Journal of Service Management 发布 ML-AI 服务 FAT 感知量表研究

针对机器学习驱动的服务交付中消费者伦理感知概念不一致且缺乏服务导向测量工具的问题，一项发表在 Journal of Service Management 的研究通过多阶段过程开发并验证了公平、问责与透明度（FAT）的多维框架。该研究整合归因理论与社会技术视角，将 FAT 感知拆解为目标设定、编码开发与实施三个生命周期阶段，旨在厘清伦理判断在 AI 服务全流程中的形成机制。 研究采用混合方法构建量表：首先通过文献综述和20次深度访谈生成初始题项，并经专家焦点小组评估表面效度；随后利用两项调查数据（样本量分别为448人和535人）进行探索性因子分析、验证性因子分析及偏最小二乘结构方程模型验证，确立了反映型-形成型的 FAT 结构；第三项调查（样本量455人）进一步通过与现有 FAT 量表、信任及使用意向的关联，证实了收敛效度和法则网络效度。 实证结果显示，FAT 是一个由九个一阶因子显著构成的多维构念，这些因子分别映射至公平、问责和透明度三个高阶维度。在所有维度中，公平性和透明度对消费者信任及使用意向的影响最为显著。这一发现支持了 AI 服务伦理感知的阶段性观点，表明消费者对算法服务的道德评价并非单一静态印象，而是随着服务从设计到部署的不同环节动态演变。 该研究提供了首个针对机器学习服务 AI 中感知 FAT 的阶段化概念框架及经过验证的量表。对于从事服务设计与体验管理的从业者而言，这一工具有助于在设计、开发和部署阶段系统性地识别伦理风险点，从而指导构建更符合消费者预期的 AI 服务流程。需要注意的是，结论源自特定样本的自我报告数据，实际应用场景中的因果效应可能受具体行业语境影响。