论文部分内容阅读
关键词：社交媒体推荐;在线交互意向;S-O-R模型;隐私计算理论;信息边界理论
为提升用户体验，社交媒体通过引入个性化推荐服务来缓解用户面临的信息过载难题。个性化推荐致力于向用户提供其感兴趣的信息，其给用户带来正面心理感知（如信息获取、社交满足等）的同时，也给用户带来了负面的心理感知（如隐私忧虑、心理抗拒等）。在线交互是社交媒体用户实现社交互动的典型信息行为，其具体表现为点赞、转发、评论等多样化交互方式。作为影响在线交互行为的关键前置因素，用户的在线交互意向决定了用户是否愿意在社交媒体平台中主动地进行情感表达，这关乎用户的平台体验和社交媒体平台中的价值转换。近年来，国内外有关个性化推荐的研究主要集中在计算机科学领域。相关学者主要结合机器学习或深度学习方法，从推荐系统设计、推荐系统评测以及推荐系统应用等方面对个性化推荐进行研究。此类研究虽有利于用户获取准确的个性化推荐结果，但难以持续追踪用户的心理状态及行为意向。然而，由于不同心理感知下用户呈现出不同的行为意向，因此结合个性化推荐探究用户行为意向的影响机理有利于进一步完善用户的服务和管理。此外，当前关于在线交互意向的研究大多仅考虑意向的直接影响因素，鲜有研究结合外部环境因素对间接影响因素展开分析。近期大量研究表明，结合外部环境因素对用户行为意向进行解释.可以更有针对性地评估外部环境因素对行为意向的影响。社交媒体情景下，个性化推荐通过推荐结果对用户形成刺激，因此将社交媒体推荐作为外部环境因素对用户的在线交互意向进行解释，可以更有针对性地评估社交媒体推荐对在线交互意向的影响作用。
鉴于上述分析.本文在刺激一机体一反应（Stimuli-Organisms-Responses.S-O-R）理论框架下，以社交媒体推荐为刺激（S），以隐私计算理论和信息边界理论确定的用户心理状态为机体（O），以用户在线交互意向为反应（R），对社交媒体推荐、用户心理状态以及用户在线交互意向之间的内在作用机理进行探究。研究的主要贡献体现为：①探究了社交媒体推荐对用户在线交互意向的影响机理，并结合实证结果为社交媒体平台提供相应的运营建议。此项贡献为社交媒体平台设计更合理的个性化推荐系统提供了参考。②在隐私视角下，综合隐私计算理论和信息边界理论对社交媒体用户的内在心理状态进行衡量，并将其作为中介对社交媒体推荐和用户在线交互意向之间的关系进行分析。此项贡献不仅细致地分析了心理状态之间的内在影响关系，而且对S-O-R理论模型进行了有益补充。
1研究基础
1.1 S-O-R理论模型
S-O-R理论模型是心理学领域的一个重要理论，其目的在于揭示人们在外部环境因素的刺激下如何产生相应的趋势行为反应。S-O-R模型认为，当个人受到外部环境的刺激（Stimuli）后，会形成个人的内在心理状态（Organisms），进而产生不同的趋势行为反应（Responses）。信息系统领域中，S-O-R理论模型被广泛应用于用户行为研究中，如Gatautis R等基于S-O-R模型分析了游戏对在线消费者的驱动作用：Umer等在SNS情境下，对影响网络消费者的强迫购买行为的关键因素进行了研究。鉴于S-O-R理论模型可以有效揭示行为意向的形成过程，本文运用S-O-R理论模型为社交媒体推荐、用户心理状态和用户在线交互意向建立联系，并以此为框架，探究社交媒体中的个性化推荐服务对用户在线交互意向的影响机理。具体来说，本文以社交媒体推荐为外部环境刺激（Stimuli），结合隐私计算理论和信息边界理论确定隐私视角下的用户内在心理状态（Organisms），并将社交媒体用户的在线交互意向视作趋势行为反应（Responses）。
1.2隐私计算理论
隐私计算理论是Laufer R S等于1977年首次提出的经典理论。近期研究中，罗映宇等将隐私计算理论归纳为基于理性的隐私计算和基于有偏的隐私计算。其中，基于理性的隐私计算在“理性人”假设的基础上，认为用户会有意识地权衡隐私披露的预期损失和潜在收益.而后做出隐私披露决策。基于有偏的隐私计算认为隐私行为决策会受到认知偏差和启发式的影响，这使得个体实际上无法对隐私披露行为的收益和损失做出正确的估计，常常重视利益而忽视伴随的风险。感知收益和感知隐私风险是隐私计算理论中的两个基本构念，其中感知收益指用户在信息披露时所感知到的价值获取，感知隐私风险是指用户在信息披露时所感知到的潜在损失。近年来，随着学术界对隐私问题的关注，隐私计算理论被广泛应用于衡量用户的内在心理感知。如Melewar T C等依据隐私计算理论，分别以感知收益、感知风险和信任为测量变量，对网络团购行为的影响因素进行了研究。张玥等依据隐私计算理论，以微信为例探讨了移动社交用户的信息披露意愿。考虑到个性化推荐会引起用户的隐私忧虑，本文在隐私视角下，结合隐私计算理论中的感知收益和感知隐私风险衡量社交媒体用户的内在心理感知。其中，感知收益在本文研究情景下特指社交媒体用户认为在线交互可以为自身带来的潜在价值，而感知隐私风险在本文研究情景下特指社交媒体用户认为在线交互为自身在隐私方面带来的潜在损失。
1.3信息边界理论
信息边界理论是Petronio S于2002年提出的一个面向个人信息决策的系统性理论，该理论认为每个人都会构建一个虚拟的信息空间，这个空间即“信息边界”。一旦信息边界建立，个体便会在边界内产生信任。当外部实体试图渗入边界时，个体则会认为自身的隐私空间受到侵犯，并企图对隐私边界进行控制。信任和控制是信息边界理论的两个核心构念，其中信任作为一种心理信念，信任感越高，隐私边界的开放程度越高;控制可以被理解为用户对隐私边界的把握，控制能力越强，隐私边界越容易被打破。近期研究表明，信息边界理论是隐私计算理论的有益补充。基于此，相关研究常结合隐私计算理论和信息边界理论对社交媒体中的隐私问题展开更细致的研究。如梁晓丹等结合隐私计算理论和信息边界理论分析了在线政策对消费者提供个人信息意愿的影响机制。张会平等结合信息边界理论和隐私计算理论对社交媒体用户信息隐私关注的形成机制进行了研究。鉴于此，本文结合信息边界理论对用户的内在心理感知进行更细致地分析.并将该理论中的两个核心构念——信任和控制用于衡量用户的内在心理状态。本文研究情境下，信任即平台信任，指用户对社交媒体平台的信任程度;控制即感知信息控制，指用户在社交媒体平台中對个人信息控制能力的感知。 2研究模型与研究假设
2.1研究模型
基于上述研究基础.本文在隐私视角下，以社交媒体推荐为用户感受到的外部环境刺激（S），以感知收益、感知隐私风险、平台信任和感知信息控制为用户的内在心理感知（O），以在线交互意向为用户的趋势行为反应（R），构建社交媒体推荐影响用户在线交互意向的研究模型。研究模型的具体框架及相关假设如图1所示。
2.2研究假设
2.2.1外界环境刺激对内在心理状态的影响（S-O）
1）社交媒体推荐对感知收益的影响
优质的服务质量与用户的积极情感具有显著的正相关.而社交媒体推荐的本质是用户需求导向的个性化服务，因此个性化推荐可以驱动用户的积极情感。戴德宝等和罗玉葵在研究中均指出个性化推荐可以帮助用户减少决策时间，并为用户带来感知收益。此外，推荐系统在诸多领域（如电子商务、新闻服务、出行服务等）中的成功应用也说明了个性化推荐可以为用户带来较好的使用体验。因此，本文认为个性化推荐可以使社交媒体用户感知到潜在价值的获取。据此，提出如下假设：
H1：社交媒体推荐正向影响感知收益。
2）社交媒体推荐对感知隐私风险的影响
推荐算法是实现社交媒体推荐的核心，推荐算法通过采集多源信息（如年龄、职业、交互记录等）对用户兴趣进行建模，进而依据用户兴趣为用户生成个性化推荐结果。精准的推荐结果依赖于平台对用户信息的采集.但用户和社交媒体平台之间存在高度的不对称致使信息贩卖、信息滥用等隐私泄露的风险增加。据此，本文认为社交媒体推荐可以使用户意识到个人信息被平台采集，进而使用户滋生对潜在隐私风险的感知。据此，提出如下假设：
H2：社交媒体推荐正向影响感知隐私风险。
3）社交媒体推荐对感知信息控制的影响
感知信息控制是用户对隐私边界的把握，其会受到外部环境刺激而发生变化。如梁晓丹等将隐私政策视作外部环境刺激，并通过实证研究证实了隐私政策会对用户感知到的信息控制水平造成显著影响。近年来随着智能推荐算法的不断涌现，推荐结果的精度不断提升，过于准确的推荐结果极易导致用户隐私边界被打破。此外，赵珈艺指出，社交媒体用户具有强烈的“私密性”心理，当这种私密性受到侵犯时.用户会产生负面心理感知。因此，本文认为个性化推荐结果可被视作用户感知的外部刺激，当这种外部刺激作用于用户时，用户会感知到自身的信息控制能力变弱。据此，提出如下假设：
H3：社交媒体推荐负向影响感知信息控制。
4）社交媒体推荐对平台信任的影响
信任是社会关系中的重要因素，其在不确定性较高的互联网环境中发挥着重要作用。Chen J Jv等和苏鹭燕等均指出，优质的服务质量可以促进用户的信任感。社交媒体情境下，用户对平台的信任主要体现为用户相信社交媒体可以持续向用户提供符合其利益需求的优质服务。作为缓解信息过载难题的重要工具，个性化推荐的出发点即为向用户提供优质的个性化服务。虽然已有研究指出个性化推荐会对用户造成负面的心理感知，但受自身实力（能力和知识）的限制，社交媒体用户往往不愿花费过多的精力来管理自身的隐私信息。因此，社交媒体用户倾向于相信个性化推荐会为其带来收益。据此，提出如下假设：
H4：社交媒体推荐正向影响平台信任。
2.2.2内在心理状态之间的关系（0-0）
1）感知收益对感知信息控制的影响
LiC等认为用户和平台之间的有效沟通有利于用户的收益感知，而用户感知到的潜在收益正向影响用户感知到的信息控制水平。类似的研究中，Cavusoglu H等提出，当个体感知到的资源或机会越多时，其获取的感知信息控制水平越高。依据前人研究，本文认为当用户在社交媒体平台中获取的正向心理感知越多时，用户的信息控制欲望会越低，进而导致用户的隐私边界越容易被打破。据此，提出如下假设：
H5：感知收益正向影响感知信息控制。
2）感知收益对平台信任的影响
网络环境中，用户的理念和态度是影响信任的关键因素。其中，网络用户的理念和态度包括用户对性能的评估、用户的使用体验和用户的网络信心等。相关研究中，He H等认为消费者对商品的积极心理正向影响消费者对品牌的信任程度。Gundlach CT等认为感知收益对建立信任关系起着重要的作用。本文研究情景下，感知收益可被视作一项积极的理念和态度.因此当社交媒体用户具有较高的感知收益时，其对社交媒体平台的信任感也会不断提高。据此，提出如下假设：
H6：感知收益正向影响平台信任。
3）感知隐私风险对感知信息控制的影响
张会平等在研究社交媒体用户隐私关注的形成机制时，指出过往的隐私事件是影响用户感知信息控制的关键因素，而隐私事件是风险感知的重要来源，因此可以说明感知隐私风险可以削弱用户感知的信息控制能力。Schmeichel BJ等研究发现，在隐私关注的作用下，当用户感知的风险越大时，用户感知的信息控制能力就会越弱。因此，本文认为感知隐私风险伴随着用户对未知结果的不确定性，当用户意识到平台的潜在风险越大时，会感觉自身的信息主动权受到威胁。据此，提出如下假设：
H7：感知隐私风险负向影响感知信息控制。
4）感知隐私风险对平台信任的影响
健全的法规、平台的担保等积极的外部因素可用于规避用户的风险感知，进而提升用户对平台的信任感。此外，感知隐私风险对信任的影响作用已在相关研究中得以证实。如Hung S Y等通过分析在线支付系统中银行和报税账号泄露的案例，量化了风险对用户信任的消极影响。Pan Y等指出隐私声明内容越完善，用户对平台的信任水平就越高。依据前人研究，本文认为互联网中存在的潜在隐私风险是影响用户对平台信任的关键因素，当用户感知到社交媒体平台存在的隐私风险越多时，用户对平台的信任水平就会越低。據此，提出如下假设： H8：感知隐私风险负向影响平台信任。
2.2.3内在心理状态对用户在线交互意向的影响（O-R）
1）感知收益对用户在线交互意向的影响
社交媒体固有的社交属性可以让用户感知到较高的社交价值，进而正向影响用户在社交媒体中的交互意向。朱侯等结合共享模式特点，从利己收益和利他收益两个维度衡量用户的感知收益，并验证了感知收益对用户在线行为意向的正向影响作用。本文研究情景下，用户的在线交互意向特指用户点赞、转发、评论等社交行为意向。社交满足、信息获取等用户感知到的价值获取均是形成用户在线交互的主要因素，因此本文认为当用户的感知价值增多时.用户会倾向于表现出活跃的在线交互意向。据此，提出如下假设：
H9：感知收益正向影响用户的在线交互意向。
2）感知隐私风险对用户在线交互意向的影响
感知隐私风险是与感知收益相对立的隐私计算依据，故在相关研究中常与感知价值共同作为影响用户行为的前置变量。Haili N等认为，在社交网站中用户感知的隐私风险对信息行为意向存在显著的负向影响。LiC等认为，按需服务中的用户感知的隐私风险不仅会对用户的采纳意图造成负面影响，而且还会增加用户中断使用的可能险时，其往往会有意识地降低在线交互的活跃性，以防止过多的个人信息被平台采集和利用。据此，提出如下假设：
H10：感知隐私风险负向影响用户的在线交互意向。
3）感知信息控制对用户在线交互意向的影响
Bartsch M等通过调查社交网站发现，信息控制能力对社交媒体用户的信息决策具有显著的影响作用。Cavusoglu H等在研究隐私政策对Face.book用户信息披露意愿的影响时发现，当用户具有较多的隐私控制权限时，用户公开其信息的可能性就越大。梁曉丹等认为感知信息控制负向影响用户的信息行为意向。因此，本文认为当用户感知到较高的信息控制水平时，会认为社交媒体产生的利弊可被有效把控，进而会在社交媒体平台中表现出更加主动的在线交互意愿。据此，提出如下假设：
H11：感知信息控制正向影响用户的在线交互意向。
4）平台信任对用户在线交互意向的影响
社交网络的时空分离特性使用户双方无法面对面交流，间接的交流方式致使信息泄露的风险增加.因此建立用户对平台的信任关系成为网络交互成功的关键要素。作为用户行为意向的一个有效预测因子，信任对社交媒体用户的正面行为意向的正向影响作用已被多数研究证实，相关行为意向涉及知识分享、信息披露等。本文研究情景下.用户在线交互意向对于社交媒体而言，同样属于用户典型的正面行为意向.因此当用户对平台的信任感越强时，用户会表现出更为活跃的在线交互意向。据此，提出如下假设：
H12：平台信任正向影响用户的在线交互意向。
3实证研究
3.1问卷设计
结合现有社交媒体的使用情况，短视频社交平台对推荐系统表现出更强的依赖性。为获取更加集中的样本数据，本文将调查情景锁定为知名的短视频社交媒体平台——抖音APP和快手APP。问卷主要包括两部分，第一部分是被调查对象的人口统计变量，包括性别、年龄、学历、使用时间、日访问次数、每次使用时长等。第二部分是关于本文的变量测量，具体包括：社交媒体推荐质量、感知收益、感知隐私风险、平台信任、感知信息控制、在线交互意向6个变量。对于量表的设计，本文的测量题目均沿用或改编自前人的研究。问卷的测量变量及参照来源如表1所示.所有问项均采用Likert五级量表。
3.2数据采集
问卷通过网络平台进行问卷发放，发放日期为2020年6月27日-12月24日，共收回问卷438份，剔除无效问卷后，得到有效问卷401份，问卷有效率达91.55%。研究中样本的人口统计特征如表2所示，表中的频数为调查对象的人次，频率为某类对象占总样本的百分比。表2呈现的被调查对象特征与中国互联网络信息中心2020年发布的《中国互联网络发展状况统计报告》和《2020抖音数据报告》完整版中的网民特征基本一致，这说明调查对象可以较好地代表网民群体。
3.3数据分析
3.3.1信度、效度分析
信度用于衡量问卷的可靠性、稳定性和一致性。本文选用Cronbach’s Alpha（CA）以及Com.posite Reliability（cR）两个指标来检验问卷的信度。研究表明，当CA和CR均大于0.7时，说明内部的一致性水平较高。本文中每个潜变量的CA和CR均超过了0.7，这说明问卷具有较高的信度，结果如表3所示。
效度用于衡量测量结果的有效性程度。本文采用聚合效度和区分效度共同检验数据的有效性。当Over Loading（OL）大于0.7且Average VarianceExtracted（AVE）大于0.5时，聚合效度达标。本文中每个潜变量的因子载荷均大于0.7，且AVE均大于0.5.这说明测量结果的聚合效度达标，结果如表3所示。对于区分效度，其检验标准通常是每个潜变量的AVE的平方根大于其他潜变量之间的相关系数。表4中，斜对角线表示每个潜变量的AVE平方根，非斜对角线表示其他潜变量的相关系数。从表4中可以看到，每个潜变量的AVE平方根均大于其他潜变量的相关系数，这说明本研究的潜变量之间存在显著差异，区分效度较好。
3.3.2路径分析与假设检验
本文采用SmartPLS 3.0对研究模型进行路径分析与假设结果验证，利用Bootstrapping重复抽样的方法检验路径系数的显著性.抽样次数为1000次.表5和图2给出了研究假设的数据分析结果和路径系数。
模型的路径检验结果如图2所示，社交媒体推荐对感知收益（卢=0.514，P
为提升用户体验，社交媒体通过引入个性化推荐服务来缓解用户面临的信息过载难题。个性化推荐致力于向用户提供其感兴趣的信息，其给用户带来正面心理感知（如信息获取、社交满足等）的同时，也给用户带来了负面的心理感知（如隐私忧虑、心理抗拒等）。在线交互是社交媒体用户实现社交互动的典型信息行为，其具体表现为点赞、转发、评论等多样化交互方式。作为影响在线交互行为的关键前置因素，用户的在线交互意向决定了用户是否愿意在社交媒体平台中主动地进行情感表达，这关乎用户的平台体验和社交媒体平台中的价值转换。近年来，国内外有关个性化推荐的研究主要集中在计算机科学领域。相关学者主要结合机器学习或深度学习方法，从推荐系统设计、推荐系统评测以及推荐系统应用等方面对个性化推荐进行研究。此类研究虽有利于用户获取准确的个性化推荐结果，但难以持续追踪用户的心理状态及行为意向。然而，由于不同心理感知下用户呈现出不同的行为意向，因此结合个性化推荐探究用户行为意向的影响机理有利于进一步完善用户的服务和管理。此外，当前关于在线交互意向的研究大多仅考虑意向的直接影响因素，鲜有研究结合外部环境因素对间接影响因素展开分析。近期大量研究表明，结合外部环境因素对用户行为意向进行解释.可以更有针对性地评估外部环境因素对行为意向的影响。社交媒体情景下，个性化推荐通过推荐结果对用户形成刺激，因此将社交媒体推荐作为外部环境因素对用户的在线交互意向进行解释，可以更有针对性地评估社交媒体推荐对在线交互意向的影响作用。
鉴于上述分析.本文在刺激一机体一反应（Stimuli-Organisms-Responses.S-O-R）理论框架下，以社交媒体推荐为刺激（S），以隐私计算理论和信息边界理论确定的用户心理状态为机体（O），以用户在线交互意向为反应（R），对社交媒体推荐、用户心理状态以及用户在线交互意向之间的内在作用机理进行探究。研究的主要贡献体现为：①探究了社交媒体推荐对用户在线交互意向的影响机理，并结合实证结果为社交媒体平台提供相应的运营建议。此项贡献为社交媒体平台设计更合理的个性化推荐系统提供了参考。②在隐私视角下，综合隐私计算理论和信息边界理论对社交媒体用户的内在心理状态进行衡量，并将其作为中介对社交媒体推荐和用户在线交互意向之间的关系进行分析。此项贡献不仅细致地分析了心理状态之间的内在影响关系，而且对S-O-R理论模型进行了有益补充。
1研究基础
1.1 S-O-R理论模型
S-O-R理论模型是心理学领域的一个重要理论，其目的在于揭示人们在外部环境因素的刺激下如何产生相应的趋势行为反应。S-O-R模型认为，当个人受到外部环境的刺激（Stimuli）后，会形成个人的内在心理状态（Organisms），进而产生不同的趋势行为反应（Responses）。信息系统领域中，S-O-R理论模型被广泛应用于用户行为研究中，如Gatautis R等基于S-O-R模型分析了游戏对在线消费者的驱动作用：Umer等在SNS情境下，对影响网络消费者的强迫购买行为的关键因素进行了研究。鉴于S-O-R理论模型可以有效揭示行为意向的形成过程，本文运用S-O-R理论模型为社交媒体推荐、用户心理状态和用户在线交互意向建立联系，并以此为框架，探究社交媒体中的个性化推荐服务对用户在线交互意向的影响机理。具体来说，本文以社交媒体推荐为外部环境刺激（Stimuli），结合隐私计算理论和信息边界理论确定隐私视角下的用户内在心理状态（Organisms），并将社交媒体用户的在线交互意向视作趋势行为反应（Responses）。
1.2隐私计算理论
隐私计算理论是Laufer R S等于1977年首次提出的经典理论。近期研究中，罗映宇等将隐私计算理论归纳为基于理性的隐私计算和基于有偏的隐私计算。其中，基于理性的隐私计算在“理性人”假设的基础上，认为用户会有意识地权衡隐私披露的预期损失和潜在收益.而后做出隐私披露决策。基于有偏的隐私计算认为隐私行为决策会受到认知偏差和启发式的影响，这使得个体实际上无法对隐私披露行为的收益和损失做出正确的估计，常常重视利益而忽视伴随的风险。感知收益和感知隐私风险是隐私计算理论中的两个基本构念，其中感知收益指用户在信息披露时所感知到的价值获取，感知隐私风险是指用户在信息披露时所感知到的潜在损失。近年来，随着学术界对隐私问题的关注，隐私计算理论被广泛应用于衡量用户的内在心理感知。如Melewar T C等依据隐私计算理论，分别以感知收益、感知风险和信任为测量变量，对网络团购行为的影响因素进行了研究。张玥等依据隐私计算理论，以微信为例探讨了移动社交用户的信息披露意愿。考虑到个性化推荐会引起用户的隐私忧虑，本文在隐私视角下，结合隐私计算理论中的感知收益和感知隐私风险衡量社交媒体用户的内在心理感知。其中，感知收益在本文研究情景下特指社交媒体用户认为在线交互可以为自身带来的潜在价值，而感知隐私风险在本文研究情景下特指社交媒体用户认为在线交互为自身在隐私方面带来的潜在损失。
1.3信息边界理论
信息边界理论是Petronio S于2002年提出的一个面向个人信息决策的系统性理论，该理论认为每个人都会构建一个虚拟的信息空间，这个空间即“信息边界”。一旦信息边界建立，个体便会在边界内产生信任。当外部实体试图渗入边界时，个体则会认为自身的隐私空间受到侵犯，并企图对隐私边界进行控制。信任和控制是信息边界理论的两个核心构念，其中信任作为一种心理信念，信任感越高，隐私边界的开放程度越高;控制可以被理解为用户对隐私边界的把握，控制能力越强，隐私边界越容易被打破。近期研究表明，信息边界理论是隐私计算理论的有益补充。基于此，相关研究常结合隐私计算理论和信息边界理论对社交媒体中的隐私问题展开更细致的研究。如梁晓丹等结合隐私计算理论和信息边界理论分析了在线政策对消费者提供个人信息意愿的影响机制。张会平等结合信息边界理论和隐私计算理论对社交媒体用户信息隐私关注的形成机制进行了研究。鉴于此，本文结合信息边界理论对用户的内在心理感知进行更细致地分析.并将该理论中的两个核心构念——信任和控制用于衡量用户的内在心理状态。本文研究情境下，信任即平台信任，指用户对社交媒体平台的信任程度;控制即感知信息控制，指用户在社交媒体平台中對个人信息控制能力的感知。 2研究模型与研究假设
2.1研究模型
基于上述研究基础.本文在隐私视角下，以社交媒体推荐为用户感受到的外部环境刺激（S），以感知收益、感知隐私风险、平台信任和感知信息控制为用户的内在心理感知（O），以在线交互意向为用户的趋势行为反应（R），构建社交媒体推荐影响用户在线交互意向的研究模型。研究模型的具体框架及相关假设如图1所示。
2.2研究假设
2.2.1外界环境刺激对内在心理状态的影响（S-O）
1）社交媒体推荐对感知收益的影响
优质的服务质量与用户的积极情感具有显著的正相关.而社交媒体推荐的本质是用户需求导向的个性化服务，因此个性化推荐可以驱动用户的积极情感。戴德宝等和罗玉葵在研究中均指出个性化推荐可以帮助用户减少决策时间，并为用户带来感知收益。此外，推荐系统在诸多领域（如电子商务、新闻服务、出行服务等）中的成功应用也说明了个性化推荐可以为用户带来较好的使用体验。因此，本文认为个性化推荐可以使社交媒体用户感知到潜在价值的获取。据此，提出如下假设：
H1：社交媒体推荐正向影响感知收益。
2）社交媒体推荐对感知隐私风险的影响
推荐算法是实现社交媒体推荐的核心，推荐算法通过采集多源信息（如年龄、职业、交互记录等）对用户兴趣进行建模，进而依据用户兴趣为用户生成个性化推荐结果。精准的推荐结果依赖于平台对用户信息的采集.但用户和社交媒体平台之间存在高度的不对称致使信息贩卖、信息滥用等隐私泄露的风险增加。据此，本文认为社交媒体推荐可以使用户意识到个人信息被平台采集，进而使用户滋生对潜在隐私风险的感知。据此，提出如下假设：
H2：社交媒体推荐正向影响感知隐私风险。
3）社交媒体推荐对感知信息控制的影响
感知信息控制是用户对隐私边界的把握，其会受到外部环境刺激而发生变化。如梁晓丹等将隐私政策视作外部环境刺激，并通过实证研究证实了隐私政策会对用户感知到的信息控制水平造成显著影响。近年来随着智能推荐算法的不断涌现，推荐结果的精度不断提升，过于准确的推荐结果极易导致用户隐私边界被打破。此外，赵珈艺指出，社交媒体用户具有强烈的“私密性”心理，当这种私密性受到侵犯时.用户会产生负面心理感知。因此，本文认为个性化推荐结果可被视作用户感知的外部刺激，当这种外部刺激作用于用户时，用户会感知到自身的信息控制能力变弱。据此，提出如下假设：
H3：社交媒体推荐负向影响感知信息控制。
4）社交媒体推荐对平台信任的影响
信任是社会关系中的重要因素，其在不确定性较高的互联网环境中发挥着重要作用。Chen J Jv等和苏鹭燕等均指出，优质的服务质量可以促进用户的信任感。社交媒体情境下，用户对平台的信任主要体现为用户相信社交媒体可以持续向用户提供符合其利益需求的优质服务。作为缓解信息过载难题的重要工具，个性化推荐的出发点即为向用户提供优质的个性化服务。虽然已有研究指出个性化推荐会对用户造成负面的心理感知，但受自身实力（能力和知识）的限制，社交媒体用户往往不愿花费过多的精力来管理自身的隐私信息。因此，社交媒体用户倾向于相信个性化推荐会为其带来收益。据此，提出如下假设：
H4：社交媒体推荐正向影响平台信任。
2.2.2内在心理状态之间的关系（0-0）
1）感知收益对感知信息控制的影响
LiC等认为用户和平台之间的有效沟通有利于用户的收益感知，而用户感知到的潜在收益正向影响用户感知到的信息控制水平。类似的研究中，Cavusoglu H等提出，当个体感知到的资源或机会越多时，其获取的感知信息控制水平越高。依据前人研究，本文认为当用户在社交媒体平台中获取的正向心理感知越多时，用户的信息控制欲望会越低，进而导致用户的隐私边界越容易被打破。据此，提出如下假设：
H5：感知收益正向影响感知信息控制。
2）感知收益对平台信任的影响
网络环境中，用户的理念和态度是影响信任的关键因素。其中，网络用户的理念和态度包括用户对性能的评估、用户的使用体验和用户的网络信心等。相关研究中，He H等认为消费者对商品的积极心理正向影响消费者对品牌的信任程度。Gundlach CT等认为感知收益对建立信任关系起着重要的作用。本文研究情景下，感知收益可被视作一项积极的理念和态度.因此当社交媒体用户具有较高的感知收益时，其对社交媒体平台的信任感也会不断提高。据此，提出如下假设：
H6：感知收益正向影响平台信任。
3）感知隐私风险对感知信息控制的影响
张会平等在研究社交媒体用户隐私关注的形成机制时，指出过往的隐私事件是影响用户感知信息控制的关键因素，而隐私事件是风险感知的重要来源，因此可以说明感知隐私风险可以削弱用户感知的信息控制能力。Schmeichel BJ等研究发现，在隐私关注的作用下，当用户感知的风险越大时，用户感知的信息控制能力就会越弱。因此，本文认为感知隐私风险伴随着用户对未知结果的不确定性，当用户意识到平台的潜在风险越大时，会感觉自身的信息主动权受到威胁。据此，提出如下假设：
H7：感知隐私风险负向影响感知信息控制。
4）感知隐私风险对平台信任的影响
健全的法规、平台的担保等积极的外部因素可用于规避用户的风险感知，进而提升用户对平台的信任感。此外，感知隐私风险对信任的影响作用已在相关研究中得以证实。如Hung S Y等通过分析在线支付系统中银行和报税账号泄露的案例，量化了风险对用户信任的消极影响。Pan Y等指出隐私声明内容越完善，用户对平台的信任水平就越高。依据前人研究，本文认为互联网中存在的潜在隐私风险是影响用户对平台信任的关键因素，当用户感知到社交媒体平台存在的隐私风险越多时，用户对平台的信任水平就会越低。據此，提出如下假设： H8：感知隐私风险负向影响平台信任。
2.2.3内在心理状态对用户在线交互意向的影响（O-R）
1）感知收益对用户在线交互意向的影响
社交媒体固有的社交属性可以让用户感知到较高的社交价值，进而正向影响用户在社交媒体中的交互意向。朱侯等结合共享模式特点，从利己收益和利他收益两个维度衡量用户的感知收益，并验证了感知收益对用户在线行为意向的正向影响作用。本文研究情景下，用户的在线交互意向特指用户点赞、转发、评论等社交行为意向。社交满足、信息获取等用户感知到的价值获取均是形成用户在线交互的主要因素，因此本文认为当用户的感知价值增多时.用户会倾向于表现出活跃的在线交互意向。据此，提出如下假设：
H9：感知收益正向影响用户的在线交互意向。
2）感知隐私风险对用户在线交互意向的影响
感知隐私风险是与感知收益相对立的隐私计算依据，故在相关研究中常与感知价值共同作为影响用户行为的前置变量。Haili N等认为，在社交网站中用户感知的隐私风险对信息行为意向存在显著的负向影响。LiC等认为，按需服务中的用户感知的隐私风险不仅会对用户的采纳意图造成负面影响，而且还会增加用户中断使用的可能险时，其往往会有意识地降低在线交互的活跃性，以防止过多的个人信息被平台采集和利用。据此，提出如下假设：
H10：感知隐私风险负向影响用户的在线交互意向。
3）感知信息控制对用户在线交互意向的影响
Bartsch M等通过调查社交网站发现，信息控制能力对社交媒体用户的信息决策具有显著的影响作用。Cavusoglu H等在研究隐私政策对Face.book用户信息披露意愿的影响时发现，当用户具有较多的隐私控制权限时，用户公开其信息的可能性就越大。梁曉丹等认为感知信息控制负向影响用户的信息行为意向。因此，本文认为当用户感知到较高的信息控制水平时，会认为社交媒体产生的利弊可被有效把控，进而会在社交媒体平台中表现出更加主动的在线交互意愿。据此，提出如下假设：
H11：感知信息控制正向影响用户的在线交互意向。
4）平台信任对用户在线交互意向的影响
社交网络的时空分离特性使用户双方无法面对面交流，间接的交流方式致使信息泄露的风险增加.因此建立用户对平台的信任关系成为网络交互成功的关键要素。作为用户行为意向的一个有效预测因子，信任对社交媒体用户的正面行为意向的正向影响作用已被多数研究证实，相关行为意向涉及知识分享、信息披露等。本文研究情景下.用户在线交互意向对于社交媒体而言，同样属于用户典型的正面行为意向.因此当用户对平台的信任感越强时，用户会表现出更为活跃的在线交互意向。据此，提出如下假设：
H12：平台信任正向影响用户的在线交互意向。
3实证研究
3.1问卷设计
结合现有社交媒体的使用情况，短视频社交平台对推荐系统表现出更强的依赖性。为获取更加集中的样本数据，本文将调查情景锁定为知名的短视频社交媒体平台——抖音APP和快手APP。问卷主要包括两部分，第一部分是被调查对象的人口统计变量，包括性别、年龄、学历、使用时间、日访问次数、每次使用时长等。第二部分是关于本文的变量测量，具体包括：社交媒体推荐质量、感知收益、感知隐私风险、平台信任、感知信息控制、在线交互意向6个变量。对于量表的设计，本文的测量题目均沿用或改编自前人的研究。问卷的测量变量及参照来源如表1所示.所有问项均采用Likert五级量表。
3.2数据采集
问卷通过网络平台进行问卷发放，发放日期为2020年6月27日-12月24日，共收回问卷438份，剔除无效问卷后，得到有效问卷401份，问卷有效率达91.55%。研究中样本的人口统计特征如表2所示，表中的频数为调查对象的人次，频率为某类对象占总样本的百分比。表2呈现的被调查对象特征与中国互联网络信息中心2020年发布的《中国互联网络发展状况统计报告》和《2020抖音数据报告》完整版中的网民特征基本一致，这说明调查对象可以较好地代表网民群体。
3.3数据分析
3.3.1信度、效度分析
信度用于衡量问卷的可靠性、稳定性和一致性。本文选用Cronbach’s Alpha（CA）以及Com.posite Reliability（cR）两个指标来检验问卷的信度。研究表明，当CA和CR均大于0.7时，说明内部的一致性水平较高。本文中每个潜变量的CA和CR均超过了0.7，这说明问卷具有较高的信度，结果如表3所示。
效度用于衡量测量结果的有效性程度。本文采用聚合效度和区分效度共同检验数据的有效性。当Over Loading（OL）大于0.7且Average VarianceExtracted（AVE）大于0.5时，聚合效度达标。本文中每个潜变量的因子载荷均大于0.7，且AVE均大于0.5.这说明测量结果的聚合效度达标，结果如表3所示。对于区分效度，其检验标准通常是每个潜变量的AVE的平方根大于其他潜变量之间的相关系数。表4中，斜对角线表示每个潜变量的AVE平方根，非斜对角线表示其他潜变量的相关系数。从表4中可以看到，每个潜变量的AVE平方根均大于其他潜变量的相关系数，这说明本研究的潜变量之间存在显著差异，区分效度较好。
3.3.2路径分析与假设检验
本文采用SmartPLS 3.0对研究模型进行路径分析与假设结果验证，利用Bootstrapping重复抽样的方法检验路径系数的显著性.抽样次数为1000次.表5和图2给出了研究假设的数据分析结果和路径系数。
模型的路径检验结果如图2所示，社交媒体推荐对感知收益（卢=0.514，P