DOI: https://doi.org/10.1038/s41598-025-01258-x
PMID: https://pubmed.ncbi.nlm.nih.gov/40389499
تاريخ النشر: 2025-05-19
المؤلف: Wenying Shi وآخرون
الموضوع الرئيسي: التسويق الرقمي ووسائل التواصل الاجتماعي
نظرة عامة
تستكشف هذه الورقة البحثية تأثير المحتوى الذي تم إنشاؤه بواسطة الذكاء الاصطناعي (AIGC) على نوايا الشراء لدى المستخدمين في القطاعات الثقافية والإبداعية. باستخدام نموذج شامل يستند إلى نظريات سلوكية متنوعة – بما في ذلك نظرية التحفيز-الكائن-الاستجابة ونظرية السلوك المخطط – تحدد الدراسة العوامل المؤثرة الرئيسية مثل القيمة المدركة (PV) والسعر المدرك (PP) والتأثير الاجتماعي والدافع الهيدوني (HM) والخبرة الثقافية (CE). ومن الجدير بالذكر أن الابتكار الذاتي يتم فحصه كعامل معتدل يؤثر على العلاقات بين PV وPP ودرجة التحكم السلوكي المدرك لدى المستخدم.
باستخدام نمذجة المعادلات الهيكلية على عينة من 526 مستجيبًا، تجري الدراسة تحليلات استكشافية وتأكيدية للعوامل، مما يعزز نتائجها من خلال الشبكات العصبية الاصطناعية. تكشف النتائج أن الموقف السلوكي وHM وPP وPV والجودة التوليدية تؤثر بشكل كبير على نوايا الشراء لدى المستخدمين. يولي المستخدمون الأولوية ليس فقط للسعر وجودة المنتجات التي تم إنشاؤها بواسطة الذكاء الاصطناعي ولكن أيضًا للتجارب الممتعة والتميز الثقافي الذي توفره. تسهم هذه الدراسة في الفهم النظري لـ AIGC في الاستهلاك الثقافي وتقدم استراتيجيات عملية للشركات لتعزيز رضا المستخدم وقبول السوق للمنتجات الثقافية التي تم إنشاؤها بواسطة الذكاء الاصطناعي.
مقدمة
توضح قسم منهجية البحث النهج المزدوج الذي يعتمد على استخدام نمذجة المعادلات الهيكلية (SEM) والشبكات العصبية الاصطناعية (ANN) لتحليل العلاقات المعقدة بين المتغيرات في الدراسة. يتم تسليط الضوء على SEM كطريقة إحصائية متعددة المتغيرات قوية تجمع بين تحليل العوامل وتحليل المسار، مما يسمح باستكشاف العلاقات السببية بين المتغيرات المرصودة والlatent. تبدأ المنهجية بإعداد البيانات، تليها تحليل العوامل الاستكشافية (EFA) لتحديد العوامل الأساسية، وتحليل العوامل التأكيدي (CFA) للتحقق من هيكل العوامل. يتم إجراء تحليل المسار بعد ذلك لاختبار الفرضيات وتقييم ملاءمة النموذج باستخدام مؤشرات مثل CFI وTLI وRMSEA.
على النقيض من ذلك، يتم وصف ANN كطريقة تعلم آلي تحاكي الشبكات العصبية البيولوجية، قادرة على إدارة العلاقات غير الخطية المعقدة ومجموعات البيانات الكبيرة. يُفترض أن دمج SEM وANN يعزز كل من الفهم النظري والقدرات التنبؤية، مما يوفر إطارًا تحليليًا شاملاً. لا يوضح هذا التآزر المنهجي المسارات السببية بين المتغيرات فحسب، بل يعزز أيضًا القوة التنبؤية للنموذج، مما يجعله قابلًا للتطبيق عبر مجالات متنوعة، بما في ذلك علم النفس والتسويق والحفاظ على التراث.
النتائج
تظهر نتائج هذه الدراسة، التي استخدمت نمذجة المعادلات الهيكلية (SEM) والشبكات العصبية الاصطناعية (ANN)، موثوقية وصلاحية قوية للبيانات المجمعة بشأن نوايا شراء المستخدمين للمنتجات الثقافية والإبداعية التي تم إنشاؤها بواسطة الذكاء الاصطناعي. كانت قيمة قياس كايزر-ماير-أولكين (KMO) 0.916، مما يشير إلى صلاحية عالية، بينما أكد اختبار بارلت للكراتية موثوقية الاستبيان بمستوى دلالة قريب من الصفر. كشفت تحليل العوامل التأكيدي (CFA) عن ملاءمة جيدة للنموذج، حيث كانت قيمة كاي-تربيع/df عند 1.606، وRMSEA عند 0.034، وقيم NFI وIFI وCFI تتجاوز العتبات الموصى بها، مما يؤكد قوة نموذج القياس.
حددت التحليلات علاقات هامة بين العوامل المختلفة التي تؤثر على نوايا الشراء. على وجه التحديد، أثرت القيمة المدركة (PV) بشكل كبير على التحكم السلوكي المدرك (PBC) والمعيار الذاتي (SN)، مما يدعم الفرضيات H1 وH2 وH3 وH4. ومع ذلك، لم تؤثر الظروف الميسرة (FC) بشكل كبير على PBC أو SN، مما أدى إلى رفض الفرضيات H5 وH6. أظهرت عوامل أخرى، بما في ذلك التأثير الاجتماعي (SI) والدافع الهيدوني (HM) والخبرة الثقافية (CE) والجودة التوليدية (GQ)، أيضًا تأثيرات كبيرة على PBC وSN. بالإضافة إلى ذلك، وُجد أن PBC تؤثر بشكل كبير على نية الشراء، مما يؤكد أهمية نظرية السلوك المخطط (TPB) في هذا السياق. استكشفت الدراسة أيضًا الدور المعتدل للتأثير الاجتماعي على العلاقات بين القيمة المدركة ونية الشراء، كاشفة أن التأثير كان أكثر وضوحًا عند مستويات منخفضة من التأثير الاجتماعي. بشكل عام، تسهم النتائج في فهم قبول المستخدمين للمنتجات التي تم إنشاؤها بواسطة الذكاء الاصطناعي من خلال دمج عدة أطر نظرية وتسليط الضوء على أهمية العوامل العاطفية والثقافية في الاستهلاك الرقمي.
المناقشة
في هذا القسم، تناقش الورقة البحثية المشهد التنافسي لمنصات المحتوى الذي تم إنشاؤه بواسطة الذكاء الاصطناعي (AIGC)، مسلطة الضوء على اللاعبين الرئيسيين مثل Midjourney وStable Diffusion، الذين يتفوقون في قدرات التوليد وتجربة المستخدم. يُلاحظ أن Midjourney معروفة بتوليد المحتوى الفني، بينما تُعرف Stable Diffusion بكفاءتها ومرونتها، مما يجذب المطورين والباحثين. يتم تعزيز تجربة المستخدم من خلال منصات مثل Playground وLucidpic، التي تقدم واجهات سهلة الاستخدام، و”Wenxin Yige” تلبي احتياجات المستخدمين الناطقين بالصينية. يتم التأكيد على القوة التقنية لمنصات مثل OpenAI وAdobe Firefly، مما يعرض نماذجها التوليدية القابلة للتوسع التي تلبي احتياجات المستخدمين المتنوعة.
تقدم الورقة أيضًا أطر نظرية مثل نموذج SOR ونموذج اعتماد القيمة (VAM) والنظرية الموحدة لقبول واستخدام التكنولوجيا (UTAUT2) لتحليل سلوك المستخدم ونوايا الشراء للمنتجات الثقافية التي تم إنشاؤها بواسطة الذكاء الاصطناعي. يوضح نموذج SOR العلاقة بين المحفزات الخارجية، والمعالجة المعرفية، والاستجابات السلوكية، بينما يركز VAM على القيمة المدركة كعامل محدد لاعتماد التكنولوجيا. تتضمن UTAUT2 الدوافع الداخلية والمتغيرات الخارجية مثل الظروف الميسرة والتأثير الاجتماعي، والتي تعتبر حاسمة لفهم قبول المستهلك للتقنيات الناشئة. بالإضافة إلى ذلك، تقترح الورقة فرضيات تربط بين القيمة المدركة والسعر المدرك والخبرة الثقافية والجودة التوليدية بنوايا شراء المستخدم، مما يبرز أهمية هذه العوامل في سياق منصات AIGC.
القيود
تقدم الدراسة حول العوامل المؤثرة على نوايا شراء المستخدمين للمنتجات الإبداعية التي تم إنشاؤها بواسطة الذكاء الاصطناعي عدة قيود. أولاً، لا تشمل جميع المتغيرات المحتملة التي تؤثر على سلوك الشراء، مثل الفروق الفردية، والاتجاهات السوقية، والخلفيات الاجتماعية والثقافية، والعوامل الظرفية، والاعتبارات الأخلاقية المتعلقة بالتكنولوجيا. يجب أن تهدف الأبحاث المستقبلية إلى تضمين هذه العوامل الإضافية لتوفير فهم أكثر شمولاً لسلوك المستخدم.
ثانيًا، تقتصر الدراسة على تصورات المستهلكين المحليين، مما قد يتجاهل التوقعات المتنوعة للمستهلكين الدوليين من خلفيات ثقافية مختلفة. يجب أن تتضمن الدراسات المستقبلية وجهات نظر عبر الثقافات لتحديد الفروق المعرفية والعناصر الثقافية الجذابة التي يمكن أن تعزز الجاذبية العالمية للمنتجات التي تم إنشاؤها بواسطة الذكاء الاصطناعي. أخيرًا، يعتمد النموذج الذي تم تطويره في هذه الدراسة على الحالة الحالية لتكنولوجيا الذكاء الاصطناعي التوليدية ولا يأخذ في الاعتبار التقدم المستقبلي في جودة التوليد والمعايير الأخلاقية وثقة المستخدم، والتي قد تؤثر بشكل كبير على سلوك المستخدم. يجب أن تتكيف الأبحاث اللاحقة مع النموذج لتعكس هذه التغييرات التكنولوجية، مما يحسن من صلاحيته وقابليته للتطبيق.
DOI: https://doi.org/10.1038/s41598-025-01258-x
PMID: https://pubmed.ncbi.nlm.nih.gov/40389499
Publication Date: 2025-05-19
Author(s): Wenying Shi et al.
Primary Topic: Digital Marketing and Social Media
Overview
This research paper investigates the impact of artificial intelligence-generated content (AIGC) on user purchase intentions within the cultural and creative sectors. Utilizing a comprehensive model grounded in various behavioral theories—including the stimulus-organism-response theory and the theory of planned behavior—the study identifies key influencing factors such as perceived value (PV), perceived price (PP), social influence, hedonic motivation (HM), and cultural experience (CE). Notably, self-innovation is examined as a moderator affecting the relationships between PV, PP, and user perceived behavioral control.
Employing structural equation modeling on a sample of 526 respondents, the study conducts both exploratory and confirmatory factor analyses, further validating its findings through artificial neural networks. The results reveal that behavioral attitude, HM, PP, PV, and generative quality significantly influence user purchase intentions. Users prioritize not only the price and quality of AI-generated products but also the pleasurable experiences and cultural distinctiveness they provide. This research contributes to the theoretical understanding of AIGC in cultural consumption and offers practical strategies for companies to enhance user satisfaction and market acceptance of AI-generated cultural products.
Introduction
The research methodology section outlines the dual approach of employing Structural Equation Modeling (SEM) and Artificial Neural Networks (ANN) to analyze complex variable relationships in the study. SEM is highlighted as a robust multivariate statistical technique that merges factor analysis and path analysis, allowing for the exploration of causal relationships between observed and latent variables. The methodology begins with data preparation, followed by Exploratory Factor Analysis (EFA) to identify underlying factors, and Confirmatory Factor Analysis (CFA) to validate the factor structure. Path analysis is subsequently conducted to test hypotheses and assess the model’s fit using indices such as CFI, TLI, and RMSEA.
In contrast, ANN is described as a machine learning method that mimics biological neural networks, adept at managing complex nonlinear relationships and large datasets. The integration of SEM and ANN is posited to enhance both theoretical understanding and predictive capabilities, thereby providing a comprehensive analytical framework. This methodological synergy not only elucidates causal pathways among variables but also strengthens the model’s predictive power, making it applicable across various fields, including psychology, marketing, and heritage conservation.
Results
The results of this study, which utilized Structural Equation Modeling (SEM) and Artificial Neural Networks (ANN), demonstrate strong reliability and validity of the data collected regarding users’ purchase intentions for AI-generated cultural and creative products. The Kaiser-Meyer-Olkin (KMO) measure was 0.916, indicating high validity, while Bartlett’s Test of Sphericity confirmed the reliability of the questionnaire with a significance level near zero. Confirmatory Factor Analysis (CFA) revealed a good model fit, with Chi-square/df at 1.606, RMSEA at 0.034, and NFI, IFI, and CFI values exceeding the recommended thresholds, affirming the robustness of the measurement model.
The analysis identified significant relationships among various factors influencing purchase intentions. Specifically, perceived value (PV) significantly influenced perceived behavioral control (PBC) and subjective norm (SN), supporting hypotheses H1, H2, H3, and H4. However, facilitating conditions (FC) did not significantly impact PBC or SN, leading to the rejection of hypotheses H5 and H6. Other factors, including social influence (SI), hedonic motivation (HM), cultural experience (CE), and generational quality (GQ), also showed significant effects on PBC and SN. Additionally, PBC was found to significantly affect purchase intention, confirming the relevance of the Theory of Planned Behavior (TPB) in this context. The study further explored the moderating role of social influence on the relationships between perceived value and purchase intention, revealing that the effect was more pronounced at lower levels of social influence. Overall, the findings contribute to the understanding of user acceptance of AI-generated products by integrating multiple theoretical frameworks and highlighting the importance of emotional and cultural factors in digital consumption.
Discussion
In this section, the research paper discusses the competitive landscape of AI-generated content (AIGC) platforms, highlighting key players such as Midjourney and Stable Diffusion, which excel in generation capabilities and user experience. Midjourney is noted for its artistic content generation, while Stable Diffusion is recognized for its efficiency and versatility, appealing to developers and researchers. User experience is enhanced by platforms like Playground and Lucidpic, which offer intuitive interfaces, and “Wenxin Yige” caters specifically to Chinese-speaking users. The technical strengths of platforms like OpenAI and Adobe Firefly are emphasized, showcasing their scalable generative models that meet diverse user needs.
The paper also introduces theoretical frameworks such as the SOR model, Value Adoption Model (VAM), and Unified Theory of Acceptance and Use of Technology (UTAUT2) to analyze user behavior and purchase intentions for AI-generated cultural products. The SOR model elucidates the relationship between external stimuli, cognitive processing, and behavioral responses, while VAM focuses on perceived value as a determinant of technology adoption. UTAUT2 incorporates intrinsic motivations and external variables like facilitating conditions and social influence, which are crucial for understanding consumer acceptance of emerging technologies. Additionally, the paper proposes hypotheses linking perceived value, perceived price, cultural experience, and generation quality to user purchase intentions, emphasizing the importance of these factors in the context of AIGC platforms.
Limitations
The study on factors influencing users’ purchase intentions for AI-generated creative products presents several limitations. Firstly, it does not encompass all potential variables affecting purchase behavior, such as individual differences, market trends, socio-cultural backgrounds, situational factors, and ethical considerations related to technology. Future research should aim to include these additional factors to provide a more comprehensive understanding of user behavior.
Secondly, the research is limited to the perceptions of domestic consumers, potentially overlooking the diverse expectations of international consumers from various cultural backgrounds. Future studies should incorporate cross-cultural perspectives to identify cognitive differences and culturally appealing elements that could enhance the global appeal of AI-generated products. Lastly, the model developed in this study is based on the current state of generative AI technology and does not account for future advancements in generation quality, ethical standards, and user trust, which may significantly influence user behavior. Subsequent research should adapt the model to reflect these technological changes, thereby improving its relevance and applicability.