建议来源和归因类型对犯错后的代理平台惩罚欲的影响

摘 要 随着计算机技术的发展，代理平台逐渐使用AI作为建议者为消费者提供建议。然而，与人类建议者一样，AI在服务过程中也可能发生服务错误。在消费、投资和医疗情景中，采用2 × 3的被试间设计探讨建议来源和归因类型对消费者经历错误建议后对代理平台惩罚欲的影响。结果发现，建议来源对代理平台惩罚欲没有显著影响；归因类型显著影响惩罚欲，具体表现为平台意图归因增加了惩罚欲；平台意图归因对代理平台的惩罚欲的影响通过愤怒起作用。

关键词 建议来源；归因类型；愤怒；惩罚欲；AI

分类号 B849

DOI：10.16842/j.cnki.issn2095-5588.2024.10.002

1 引言

随着计算机技术的发展，人工智能在各行各业中都扮演着重要角色。比如在驾驶汽车时，车载导航系统给出行驶路线的推荐；音乐软件根据用户的喜好推荐歌曲，这些都可以看成建议给予，其中导航软件和音乐软件可以看成建议者，汽车导航软件与音乐软件的所有者可以看成使用AI提供建议服务的代理平台。提供的建议不符合消费者的期望就可以被视为建议是错误的。AI建议和人类建议一样，也可能发生错误。由于人工智能和开发者、制造商、使用者交织在一起，当建议过程中发生错误时，消费者的责备对象主要为建议者和雇佣建议者提供建议服务的代理平台（McColl-Kennedy et al.， 2011）。

已有文献研究了消费者对服务失败后的服务者（AI或人类）态度、行为反应（Chen et al.， 2021; Choi et al.， 2020; Ryoo et al.， 2024）。Chen等（2021）发现相比人类犯错，人们更不能容忍AI犯错误。然而，目前仅有少量研究关注当建议错误发生时，人们对使用不同建议者（AI或人类）提供服务的代理平台的反应（Leo & Huh， 2020; Ryoo et al.， 2024）。由于服务失败后消费者的反应可能影响公司的长期品牌价值，因此了解服务失败对代理平台的反应至关重要（Sinha & Lu， 2016）。

Gailey（2013）发现当建议者服从程度高时，人们更多地把责任归因于代理平台公司。Ryoo等（2024）也发现，在服务领域中建议者的自我控制能力与对代理公司的惩罚欲呈负相关。而Gray等（2007）发现人们普遍认为人类更可能按自己的意志行事，感知到的行为控制能力高，服从程度低，AI自我意志低，感知到的行为控制能力低，服从程度高。Sands等（2022）也发现当责备对象是代理平台时，人们对AI提供建议服务的代理平台的责备程度高于使用人类提供建议服务的代理平台。我们推测建议来源也会影响消费者对代理平台的惩罚欲。Leo和Huh（2020）的研究发现，在收到错误建议时，人们对AI的责备程度低于对人类建议者的责备，但对使用AI建议者提供服务的代理平台的惩罚程度高于使用人类建议者提供服务的代理平台。

然而，当对服务失败进行归因时，消费者是否对建议者和代理平台进行了区分？（Ryoo et al.， 2004）。过去的服务营销研究指出，消费者对员工的评价与对代理平台的评价相关联（Parasuraman et al.， 1985）。Hartline等（2000）认为消费者与建议者的直接互动构成了消费者对代理平台评价的主要基础，这是因为建议者连接代理平台与消费者以及外部环境。因此，我们推测相比于使用人类提供建议服务，使用AI提供建议服务，消费者对代理平台公司的惩罚欲更低。

这两种可能的结果是否是由于对错误建议的归因不同而导致的呢？Fiske等（2007）认为个体对社会成员或其他事物存在能力与温暖两个方面的认知，其中前者指的是感知意图相关特质，包括友好、乐于5GF2H3NeMRTk+ZQSghIt1dRgJyMb9I0SfZYBakbYLWk=助人、真诚、值得信赖和道德，而能力维度反映的是感知能力相关特质，包括智力、技能、创造力和效率。Kervyn等（2022）认为人们对公司品牌形成印象的方式与其对社会群体形成印象的方式相似，在品牌作为有意图的代理人框架模型中，对公司品牌的认知也可以分为能力相关维度和温暖相关维度，其中负面意图且低能力的品牌会引起鄙视，正面意图且低能力的品牌会引起怜悯。而在品牌危机相关研究中，Dutta和Pullig（2011）将品牌危机类型划分为产品质量相关危机和道德相关价值观危机。基于前人研究，本文将建议错误归因划分为建议者能力归因和代理平台温暖相关意图归因。能力归因是指代理没有足够的能力完成与个体交互的任务，导致最终服务结果与人类预期不一致或人类利益受损，如算法导航错误规划路线导致人类上班迟到。意图归因是指代理平台在与人类交互的过程中，能力上能够满足人类预期，但是因存在私心导致个体利益受损。

Tsarenk（2019）等研究发现，当归因为代理能力不足时，人-人互动过程中，人类彼此之间存在高水平的同理心。Chen等（2021）发现同理心可以减轻客户对员工失败的愤怒和负面反应，但不能减轻对自助服务技术失败后的愤怒与负面反应。这说明人-人互动受到社会情绪的影响。然而，人-机互动时人们考虑的更多是机器的能力，无关情绪（李思贤等， 2022; 刘国芳等， 2023）。因此我们提出假设H1：把错误建议归因为代理能力不足时，相比于建议来源是人类，人们对AI建议来源代理平台的惩罚欲更高。

Horan和Kaplan（1983）发现，当被试的道德推理能力强时，对高伤害意图的不道德行为的惩罚欲大于对低伤害意图的不道德行为惩罚欲。Jain和Sharma（2019）也发现代理平台的不道德意图通常会打破消费者对代理平台的期望，引发强烈的被背叛的情感。Sands等（2022）的研究也发现在服务失败中，消费者感到不被尊重时，对使用AI提供服务和让人类提供服务时的负面反应不存在差异。因此，我们提出假设H2：在经历错误建议后，当归因为平台意图时，不管建议来源是什么，对代理平台的惩罚欲没有显著差异。

愤怒情绪大多与意愿违背、目标不一致、损害自身利益等认知评价有关（Wickless & Kirsch， 1988）。有研究人员发现愤怒是服务失败后的主要情绪反应（Kalamas et al.， 2008; Menon & Dubé， 2004）。Miceli和Castelfranchi（2019）认为愤怒意味着感知到伤害。在服务失误事件中，人们往往把责任归咎于公司，从而导致愤怒（Folkes， 1984）。情绪认知评价理论认为个体对外部事物作出反应是自身情绪体验的基础，愤怒情绪导致个体产生对抗性行为，它是个体宣泄愤怒情绪的主要方式（Lazarus， 1991）。有研究也发现，服务失败后，愤怒不仅会引发报复的想法和感觉，还会引发行为意图（Bechwati & Morrin， 2003; Grégoire et al.， 2009）。因此我们提出假设H3：建议来源对惩罚欲的影响通过愤怒起作用。

综上，本研究将探究建议来源和建议错误的归因对消费者对代理平台惩罚欲的影响以及愤怒的中介机制，进而为AI的应用提供支持。

2 方法

2.1 被试

使用G*Power 3.1（Faul et al.， 2009）计算当α=0.05，power（1-β）=0.90，中等效应量（f =0.25）时的2 × 3方差分析所需要的最少样本量，结果表明最少需要206名被试。本研究最终在脑岛在线实验平台（陈国球等， 2023）上招募301名被试，使用箱型图删除各个情境中惩罚欲和愤怒存在极端异常值的9人，最终有效被试292人，其中男性93人，女性199人，平均年龄24岁。其中AI-平台意图归因组46人，专人-平台意图组47人，AI-代理能力组50人，专人-代理能力组49人，AI-控制组和专人-控制组各50人。

2.2 研究设计

2（建议来源：专人/AI） × 3（归因类型：代理能力/平台意图/控制组）被试间设计。因变量为惩罚欲。

2.3 材料

（1）错误情境材料

为了验证在不同情境和错误后果严重性条件下结果是否稳健，我们选取了消费、投资和医疗三个情境，自编建议错误情境材料。为了保证被试正确理解材料，我们让五名在校心理学研究生对材料进行了评定并根据其建议对内容作相应修改，得到最终的情境材料，如消费情境材料：“假如你最近正在考虑购买一个台式机显示器，你非常纠结，不知道该买哪款。然后你咨询了正源科技公司购物建议平台。该购物建议平台由【AI/专人】提供建议。该平台已经成立了十多年，用户很多。你在购物平台给出的建议中选择了一款显示器，然而，三天之后，你收到了该电脑显示器，却发现其在使用时存在闪屏现象”。其他两个材料的内容见附录。

（2）惩罚欲的测量

采用Hofmann等（2018）对惩罚欲测量的两个项目。为了测量建议错误后对被试行为的可能影响，自编了一个项目。三个项目的Cronbach’s α为0.82。题目如下：“由于某公司的平台通过【专家/AI】提供错误建议，你认为该公司应该受到多大程度的惩罚？”“你在多大程度上想要该公司赔偿因其平台错误建议所造成的损害？”“你在多大程度想要告诉他人该公司的购物平台建议质量差并劝诫他人不要使用该平台？”。三个项目均采用100点计分，得分越高表明被试对情境中的代理平台的惩罚欲越强。

（3）愤怒情绪的测量

采用一个项目：遇到这种情况，你觉得你会有多愤怒？100点计分，分值越大表示愤怒程度越强。

2.4 研究过程

第一步：被试被随机分为AI建议组和人类建议组。三个情境随机呈现，以避免顺序影响，后续步骤以消费情境中的步骤为例。

第二步：被试阅读指导语“假如你最近正在考虑购买一个台式机显示器，你非常纠结，不知道该买哪款。然后7da0ee2b3cd2d3b79e659ee72e7dddef你咨询了正源科技公司购物建议平台。该购物建议平台由【专人/AI】提供建议。该平台已经成立了十多年，用户很多”。

第三步：为了增加情境的真实性和被试的参与感，接下来平台会给出三个建议选项让被试选择。被试作出选择后，会阅读到“然而，三天之后，你收到了该电脑显示器，发现其在使用时存在闪屏现象”。

第四步：归因操纵。平台意图归因组被试阅读到“然后，你在网上查询屏幕存在问题的原因，偶然发现正源科技公司和厂家存在利益关系，因此倾向于推荐与其合作的厂家的产品”，代理能力归因组被试阅读到“ 【算法/人类】在某些情况下可能面临限制，表现出局限性。这可能源自多种原因，如问题复杂性、信息不足或经验有限。在这些情况下，【它/他】们的表现可能不够全面或准确。这种限制可能表现为决策的局限性、不完全的解决方案或者无法全面考虑所有相关因素”，控制组被试阅读到“该款显示器，其他人也存在和你相同的问题，显示器都存在闪屏现象”。

第五步：测量惩罚欲和愤怒情绪。

3 结果

研究结果使用R分析。

3.1 建议来源和归因类型对代理平台惩罚欲的影响

各实验条件下，惩罚欲、愤怒均值和标准差如表1所示。

以情境材料为被试内变量，并命名为任务类型，以惩罚欲为因变量，建议来源和归因类型作为被试间变量进行三因素混合方差分析。为了进行方差分析，先使用卡方检验验证组之间是否平衡。结果显示组之间是平衡的，χ2（5）=0.32，p=0.997。

方差分析表明，建议来源主效应不显著，F（1， 286）=0.09，p=0.759，支持了H2，不支持H1。归因类型与任务类型交互作用显著，F（4， 572）=4.01，p=0.003，η2p=0.03。

对任务类型和归因类型交互作用进行简单效应分析，如图1所示。简单效应分析表明，在消费情境下，平台意图归因和代理能力归因之间惩罚欲差异显著，t（165）=5.07，p<0.001，d=0.73；平台意图归因和控制组之间惩罚欲差异显著，t（178）=3.80，p<0.001，d=0.54；代理能力归因和控制组之间惩罚欲不存在显著差异，t（193）=-1.42，p=0.157。在投资情境中，平台意图归因和代理能力归因之间惩罚欲差异显著，t（148）=7.37，p<0.001，d=1.05；平台意图归因和控制组之间差异显著，t（165）=4.80，p<0.001，d=0.69；代理能力归因和控制组之间惩罚欲差异显著，t（190）=-2.76，p=0.005，d=-0.39。在医疗情境中，平台意图归因和代理能力归因之间差异显著，t（167）=3.67，p=0.005，d=0.53；平台意图归因和控制组之间差异显著，t（154）=4.05，p<0.001，d=0.58；代理能力归因和控制组之间惩罚欲不存在显著差异，t（192）=0.69，p=0.488。从另一个方向来看，在平台意图归因时，三个任务情境下的惩罚欲不存在显著差异，在控制组也是这样，然而当归因为代理能力不足时，对医疗情境下代理平台的惩罚欲显著高于消费情境（t（195）=2.23， p=0.040， d=0.32）和投资情境（t（194）=3.07， p=0.007， d=0.44），而消费情境和投资情境之间不存在显著差异。

归因类型主效应显著，F（2， 286）=22.23，p<0.001， η2p=1.13。事后分析发现，平台意图归因（M=88.93， SD=11.73）的惩罚欲显著高于控制组（M=79.42， SD=19.20， t（500）=7.25， d =0.60 ， p<0.001）和代理能力归因组（M=76.37， SD=20.13， t（481）=9.22， d=0.76， p<0.001），但控制组和代理能力归因组之间不存在显著差异。任务类型主效应显著，F（2， 572）=4.32，p=0.014，η2p=0.01。医疗情境（M=83.30， SD=19.08）中的惩罚欲大于投资情境（M=80.70， SD=18.22），大于消费情境（M=80.25， SD=17.46），但三个组之间两两比较不存在显著差异。其他效应均不显著。

3.2 建议来源和归因类型对代理平台愤怒情绪的影响

以情境材料为被试内变量，并命名为任务类型，以愤怒情绪为因变量，建议来源和归因类型作为被试间变量进行三因素混合方差分析。

结果显示，任务类型主效应显著，F（2， 572）=7.38，p<0.001，η2p=0.03。归因类型主效应显著，F（2， 286）=21.78，p<0.001，η2p=0.13。其他效应均不显著。

对归因类型主效应进行事后比较，如图2所示。结果表明代理能力归因（t（470）=8.68， p<0.001， d=-0.72）和控制组（t（468）=7.35， p<0.001， d=-0.61）的愤怒显著低于平台意图归因，但代理能力归因和控制组之间差异不显著，t（595）=-0.95， p=0.525。

对任务类型主效应进行事后比较，如图3所示。结果表明投资（t（579）=-2.39， p=0.026， d =0.20）、医疗（t（581）=-2.79， p=0.016， d=0.23）情境愤怒情绪显著高于消费情境，但投资情境和医疗情境之间差异不显著，p=0.882。

3.3 中介分析

在建议来源对惩罚欲和愤怒的影响分析中，我们并没有发现建议来源的主效应，只发现了归因类型的主效应，因此我们仅探索性地分析了归因类型对惩罚欲的影响中愤怒的潜在中介作用。由于预测变量是分类变量，我们进行了相对中介分析，结果如表2所示，路径图如图4所示。以控制组为参照水平，代理能力归因相对控制组的相对中介的95%的Bootstrap置信区间为［-4.67， 2.04］，包括0，表明相对中介效应不显著。以控制组为参照水平，平台意图归因相对控制组的相对中介的95%的Bootstrap置信区间为［5uxuYcWyOSBPvUPSC7ktZW1BAJsCXUCAjbGq8xpTa8JU=.15， 10.86］，不包括0，表明相对中介效应显著，即平台意图归因时对代理平台的愤怒情绪比控制组的高10.66，所以平台意图归因的消费者的惩罚欲也相应增加，相对直接效应不显著，表明排除中介作用后，平台意图归因的消费者的惩罚欲与控制组没有显著差异，相对总效应显著（c2’=9.58， t（288）=4.92， p<0.001），相对中介效应的效果量为84.02%（8.05/9.58）。

4 讨论

4.1 建议来源对惩罚欲的影响

我们的研究发现建议来源对惩罚欲没有显著影响。在意图归因时，建议来源对惩罚欲的影响没有显著差异，这符合我们的预期。然而，在代理能力归因和控制组归因条件下，并没有发现建议来源对代理平台的惩罚欲存在显著差异。2023年人工智能指数报告（Maslej et al.， 2023）显示，中国在2023年已成为最受欢迎的人工智能的国家。另外，随着人工智能技术的发展，AI逐渐在能力上赶上甚至超越人类，特别是在2022年11月ChatGPT诞生之后。例如，有媒体让多款AI产品挑战2024高考河南卷，发现九个AI中，有四个分数过一本线。Huang和Rust（2018）认为AI替代人类的工作是从相对简单任务开始的，AI已经替代了需要机械智能和分析智能的工作，并将替代人类工作的触手伸进了需要直觉智能的工作中。因此，在对某些能力的感知上，人们已经认为AI与人已经不存在太大差异。另外，尽管发现同理心可以减轻消费者对员工失败的愤怒和负面反应，然而，相比于线下，线上的人-人互动更不容易激发人们的同情心（Chen et al.， 2021）。因此，建议来源对代理平台的惩罚欲没有显著影响。值得注意的是，2022年以前关于AI的文献多发现建议来源对人们的情绪和行为存在影响（杜秀芳等， 2023; Chen et al.， 2021; Ryoo et al.， 2024; Sands et al.， 2022）。而2022年之后，逐渐有文献开始报告建议来源对人们的情绪和行为没有影响（Böhm et al.， 2023; Kirkby et al.， 2023）。例如，Kirkby等（2023）发现披露内容由AI生成，不会对品牌声音的真实性和品牌态度产生负面影响。我们的研究结果表明是否告知消费者建议者的真实身份是一种可选择行为。然而，我们仍然建议披露建议者身份，因为这可以带来诸多好处，例如代理平台的服务被认为更加透明、道德和真实。

4.2 归因类型对代理平台惩罚欲的影响

首先，我们发现归因类型对代理平台的惩罚欲有显著影响，具体表现为平台意图归因时的惩罚欲大于代理能力归因和控制组。这可能是因为负面意图会极大提高人们的惩罚欲。正如Skowronski和Carlston（1987）所说，当错误建议发生时，缺乏温暖比缺乏能力造成的负面影响大。Kervyn等（2014）的实验也证明了当公司的错误被归因为缺乏温暖，比缺乏能力造成的后果严重。因此，代理平台应该关注代理能力提升，避免形成恶意侵害消费者利益的形象。

其次，我们发现任务类型和归因类型对惩罚欲的影响存在交互作用。医疗情境下，代理能力归因条件下的惩罚欲显著高于其他两个任务情境，这可能说明把建议错误归因于代理能力不足来避免消费者的惩罚只在低后果严重性时有效，而在高后果严重性条件下无效。我们还发现相比于其他情境，医疗情境条件下消费者对代理平台的惩罚欲有增加的趋势。更严重的服务失败将导致消费者更为负面的反应（Sands et al.， 2022; Weun et al.， 2004）。因此，相比于其他情境，医疗情境的惩罚欲相对较高。

最后，我们发现平台意图归因对代理平台的惩罚欲以愤怒为中介。根据情绪认知评价理论（Lazarus， 1991），当刺激发生时，人们会首先确认其是否与自我利益相关，评价结果会激发各种情绪，然后是对自我反应行为可行性的预判，进而调节与控制个体的行为反应。因此，在意图归因条件下，人们感知到的后果更加严重，因而愤怒情绪更大，从而产生了更大的惩罚欲。

4.3 不足与展望

首先，实验是在实验室情境下进行的，在真实的AI应用领域，被试的惩罚欲可能会有所不同。另外，惩罚行为和惩罚欲不一样，在实际当中，建议者提供了错误建议，可能会导致消费者寻求其他建议者的建议或不想支付报酬。

其次，本研究关注的是建议来源和归因类型对代理平台惩罚欲的影响。未来研究可以探讨惩罚欲的下游影响，如是否还会再接受代理平台的建议（Grégoire et al.， 2009）、切换代理平台（Bechwati & Morrin， 2003）、分享代理平台的负面口碑（Wangenheim， 2005）等，还可以关注建议来源在建议正确后对代理平台的喜爱程度的影响。

再次，本研究探讨了消费、投资、医疗情境中建议来源和归因类型对代理平台惩罚欲的影响，未来可以在其他情境，比如线下服务中验证结果的稳健性。我们的研究在分析代理作为建议者的合适性时发现人们均认为人类代理比AI代理合适。因此，未来有必要在那些AI代理比人类代理合适的情境下验证该结果。

最后，我们的研究没有考虑被试的人格因素对结果的潜在影响。Agarwal等（2016）发现，如果消费者是高宜人性（不苛求、不固执、温暖）低神经质（不敌意、不易怒），他们在服务失败后更有可能继续光顾餐厅。另外，Tsarenko和Tojib（2012）发现情商在服务失败严重程度与情感宽恕之间具有显著的调节作用，而其对行为上的宽恕的调节作用并不显著。Riedl（2022）发现在大五人格特质中的三个因素（宜人性、开放性和外向性）与对AI的信任存在正向关系，而神经质与对AI的信任存在负向关系，内控点、冒险倾向与对AI的信任存在负相关。因此，未来的研究可以探讨被试的人格因素对AI服务失败的影响。

5 结论

（1）建议来源对消费者经历建议错误后，对代理平台的惩罚欲没有显著影响。（2）平台意图归因会增加消费者对代理平台的惩罚欲。（3）平台意图归因对代理平台的惩罚欲的影响通过愤怒起作用。

参考文献

陈国球， 高晓雪， 鄢忻媛， 杜梦， 臧寅垠， 汪寅（2023）. 在线心理学何以本土化？基于历史、理念与综合性的分析. 心理科学， 46（5）， 1262-1271.

杜秀芳， 王静， 李方， 王亚婷（2023）. 算法厌恶还是算法欣赏？——不同建议来源对个体建议采纳的影响. 中国临床心理学杂志， 31（1）， 75-79， 95.

李思贤， 陈佳昕， 宋艾珈， 王梦琳， 段锦云（2022）. 人们对人工智能建议接受度的影响因素. 心理技术与应用， 10（4）， 202-214.

刘国芳， 汪旭， 周祁蕾， 张梅（2023）. 用户对机器人的矛盾态度及其来源： 基于角色理论的解释. 心理技术与应用， 11（11）， 660-672.

Agarwal， R.， Mehrotra， A.， & Barger， V. A. （2016）. Pers-onality traits and re-patronage intentions after service failure. Journal of Consumer Satisfaction， Dissatisfaction and Complaining Behavior， 29（1）， 31-52.

Bechwati， N. N.， & Morrin， M. （2003）. Outraged consu-mers： Getting even at the expense of getting a good deal. Journal of Consumer Psychology， 13（4）， 440-453.

Böhm， R.， Jörling， M.， Reiter， L.， & Fuchs， C. （2023）. People devalue generative AI’s competence but not its advice in addressing societal and personal challenges. Communications Psychology， 1（1）， 32.

Chen， N.， Mohanty， S.， Jiao， J.， & Fan， X. （2021）. To err is human： Tolerate humans instead of machines in service failure. Journal of Retailing and Consumer Services， 59（3）， 102363.

Choi， S.， Mattila， A. S.， & Bolton， L. E. （2020）. To Err Is Human（-oid）： How do consumers react to robot service failure and recovery？ Journal of Service Research， 24（3）， 354-371.

Dutta， S.， & Pullig， C. （2011）. Effectiveness of corporate responses to brand crises： The role of crisis type and res-ponse strategies. Journal of Business Research， 64（12）， 1281-1287.

Fiske， S. T.， Cuddy， A. J. C.， & Glick， P. （2007）. Universal dimensions of social cognition： Warmth and competence. Trends in Cognitive Sciences， 11（2）， 77-83.

Folkes， V. S. （1984）. Consumer reactions to product failure： An attributional approach. Journal of consumer research， 10（4）， 398-409.

Gailey， J. A. （2013）. Attribution of responsibility for orga-nizational wrongdoing： A partial test of an integrated model. Journal of Criminology， 2013（1）， 920484.

Gray， H. M.， Gray， K.， & Wegner， D. M. （2007）. Dimensions of mind perception. science， 315（5812）， 619-619.

Grégoire， Y.， Tripp， T. M.， & Legoux， R. （2009）. When customer love turns into lasting hate： The effects of rela-tionship strength and time on customer revenge and avoidance. Journal YAwzuSgiCcB7zgsCFigHfw==of marketing， 73（6）， 18-32.

Hartline， M. D.， Maxham Iii， J. G.， & McKee， D. O. （2000）. Corridors of influence in the dissemination of customer-oriented strategy to customer contact service employees. Journal of Marketing， 64（2）， 35-50.

Hofmann， W.， Brandt， M. J.， Wisneski， D. C.， Rockenbach， B.， & Skitka， L. J. （2018）. Moral punishment in everyday life. Personality and Social Psychology Bulletin， 44（12）， 1697-1711.

Horan， H. D.， & Kaplan， M. F. （1983）. Criminal intent and consequence severity： Effects of moral reasoning on punishment. Personality and Social Psychology Bulletin， 9（4）， 638-645.

Huang， M. H.， & Rust， R. T. （2018）. Artificial intelligence in service. Journal of service research， 21（2）， 155-172.

Jain， K.， & Sharma， I. （2019）. Negative outcomes of pos-itive brand relationships. Journal of Consumer Marketing， 36（7）， 986-1002.

Kalamas， M.， Laroche， M.， & Makdessian， L. （2008）. Reaching the boiling point： Consumers' negative affective reactions to firm-attributed service failures. Journal of Business Research， 61（8）， 813-824.

Kervyn， N.， Chan， E.， Malone， C.， Korpusik， A.， & Ybarra， O. （2014）. Not all disasters are equal in the public's eye： The negativity effect on warmth in brand perception. Social cognition， 32（3）， 256-275.

Kervyn， N.， Fiske， S. T.， & Malone， C. （2022）. Social per-ception of brands： Warmth and competence define images of both brands and social groups. Consumer Psychology Review， 5（1）， 51-68.

Kirkby， A.， Baumgarth， C.， & Henseler， J. （2023）. To disclose or not disclose， is no longer the question - effect of AI-disclosed brand voice on brand authenticity and attitude. Journal of Product & Brand Management， 32（7）， 1108-1122.

Lazarus， R. S. （1991）. Cognition and motivation in emotion. American psychologist， 46（4）， 352.

Leo， X.， & Huh， Y. E. （2020）. Who gets the blame for service failures？ Attribution of responsibility toward robot versus human service providers and service firms. Computers in Human Behavior， 113（4）， 106520.

Maslej， N.， Fattorini， L.， Brynjolfsson， E.， Etchemendy， J.， Ligett， K.， ... Perrault， R. （2023）. Artificial Intelligence Index Report 2023. ArXiv， abs/2310.03715.

McColl-Kennedy， J. R.， Sparks， B. A.， & Nguyen， D. T. （2011）. Customer's angry voice： Targeting employees or the organization？ Journal of Business Research， 64（7）， 707-713.

Menon， K.， & Dubé， L. （2004）. Service provider responses to anxious and angry customers： Different challenges， different payoffs. Journal of Retailing， 80（3）， 229-237.

Miceli， M.， & Castelfranchi， C. （2019）. Anger and its cou-sins. Emotion Review， 11（1）， 13-26.

Parasuraman， A.， Zeithaml， V. A.， & Berry， L. L. （1985）. A conceptual model of service quality and its implications for future research. Journal of Marketing， 49（4）， 41-50.

Riedl， R. （2022）. Is trust in artificial intelligence systems related to user personality？ Review of empirical evidence and future research directions. Electronic Markets， 32（4）， 2021-2051.

Ryoo， Y.， Jeon， Y. A.， & Kim， W. （2024）. The blame shi-ft： Robot service failures hold service firms more acc-ountable. Journal of Business Research， 171（7553）， 114360.

Sands， S.， Campbell， C.， Plangger， K.， & Pitt， L. （2022）. Buffer bots： The role of virtual service agents in mit-igating negative effects when service fails. Psychology & Marketing， 39（11）， 2039-2054.

Sinha， J.， & Lu， F. C. （2016）. “I” value justice， but “we” value relationships： Self-construal effects on posttra-nsgression consumer forgiveness. Journal of Consumer Psychology， 26（2）， 265-274.

Skowronski， J. J.， & Carlston， D. E. （1987）. Social judgment and social memory： The role of cue diagnosticity in ne-gativity， positivity， and extremity biases. Journal of per-sonality and social psychology， 52（4）， 689.

Tsarenko， Y.， Strizhakova， Y.， & Otnes， C. C. （2019）. Recl-aiming the future： Understanding customer forgiveness of service transgressions. Journal of Service Research， 22（2）， 139-155.

Wangenheim， F. V. （2005）. Postswitching negative word of mouth. Journal of Service Research， 8（1）， 67-78.

Weun， S.， Beatty， S. E.， & Jones， M. A. （2004）. The impact of service failure severity on service recovery evaluations andpost-recovery relationships. Journal of Services Marketing， 18（2）， 133-146.

Wickless， C.， & Kirsch， I. （1988）. Cognitive correlates of anger， anxiety， and sadness. Cognitive Therapy and Research， 12（4）， 367-377.

附录

投资情景实验程序：

被试首先阅读指导语“假如你最近正在考虑进行一笔投资，你咨询了冷杉资本的投资平台。该平台是由【AI/专人】提供建议的。该平台已经使用了多年，现有用户量很多”。

测量建议者合适性。

接下来平台给出三个建议选项，被试进行选择。然后被试阅读到“然而，半年之后，你得知你的投资产生了巨大亏损”。

进行归因操纵。被试阅读到“你在网上查询你所投资的项目的相关信息时，偶然发现，【平台意图：冷杉资本和你投资的那个项目存在利益关系，因此他们倾向于推荐与其有关系的项目。/代理能力：【算法/人类】在某些情况下可能面临限制，表现出局限性。这可能源自多种原因，如问题复杂性、信息不足或经验有限。在这些情况下，【它/他们】的表现可能不够全面或准确。这种限制可能表现为决策的局限性、不完全的解决方案或者无法全面考虑所有相关因素。/控制组：很多人和你一样通过该投资平台投资了你所投资的项目，都出现了亏损。】”。

测量惩罚欲、愤怒情绪和后果严重程度。

医疗情景实验程序：

被试首先阅读指导语“假如你最近严重头痛，正在考虑服用哪种药物，然后你咨询了灵芝公司的医疗应用平台。该平台是由【AI/专人】提供建议的。并且该平台已经存在多年，有大量用户”。

测量建议者合适性。

接下来平台给出三个建议选项，被试进行选择。然后被试阅读到“然而，使用之后，非但没有减轻你的症状，还出现了过敏反应。”。

进行归因操纵。被试阅读到“然后，你在网上查询你所使用的药物相关信息时，偶然发现，【平台意图：该医疗应用平台和药厂存在利益关系，因此他们倾向于推荐与合作药厂的药品。/代理能力：【算法/人类】在某些情况下可能面临限制，表现出局限性。这可能源自多种/9CUONHy86dGFJSRXjQ5aA9a4MvmxYYZEo7gEgrqRQM=原因，如问题复杂性、信息不足或经验有限。在这些情况下，【它/他们】的表现可能不够全面或准确。这种限制可能表现为决策的局限性、不完全的解决方案或者无法全面考虑所有相关因素。/控制组：有人和你一样在使用了该款药物之后也出现了过敏现象。】 ”。

测量惩罚欲、愤怒情绪和后果严重程度。

本研究所有原始材料和数据可从下面链接获取：https：//osf.io/s8apd/？view_only=1422680d8fef43f4bb0087905297265f

The Impact of Advice Source and Attribution Type of Errors on the

Willingness to Punish Agent Platforms

Abstract

With the development of computer technology， the agency platforms are increasingly using AI as advisors to provide advice to consumers. However， like human advisors， AI may also make errors during service. In consumption， investment， and medical scenarios， a 2×3 between-subjects design was used to explore the impact of the advice source and attribution type on consumers' willingness to punish the agency platform after experiencing incorrect advice. The results showed that the effect of advice source on the willingness to punish the agent platform was not significant; attribution type significantly affected the willingness to punish， which manifested as an increase in punish willingness when attributing errors to the platform's intention. The impact of error intention attribution of platforms on the punitive willingness was mediated by anger.

Key words： advice source; attribution type; anger; punitive willingness to punish; AI