短剧环境通过超短剧集和频繁重复观看提供了密集的强化条件。本研究采用刺激-机体-反应（S-O-R）模型和偏最小二乘结构方程模型（PLS-SEM），探讨了短剧用户持续观看的意愿。研究结果表明，情感满意度与习惯呈正相关，而习惯与持续观看意愿之间也呈正相关。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
本文内容
摘要
摘要
短剧类数字环境作为一种结构上独特的数字生态出现，其特征表现为超短剧集、高频次重返使用以及算法强化的曝光机制。尽管以往的持续使用研究已将满意度与习惯视为持续使用行为的平行预测因素，但目前尚不清楚短剧生态系统中压缩化的强化循环如何在高密度强化条件下增强情感反应与习惯性参与之间的关联。基于刺激-机体-反应（S-O-R）理论框架，本研究提出一种结构强化的习惯形成模型，其中环境刺激（使用便捷性、消磨时间与内容质量）影响情感满意度，而情感满意度进一步与习惯性参与及持续使用意愿相关联。本研究采用来自260名短剧用户的横截面调查数据，通过偏最小二乘结构方程模型（PLS-SEM）进行分析，结果表明情感满意度与习惯形成显著相关，且习惯成为持续使用意愿的主要驱动因素。量化结果显示，内容质量（β = 0.448, p < 0.001）和消磨时间（β = 0.385, p < 0.001）是情感满意度最强的预测因子，而情感满意度显著预测了习惯（β = 0.686, p < 0.001）和持续使用意愿（β = 0.496, p < 0.001）。习惯进一步正向影响持续使用意愿（β = 0.393, p < 0.001），该模型分别解释了情感满意度和持续使用意愿61.0%和68.9%的方差。理论上，本研究通过将短剧的结构性特征概念化为情境强化条件，推进了压缩式参与行为的研究，揭示了此类条件如何增强满意度与习惯之间的关联。实践上，研究结果表明微剧集设计与快速重返机制在稳定短剧生态系统中的行为连续性方面发挥关键作用。由于本研究采用横截面调查设计，研究结果应被理解为数字体验因素、情感满意度、习惯与持续使用意愿之间关联性的相关性证据，而非因果关系或时间序列变化的证据。
引言
随着短视频内容平台的迅速扩张，全球数字娱乐格局发生了深刻变革。在以移动设备为先的消费习惯、算法推荐系统以及日益碎片化的媒体使用模式推动下，短剧已成为全球增长最快的娱乐形式之一1,2。与依赖长时间观看的传统流媒体服务不同，短剧平台提供专为快速消费设计的超短剧集，鼓励用户在一天中频繁反复观看。随着这些平台日益融入日常数字生活，理解维持用户参与的心理机制已成为愈发重要的研究课题。
尽管短剧的受欢迎程度日益上升，但现有的持续使用研究在很大程度上仍基于传统的数字娱乐环境和信息系统持续使用研究3，例如在线流媒体服务、视频点播平台和社交媒体应用。然而，短剧生态系统具有若干独特的结构特征——包括超短的剧集形式、高频的重新进入机会以及算法强化的内容曝光——这些特征形成了密集的强化循环，使用户在高度压缩的交互序列中反复接触到情感上具有回报性的内容1,4,5。因此，短剧环境中用户参与行为背后的心理机制可能与传统流媒体情境中观察到的机制存在显著差异。
先前研究的另....
访问受限。请登录或开始试用以查看此内容。
方案
所有涉及人类受试者的程序均按照aSSIST大学和东阿大学关于人体受试者研究的伦理标准进行。由于所有应答在收集时即已匿名化，且在任何阶段均未获取个人身份信息，aSSIST大学机构审查委员会认定本研究符合韩国《生物伦理与安全法》第15条以及其施行规则第13条所规定的免除全面审查的条件（https://public.irb.or.kr/pt/pt01/PT0103/PT0103R01.do）。调查开始前已获得免除审查批准编号；所有参与者均阅读了知情同意声明，内容包括研究目的、自愿参与、匿名性、数据使用方式以及随时退出研究的权利。仅在提供电子知情同意的参与者方可继续参与。未收集任何个人身份信息。
数据收集与分析
样本特征
参与者通过 Prolific 从英语国家招募，包括美国、英国、加拿大、澳大利亚和新西兰，招募时间为7月5日 2025年7月10日。问卷包含经过验证的多题项量表，用于评估获取便利性、消磨时间、内容质量、情感满意度、使用习惯和持续使用意愿，并附有 demographics 问题。参与者需满足以下条件：年满18周岁，有观看短剧的经验，并积极使用社交网络服务。通过筛选问题确认参与者的资格，问题内容包括确认其年龄、是否有过短剧观看经历以及当前是否使用社交网络服务。不符合上述标准的参与者....
访问受限。请登录或开始试用以查看此内容。
结果
样本特征
表4展示了在关键人口统计类别中具有代表性的260名受访者样本。按年龄划分，最大的群体为20岁及以下的参与者（38.8%），其次是30多岁的群体（32.3%）。40多岁（14.2%）和50多岁（14.6%）的受访者所占比例较小但相近。性别分布几乎均等，男性占49.2%，女性占50.8%。在教育程度方面，大学毕业生占比最高（50.0%），其次是研究生学历者（26.5%）。高中学历（12.7%）和大专学历（10.8%）的受访者占比较小。在家庭年收入方面，样本分布相对分散，其中收入低于30,000美元的比例最高（23.1%），而100,000美元及以上者比例最低（16.5%）。总体而言，收入分布较为多样，未在单一类别中过度集中。
.......| 类别 |
访问受限。请登录或开始试用以查看此内容。
讨论
本研究旨在通过在S-O-R框架内整合数字体验因素、情感满意度和习惯形成，解释短剧情境中的持续使用意愿。研究结果为所提出的序列机制提供了强有力的实证支持，并表明数字媒介的持续使用应被理解为一种动态的情感—行为强化过程。数字体验因素——访问便利性、消磨时间与内容质量——显著影响情感满意度，其中内容质量的影响最强，其次为消磨时间，而访问便利性虽作用相对较小但仍具有显著影响。这一模式表明，在碎片化观看情境中，尽管无缝访问是必要条件，但能引发情感共鸣和沉浸感的内容仍是用户产生积极情感评价的主要决定因素。在以叙事压缩和快速吸引为核心的短剧环境中，用户感知的内容丰富性与创意性似乎是激发情感反应的最强刺激因素。情感满意度在结构模型中亦成为核心机制，通过促进习惯形成进而影响持续使用意愿 "满意度-习惯-持续性" 链
这些发现通过将使用延续意愿重新定义为一种顺序性的情感-行为过程，而非静态的采用后结果，拓展了以往关于数字使用延续性的研究。传统的延续性模型（包括期望确认理论）主要强调认知评估和满意度作为持续使用的直接预测因素29,.......
访问受限。请登录或开始试用以查看此内容。
披露
作者声明无利益冲突。
致谢
本研究工作得到了aSSIST大学研究经费的支持。
....访问受限。请登录或开始试用以查看此内容。
材料
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| Chatgpt 5.2 | OpenAI | RRID:SCR_023775 | 增强可读性与语法检查， https://www.chatgpt.com/ |
| Prolific（在线参与者招募平台） | Prolific Academic Ltd | 不可用 / 未识别 | 用于招募调查参与者的在线平台。参与者根据资格标准（例如，在已采用人工智能的组织中当前受雇）进行筛选，并依据 Prolific 的公平支付指南获得报酬。https://www.prolific.com/ |
| Qualtrics（在线调查平台） | Qualtrics, LLC | RRID:SCR_016728 | 基于网络的调查平台，用于问卷设计、分发和响应数据收集。所有测量项目均通过 Qualtrics 采用 7 点李克特量表（1 = 非常不同意，7 = 非常同意）进行施测。https://www.qualtrics.com/ |
| SmartPLS 4.0（PLS-SEM 软件） | SmartPLS GmbH | RRID:SCR_022040 | 用于所有偏最小二乘结构方程模型（PLS-SEM）分析，包括外模型评估（组合信度、AVE、HTMT）、内模型路径分析（自举法，5,000 个样本）、MICOM 三步法组合不变性检验（置换检验，1,000 次抽样）以及 PLS-MGA 组间差异检验。https://smartpls.com/ |
参考文献
- He Z, et al. User immersion-aware short video recommendation. ACM Trans Inf Syst. 2025;44(1):1-33.
- Zhou R. Understanding the impact of TikTok's recommendation algorithm on user engagement. Int J Comput Sci Inf Technol. 2024;3(2):201-208.
- Bhattacherjee A. Understanding information systems continuance: An expectation-confirmation model. MIS Q. 2001;25(3):351-370.
- Oulasvirta A, Rattenbury T, Ma L, Raita E. Habits make smartphone use more pervasive. Pers Ubiquitous Comput. 2012;16(1):105-114.
- Peters H, et al. Social media use is predictable from app sequences: Using LSTM and transformer neural networks to model habitual behavior. Comput Hum B....
访问受限。请登录或开始试用以查看此内容。
重印与许可
