年轻一代比老一代更频繁地使用基于AI的新技术。第二个控制变量是产品参与度（Bauer等人，2006年）。具有不同产品参与度的顾客在购买产品和服务时的行为可能会有所不同。第三个控制变量是收入。不同的收入水平也会影响购买决策。性别、教育和AI素养也被包括在内（Grassini，2024年）。
3.4. 抽样和数据收集程序
研究样本包括沙特阿拉伯王国的居民，他们能够从中小型企业购买产品和服务，这些企业定义为员工人数不超过249人且年收入低于5000万美元（2亿沙特里亚尔）的公司。问卷是基于明确定义的量表开发的，并通过电子方式分发。共有15名调查员负责将问卷分发给目标受访者。这些调查员分布在沙特阿拉伯的6个主要地区，并能够通过在线工具轻松联系到其他地区的受访者。调查员通过社交媒体平台或在一些公司的零售店和展厅与中小企业顾客进行联系。在社交媒体上，客户的选取基于他们的互动、点赞、反馈、对产品或服务的疑问或批评。在实体店中，客户的选取采用了一种商场拦截抽样技术：调查员询问客户是否愿意并能够填写问卷，如果客户接受邀请，就会收到数字问卷的链接。客户可以在方便的时间填写问卷。没有对客户完成问卷施加任何压力。使用筛选问题技术来确定互动对购买决策的因果影响。在数据收集阶段，通过询问客户他们的购买决策是否受到与公司互动的影响来确定这一过程。在确认后，再询问客户是与AI聊天机器人还是销售团队进行了互动。
3.5. 试点研究
对38名客户进行了试点研究，其中20名为女性，18名为男性。该试点研究测试了数据收集计划的可行性。这些客户是研究作者 personally 认识的。受访者符合研究的选择标准。17名受访者用时不到5分钟完成了问卷，9名用时不到8分钟，其余12名用时约10分钟。没有收到关于问题清晰度的投诉，但有23名受访者对问题感到不满。当我们讨论这些问题时，发现不满主要来源于反向问题和标记变量部分，这是可以预料的。尽管在试点研究中没有提供这一选项，但36名受访者更愿意收到问卷链接并在方便时再填写。这对进行主要研究非常有帮助。所有受访者表示，他们最方便填写问卷的时间是在下午5点到9点之间。
3.6. 偏差控制
使用标记变量方法评估了共同方法偏差。确定的最佳标记变量是对蓝色的态度（Miller & Simmering, 2023）。标记变量使用Miller和Simmering（2023）量表的简化版本进行测量。该量表包含三个条目：“我喜欢蓝色”、“蓝色是我最喜欢的颜色之一”以及“我对蓝色持有积极的态度”。这个量表使用5点李克特量表进行测量。通过将标记变量对模型中呈现的所有变量进行回归来执行测试。这一步不应显著改变自变量和中介变量对因变量的影响。测试显示没有共同方法偏差的重大问题（见数据分析部分）。
通过使所有受访者的身份匿名来控制社会期望偏差。通过使用反向措辞的条目来控制顺从偏差。这些条目的载荷是可接受的，如测量模型测试所示。通过比较早期和晚期的回应来测试无响应偏差（Armstrong & Overton, 1977）。无响应偏差是通过比较受访者和非受访者的特征来衡量的。调查员允许客户自由选择是否填写问卷。如果客户拒绝或不愿意填写问卷，调查员只要求他们提供人口统计信息。大多数非受访者甚至拒绝提供人口统计信息，只有51名受访者提供了。这组非受访者被用来通过比较他们的特征与受访者的特征来测试无响应偏差。在非受访者中，有34名为女性，17名为男性；41人拥有学士学位，9人拥有硕士学位，只有1人拥有博士学位。在51名受访者中，36人的年龄在18至35岁之间，15人的年龄在36至55岁之间。在收入方面，28人的收入在5000至10,000沙特里亚尔之间，22人的收入在10,000至20,000沙特里亚尔之间，只有1人的收入超过20,000沙特里亚尔。这些结果表明没有系统性的无响应偏差。通过使用倾向得分匹配的准实验设计消除了内生性偏差。倾向得分匹配的机制控制了混杂效应。
3.7. PLS-SEM模型适配性检查
需要测试PLS-SEM模型适应数据的能力。测试包括测量模型和结构模型。测量模型称为外部模型，它包含潜在变量与其测量项之间的关系。测量模型的载荷应显示0.7或更高的分数。使用两种技术来测试内部一致性：Cronbach's alpha和复合可靠性测试。Cronbach's alpha和复合可靠性测试得分应超过0.7的阈值；否则被认为是不可接受的（Hair, 2021）。进行区分效度测试以确认每组条目能够测量一个不同的潜在变量。为此测试使用了HTMT比率（Hair, 2021）。HTMT得分应小于0.85才能被接受。另一个称为收敛效度的测试，用于检查潜在变量及其测量之间的关系，以确认它们之间的适配性。收敛效度使用平均提取方差（AVE）进行测试，其得分应大于0.5。
3.8. 伦理考虑
本研究没有直接对人类或动物进行实验。收集的数据没有对受访者造成任何有害或不适的情况、结果或环境。在收集数据时，我们观察到高度的匿名性，因此没有出现隐私问题。受访者对这项研究的贡献完全是自愿的，没有使用任何强制措施。我们声明，为这项研究收集的所有数据将仅用于研究目的。因此，调查中收集的数据没有以任何可预见的方式伤害到受访者。这项研究的伦理批准已从沙特阿拉伯海伊尔大学的研究伦理委员会（REC）获得，并注册编号为158-L-08-H。
4. 数据分析和发现
4.1. 样本描述
样本中女性占50.4%，男性占49.6%。在教育方面，56.9%的受访者拥有学士学位，29.2%拥有硕士学位，8.2%拥有博士学位，5.7%被归类为其他教育水平。年龄分析显示，47.4%的受访者年龄在18至35岁之间，43.1%的受访者年龄在36至55岁之间，9.5%的受访者年龄在56岁或以上。收入分析显示，36.7%的受访者每月收入在5000至10,000沙特里亚尔之间，37.9%的收入在10,000至20,000沙特里亚尔之间，12%的收入低于5000沙特里亚尔，13.4%的受访者每月收入超过20,000沙特里亚尔（汇率固定为3.75沙特里亚尔/美元）。在购买决策过程中，49.6%的受访者与AI聊天机器人互动，而50.4%的受访者与营销/销售团队成员互动。此外，37.1%的受访者没有购买产品/服务，而62.9%的受访者因与公司的互动而购买了所需的产品/服务。在中小企业的组织层面，发现19%的企业从事化妆品和香水业务，17%的企业从事服装和时尚业务，14%的企业从事电子、计算机和移动业务，11%的企业从事珠宝业务，10%的企业从事家具和家用电器销售，9%的企业从事食品和餐饮业务，8%的企业从事药品和补充剂业务，7%的企业提供健身服务，5%的企业提供教育和培训服务。大多数这些企业在WhatsApp Business API和Instagram上部署了他们的AI聊天机器人。这些平台由名为Gabster AI和Humanin Chat的本地平台提供支持，因为这些服务提供商专门提供阿拉伯语模型。
4.2. 倾向得分匹配分析
对可用数据应用倾向得分匹配以消除AI聊天机器人互动与购买决策之间潜在的混杂效应。结果，360个数据点得到了满意的匹配（表2）。倾向得分匹配显示，性别、年龄和AI素养三个变量存在一些潜在的不平衡数据，标准化平均差异分别为0.20、0.18和0.15。这导致总体距离的标准化平均差异为0.16。倾向得分匹配消除了这种潜在的数据不平衡，并将这三个变量的标准化均值分别降低到0.07、0.09和0.08。总体距离的标准化平均差异降低到0.10，如表1所示。
表1. 倾向得分匹配得分
| 原始样本（O） | 处理后 | 控制后 | 标准化平均差异 |
|-------|-------|-------|-----------|
| 性别 | 0.638 | 0.382 | 0.201 |
| 教育 | 2.395 | 2.415 | −0.038 |
| 年龄 | 1.451 | 2.181 | −0.181 |
| 收入 | 2.540 | 2.547 | −0.016 |
| 产品参与度 | 2.753 | 2.846 | −0.047 |
| AI素养 | 3.480 | 3.127 | 0.158 |
| | | | |
表2. 应用PSM后的最终样本规模
表3. 共同方法偏差测试
| | 有标记变量 | 无标记变量 |
|-------|-------|-----------|
| 原始样本（O）P值 | 倾向得分匹配后P值 | |
| 聊天机器人互动 > 数字亲密感 | 0.714 | 0.000 |
| 聊天机器人互动 > 心理所有权 | 0.736 | 0.000 |
| 聊天机器人互动 > 购买决策 | 0.045 | 0.400 |
| 数字亲密感 > 购买决策 | 0.197 | 0.000 |
| M1 > 聊天机器人互动 | −0.049 | 0.062 |
| M2 > 数字亲密感 | −0.113 | 0.024 |
| M3 > 心理所有权 | −0.157 | 0.001 |
| M4 > 购买决策 | −0.029 | 0.200 |
| 心理所有权 > 购买决策 | 0.080 | 0.002 |
表4. 测量模型载荷和可靠性及有效性测试
| | 载荷 | Cronbach's alpha | 复合可靠性 | 平均提取方差（AVE） |
|-------|---------|------------|-------------|-----------|
| 数字亲密感 | 0.875 | 0.903 | 0.906 | 4.253 |
| AI素养 | 0.890 | 4.721 | 4.866 |
| | 0.878 | 4.858 | 4.858 |
| | 0.882 | 4.517 | 4.517 |
| | 0.882 | 4.517 | 4.858 |
| | 0.846 | 3.515 | 3.515 |
| | 0.873 | 4.020 | 4.020 |
| | 0.879 | 4.387 | 4.387 |
| | 0.863 | 3.752 | 3.752 |
| | 0.877 | 4.178 | 4.178 |
| | 0.894 | 4.636 | 4.636 |
| | 0.880 | 4.179 | 4.179 |
表5. 异质特质-单特质比率（HTMT）矩阵
| | 聊天机器人互动 | 数字亲密感 | 心理所有权 | 购买决策 |
|-------|---------|-----------|-----------|-----------|
| 聊天机器人互动 | 0.371 | 0.320 | 0.147 |
| 心理所有权 | 0.320 | 0.151 | 0.461 |
| 购买决策 | 0.151 | 0.223 | 0.223 |
表6. 因变量R平方得分
| | | | |
| 数字亲密感 | 0.135 | 0.133 |
| 心理所有权 | 0.097 | 0.095 |
| 购买决策 | 0.234 | 0.228 |
表7. 结构模型的路径系数
| | | | |
| 原始样本（O） | 样本均值（M） | 标准差（STDEV） | T统计量（|O/STDEV|） | P值 |
| |---------|-----------|------------|-------------|------------|
| 聊天机器人互动 > 数字亲密感 | 0.736 | 0.740 | 0.094 | 0.000 |
| 聊天机器人互动 > 心理所有权 | −0.624 | −0.630 | 0.096 | 0.000 |
| 聊天机器人互动 > 购买决策 | 0.051 | 0.053 | 0.053 | 0.965 |
| 数字亲密感 > 购买决策 | 0.200 | 0.200 | 0.025 | 0.814 |
| 心理所有权 > 购买决策 | 0.084 | 0.085 | 0.026 | 0.001 |
表8. 特定间接效应系数
| | | | |
| 原始样本（O） | 样本均值（M） | 标准差（STDEV） | T统计量（|O/STDEV|） | P值 |
| 聊天机器人互动 > 心理所有权 > 购买决策 | −0.053 | −0.054 | 0.020 | 2.638 |
| 聊天机器人互动 > 数字亲密感 > 购买决策 | 0.147 | 0.148 | 0.025 | 5.823 |
| | | | |
表9. 特定间接效应系数的置信区间
| | | | |
| 原始样本（O） | 样本均值（M） | 标准差（STDEV） | T统计量（|O/STDEV|） | P值 |
| 聊天机器人互动 > 心理所有权 > 购买决策 | −0.053 | −0.054 | −0.098 | −0.019 |
| 聊天机器人互动 > 数字亲密感 > 购买决策 | 0.147 | 0.148 | 0.100 | 0.199 |
表10. 总间接效应系数
| | | | |
| 原始样本（O） | 样本均值（M） | 标准差（STDEV） | T统计量（|O/STDEV|） | P值 |
| 聊天机器人互动 > 购买决策 | 0.094 | 0.094 | 0.037 | 2.580 |
表11. 总效应系数的置信区间
| | | | |
| 原始样本（O） | 样本均值（M） | 标准差（STDEV） | T统计量（|O/STDEV| | P值 |
| 聊天机器人互动 > 购买决策 | 0.094 | 0.094 | 0.037 | 2.580 |
表3显示，添加标记变量没有显著影响。聊天机器人互动对数字亲密感的影响从0.736略微变为0.710，仍然显著。聊天机器人互动对心理所有权的影响仍然显著，但从−0.624略微变为−0.655。聊天机器人互动对购买决策的影响仍然不显著，但从0.051略微变为0.045。在添加标记变量之前，数字亲密感对购买决策有显著影响，仅从0.2变为0.197。
4.4. 测量模型分析
检查测量结果显示潜在变量及其测量项的适配性令人满意。数字亲密感的载荷范围在0.875到0.894之间。心理所有权的载荷也显示出良好的测量模型，变化范围在0.738到0.884之间。所有这些载荷都超过了0.705的阈值（图2）。
4.5. 可靠性和有效性分析
可靠性和有效性分析也显示了令人满意的分数。从Cronbach's alpha的内部一致性测量开始，数字亲密感的得分为0.90，心理所有权的得分为0.89。复合可靠性显示出类似的模式，数字亲密感的得分为0.906，心理所有权的得分为0.902。所有这些得分都超过了0.7的阈值。平均提取方差显示良好的适配性，数字亲密感的得分为0.719，心理所有权的得分为0.691。最后一个测试是方差膨胀因子，结果显示符合预期。构念的条目应该高度相关，但不完全相同。数字亲密感的VIF值在4.0到4.85之间变化，而心理所有权的VIF值在3.49到4.86之间变化。所有这些得分都小于5。使用异数字亲密感与心理所有权之间的比率为0.147。数字亲密感与购买决策之间的比率为0.461。最后，心理所有权与购买决策之间的比率为0.223。表5显示了HTMT测试的结果。4.6 结构模型 本研究使用结构模型来测试主要变量之间的关系。该模型检验了数字亲密感和心理所有权在AI聊天机器人互动与购买决策这一主要关系中的双重中介效应。第一步是测试自变量对因变量总方差的解释程度。该模型解释了数字亲密感变量约14%的变异，心理所有权变量约10%的变异，以及购买决策变量约23%的变异。第二步是测试模型中各变量之间关系的显著性。结果总结见表6。测试显示，AI聊天机器人互动对数字亲密感有正面且显著的影响（B = 0.736，T统计量 = 7.84）。聊天机器人互动对心理所有权有负面且显著的影响（B = −0.624，T统计量 = 6.507）。数字亲密感对购买决策有正面且显著的影响（B = 0.2，T统计量 = 8.14）。心理所有权对购买决策有正面且显著的影响（B = 0.08，T统计量 = 3.285）。聊天机器人互动对购买决策的直接影响不显著（B = 0.05，T统计量 = 0.965）。这些结果见表7。4.6.1 间接效应 聊天机器人互动通过数字亲密感对购买决策有正面且显著的影响（B = 0.147，T统计量 = 5.823）。95%置信区间表明，真实影响分数介于0.1到0.199之间。另一方面，聊天机器人互动通过心理所有权对购买决策有负面且显著的影响（B = −0.054，T统计量 = 2.638）。95%置信区间表明，真实影响分数介于−0.098到−0.019之间（表8，表9）。4.6.2 总效应 聊天机器人互动通过直接影响、数字亲密感和心理所有权对购买决策有正面且显著的总影响（B = 0.094，T统计量 = 2.58）。95%置信区间表明，真实影响分数介于0.020到0.164之间（表10，表11）。5. 讨论 本研究探讨了机器与人类之间的心理互动，特别关注客户与AI聊天机器人互动对购买决策的影响。这一关系在两个主要中介因素——数字亲密感和心理所有权的存在下进行了研究。结果显示，购买决策是心理决策，与客户的互动应基于这一原则。投资于支持与客户互动的技术时应优先考虑客户的心理行为。这些技术应旨在增进与人类的亲密感并培养心理所有权，因为如果没有这些特性，如AI聊天机器人这样的技术将不会带来好处。研究发现，沙特中小型企业与AI聊天机器人的互动能够提高数字亲密感。数字亲密感有助于在客户与AI聊天机器人之间营造舒适的氛围，表明人类可以对AI聊天机器人等机器产生温暖的情感。这一发现可以为开发影响购买决策心理方面的技术互动平台奠定基础，通过提供让客户愉悦的互动，帮助他们通过技术工具感受到与公司的亲近。一个意外的发现是AI聊天机器人无法激发心理所有权。AI聊天机器人的互动对心理所有权有负面且显著的影响，这证实了人类在培养客户心理所有权方面比AI聊天机器人更有效。这一原则与客户与产品或服务之间的关系相关。客户必须在心理上与产品产生联系，才能增强他们对产品的渴望并促使其做出购买决定。聊天机器人无法产生这种感觉，这引发了关于它们模仿人类互动能力的疑问。这可能是因为聊天机器人无法创造出有助于培养心理所有权的一些重要前提条件。聊天机器人似乎无法建立一种归属感，因为它们不能让客户感觉到自己可以影响产品或决定产品的命运。此外，聊天机器人对客户的响应非常迅速，因此客户没有时间感受到自己为该产品投入了时间和精力。相比之下，人类（销售人员）通常能在客户心中建立情感联系。聊天机器人在与客户互动时无法创造出长期的个人联系。研究发现数字亲密感对购买决策有显著影响，这表明需要考虑人类被信任的伙伴所对待和理解的需求。客户在与AI聊天机器人的互动中感受到亲近和温暖，这使他们更容易做出购买决定。这证实了购买决策是一种依赖于个人对公司和产品本身感受的心理行为。心理所有权也对购买决策有显著影响，这清楚地表明了将AI聊天机器人作为客户互动机制的局限性。尽管心理所有权是购买决策的重要因素，但AI聊天机器人未能有效培养它。当客户觉得自己是产品的所有者时，不购买该产品会被视为一种损失，这使得不购买的决定变得更加困难。人类的天性是对所拥有的东西赋予更高价值，因此心理所有权增强了产品或服务价值超过其价格的感觉。这项研究的最后一个发现是AI聊天机器人互动对购买决策的影响。研究发现AI聊天机器人互动对购买决策的直接影响不显著，这表明数字亲密感和心理所有权的重要性。AI聊天机器人本身并不是鼓励购买决策的关键。尽管新技术在降低成本和激发客户兴趣方面非常有用，但这还不够。企业在设计此类服务时应明智地投资于这些技术，并优先考虑客户的心理行为。特别是，企业应关注（1）创建吸引客户的互动媒介；（2）说服客户产品或服务对他们的重要性。这两点在本研究中通过数字亲密感和产品或服务的心理所有权得到了体现。5.1 理论意义 本研究扩展了关于购买决策的现有知识，并探讨了新技术如何改变这些行为。通过展示数字亲密感和心理所有权在AI聊天机器人互动与购买决策关系中的完全中介效应，揭示了购买决策是一种心理行为，并提出了影响它的新的关键因素。它还分析了商业环境中人类与机器之间的互动。以往的研究主要关注产品和社交规范作为购买决策的主要因素（Abdul Latip等人，2025；Zhang等人，2025）。本研究将注意力转向了客户的心理行为。通过关注新技术与客户心理行为的变化，本研究进一步发展了这一观点，这些变化可以影响购买决策。AI聊天机器人的技术特性被强调为影响客户行为的核心（Albayrak等人，2018；Krishnan等人，2022）。虽然这是一个非常有洞察力的视角，但本研究更深入地探讨了这一点，并指出这些AI聊天机器人的特性只有在能够影响客户的数字亲密感和心理所有权时才有效。5.2 实际意义 中小企业应优先考虑其AI聊天机器人的学习过程。AI聊天机器人应被训练以理解客户的心理需求，并使客户与它们的互动变得有趣，从而增强数字亲密感。AI聊天机器人还应被训练以通过加强心理所有权来提升客户对产品或服务的感受。此外，企业应更注重开发类人类的AI聊天机器人（Zhang & Zhu，2025），以增强更多的数字亲密感。目标是为客户创造定制化的体验。聊天机器人应将客户置于使用场景中，激发他们对于产品或服务如何改变生活的想象。训练聊天机器人像专家一样回答客户的问题，从而让客户觉得它比其他人更了解产品，也会显著增强心理所有权。此外，AI聊天机器人可以提供产品的真实图片和更多细节，这同样可以提升客户的心理所有权（Marckhgott等人，2026）。6. 结论 本研究旨在了解AI聊天机器人互动如何影响客户的购买决策。这是通过测试客户数字亲密感和心理所有权在这两者关系中的双重中介效应来实现的。研究发现数字亲密感和心理所有权在AI聊天机器人互动与购买决策之间的关系中具有完全的双重中介效应。6.1 局限性 本研究存在一些局限性。它采用了横断面设计，无法观察AI聊天机器人互动对数字亲密感和心理所有权随时间的变化影响。此外，本研究没有区分数字亲密感和伪数字亲密感，因为它假设人类认为AI聊天机器人是可行的伙伴，并能在与之互动时产生情感。研究伪数字亲密感将关注孤独情境下的模拟亲近感和情感反应。最后，本研究关注的是个体客户，而不是群体或家庭客户。研究家庭客户作为一个群体有助于理解多个家庭成员对产品的共同心理所有权。例如，一个成员强烈的心理所有权可能会对另一个成员的心理所有权产生负面影响。6.2 未来研究 本研究的一个主要发现是AI聊天机器人互动未能培养心理所有权。未来的研究应深入探讨这一失败的原因。此外，本研究中的变量——AI聊天机器人互动、数字亲密感和心理所有权——在解释购买决策变化时可能解释力较低。因此，未来的研究可以研究更多的调节心理变量，如社会存在感和自我一致性。未来的研究可以采用纵向设计来评估AI聊天机器人、数字亲密感和心理所有权随时间的关系。未来研究还应区分数字亲密感和伪数字亲密感的心理效应。这将有助于我们更好地理解AI聊天机器人互动如何影响不同类型客户的购买决策。研究数字焦虑的调节效应（Maduku等人，2023）也将是有价值的。一般来说，亲密感是一种与人类生物需求相关的心理感受。因此，数字亲密感可以被视为一种人为创造的心理操控。需要更多关于通过AI代理创造这种感受的伦理考虑的研究。还需要更多研究来了解新技术如何影响数字亲密感，以及人类与AI聊天机器人发展数字亲密感或伪数字亲密感的潜力。最后，未来的研究可以关注AI聊天机器人、心理所有权和群体客户之间的互动。CRediT作者贡献声明 Badr Alamr：撰写——审阅与编辑，撰写——初稿，项目管理，资金获取，数据管理，概念化。Abdulaziz Alharbi：撰写——审阅与编辑，方法论，研究，数据管理。Mohammed Ali Al-Awlaqi：撰写——审阅与编辑，可视化，软件，方法论。
