人機互動中的感官體驗與投入

1. 基本資訊

這篇文章由 Pantea Foroudi、Reza Marvi 與 Dongmei Zha 發表於 2025 年的 International Journal of Information Management 第 84 卷，文章題目是〈AI sensation and engagement: Unpacking the sensory experience in human-AI interaction〉，DOI 為 10.1016/j.ijinfomgt.2025.102918。研究場景聚焦在 healthcare 與 wearable health devices 脈絡，核心問題是：AI 互動中的感官刺激如何轉成使用者的情緒與主觀感受，進一步推動更高的 activation engagement。

2. 研究問題

作者想補的缺口很明確。第一，既有 AI 研究大量討論 adoption、trust 或功能表現，但很少真正把 sensory experience 在 AI 情境中操作化。第二，既有品牌與消費者研究知道感官經驗重要，卻不清楚在 human-AI interaction 中，AI sensation 究竟怎麼影響情緒與 engagement。第三，作者也想檢驗兩個邊界條件：AI empathy 與 AI literacy 是否會改變這條感官到 engagement 的作用路徑。

3. 理論基礎

理論上，本文主要建立在 theory of constructed emotion，並輔以 uncanny valley。前者讓作者把情緒理解為由感官輸入、即時 affect 與較整合的主觀感受狀態共同建構的過程，而不是單一瞬間反應；後者則提醒，看似更有人味、更有 empathy 的 AI 不一定永遠更好，當 AI 過度逼近人類情感表達時，也可能引發不適或違和。這個組合理論很有用，因為它把「AI 的感官表現」和「人如何情緒化地理解 AI」放進同一個框架。

4. 研究架構

整體架構可以寫成一條主機制鏈：AI sensation → subjective feeling state / AI affects → activation engagement。其中，AI sensation 指的是 AI 在互動第一時間透過視覺、聲音等感官線索引發的原始神經生理式刺激；AI affects 是較即時的情緒反應；subjective feeling state 則是更整合後的意識性感受。作者再把 AI empathy 與 AI literacy 放進模型中，檢查它們如何調節這些路徑的強弱。

5. 假設邏輯

本文是典型假設檢驗型研究。H1 主張 AI sensation 會正向影響 subjective feeling state、AI affects 與 activation engagement。H2 主張 subjective feeling state 與 AI affects 會中介 AI sensation → activation engagement。H3 主張 AI empathy 會調節 AI sensation 對主觀感受、affect 與 engagement 的影響。H4 則主張 AI literacy 會調節主觀感受、AI sensation、AI affects 與 activation engagement 之間的關係。背後的邏輯是：感官線索本身不是結果，真正驅動行動投入的是感官線索如何被轉譯成情緒與感受，而這種轉譯又會受使用者對 AI 的理解程度，以及 AI 是否被感知為有 empathy 所影響。

6. 方法

研究採 mixed-methods。第一階段是質性研究，共訪談 68 人，包括 18 位 healthcare employees、37 位 wearable health device 使用者、7 位 AI developers 與 6 位 academics，用來澄清關鍵構念與建立量化模型。第二階段是量化問卷，最終有效樣本為 557 位具 AI 應用經驗的 healthcare employees。分析上，作者使用 SPSS 做描述統計與信度檢查，並用 AMOS 做 CFA。測量模型整體配適度可接受，文中回報 RMSEA=.084、CFI=.939、TLI=.931、NFI=.925、IFI=.939，且 AVE 與 CR 均達標。

7. 結果

核心結果相當清楚。首先，AI sensation 顯著正向影響 subjective feeling state（β=0.05, t=3.82）、AI affects（β=0.03, t=5.26）與 activation engagement（β=0.15, t=3.42）。其次，subjective feeling state 對 engagement 的直接效果只有邊際顯著（β=0.06, t=1.92, p=.05），但 AI affects 對 engagement 的效果較強（β=0.25, t=5.18）。中介分析顯示，subjective feeling state 與 AI affects 都能中介 AI sensation → activation engagement，其中 AI affects 的中介更強。調節結果則較細緻：AI empathy 會調節多條關係，但效果反而在低 empathy 條件下更強，這與 uncanny valley 的提醒一致，表示過強的人味表達未必更能推動 engagement。相比之下，AI literacy 對多數關係的調節並不顯著，但在高 AI literacy 情況下，AI affects → activation engagement 的作用更明顯。

8. 理論貢獻

這篇最大的理論貢獻，是把原本偏抽象的 sensory experience model 真正搬進 AI 情境並做了實證操作化。第一，它把 AI sensation、AI affects、subjective feeling state 這三層拆開，不再把人對 AI 的情緒反應混成單一態度變數。第二，它說明 engagement 並不只是由功能好不好決定，而是深受感官刺激與情緒轉譯機制影響。第三，它也把 AI empathy 與 AI literacy 拉進來，讓 human-AI interaction 的心理機制不再只是 adoption 或 usefulness 模型，而是更靠近感受、情緒與界面設計的中層理論。

9. 實務意涵

對實務來說，這篇最直接的提醒是：AI 系統若只追求功能正確，不足以穩定提升 engagement。設計者需要把視覺、聲音、回饋節奏與訊息呈現方式當成真正的管理變項。尤其在 healthcare 或服務情境中，適度的多感官設計能提升使用者的主觀感受與情緒反應，進而增加投入程度。不過，作者也提醒 AI empathy 不能無限制擬人化，因為過度逼近「像人」可能反而引發不適。另一個實務重點是 training 與 onboarding：即使 AI literacy 本身的調節效果有限，提升使用者理解仍有助於讓情緒性回饋更有效被轉成實際 engagement。

10. 研究限制

限制方面，第一，量化樣本集中在 healthcare employees 與 wearable health device 經驗者，外部效度仍需要在其他產業、一般消費者或不同 AI 介面中再驗證。第二，研究雖有 mixed-methods，但量化部分仍是橫斷面資料，因果方向主要靠理論推論。第三，文中對 AI empathy 與 AI literacy 的效果雖有討論，但部分假設結果並不一致，表示這兩個邊界條件在不同情境下可能仍高度依賴任務性質與互動設計。第四，文章聚焦 activation engagement，尚未延伸到長期 trust、dependency 或 sustained collaboration。

11. 對我研究的啟發

這篇對我特別有價值，因為它補上了我文獻池裡相對少被細拆的一塊：感官刺激如何透過情緒與主觀感受影響 human-AI collaboration。我前面已經累積了 cognitive style、knowledge seeking、anthropomorphism、privacy、creative phases 與 occupational identity 等線，這篇可以把那些較偏認知或組織層次的變項，往更微觀的 interaction design 機制接回去。具體來說，我之後若要討論 human-GenAI collaboration 的成效差異，不一定只能從任務設計、信任或 autonomy 出發，也可以把 sensory cues → affective processing → engagement 當成另一條路徑。尤其文中顯示 AI affects 比 subjective feeling state 更強地中介 engagement，這很適合拿來思考：在生成式 AI 協作裡，哪些介面或回饋特徵是在放大正向投入，哪些則可能製造 uncanny discomfort。

12. 整體評價

我認為這篇很值得在 backlog 中優先讀，因為它不只是又一篇泛泛談 AI adoption 的文章，而是用一個相對少見、但很有理論厚度的角度切入 human-AI interaction。它的長處在於把 sensory experience 操作化，並用 mixed-methods 把感官、情緒與 engagement 的關係說清楚。若要挑剔，則是樣本場景偏集中於 healthcare 與 wearable devices，且部分調節結果不夠乾淨；但作為我要建立 human-GenAI collaboration 心理機制圖譜時的一篇補位文，這篇很有用。