AI 生成內容要可信還是要有創意

1. 基本資訊

本文由 Bo Yang、Yongqiang Sun、Qinwei Li 發表於 2026 年 International Journal of Information Management，題目是〈To be credible or to be creative? Understanding the mechanisms driving user satisfaction with AI-generated content from a dual fit perspective〉，DOI 為 10.1016/j.ijinfomgt.2025.102980。研究以 ChatGPT 類型的生成式 AI 服務為代表情境，分析使用者面對 AI 生成內容時，究竟是更在意資訊可信度、還是更在意創造力，以及這兩者如何共同塑造滿意度。

2. 研究問題

作者核心在問四件事。第一，AI 生成內容的可信度與創造力，是否會分別影響使用者對內容的評價。第二，這些影響是否是透過兩條不同心理機制發生，也就是認知適配與情緒適配。第三，這兩種適配是否又分別推動結果滿意度與過程滿意度。第四，不同任務表徵，像是任務常規性與任務享樂性，會不會改變可信度與創造力的作用強弱。這些問題重要，因為生成式 AI 已經進入組織任務與個人決策，但多數研究還沒有很好區分「內容品質」與「互動體驗」是如何被不同特徵驅動的。

3. 理論基礎

本文以 dual fit theory 為主軸，從傳統 cognitive fit theory 延伸出雙重適配觀點。傳統認知適配強調資訊呈現方式若能對齊任務需求，會提升理解效率與判斷品質；作者進一步指出，在生成式 AI 場景中，使用者不只處理資訊，也在經歷互動，因此除了認知上的任務對齊，還有一條情緒上的互動對齊，也就是 emotional fit。在這個框架下，可信度更接近理性與任務可靠性的需求，創造力則更貼近新穎感、愉悅感與互動感受。

4. 研究架構

研究架構把 information credibility 與 information creativity 設為兩個核心自變數，把 cognitive fit 與 emotional fit 設為雙中介，再以 satisfaction with outcome 和 satisfaction with process 作為結果變數。除此之外，作者把 task routineness 與 task hedonism 視為任務表徵的邊界條件，用來檢驗不同任務類型下，可信度與創造力是否會對雙重適配產生不同影響。

5. 假設邏輯

整體假設邏輯很清楚。作者主張，可信度高的 AI 內容更容易被認為能滿足任務需求，因此會提升認知適配，也會因為降低不確定感而提高情緒適配。創造力高的 AI 內容則較可能提升互動趣味、驚喜感與價值感，因此對情緒適配尤其重要，對認知適配則較看任務情境。接著，兩種適配都會推高使用者滿意度，但認知適配更偏向結果層面，情緒適配則更強烈影響互動過程層面。最後，若任務本身偏常規，使用者更依賴可信度；若任務偏創意或體驗導向，創造力的作用就會上升。

6. 方法

本文進行兩個 2 x 2 的被試間情境實驗。研究一樣本數為 548，研究二樣本數為 197。兩個研究都以 ChatGPT 式 AI 服務為背景，操弄 AI 生成內容的可信度與創造力高低，再測量受試者對 cognitive fit、emotional fit、結果滿意度與過程滿意度的感知。研究一主要聚焦任務常規性，研究二則補充檢驗任務享樂性等情境因素。這種設計有助於把資訊屬性、心理機制與任務情境分開辨識。

7. 結果

研究結果相當一致。首先，可信度會穩定正向影響認知適配與情緒適配，說明可信度不只關係到「內容能不能用」，也關係到「用起來安不安心」。其次，創造力主要強化情緒適配，它能讓互動更有趣、更有驚喜感，但對認知適配的正向作用只在特定任務條件下才明顯。第三，認知適配與情緒適配都會提升結果滿意度與過程滿意度。第四，task routineness 的調節作用比 task hedonism 更強，也就是說，相較於任務是否有趣，任務究竟是常規型還是創意型，更能決定使用者到底會優先重視可信度還是創造力。

8. 理論貢獻

這篇最重要的理論貢獻，是把生成式 AI 內容評估從單一路徑擴展成雙路徑模型。第一，它把 credibility 與 creativity 同時放進同一框架，補上過往研究多半只談其中一邊的缺口。第二，它把 cognitive fit theory 從偏功能性資訊系統情境，擴展到含有互動體驗的生成式 AI 情境，加入 emotional fit 這條關鍵路徑。第三，它把滿意度拆成結果滿意與過程滿意，讓使用者評估 AI 的機制被刻畫得更細。

9. 實務意涵

對 AI 產品與組織導入來說，這篇給了很直接的設計建議。若 AI 服務主要支援常規、風險較高或需精準決策的任務，就應該優先強化輸出的可信度、來源透明度與穩定性。若 AI 服務支援創意生成、構想發散或體驗導向任務，則可更積極優化創造力與互動愉悅感。換句話說，不能用單一標準評估所有生成式 AI，真正有效的是 task-content fit 加上 interaction-emotion fit 的雙重匹配。

10. 研究限制

本文主要限制有幾點。第一，研究以 ChatGPT 類文字型生成式 AI 為主，外推到圖像、影音或多模態生成工具時要保守。第二，情境實驗有助於因果辨識，但和真實組織環境中的長期使用情境仍有距離。第三，本文聚焦一般使用者對內容的反應，尚未處理個體差異，例如 AI literacy、信任傾向、風險偏好或 cognitive style 可能帶來的變化。

11. 對我研究的啟發

這篇對我最可重用的地方，是它把生成式 AI 的使用評價拆成可操作的雙路徑，我可以直接拿來延伸到 Human-GenAI collaboration。第一，我可以把 credibility / creativity 換成更貼近研究情境的 AI 特徵，例如 reasoning transparency、personalization、anthropomorphism 或 explanation style，再看它們如何經由認知與情緒路徑影響合作品質。第二，我可以把這個模型接到我已經讀過的 AI literacy、trust、anchoring、knowledge creation 文獻上，檢驗不同認知風格或 AI 素養是否會改變我更偏好可信還是創意輸出。第三，若我之後要做 task design 或 prompt design 研究，這篇幾乎可以直接提供 task routineness x AI output characteristic 的理論骨架。

12. 整體評價

我認為這篇非常值得優先收進我的 AI 應用核心文獻池。它的優點是理論骨架簡潔但不單薄，方法上有兩個實驗互相支撐，結果又很容易被後續研究重用。和純粹談 adoption 的研究相比，這篇更接近我要的「AI 如何被人判斷、使用與整合進任務」的核心問題。若要挑剔，限制主要在於它還是以實驗情境為主，尚未觸及真實組織中長期協作的動態變化；但就作為後續 human-GenAI collaboration 研究的中層理論來說，已經很有價值。