تحلیل عوامل تعیین‌کننده اعتماد کاربران به چت‌بات‌های هوش مصنوعی با تاکید بر نقش میانجی نگرش مصرف‌کننده

نویسندگان

  • فرزاد وزوائی * گروه مدیریت بازرگانی، گرایش مدیریت بازاریابی، دانشکده مدیریت، اقتصاد و حسابداری، واحد کرج، دانشگاه آزاد اسلامی، تهران، ایران.

https://doi.org/10.22105/msda.vi.148

چکیده

هدف: گسترش روزافزون کاربرد چت‌بات‌های مبتنی بر هوش مصنوعی در حوزه‌های مختلف کسب‌وکار، خدمات مشتریان و تجارت الکترونیک، اعتماد کاربران به این فناوری را به یکی از عوامل کلیدی موفقیت و پذیرش آن تبدیل کرده است. با وجود توسعه قابل‌توجه پژوهش‌های مرتبط با پذیرش فناوری، هنوز درک جامعی از نقش هم‌زمان عوامل فناورانه، شناختی و رفتاری موثر بر اعتماد مصرف‌کنندگان به چت‌بات‌های هوش مصنوعی وجود ندارد. همچنین نقش نگرش کاربران به‌عنوان سازوکاری تبیینی در شکل‌گیری اعتماد کمتر موردتوجه قرار گرفته است. بر این اساس، پژوهش حاضر با هدف شناسایی و تبیین عوامل موثر بر اعتماد مصرف‌کنندگان به چت‌بات‌های هوش مصنوعی و بررسی نقش میانجی نگرش نسبت به چت‌بات‌ها انجام شده است.

روش‌شناسی پژوهش: این پژوهش از نظر هدف کاربردی و از نظر روش توصیفی-پیمایشی است. جامعه آماری پژوهش را کاربران پلتفرم‌های تجارت الکترونیک دارای تجربه تعامل با چت‌بات‌های هوش مصنوعی تشکیل دادند که از میان آنان 193 نفر به‌عنوان نمونه انتخاب شدند. داده‌ها از طریق پرسشنامه استاندارد گردآوری شد. متغیرهای کیفیت خدمات، اعتبار چت‌بات، تهدید ادراک‌شده، اینرسی ادراک‌شده و اجتناب از پشیمانی به‌عنوان متغیرهای مستقل، نگرش نسبت به چت‌بات‌ها به‌عنوان متغیر میانجی و اعتماد مصرف‌کنندگان به‌عنوان متغیر وابسته در نظر گرفته شدند. برای تحلیل داده‌ها و آزمون فرضیه‌ها از مدل‌سازی معادلات ساختاری مبتنی بر حداقل مربعات جزئی استفاده شد.

یافته‎ها: یافته‌ها نشان داد که کیفیت خدمات و اعتبار چت‌بات تاثیر مثبت و معناداری بر اعتماد مصرف‌کنندگان دارند. در مقابل، تهدید ادراک‌شده و اینرسی ادراک‌شده اثر منفی و معناداری بر اعتماد نشان دادند. همچنین اجتناب از پشیمانی تاثیر مثبتی بر اعتماد کاربران داشت. نتایج مدل ساختاری بیانگر آن بود که نگرش نسبت به چت‌بات‌های هوش مصنوعی نقش میانجی معناداری در روابط میان متغیرهای مستقل و اعتماد ایفا می‌کند. علاوه بر این، مقادیر ضریب تعیین نشان داد که مدل پژوهش از قدرت تبیینی مطلوبی در توضیح تغییرات نگرش و اعتماد مصرف‌کنندگان برخوردار است.

اصالت/ارزش‌افزوده علمی: ارزش‌افزوده این پژوهش در ارایه چارچوبی جامع برای تبیین اعتماد مصرف‌کنندگان به چت‌بات‌های هوش مصنوعی از طریق ترکیب هم‌زمان عوامل فناورانه، شناختی و رفتاری است. برخلاف بسیاری از مطالعات پیشین که تنها بر ویژگی‌های فنی یا پذیرش فناوری تمرکز داشته‌اند، این پژوهش نقش میانجی نگرش را در انتقال اثر عوامل موثر بر اعتماد بررسی می‌کند. نتایج حاصل می‌تواند به مدیران کسب‌وکارهای دیجیتال، توسعه‌دهندگان سامانه‌های هوشمند و فعالان تجارت الکترونیک در طراحی و استقرار چت‌بات‌های قابل‌اعتمادتر و کاربر محورتر کمک کند.

کلمات کلیدی:

چت‌بات‌های هوش مصنوعی، اعتماد درک‌شده، پذیرش فناوری، کیفیت خدمات، اعتبار، تهدید درک‌شده، نگرش مصرف‌کننده

مراجع

  1. [1] Pradhan, M., Gopal, P. R. C., & Thangeda, R. (2026). Conversational artificial intelligence for customer service excellence: integrating bibliometric analysis and systematic review. International Journal of Human Computer Interaction, 42(12), 8739–8766. https://doi.org/10.1080/10447318.2025.2579784
  2. [2] Hussain, S., Ameri Sianaki, O., & Ababneh, N. (2019). A survey on conversational agents chatbots classification and design techniques. In Workshops of the international conference on advanced information networking and applications (pp. 946–956). Springer. https://doi.org/10.1007/978-3-030-15035-8_93
  3. [3] Thoppilan, R., De Freitas, D., Hall, J., Shazeer, N., Kulshreshtha, A., Cheng, H. T., …, & Le, Q. (2022). Lamda: Language models for dialog applications. https://doi.org/10.48550/arXiv.2201.08239
  4. [4] Agbi, E. S., Ezirim, A. C., & Onuoha, O. A. (2026). AI powered chatbots and customer loyalty of deposit money banks in rivers state. SSR Journal of Artificial Intelligence (SSRJAI), 3(4). https://doi.org/10.5281/zenodo.19368005
  5. [5] Chung, M., Ko, E., Joung, H., & Kim, S. J. (2020). Chatbot e service and customer satisfaction regarding luxury brands. Journal of Business Research, 117, 587–595. https://doi.org/10.1016/j.jbusres.2018.10.004
  6. [6] Zaheer, M. A., Anwar, T. M., Iantovics, L. B., Manzoor, M., Raza, M. A., & Khan, Z. (2024). Decision making model in digital commerce: Electronic trust based purchasing intention through online food delivery applications (OFDAs). Journal of Trade Science, 12(3), 220–242. https://doi.org/10.1108/JTS-12-2023-0037
  7. [7] Frank, D. A., Jacobsen, L. F., Søndergaard, H. A., & Otterbring, T. (2023). In companies we trust: Consumer adoption of artificial intelligence services and the role of trust in companies and AI autonomy. Information Technology & People, 36(8), 155–173. https://doi.org/10.1108/ITP-09-2022-0721
  8. [8] Lankton, N. K., McKnight, D. H., & Tripp, J. (2015). Technology, humanness, and trust: Rethinking trust in technology. Journal of the Association for Information Systems, 16(10), 1. https://doi.org/10.17705/1jais.00411
  9. [9] Nordheim, C. B., Følstad, A., & Bjørkli, C. A. (2019). An initial model of trust in chatbots for customer service findings from a questionnaire study. Interacting with Computers, 31(3), 317–335. https://doi.org/10.1093/iwc/iwz022
  10. [10] Pitardi, V., & Marriott, H. R. (2021). Alexa, she’s not human but… Unveiling the drivers of consumers’ trust in voice based artificial intelligence. Psychology & marketing, 38(4), 626–642. https://doi.org/10.1002/mar.21457
  11. [11] Alagarsamy, S., & Mehrolia, S. (2023). Exploring chatbot trust: Antecedents and behavioural outcomes. Heliyon, 9(5). https://doi.org/10.1016/j.heliyon.2023.e16074%0A
  12. [12] Li, J., Wu, L., Qi, J., Zhang, Y., Wu, Z., & Hu, S. (2023). Determinants affecting consumer trust in communication with AI chatbots: The moderating effect of privacy concerns. Journal of Organizational and End User Computing (JOEUC), 35(1), 1–24. https://doi.org/10.4018/JOEUC.328089
  13. [13] Shin, D., & Park, Y. J. (2019). Role of fairness, accountability, and transparency in algorithmic affordance. Computers in Human Behavior, 98, 277–284. https://doi.org/10.1016/j.chb.2019.04.019
  14. [14] Symons, J., & Abumusab, S. (2024). Social agency for artifacts: Chatbots and the ethics of artificial intelligence. Digital Society, 3(1), 2. https://doi.org/10.1007/s44206-023-00086-8
  15. [15] Araujo, T. (2018). Living up to the chatbot hype: The influence of anthropomorphic design cues and communicative agency framing on conversational agent and company perceptions. Computers in Human Behavior, 85, 183–189. https://doi.org/10.1016/j.chb.2018.03.051
  16. [16] Pelau, C., Dabija, D. C., & Ene, I. (2021). What makes an AI device human like? The role of interaction quality, empathy and perceived psychological anthropomorphic characteristics in the acceptance of artificial intelligence in the service industry. Computers in Human Behavior, 122, 106855. https://doi.org/10.1016/j.chb.2021.106855
  17. [17] Chen, Q., Gong, Y., Lu, Y., & Tang, J. (2022). Classifying and measuring the service quality of AI chatbot in frontline service. Journal of Business Research, 145, 552–568. https://doi.org/10.1016/j.jbusres.2022.02.088
  18. [18] Bender, E. M., Gebru, T., McMillan Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big??. Proceedings of the 2021 acm conference on fairness, accountability, and transparency (pp. 610–623). Association for Computing Machinery (ACM). https://doi.org/10.1145/3442188.3445922
  19. [19] Zarouali, B., Ponnet, K., Walrave, M., & Poels, K. (2017). “Do you like cookies?” Adolescents’ skeptical processing of retargeted Facebook ads and the moderating role of privacy concern and a textual debriefing. Computers in Human Behavior, 69, 157–165. https://doi.org/10.1016/j.chb.2016.11.050
  20. [20] Hsieh, P. J., & Lin, W. S. (2018). Explaining resistance to system usage in the PharmaCloud: A view of the dual factor model. Information & management, 55(1), 51–63. https://doi.org/10.1016/j.im.2017.03.008
  21. [21] McLean, G., & Osei Frimpong, K. (2019). Hey Alexa… examine the variables influencing the use of artificial intelligent in home voice assistants. Computers in Human Behavior, 99, 28–37. https://doi.org/10.1016/j.chb.2019.05.009
  22. [22] Saparudin, M., Rahayu, A., Hurriyati, R., & Adib Sultan, M. (2020). The influence of trust, perceived usefulness, and perceived ease upon customers’ attitude and intention toward the use of mobile banking in Jakarta. Journal of Theoretical and Applied Information Technology, 98(17), 3584–3594. https://d1wqtxts1xzle7.cloudfront.net/86976764/14Vol98No17-libre.pdf?1654342705
  23. [23] Pour Mirza, A., Hamidi Beheshti, M. T., Wallstrom, A., & Pour Mirza, O. (2009). Adoption of internet banking by iranian consumers: An empirical investigation. Journal of Applied Sciences, 9(14), 2567–2575. https://doi.org/10.3923/jas.2009.2567.2575
  24. [24] Cheng, X., Bao, Y., Zarifis, A., Gong, W., & Mou, J. (2022). Exploring consumers’ response to text based chatbots in e commerce: The moderating role of task complexity and chatbot disclosure. Internet Research, 32(2), 496–517. https://doi.org/10.1108/INTR-08-2020-0460
  25. [25] Nasimpour, F. (2021). Investigating the impact of trust on customer attitude and online purchase intention (a case study of selected online stores in iran). 7th international conference on management, psychology, and humanities with a sustainable development approach. Civilica. (In Persian). https://civilica.com/doc/1664341
  26. [26] Prakash, A. V., Joshi, A., Nim, S., & Das, S. (2023). Determinants and consequences of trust in AI based customer service chatbots: The service industries journal. The Service Industries Journal, 43(9–10), 642–675. https://doi.org/10.1080/02642069.2023.2166493
  27. [27] Yatawara, K., Sampath, T., Kalupahana, P. L., Rathnayake, S., Jayasuriya, N., & Rathnayake, N. (2025). A systematic review on consumer adoption of AI driven chatbots. Vision, 09722629251332349. https://doi.org/10.1177/09722629251332349
  28. [28] Følstad, A., & Brandtzaeg, P. B. (2020). Users’ experiences with chatbots: Findings from a questionnaire study. Quality and User Experience, 5(1), 3. https://doi.org/10.1007/s41233-020-00033-2
  29. [29] Lalot, F., & Bertram, A. M. (2025). When the bot walks the talk: Investigating the foundations of trust in an artificial intelligence (AI) chatbot. Journal of Experimental Psychology: General, 154(2), 533. https://doi.org/10.1037/xge0001696
  30. [30] Askaripoor, H., Imani, A., & Kordnaeij, A. (2013). The impact of e baking service quality dimensions on customers’ satisfaction and brand equity (Case Study: Refah Bank, Tehran). Business and Management Research, 2(4), 25–37. https://doi.org/10.5430/bmr.v2n4p25
  31. [31] Sohrabi, S. N., & Akmar, I. M. (2013). Investigations on e trust and e satisfaction of customers for e loyalty: The case of Iranian e commerce. Actual Problems of Economics, (1), 492–502. https://doi.org/10.1016/j.econmod.2013.08.011
  32. [32] Mohammadi, A. (2024). Factors affecting consumer trust in relation to artificial intelligence chatbots. In proceedings of the 8th international conference on science, engineering, technology and innovative businesses. scientific information database (sid) (pp. 15–44). Innovation in Engineering and Technology. (In Persian). https://www.sid.ir/paper/1501302/fa
  33. [33] Balakrishnan, J., Dwivedi, Y. K., Hughes, L., & Boy, F. (2021). Enablers and inhibitors of AI powered voice assistants: A dual factor approach by integrating the status quo bias and technology acceptance model. Information Systems Frontiers, 26(3), 1–22. https://doi.org/10.1007/s10796-021-10203-y
  34. [34] Tsiros, M., & Mittal, V. (2000). Regret: A model of its antecedents and consequences in consumer decision making. Journal of Consumer Research, 26(4), 401–417. https://doi.org/10.1086/209571
  35. [35] Sheehan, B., Jin, H. S., & Gottlieb, U. (2020). Customer service chatbots: Anthropomorphism and adoption. Journal of Business Research, 115, 14–24. https://doi.org/10.1016/j.jbusres.2020.04.030
  36. [36] Ahmadi, M., Madineh, S., Amirifard, P., & Bayat, M. (2025). Identification of factors influencing the attraction of qarz al hassanah deposits in post bank branches of Tehran. Journal of Intelligent Strategic Management, 4(3), 367–442. (In Persian). https://www.bumara.ir/article_224051.html
  37. [37] Mosunmola, A., Omotayo, A., & Mayowa, A. (2018). Assessing the influence of consumer perceived value, trust and attitude on purchase intention of online shopping. Proceedings of the 9th international conference on e-education, e business, e management and e learning (pp. 40–47). Association for Computing Machinery (ACM). https://doi.org/10.1145/3183586.3183594
  38. [38] Webster, P. (2023). Medical AI chatbots: are they safe to talk to patients? Nature Medicine, 29(11), 2677–2679. https://doi.org/10.1038/s41591-023-02535-w
  39. [39] Lymperaiou, M., & Stamou, G. (2024). A survey on knowledge enhanced multimodal learning. Artificial Intelligence Review, 57(10), 284. https://doi.org/10.1007/s10462-024-10825-z
  40. [40] Khodadad Hosseini, S. H., Shirkhodaei, M., & Kordnaeij, A. (2008). Factors affecting customer trust in e commerce (C2B model). Iranian Journal of Management Studies, 13(2), 93–118. (In Persian). https://sid.ir/paper/356690/fa
  41. [41] Fekri, M., & Maleki, M. (2020). Investigating the factors affecting consumers’ attitudes toward online group buying. The 2nd international conference on innovation in business management and economics (p. 6564). Iranian Business Excellence Association. (In Persian). https://civilica.com/doc/1033154
  42. [42] Hosseini, S. (2022). Designing a Persian chatbot using deep learning (Master’s thesis, University of Tehran). Iran Thesis Repository [Thesis]. (In Persian). http://thesis.ut.ac.ir/123456789
  43. [43] Talebolhaq, Z., & Omrani, M. (2023). Increasing online purchase intention in the apparel industry: The role of perceived usefulness and perceived ease of use. Conference on management and humanities research in Iran (p. 4410). Civilica. (In Persian). https://en.civilica.com/doc/2013723
  44. [44] Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319–340. https://doi.org/10.2307/249008
  45. [45] Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view1. MIS Quarterly, 27(3), 425–478. https://doi.org/10.2307/30036540
  46. [46] Venkatesh, V., Thong, J. Y. L., & Xu, X. (2012). Consumer acceptance and use of information technology: Extending the unified theory of acceptance and use of technology1. MIS Quarterly, 36(1), 157–178. https://doi.org/10.2307/41410412
  47. [47] Gefen, D., Karahanna, E., & Straub, D. W. (2003). Trust and tam in online shopping: An integrated model1. MIS Quarterly, 27(1), 51–90. https://doi.org/10.2307/30036519

دانلود

چاپ شده

2026-03-30

شماره

دوره 4 شماره 2 (2026): علوم مدیریت و تحلیل تصمیم

نوع مقاله

مقالات شماره جاری

مجوز

حق نشر 2025 علوم مدیریت و تحلیل تصمیم

Creative Commons License

این پروژه تحت مجوز بین المللی Creative Commons Attribution 4.0 می باشد.

ارجاع به مقاله

وزوائی ف. (2026). تحلیل عوامل تعیین‌کننده اعتماد کاربران به چت‌بات‌های هوش مصنوعی با تاکید بر نقش میانجی نگرش مصرف‌کننده. علوم مدیریت و تحلیل تصمیم , 4(2), 67-81. https://doi.org/10.22105/msda.vi.148
Crossref
Scopus
Google Scholar
Europe PMC

مقالات مشابه

##common.pagination##

همچنین برای این مقاله می‌توانید شروع جستجوی پیشرفته مقالات مشابه.