文献：Shen, P., Peng, D., Zhu, A., & Xu, J. (2026). How AI social responsibility shapes consumers’ brand advocacy. Humanities and Social Sciences Communications, 13(1), Article 45. https://doi.org/10.1057/s41599-025-06344-z（作者单位：江西财经大学工商管理学院、复旦大学管理学院）

研究问题：企业大规模应用人工智能（AI）的同时，数据滥用、算法歧视、隐私泄露等问题不断侵蚀消费者信任。论文要回答：消费者如何理解企业在 AI 使用中的伦理责任？这种“AI 社会责任”（AI social responsibility，AISR）包含哪些维度、如何测量？更重要的是，企业负责任地使用 AI 是否会转化为消费者的品牌拥护（brand advocacy）——即消费者主动向他人推荐、维护品牌的深层关系行为？反之，AI 滥用又如何损害品牌？

论证思路：论文采取“质性→量化→实验”的混合方法链条。首先以扎根理论对 20 名中国消费者的深度访谈进行三级编码，归纳出 AISR 的“二维五因子”构念（技术型 vs. 制度型）；其次开发并验证 18 题测量量表（探索性/验证性因子分析）；最后通过两项情境实验，检验“不同类型的 AISR → 感知 AI 可信度 / 感知 AI 共情 → 品牌拥护”的双路径机制，并考察消费者 AI 素养的调节作用。

一、AI 社会责任：一个承袭 CSR 的新构念

论文将 AISR 视为企业社会责任（CSR）在 AI 时代的演进形态，理论根基是 Carroll（1991）的 CSR 金字塔（经济、法律、伦理、慈善四层）与利益相关者理论。学界围绕“负责任 AI”“算法责任”“AI 伦理”等相邻概念已有讨论，但缺乏统一界定。论文据此给出操作性定义：

AISR 是企业在 AI 技术开发与应用全生命周期中，严格遵守法律法规与伦理规范、保护隐私、强化问责与透明（accountability & transparency）的责任义务，最终目标是最大化利益相关者利益，并促进人类福祉、公平与正义。

在此基础上，论文借鉴 Mattingly & Berman（2006）按利益相关者类型划分“技术性 CSR / 制度性 CSR”的思路，提出 AISR 的二维结构：

• 技术型 AISR（Technical AISR）：聚焦功能性保障，如隐私保护、消除算法偏见、算法透明与可解释。对应 Carroll 金字塔的经济/法律层与首要利益相关者（消费者、员工）需求，与企业盈利能力直接相关，是企业竞争力的来源。
• 制度型 AISR（Institutional AISR）：面向社会伦理与公共福祉，如 AI 产品的伦理设计、防范公共网络安全风险。对应伦理/慈善层与次要利益相关者（社区、监管者），属于自愿性的社会福利实践，塑造企业公共形象。

这一概念化将抽象的企业伦理承诺落实为可辨识、可归因的两类责任行为，为后续测量与机制研究奠定基础。

二、扎根理论：从消费者叙事到二维五因子模型

论文选择扎根理论而非自上而下的理论推演，理由有三：其一，现有框架缺少消费者视角，无法捕捉日常互动中消费者真正在意什么（如数据可追溯 vs. 情感价值）；其二，已有量表无法整合“技术保障—社会伦理”的二元张力；其三，扎根编码能让“反思性”“福祉”等隐性构念从消费者叙事中自然涌现。

数据：2024 年 1—2 月对 20 名中国消费者进行深度访谈，共整理约 6 万字访谈文本。

编码流程（图1）：三名编码员使用 NVivo 11 进行逐行、逐句、逐词编码并保留受访者原话“贴标签”以降低主观偏差；开放编码提炼 24 个初始概念；主轴编码归纳为安全、可用性、反思性、伦理、福祉五个子范畴；选择编码按首要/次要利益相关者需求将其整合为技术型与制度型两大主范畴。三名编码员的 Fleiss’s kappa = 0.878（p < 0.001），编码结果高度一致、信度良好。

五个子范畴的含义值得细读：

子范畴	内涵要点
安全	保护用户隐私、决策透明可解释、数据可追溯、防止大数据杀熟、可问责
可用性	可靠性、真实性、标注清晰、公平访问、防止算法歧视
反思性	AI 对数字成瘾、责任归属、信息茧房的自我反思与优化，增强用户自主性
伦理	合规守法、遵循伦理准则、可持续性、防止算法操纵与深度伪造、防范数据泄露
福祉	提升消费者工作与生活的质量与价值体验

其中“反思性”是既有自上而下框架（如负责任 AI 原则清单）中缺失的新维度，体现了扎根方法在发现隐性构念上的优势。最终形成“二维五因子”概念模型（原文图2）：技术型 AISR = 安全 + 可用性；制度型 AISR = 反思性 + 伦理 + 福祉。

三、量表开发与多研究设计

量表开发：以扎根编码结果生成 24 个初始题项，经语义精炼（删 2 题）与专家评审（删 2 题）后形成 20 题初稿。探索性因子分析（2024 年 2—3 月，Credamo 平台发放 340 份、有效 300 份，有效率 88%）显示：KMO = 0.918，Bartlett 球形检验 χ² = 5393.639（p < 0.001），主成分正交旋转提取五因子、累计方差贡献率 77.975%；剔除载荷低于 0.6 及跨维度题项后保留 18 题（载荷 0.692—0.856）。因子 α 系数：安全 0.902（4 题）、可用性 0.948（4 题）、反思性 0.884（3 题）、伦理 0.884（3 题）、福祉 0.766（3 题），总量表 α = 0.942。

验证性因子分析（2024 年 3—4 月，发放 431 份、有效 403 份）表明二阶五因子模型拟合良好：χ²/df = 2.809，CFI = 0.959，NFI = 0.939，IFI = 0.960，GFI = 0.915，RMSEA = 0.067，所有题项载荷均大于 0.7。结构效度方面，各因子组合信度 CR 介于 0.838—0.932，AVE 介于 0.584—0.655，因子间相关系数（0.494—0.620）均低于对应 AVE 平方根，聚合效度与区分效度良好。

研究模型与假设（原文图3）：

• H1：制度型 AISR 比技术型 AISR 更易激发消费者品牌拥护
• H2：感知 AI 可信度中介 AISR 对品牌拥护的影响——技术型比制度型更能提升感知可信度
• H3：感知 AI 共情中介 AISR 对品牌拥护的影响——制度型比技术型更能提升感知共情
• H4：AI 素养正向调节“技术型 AISR → 感知可信度”路径（被调节的中介）
• H5：AI 素养正向调节“制度型 AISR → 感知共情”路径（被调节的中介）

机制解释借助精细加工可能性模型（ELM）：技术型 AISR 关乎算法透明、数据安全等“硬指标”，触发消费者的系统化加工，进而提升感知可信度；制度型 AISR 传递社会价值信号，经由情感启发式（affect heuristic）激活共情反应，降低认知成本。

四、核心发现：信任与共情如何转化为品牌拥护

研究一：双中介机制（情境实验，Credamo 招募 330 人、有效 308 人，有效率 93.3%；培训机构背景，文本+图片材料）。为控制混杂，两类材料的图片风格、分辨率、配色（中性、无情绪元素）完全标准化，文字在字数（80±5 字）、句法复杂度与语气上严格匹配，仅操纵 AISR 类型；预实验确认操纵有效且两组情绪唤起无显著差异（p > 0.10）。结果显示：

• 技术型组的感知 AI 可信度显著更高（M = 5.883 vs. 5.161，F(1, 306) = 50.244，p < 0.001）
• 制度型组的感知 AI 共情显著更高（M = 5.20 vs. 3.749，F(1, 306) = 502.284，p < 0.001）
• 制度型组的品牌拥护显著更高（M = 5.841 vs. 5.404，F(1, 306) = 30.775，p < 0.001），H1 成立；ANCOVA 控制性别、年龄、教育等变量后效应仍显著（F = 16.48，p < 0.001）
• Bootstrap 5000 次中介检验：直接效应不显著（95% CI 含 0），感知可信度的间接效应（95% CI：[-0.1429, -0.0458]）与感知共情的间接效应（95% CI：[0.1163, 0.5463]）均显著，H2、H3 成立——“双路径”得到验证

研究二：AI 素养的调节（2×2 组间设计：AISR 类型 × AI 素养高低，Credamo 招募 320 人、有效 300 人，两组各 150 人；电商平台背景）。双因素方差分析显示：AISR × AI 素养对感知可信度的交互显著（F = 35.908，p < 0.001），高素养消费者对技术型 AISR 的感知可信度更高（M = 6.078 vs. 5.545），H4 成立；对感知共情的交互同样显著（F = 76.615，p < 0.001），高素养消费者对制度型 AISR 的感知共情更高（M = 5.920 vs. 5.134），H5 成立。

核心结论：整体而言，制度型 AISR 比技术型 AISR 更能激发品牌拥护，但两条路径都通向拥护——技术型通过“可信度”（认知信任），制度型通过“共情”（情感联结）。换言之，企业负责任地使用 AI（数据伦理、透明、公平）通过增强消费者对 AI 的信任与情感认同促进品牌拥护；而 AI 滥用（隐私侵犯、算法歧视等）则破坏信任、削弱拥护，直接损害品牌。论文还提示，消费者对数字伦理的感知正从“防御性道德”（隐私、透明等最低义务）转向“关系性道德”（伦理设计、情感关怀），这为品牌提供了新的价值来源。

五、对企业 AI 治理与品牌管理的启示

1. 把 AISR 纳入品牌战略与治理议程：企业应把 AI 伦理与治理作为品牌身份的组成部分融入营销叙事，如“有温度的 AI”“负责任的智能”“为公平而造”等主张，强化情感联结；负责任实践在长期是品牌形象与消费者支持的正向资产，AI 滥用则是品牌资产的负向冲击。
2. 以透明与问责夯实认知信任：提升 AI 的透明度与可问责性，确保算法决策公平合理；可借鉴社交媒体平台设置算法伤害评估团队、举办“算法赏金挑战”等社区化治理做法；面向用户披露伦理委员会监督或治理标准，以“伦理审计”“人在回路”等标签增强可信度与共情。
3. 用情感化设计培育共情体验：通过改进 AI 情感分析技术识别并回应消费者情绪，提供更个性化、人性化的服务，提升情感体验，从而促进品牌拥护。
4. 按 AI 素养分层沟通：对高 AI 素养用户提供可验证的透明机制（算法审计轨迹、伦理合规看板、模型卡），满足其认知信任需求；对低素养用户，传播重点放在情感安全、共情与以人为本的价值观上。

精读笔记

核心论点：AI 社会责任可界定为企业在 AI 全生命周期中遵循法律伦理、保护隐私、强化问责透明的义务，并区分为技术型（安全、可用性）与制度型（反思性、伦理、福祉）两个维度。制度型 AISR 比技术型更能激发消费者品牌拥护，机制在于双路径：技术型经由感知 AI 可信度（认知信任），制度型经由感知 AI 共情（情感联结）；消费者 AI 素养正向放大两条路径。企业负责任地使用 AI 通过信任与情感转化为品牌拥护，AI 滥用则损害品牌。

方法要点：

• 扎根理论：20 名消费者访谈（约 6 万字）、三级编码（开放→主轴→选择）、NVivo 11 + 三人编码、Fleiss’s kappa = 0.878 确保编码信度，涌现出“反思性”等新维度
• 严格的心理测量流程：EFA（300 份）→ CFA（403 份）→ CR/AVE 效度检验，形成 18 题二维五因子量表，为后续量化研究提供标准化工具
• 两项情境实验：材料标准化（字数、可读性、中性配色）控制混淆；预实验操纵检验；Bootstrap 中介与双因素方差分析验证被调节的中介模型
• “质性→量化→实验”的混合方法三角互证，兼顾构念的生态效度与因果识别的内部效度

局限与边界：

• 样本全部来自中国单一在线调研平台（Credamo），AISR 维度感知权重与 AI 素养水平可能存在文化差异，跨文化推广需谨慎
• 伦理敏感性使自我报告易受社会期望偏差影响
• 技术型/制度型二分虽理论清晰，但现实中的 AISR 实践常为混合形态（如兼顾隐私与公平的算法），二分可能简化现实
• 仅检验可信度与共情两条中介及 AI 素养一个调节变量，感知公平、道德认同等其他机制未纳入
• 实验为情境模拟，外部效度受限于真实品牌语境；原文亦指出自动驾驶、医疗等高风险场景的风险—伦理张力更强，结论的边界条件有待检验

可延伸方向：跨文化比较 AISR 的维度权重与效应；用纵向数据、行为测量或间接提问技术缓解社会期望偏差；以潜在剖面分析（LPA）或 fsQCA 刻画 AISR 的混合构型及其等效路径；检验感知公平、道德认同等新中介；考察 AI 滥用的负面不对称效应（损失厌恶视角下“一票否决”式品牌伤害）；将模型拓展至自动驾驶、医疗等高感知风险行业，界定效应的边界条件。

原文地址

• DOI：10.1057/s41599-025-06344-z
• 期刊：Humanities and Social Sciences Communications（Nature Portfolio，SSCI，IF 3.6，Q2），2026 年第 13 卷第 1 期，文章编号 45（2025 年 12 月 15 日在线发表）
• 图表来源：本文图 1 引自原文 Figure 1（扎根理论分析流程图）；原文另有 Figure 2（AISR 维度与因子结构）、Figure 3（研究模型）、Figure 4—5（AI 素养的调节效应图）及表 1—7（因子分析、中介与调节检验结果）