0 引言 随着人工智能技术的迭代发展，生成式人工智能(Generative Artificial Intelligence，生成式AI)正不断重塑和改变人智交互方式与信息搜索行为，成为下一代搜索引擎的发展方向[1-2]。相较于需要用户主动花费时间和精力浏览、选择网页并提炼信息的传统搜索引擎，DeepSeek、Chat-GPT、文心一言等生成式AI凭借其内容生成、检索增强、数据巨量化等技术特征[3]，彻底重构人们原有的知识查询、搜索、获取和咨询方式[4]，为用户信息检索带来全新的人智交互体验[5]。对话式搜索(Conversational Search，CS)不仅能加速信息搜索过程，均衡用户信息负载[5]，更能大幅提高检索结果的准确性，已成为新一代网民信息搜索的主流趋势和首选方式[1]。在当前人智交互和AI驱动的背景下，对话式搜索越来越多出现在个人及组织的工作生活中。因此，探究生成式AI用户对话式搜索行为的影响因素及形成机制，提升用户搜索效率和交互体验，已成为业界与学界亟须研究的一项中心议题。 1 文献综述 (1)信息搜索。信息搜索是由用户判断、检索策略移动、循环的互动反馈和周期构成的用户与系统的交互行为[6]。既有研究大多聚焦于搜索引擎[7]、图书馆系统[8]、社交媒体[9]，探讨这一行为的成因和影响因素。大量研究发现，情境动机[10]、搜索经验[11]等个人因素，任务类型[12]、情感极性[13]等任务因素，以及情绪[13]、满意度[14]等过程因素是影响信息搜索的前因。随着生成式AI技术的兴起，一些学者开始关注生成式AI用户的对话式搜索行为。 (2)对话式搜索。对话式搜索是以语音和语言处理技术为支持的用户与检索系统进行多模态对话交互的新型搜索方式，与传统搜索引擎相比，更具交互性和迭代性[5]。目前对话式搜索研究集中在两个方面。一是对话式搜索的行为路径与搜索模式，如董焕晴等[15]通过用户访谈发现了信息搜寻行为路径的4个主要阶段；Schneider等[16]设计对话实验，揭示了5个不同领域的对话式搜索行为模式。二是对话式搜索行为的影响因素[17-21]。学者既关注到用户内在影响因素对对话式搜索行为的促进，如自我效能感、感知效用[17]、感知体验[18]、用户信任[19]等；也发现了客观环境中群体认同[20]、社会影响、从众行为[21]等外部因素的影响。此外，Alizadeh等[18]也证实人口特征信息(如性别、年龄、受教育水平)在对话式搜索行为形成过程中发挥的调节效应。 尽管上述研究为本研究奠定了先行理论基础，但仍存在以下局限：第一，现有信息搜索行为研究多聚焦于传统搜索引擎、图书馆系统、社交媒体等，较少关注生成式AI新技术背景下的对话式搜索行为；第二，既有文献多选择用户访谈、问卷调查、情景实验等单一的定性或定量方法探究用户对话式搜索行为，对其背后多元复杂的机制缺乏探索性和验证性相结合的研究；第三，已有研究多从技术接受模型[19]、整合技术接受模型[21]、信息搜寻综合模型[17]、社会认同理论[20]等入手，分析和阐述用户对话式搜索行为，鲜有关注到MOA模型和CMUA框架。基于此，本研究从MOA模型和CMUA框架视角，采用定性与定量相结合的顺序性混合研究方法，深入探究生成式AI用户对话式搜索行为的影响因素及作用机制，以期提升用户的搜索效率与体验，为生成式AI搜索工具与产品的改进提供借鉴，也为信息搜索与对话式搜索等相关理论提供新的视角与参考。 2 理论框架与研究方法 2.1 理论框架 (1)动机-机会-能力模型(Motivation-Opportunity-Ability Model，MOA)。MOA模型[22]最早由MacInnis等提出，是用于解释个体信息处理行为的综合性理论框架。该理论认为个体的特定行为基于动机、机会和能力3个因素[23]，其中动机是驱动行为产生的根本要素，能力是行为产生的根本技能，机会是行为产生的外部条件[24]，三者相互作用促成行为发生。MOA模型为解释个体行为的发生提供了完整的分析框架[25]，对用户信息行为表现出较强的适用性和解释力。 (2)应对模型框架(Coping Model of User Adaptation，CMUA)。Folkman等提出应对理论，旨在阐明用户如何评估压力情境并实施适当的应对行为，主要涵盖初级评估和次级评估[26]。初级评估指用户评估相关事务是否会带来潜在的利益或伤害；次级评估指用户评估其自身是否具备相关资源以防止潜在风险或提高预期收益[27]。应对理论被广泛应用于信息系统领域，Beaudry等总结用户应对干扰性IT事件的4种策略，即利益最大化、利益满足、干扰处理和自我保护[28]，进而提出CMUA框架，以阐释个体适应新IT系统的原因和方式[29]，能较好地解释个体面临新兴技术时的风险感知边界、信任建立路径、行为调节及应对策略。 2.2 研究方法
