旅遊聊天機器人體驗、滿意度與世代差異

1. 基本資訊

本文研究旅遊網站上的 AI 聊天機器人經驗如何轉化為消費者參與，核心中介是「使用 AI 聊天機器人的滿意度」，並檢驗性別、世代與教育程度的差異。作者以 519 名葡萄牙成年受訪者為樣本，將聊天機器人經驗拆為易用性、資訊品質、安全性、擬人化與無所不在性，將參與拆成認知處理、情感與行動三面向。研究主題直接落在 AI × 旅遊消費者體驗 × 服務設計的交會處。

2. 研究問題

文章問三件事：聊天機器人經驗是否直接提升旅遊消費者參與；滿意度是否在其中扮演中介；不同世代與性別是否走不同的參與路徑。值得注意的是，作者不是只問「使用者會不會採用」，而是把研究結果推進到重複使用、情感連結與平台投入等關係性結果。

3. 理論基礎

主框架是 Mehrabian 與 Russell 傳統的刺激—有機體—反應（S-O-R）。聊天機器人特徵是刺激（S），滿意度是使用者的認知與情感內在狀態（O），消費者參與是反應（R）。作者以此補足 TAM、UTAUT 偏功能效用，以及 ECT 偏重事後確認、較少處理互動情境的不足。理論判讀上，本文真正的價值不在提出新理論，而在把旅遊 AI 的功能品質、關係品質與參與結果放入同一條心理機制鏈。

4. 研究架構

高品質的聊天機器人經驗（EXP）同時預測滿意度（SAT）與消費者參與（ENG），SAT 再預測 ENG，形成部分中介。EXP 是二階構念，由易用性（EOU）、資訊品質（IFQ）、安全性（SEC）、擬人化（ANT）與無所不在性（OMN）組成；ENG 則由認知處理、情感與行動參與組成。性別、世代與教育程度透過 PLS-MGA 檢驗路徑差異。

5. 假設邏輯

H1 預期 EXP 正向影響 ENG；H2 預期 EXP 正向影響 SAT；H3 預期 SAT 正向影響 ENG；H4 預期 SAT 中介 EXP 與 ENG 的關係；H5 預期性別、世代與教育程度造成路徑差異。論證邏輯是：降低互動摩擦、提高資訊可靠度、保護資料、提供適度人味並維持跨裝置連續性，會先改變使用者的整體評價，再轉化為平台投入與行為。

6. 方法

研究以 LimeSurvey 收集 2025 年 2 月 2 日至 4 月 4 日資料，805 份回覆中保留 519 份完整有效樣本；女性 60.1%、高等教育 62.4%、Gen Z 64.0%、平均年齡 30.3 歲。量表由既有研究改編並做葡萄牙文—英文回譯，採便利與滾雪球抽樣。分析使用 SPSS、AMOS 與 SmartPLS，包含 PCA、CFA、信度／效度檢驗、PLS-SEM（5,000 次 bootstrap）及性別、世代、教育程度多群組分析。這是橫斷面、單一國家、共同方法問卷，因此因果推論應保守。

7. 結果

量測模型整體表現良好：EXP 的 KMO = .928，五因素解釋 70.3% 變異，CFA 的 CFI = .974、RMSEA = .049；SAT 的 Cronbach’s α = .904。TRS 與 PIT 題項因低負荷／交叉負荷被刪除，最後模型以安全性、易用性與擬人化間接承接部分信任與智能意涵。結構模型支持 H1（EXP→ENG, β=.569）、H2（EXP→SAT, β=.797）、H3（SAT→ENG, β=.270）與 H4（間接效果 β=.215，部分中介）；SAT R²=.635、ENG R²=.642。性別差異不顯著；世代差異顯著：Gen X 的 SAT→ENG 較強（β=.435），Gen Z 的 EXP→ENG 較強（β=.628），Millennials 的 EXP→SAT 較強（β=.890）。教育組間路徑差異不顯著。

8. 理論貢獻

第一，研究把旅遊聊天機器人從「採用意圖」推向「參與關係」，展示 S-O-R 如何把設計刺激、心理評價與互動結果串起來。第二，滿意度的部分中介說明良好體驗不只直接帶來互動，也透過內在評價累積長期關係。第三，多群組結果提醒研究者不要預設 AI 服務存在單一路徑：年輕使用者可能對即時體驗敏感，較年長使用者則更依賴互動後的可靠性判斷。不過，刪除信任與知覺智能題項也削弱了原本理論構念的完整性。

9. 實務意涵

旅遊平台應優先改善自然語言理解、資訊正確與跨裝置連續性，再配置擬人化與情感表達；人味不能取代可靠性。對 Gen X，應強化準確訂位、異常處理、透明解釋與資料保護；對 Gen Z，可測試更具互動性的介面；對 Millennials，複雜行程應提供順暢的人機轉接。實務上也應避免把「擬人化」當作萬用解法，因為過度人化或不真誠會增加不適與不信任。

10. 研究限制

樣本來自葡萄牙且以便利／滾雪球方式取得，不能直接代表其他文化與旅客族群；Gen Y 僅 45 人、Baby boomers 僅 7 人，世代推論的統計穩定性有限。橫斷面設計不能證明因果，也沒有控制數位素養、AI 熟悉度或實際使用紀錄。另有重要測量限制：信任與知覺智能題項因心理計量問題被移除，可能使模型低估高風險旅遊交易中的信任障礙。原始資料只承諾可向作者索取，重現性有限。

11. 對我研究的啟發

對「AI × 認知風格／知識創造／人機協作」主線，本文最可重用的不是世代切分，而是把 AI 互動品質拆成可操作的刺激層，再透過滿意度或其他心理狀態連到行為結果。若延伸到旅遊與服務設計，可將認知風格、AI 素養或任務涉入放在 EXP→SAT、SAT→ENG 之間，檢驗不同我如何把同一個聊天機器人解讀為工具、協作者或社會性服務者。本文也提醒後續模型不要把信任、智能、擬人化混成單一「好體驗」；應區分能力信任、善意信任、透明度與錯誤修復，並以實驗或縱貫資料驗證真正的因果機制。

12. 整體評價

值得收進「AI 旅遊服務／消費者體驗」核心文獻，但較適合當 empirical support 與測量／模型參考，不宜單獨作為核心 framing paper。它的優點是架構清楚、量化驗證完整、把滿意度中介與世代差異具體化；主要疑點是樣本不均、單一文化、橫斷面與刪除信任／智能構念後的理論—測量落差。此外，文中部分實務建議（如依世代配置 AR、遊戲化）超出本研究直接測量的範圍，應視為設計推論而非已驗證效果。期刊索引／排名本輪未明確確認。