International Open Access Journal Platform

1 问题的提出

随着人工智能技术的飞速发展，基于用户行为数据的个性化推荐算法已深度嵌入各大数字平台，成为连接用户与商品、内容与需求的核心机制。从短视频平台的“猜你喜欢”，到电商平台的“为您推荐”，AI推荐系统不仅在技术层面实现了信息分发的精准化，更在社会心理层面重塑用户的认知结构与消费行为模式。

在这一技术变革中，Z世代（1995—2009年出生）作为“数字原住民”，成为AI推荐算法最主要的接触群体与实践者。千问APP发布的最新消费数据显示，在“一句话下单”功能的用户中，“00后”占比高达40%，在景区门票预订等场景中，一半指令都来自该群体（千问App，2026）。贝壳财经的调研数据同样表明，当前高频使用AI工具的用户中，18～25岁人群占据主力。这一群体与算法的深层次互动，使其成为观察技术——心理互构效应的典型样本（新京报贝壳财经，2025）。

但是，也有研究显示算法推荐在提升消费效率、节约用户时间的同时，也引发了许多值得关注的心理效应与社会后果。一方面，算法通过打标签与关联网络构建一个认知闭环，形成“信息茧房”与“认知窄化”；另一方面，用户在长期使用中逐渐形成对AI算法的依赖，他们的消费决策开始明显受到算法逻辑的隐性暗示和引导。有研究指出，算法推荐不仅影响消费者的购买意愿，更通过感知有用性与感知信任的中介机制，重塑消费者的理性决策过程（HU S Y et al.，2026）。

在此背景下，一个核心问题急需被解答：Z世代在与AI推荐算法的持续互动中，经历了怎样的群体心理建构过程？他们是直接从众地被动地接受算法的安排，还是在与人工智能算法的交互中逐渐“驯化”算法为自己所用？或者，这种“驯化”本身又构成了一种更深层次的被建构？

基于以上猜想，本研究试图突破“技术决定论”与“用户中心论”的对立，借鉴“算法驯化”理论框架，结合信息加工理论与行为经济学视角，通过实证调查揭示Z世代在AI推荐算法影响下的消费心理建构机制。

2 文献综述与研究假设

2.1 算法驯化：从技术工具到权力装置

“驯化”概念最初来自物种进化研究，“驯化的本质是将生物从自然选择的压力下解放出来，置于人工选择的环境中，使其成为服务于人类需求的生命生产系统。”（Zeder et al.，2015） 。在20世纪后期，西尔弗斯通等将该理论运用至技术社会学领域，强调媒介技术在社会化过程中经历的主体性重构——人类通过文化实践将技术系统纳入日常生活秩序，并在此过程中赋予其社会关系网络中的特定文化坐标与意义符码（Silverstone et al.，2003）。

算法在数字平台上承担着调节、生产和管理用户行为的功能，这种功能一旦确立，就会内化为数字基础设施的核心逻辑。通过不断对社会关系进行技术化的重塑和协调，算法最终搭建起了一套独特的运作机制，从而深刻地影响用户的决策过程。

周茂君、罗丹的研究显示，算法驯化机制通过数据捕获、认知建模到行为调节的链式过程，重构了数字时代的主体性生成逻辑。平台资本借由深度学习网络将用户行为转化为偏好向量，在算法黑箱中完成商业逻辑向技术必然性的编码转换，形成“数据—反馈”的行为闭环（周茂君 等，2025）。

从具体机制来看，算法驯化主要通过以下三重路径发挥作用：第一，通过标签体系框定用户的认知范围。平台通过给内容打上各种“标签”（如美妆、数码、搞笑等特定词汇），把用户能接触到的海量信息，先进行一轮筛选和分类。这个看似客观的分类过程，其实悄悄地把内容按照一定的价值标准进行了排序，并最终决定了用户能看到什么、更容易看到什么。

第二，关联网络让我们陷入“信息茧房”。协同过滤这类算法，会不断分析用户的浏览行为，发现用户喜欢看什么，然后就拼命给用户推荐相似的内容。这就形成了一个“因为用户看了A，所以推荐相似的A，结果用户会觉得自己更喜欢看A类内容”的循环。久而久之，用户接触到的信息就越来越单一，被困在自己兴趣的小圈子里，甚至会产生自己喜欢的就是当下最受欢迎的“错觉”。

第三，行为模式被设计成“成瘾路径”。App的界面设计，比如视频的“无限下滑”和“自动播放”功能，让用户不需要思考、不需要选择就能一直获得即时的快感，这种快感会被及时满足。这种设计让用户沉迷于被动接收，逐渐失去了主动去寻找不同信息的意愿和动力。

2.2 Z世代与算法的心理互动

Z世代作为伴随数字技术成长的一代，与算法的互动表现出了独特的心理特征。Soul App的《2025 Z世代AI使用报告》显示，在其调研的3680个年轻人中，约四成存在“AI焦虑”。这种焦虑既源于对技术取代的担忧，也来自对算法操控的警觉（Soul App，2025）。

与此同时，Z世代也在慢慢发展出应对算法的策略性行为。周茂君等人的研究将其概括为“算法欺骗”“数据游击战术”等抵抗实践，通过策略性的信息干扰和身份伪装，在平台监控网络的间隙中打开认知自主空间。这种“反侦察式的内容消费”既是对算法规则的反制，也是数字主体性觉醒的表现（周茂君 等，2025）。

然而，这种主体反抗并不意味着摆脱。周茂君等人的研究进一步表明，算法实践带来的主体不确定性后果及其对算法建构的影响，实质上是算法与使用者之间的相互建构。用户在使用算法产品的过程中产生自己对算法的感知和理解，并对算法运作机制进行想象，在日常的算法实践中形成“算法民间理论”，展现能动性和自主性，甚至能够影响系统层面的设计变化，但是却无法真正摆脱算法，只能在与平台组织的双向循环调试的过程中，推动人机关系向动态平衡方向变迁（周茂君 等，2025）。

从消费决策视角看，AI推荐算法对Z世代的影响呈现出比较复杂的机制。Hu等人对754名Z世代用户的调查发现，AI个性化产品推荐不仅对自发购买意愿有显著的正向直接效应，还通过感知有用性与感知信任发挥间接作用，二者共同构成总效应的66.35%（HU S Y et al.，2026）。这表明，算法对消费行为的影响，既来自用户理性上觉得它推荐的东西有用、靠谱，也来自用户情感上对它的信任和依赖。

2.3 从众到驯化：群体心理建构的理论路径

传统消费心理学中的“从众效应”强调个体在群体压力下调整自身行为，使得自己与他人保持高度一致。而在算法推荐的环境中，这种群体压力发生了形态转变——从“他人的选择”转向“算法的推荐”。当平台显示“95%的人最终选择了左边的产品”时，用户自然地倾向于选择左边的款。这种“数字化的从众”，其心理机制与传统从众既有延续又有变化。

更进一步，当算法推荐从一次偶然的外部刺激转变成日常的基础设置，用户的心理适应也进入一个全新的阶段。谭婷婷、易灿的研究指出，经过持续的算法干预、认知重构与行为偏差积累，消费者的决策机制逐渐演化成一种结构性行为模式，呈现出决策自主性下降、偏好外化、路径依赖加深和平台依附性增强的趋势。具体表现为：偏好生成的外部化、行为路径的固化与决策惯性、决策结构的被动化与拟自主感知、智能推荐信任机制的非理性内化（谭婷婷 等，2025）。

这个过程，可以看作是Z世代从“盲目跟风”到“深度被影响”的心理演变。所谓“驯化型依赖”，指的是用户并非被动的提线木偶，而是在主动去使用、适应甚至尝试“重塑”算法的过程中，不知不觉地将算法的逻辑内化成了自己的习惯。最终，人们以为自己是在做自由的、个性化选择，但实际上，他们的喜好和判断标准早已被算法深深地影响和改变了。

基于上述理论梳理，本研究提出以下假设：

H1：Z世代对AI推荐算法的感知信任与感知驯化呈显著负相关。即对算法越信任的用户，越不容易感知到自己被算法“驯化”；反之，感知到被驯化越强的用户，对算法的信任度越低。

H2：感知驯化对Z世代的消费顺从度具有显著正向预测作用。即用户感知到的算法驯化程度越深，其基于算法推荐产生消费行为的倾向就越高。

3 研究设计

3.1 调查对象与数据收集

本研究以Z世代青年群体（15～28岁）为调查对象，于2025年12月至2026年3月通过线上问卷平台进行数据收集。调查采用滚雪球抽样方式，通过微信、QQ等社交平台发放问卷链接，覆盖全国东、中、西部地区的高校学生与职场青年。共回收问卷236份，剔除规律作答、作答时间过短（<60秒）等无效问卷后，获得有效问卷212份，有效回收率89.8%。

样本构成如下：男性98人（46.2%），女性114人（53.8%）；年龄分布：18-22岁127人（59.9%），23-28岁85人（40.1%）；身份构成：在校大学生156人（73.6%），已就业青年56人（26.4%）；每日使用算法推荐平台（短视频/电商/内容平台）时长：1小时以下24人（11.3%），1～3小时89人（42.0%），3～5小时68人（32.1%），5小时以上31人（14.6%）。

3.2 变量测量

本研究采用自编问卷，参考既有研究的成熟量表，结合Z世代现今的消费场景进行修订。问卷采用李克特5点计分法（1=“非常不同意”，5=“非常同意”），包含以下核心变量。

（1）感知信任。测量受访者对算法推荐内容的信任程度；（2）感知驯化。测量受访者感知到的算法对自身的影响与改变；（3）消费顺从度。测量受访者基于算法推荐产生消费行为的倾向性；（4）控制变量。包括性别、年龄、身份（学生/职场）、月均可支配收入、每日使用时长等（通过手机监控平台计算）。

3.3 数据分析方法

采用SPSS 26.0进行数据分析，主要包括：描述性统计分析、独立样本t检验、Pearson相关分析、多元线性回归分析。采用Harman单因子检验共同方法偏差，未旋转的探索性因子分析显示，第一个因子解释的变异量为29.3%，低于40%的临界值，表明共同方法偏差不严重。

4 数据分析与研究发现

4.1 信度检验

对量表进行信度检验，结果显示：感知信任量表的Cronbach’s α系数为0.826，感知驯化量表的Cronbach’s α系数为0.857，消费顺从度量表的Cronbach’s α系数为0.809，均高于0.8，表明问卷具有良好的内部一致性信度。

4.2 描述性统计分析

已有数据显示，Z世代对AI推荐算法的使用已非常广泛。在“每天使用算法推荐平台时长”上，88.7%的受访者超过1小时，46.7%超过3小时。在“算法对消费决策的影响程度”（1～10分自评）上，平均得分为6.84（SD=1.93），其中87.3%的受访者评分在5分及以上，表明算法推荐已成为影响Z世代消费决策的重要因素。

然而，在“推荐内容符合真实需求”的认同度上，平均得分仅为3.12（5分制），仅31.6%的受访者选择“比较同意”或“非常同意”。这一结果表明Z世代对算法的矛盾心理：既依赖其决策便利性，又质疑其内容真实性。

表 1 核心变量描述统计

Table 1 Descriptive statistics of core variables

4.3 群体差异分析

独立样本t检验结果如表2所示，女性在感知信任上的得分（M=3.47，SD=0.68）显著高于男性（M=3.21，SD=0.73），t（210）=2.71，p<0.01；在感知驯化上，性别差异不显著（p>0.05）。从年龄分组看，18～22岁组在感知驯化上的得分（M=3.62，SD=0.71）显著高于23～28岁组（M=3.38，SD=0.74），t（210）=2.38，p<0.05，表明更年轻的Z世代对算法的驯化感知更为强烈。

表 2 群体差异分析结果

Table 2 Results of group difference analysis

4.4 相关分析

对核心变量进行Pearson相关分析，结果如表3所示。相关分析结果显示：感知信任与感知驯化呈显著负相关（r=-0.487，p<0.01），H1得到支持。这意味着，对算法越信任的用户，越倾向于不认为自己的消费行为被算法“驯化”；反之，感知到被驯化越强的用户，对算法的信任度越低。这一负相关关系揭示了信任与驯化之间的张力：信任可能掩盖驯化的感知，而驯化意识的觉醒则可能削弱信任。

此外，感知驯化与消费顺从度呈显著正相关（r=0.529，p<0.01），感知信任与消费顺从度也呈显著正相关（r=0.216，p<0.01）。这表明，无论是出于信任还是感知到被驯化，用户都可能产生顺从算法推荐的消费行为，但感知驯化的关联强度远高于感知
信任。

表 3 核心变量相关系数矩阵

Table 3 Correlation coefficient matrix of core variables

注：**p<0.01。

4.5 感知驯化对消费顺从度的影响：高低分组比较

为检验感知驯化对消费顺从度的影响（H2），我们采用独立样本t检验进行简化分析。首先，将感知驯化得分按中位数（3.50）分为两组：低感知驯化组（得分≤3.50，N=108）和高感知驯化组（得分>3.50，N=104）。然后比较两组在消费顺从度上的均值差异。

表 4 高低感知驯化组的消费顺从度比较

Table 4 Comparison of Consumption Compliance Between High and Low Perceived Domestication Groups

独立样本t检验结果如表4所示，高感知驯化组的消费顺从度均值（M=3.82，SD=0.68）显著高于低感知驯化组（M=3.02，SD=0.61），t（210）=8.94，p<0.001。这一结果表明，感知到被算法驯化程度越深的Z世代用户，其基于算法推荐产生消费行为的倾向也越强，H2得到支持。

此外，我们还考察了感知信任的影响：将感知信任按中位数（3.33）分为高低两组，比较消费顺从度差异。结果显示，高感知信任组的消费顺从度均值（M=3.56，SD=0.72）显著高于低感知信任组（M=3.27，SD=0.75），t（210）=2.87，p<0.01。但效应量（均值差0.29）明显小于感知驯化的分组差异（均值差0.80），这与相关分析中感知驯化与消费顺从度相关系数更高（r=0.529 > r=0.216）的发现一致。

5 结论与讨论

5.1 核心发现

本研究基于对212名Z世代青年的问卷调查，通过描述性统计、独立样本t检验和相关分析，系统考察了AI推荐算法影响下Z世代消费心理的建构机制，主要发现如下。

（1）Z世代对AI推荐算法呈现出“驯化型依赖”的特征。 本研究的调查数据显示，87.3%的受访者承认被AI算法影响了消费决策，但仅31.6%认为推荐内容符合他们本人的真实需求。这种高依赖与低认同并存的矛盾心理，揭示了Z世代与算法关系的复杂性——他们既离不开算法提供的决策便利，又对算法的真实性与自主性心存疑虑和不信任。

（2）感知信任与感知驯化之间存在显著负相关（r=-0.487）。 这一发现验证了本研究的H1，揭示了信任作为“认知缓冲”的功能——信任可能遮蔽用户对算法操控的觉察，使驯化过程在“自主选择”的表象下悄然完成。

（3）感知驯化程度的高低直接影响消费顺从度。 通过将感知驯化得分按中位数分组比较发现，高感知驯化组的消费顺从度均值（3.82）显著高于低感知驯化组（3.02），p<0.001。这一结果验证了本研究的H2，表明对算法驯化感知越强烈的用户，越容易顺从算法推荐从而产生消费行为，且其影响强度（均值差为0.80）明显大于感知信任的作用（均值差为0.29）。这说明相较于基于信任的“理性顺从”，基于驯化感知的“路径依赖式顺从”对Z世代消费行为的影响更为深刻。

5.2 从众到驯化：群体心理建构的机制阐释

本研究尝试根据以上研究数据提出Z世代在AI推荐算法影响下群体心理建构的机制模型。

第一阶段：算法接触与从众启动。 Z世代作为“数字原住民”，从接触数字平台开始就生活在算法推荐的环境中，平台通过标签体系、协同过滤与界面设计，持续向用户传递“多数人的选择”“为你推荐”等信号，启动数字化的从众机制。

第二阶段：使用深化与信任机制形成。 随着用户使用频率的增加，用户逐渐对算法推荐形成一种基于经验的信任。在这一阶段，用户开始将算法内化为消费决策的“辅助工具”，信任成为连接使用与消费的桥梁。

第三阶段：驯化感知与路径依赖。 当算法使用深度嵌入用户的日常生活，用户开始觉察到自身消费习惯、兴趣范围甚至认知结构被算法影响和改变。感知驯化由此形成——用户意识到“算法比我更了解我自己”，但这种“了解”既是便利的来源，也随处透露出被操控和隐私泄露的担忧。此时，即使对算法的信任下降，用户仍会因为路径依赖而难以摆脱算法的指引，最终形成“明知被驯化，依然顺从之”的矛盾状态。

5.3 理论贡献与实践启示

本研究的理论贡献主要体现在：本研究用量化的数据证实了“算法驯化”理论，证明了“感知驯化”这个心理变量确实能有效解释Z世代的消费行为；同时，本研究发现信任和被驯化这两种机制是此消彼长的——当用户越相信算法，就越难察觉自己被它影响；而一旦用户意识到自己被算法操控，对它的信任就会大打折扣。这个发现让我们更清楚地看到，用户和算法之间的关系远比我们想象的更复杂、更矛盾。

在实践层面，本研究对平台治理与青年消费教育也具有启示意义。对平台而言，应该在追求算法精准度的同时，增强推荐透明度与推荐背后的解释，避免“算法黑箱”进一步加剧用户的不信任与被操控感。对青年群体而言，培养算法素养、增强对推荐机制的深层批判性认知，是避免过度驯化、抵御过度商业化诱导、维护消费自主性的重要路径。

5.4 研究局限与未来展望

总的来看，本研究还存在以下局限：（1）样本以在校大学生为主，对职场Z世代的覆盖相对有限，未来可扩大样本多样性，且多为线上问卷形式，用户的真实体验数据无法做进一步验证；（2）同一时间段的横向数据难以揭示因果方向，未来可采用纵向追踪设计的方法进一步验证用户与算法关系的复杂性；（3）在线调查用户自陈报告可能受到社会期许效应影响，未来可结合行为数据与实验方法与深度访谈的形式挖掘用户行为背后的心理学机制。

参考文献

[1] 千问 APP. (2026). 千问 “一句话下单” 用户数据. 上游新闻. From https://www.cqcb.com/keji/dianjing/2026-02-18/6076374_pc.html.

[2] 新京报贝壳财经, 商务部消费大数据实验室. (2025). 2025年轻人生活方式报告.

[3] Hu S Y, Liu J X, Li H L, Yin J L & Liu X X. (2026). Exploring the mechanism of AI-powered personalized product recommendation on Generation Z users’ spontaneous buying intention on short-form video platforms: A perceived evaluation perspective. Journal of Theoretical and Applied Electronic Commerce Research, 20(4), 290.

[4] Zeder M A. (2015). Core questions in domestication research. Proceedings of the National Academy of Sciences of the United States of America, 112(11), 3191.

[5] Silverstone R, Hirsch E & Morley D. (2003). Information and communication technologies and the moral economy of the household. In Consuming technologies (pp. 13-22).

[6] 周茂君, 罗丹. (2025). 算法驯化与用户抵抗: 智能推荐系统中的动态博弈. 当代传播, (4), 18-23.

[7] Just So Soul 研究院. (2025). 2025 Z 世代 AI 使用报告. From https://www.geekpark.net/news/347842.

[8] 谭婷婷, 易灿. (2025). 智能推荐算法下的消费者决策机制演化研究: 基于信息加工与行为经济学视角. (32), 6.