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。
先前研究的另一个局限在于，在信息系统持续使用研究中，满意度和习惯（HB）通常被概念化为持续使用意愿（CI）的平行预测因子6。尽管这两个构念 consistently 显示出显著的解释力，但学界对情感性满意度（as）如何通过反复的强化体验逐渐演变为习惯性参与的关注相对较少。特别是，结构上高度压缩的数字环境如何影响从情感满足到自动使用模式之间的情感—行为路径，目前尚不明确。因此，积极的情感体验如何被固化为习惯性参与的心理过程仍缺乏充分理解。
为弥补这一空白，本研究在刺激-有机体-反应（S-O-R）框架内构建并检验了一种基于强化的习惯形成模型。具体而言，我们提出，数字体验因素通过一种顺序性的情感-行为过程影响持续使用意愿，其中情感满意度有助于习惯的形成，而习惯继而预测持续使用意愿。通过在短剧消费情境下检验这一机制，本研究将持续使用理论拓展至超越静态的采纳后解释，并深化了对结构上高度压缩的数字环境如何塑造用户持续参与的理解。
基于已确定的研究空白，我们提出假设：在结构紧凑的短剧环境中，持续使用意愿是通过一种顺序性的情感–行为强化过程形成的。具体而言，数字体验因素增强情感满意度，情感满意度促进习惯形成，而习惯继而强化持续使用意愿。这一核心假设指导了本研究提出的理论模型及实证研究。
与以往对S-O-R框架的应用不同，本研究采用S-O-R框架7，以考察在结构压缩的媒介生态系统中，环境刺激如何影响个体内部的情感状态及后续的行为反应。我们提出，数字体验因素通过一个序列化过程影响持续使用意愿，即情感满意度促进习惯形成，而习惯形成又进一步预测持续使用意愿。该框架已广泛应用于数字商务、社交媒体和在线娱乐研究中，用以解释环境属性如何塑造用户参与度和行为持续性8,9。消费者技术采纳研究同样强调了体验因素在塑造技术持续使用中的作用10。在数字环境中，体验性特征作为环境刺激，引发情绪反应并影响采纳后的行为。
在本研究中，数字体验——包括访问便利性（AC）、消磨时间动机（PT）和感知内容质量（CQ）——被概念化为环境刺激。访问便利性反映了启动媒体使用时所感知到的轻松与流畅程度，进而与体验控制感相关，并降低认知负荷11,12。消磨时间代表了在碎片化时间情境下的休闲导向动机，是移动媒体参与的关键驱动力13,14。感知内容质量则涵盖叙事沉浸感、相关性及娱乐价值，这些是决定数字媒体情境下用户满意度的关键因素15。这些体验性刺激共同塑造了用户在媒体交互过程中的情感评价。
情感满意度在S-O-R框架中代表有机体的状态。满意度反映了用户对其体验的整体情感评估，并且在采用后情境中一直被视为持续使用意愿的主要预测因素3,16。然而，在高频且重复使用的环境中，仅凭满意度可能不足以解释持续的参与行为。重复的积极情感体验可能会加强参与行为与习惯性行为之间的关联。
习惯形成从另一个角度解释了行为的持续性。习惯是指通过先前行为的重复，由情境线索触发的习得性自动化行为倾向6,17。在信息系统研究中，习惯已被确认为超越有意识意图的技术持续使用的关键决定因素6。在短剧消费情境中，嵌入日常习惯中的频繁微互动可能促进习惯性重复行为的形成。随着习惯的增强，行为对主动认知评估的依赖性降低，对情境变化的敏感性减弱，从而进一步强化了持续使用的意图。
通过在顺序中介框架内整合数字体验、情感满意度和习惯形成，本研究推进了对短剧情境中持续参与的理论理解。具体而言，我们提出，数字体验通过一个两阶段的情感-行为路径影响持续使用意愿：体验刺激增强情感满意度，而情感满意度继而促进习惯形成，最终强化持续使用意愿。
本研究基于260名短剧用户的调查数据，采用偏最小二乘结构方程模型（PLS-SEM），实证检验了这一顺序中介机制。理论上，本研究通过引入习惯作为强化机制，拓展了刺激-机体-反应（S-O-R）框架，并为短形式数字环境中的情感—习惯性顺序路径提供了实证证据。
S-O-R 框架认为，环境刺激会影响个体内部的心理状态，进而塑造行为反应。在本研究中，访问便利性、流逝时间和内容质量被概念化为刺激因素；情感满意度和习惯代表机体过程；持续使用意愿则代表行为反应。
情感满意度反映了用户对其媒体体验的整体情绪评价，并始终与持续使用意愿相关。在高频数字环境中，重复的积极情感体验也可能促进习惯的形成。以往关于数字媒体和流媒体环境的研究表明，情感满意度作为一种关键的有机状态，能够将平台刺激与持续使用相关反应联系起来18。基于所提出理论框架及已有文献，提出以下假设。
访问便利性是指用户对获取数字内容难易程度的感知。根据刺激-机体-反应（S-O-R）框架，环境刺激会影响用户的情感评价。服务便利性研究进一步表明，降低时间和精力成本能够提升服务交互中的感知价值和满意度10。因此，本研究提出假设：访问便利性对情感满意度具有正向影响（H1）。
消磨时间是消费短格式内容的一种以休闲为导向的动机。先前的研究表明，以时间为导向的消费动机会产生积极的情绪反应并提高满意度。因此，我们假设消磨时间对情感满意度具有正向影响（H2）。
内容质量反映了用户对媒体内容相关性和娱乐价值的感知。以往研究始终将其认定为影响用户满意度和持续参与的主要因素19。因此，本研究提出假设：内容质量对情感满意度具有正向影响（H3）。
情感满意度和习惯在采用后的持续使用意图研究中， consistently 被认定为重要的前因变量。以往关于习惯的研究进一步表明，在稳定环境中重复执行行为会随着时间推移增强其自动化程度，而移动媒体环境可能加剧基于惯例的使用模式4,20。因此，我们提出假设：情感满意度对持续使用意图具有正向影响（H4）。
习惯是指在稳定情境中通过重复以往行为而形成的自动化行为倾向6,17。在采纳后的环境中，反复的积极体验有助于形成习惯性使用模式，因为用户越来越依赖自动化反应，而非有意识的评估6,17。从强化学习的角度来看，伴随积极情感结果的重复行为会增强联想学习过程，并提高未来自动执行的可能性21。一旦习惯形成，它便成为将满意度转化为行为持续性的关键机制。习惯性用户倾向于以更少的认知努力继续使用内容，从而增强持续使用意愿6。因此，本研究将习惯概念化为连接情感满意度与持续使用意愿的中介机制。基于上述理论依据，提出以下假设：情感满意度对习惯具有正向影响（H5），习惯对持续使用意愿具有正向影响（H6），且习惯在情感满意度与持续使用意愿之间起中介作用（H7）。此外，还提出情感满意度与习惯依次中介了使用便利性与持续使用意愿之间的关系（H8a）、消磨时间与持续使用意愿之间的关系（H8b），以及内容质量与持续使用意愿之间的关系（H8c）。
尽管以往的研究已显著推进了对数字媒体环境中持续使用行为的理解，但仍存在若干重要空白。现有研究主要聚焦于传统流媒体、社交媒体或技术采纳情境，通常将满意度和习惯视为持续使用意愿的平行决定因素。相比之下，对于结构上高度压缩的短视频环境如何影响情感满意度与习惯形成之间的心理过程，学界关注较少。表13,6,10,18,22总结了具有代表性的前期研究，并突出了本研究拟解决的研究空白。
| 研究 | 研究背景 | 主要关注点 | 关键发现 | 研究空白 |
| Bhattacherjee (2001)3 | 信息系统 | 持续使用意愿 | 满意度可预测持续使用意愿 | 未考察习惯形成过程 |
| Limayem et al. (2007)6 | 信息系统 | 习惯与持续使用 | 习惯影响系统的持续使用 | 将满意度与习惯视为独立的预测因素 |
| Venkatesh et al. (2012)10 | 技术接受度 | 采纳后行为 | 行为意向可预测持续使用 | 未考虑数字环境的结构性特征 |
| Wu et al. (2025)18 | 短剧 | 订阅意愿 | 内容质量通过满意度影响持续使用 | 未考察习惯形成机制 |
| Zhang et al. (2024)22 | 短视频 | 用户满意度 | 满意度提升持续参与度 | 满意度向习惯转化的过程尚未探索 |
| 近期短内容媒体研究 | 短内容平台 | 用户参与 | 算法推荐增加用户参与 | 结构性强化机制仍缺乏理论建构 |
| 本研究 | 短剧生态系统 | 基于强化的习惯形成 | 探讨在结构高度压缩的环境中，情感满意度如何促进习惯形成及持续使用意愿 | 通过序列化的情感–行为框架弥补上述研究空白 |
表1：先前研究及已识别研究空白的总结。该表格总结了关于数字持续使用、满意度、习惯以及短格式媒体参与度的代表性先前研究。各列包括：研究作者及年份；研究背景；考察的主要构念；满意度与习惯之间的关系（平行或顺序）；以及本研究解决的具体研究空白。
本研究实证分析了自变量（即获取便利性、花费时间与内容质量）、中介变量（即情感满意度与习惯）以及因变量（即持续使用意愿）之间的关系。同时将性别、年龄、教育程度和收入作为控制变量纳入分析。
如图1所示，该模型描绘了情感满足与习惯形成之间存在一个密集的强化循环。这一结构描述了短剧生态系统的结构背景——其特征为超短单集时长、高频次重复进入以及算法驱动的内容推送——从而创造了大量刺激-反应配对的机会。该模型提出，环境刺激影响情感满足，进而在结构高度压缩的强化循环下促进习惯性参与行为。短剧生态系统表现出密集的刺激-反应关联以及重复参与的机会，这可能会增强满足感与习惯之间的关联23,24。
图1：短剧环境中的基于强化的习惯形成模型。“密集强化循环”指短剧生态系统中高频出现的提示-反应机会（如微剧集、快速重新进入、算法推荐），理论上认为其会增强满意度向习惯的转化关系。这一结构性特征被视为一种情境条件，而非经验测量的时间加速效应。为保持图表清晰，图中未显示控制变量（年龄、性别、教育程度和收入）。请点击此处查看该图的放大版本。
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在完成完整问卷前即被排除。调查中嵌入了注意力检查题项，以识别不认真作答的回应；任何未能通过注意力检查题项、提交不完整回答或未通过筛选问题的参与者均被排除在分析之外。共收集到292份问卷回复。在排除因筛选未通过、回答不完整或注意力检查未通过的32份回复后，最终保留260份有效回复用于分析。完成该调查大约需要8–10分钟，参与者可获得约2.00欧元（3.440美元）的报酬。
测量模型
采用7点李克特量表记录应答，量表范围从1（强烈不同意）到7（强烈同意）。本研究使用偏最小二乘结构方程模型（PLS-SEM）25,26对研究模型进行验证。选择PLS-SEM是因为本研究以预测为导向，检验一个相对复杂的中介模型，并关注内生构念中被解释方差的程度。
中介分析
采用偏差校正的自举法（5,000 次重采样）评估统计显著性（图 2）。通过检验标准化路径系数、间接效应、效应量（f2）、预测相关性（Q2）以及 95% 置信区间，来评估所提出的假设及中介效应。
图2：研究流程与数据分析工作流。符合条件的参与者为年龄在18岁及以上的活跃社交网络服务（SNS）用户。该图展示了通过在线调查平台进行的参与者招募过程、筛选与注意力检查程序、调查数据收集（N = 260）、数据清洗、测量模型评估、使用偏最小二乘结构方程模型（PLS-SEM）进行结构模型评估，以及通过重复抽样5,000次的自助法进行中介效应检验。请点击此处查看该图的放大版本。
结构模型
本研究中所有构念的测量量表均改编自已发表的文献，并经过验证。根据需要对部分措辞进行了微调，以确保其适用于短剧情境。测量条目详见表2。尽管内容质量量表最初是在更广泛的流媒体和数字娱乐背景下开发的，但它能够反映用户对娱乐内容广度和多样性的感知。在短剧情境中，娱乐形式可能包含混合类型或跨类型元素，超越传统的叙事性剧集。因此，涉及娱乐多样性的条目反映的是用户对内容多样性的感知，而非字面意义上的体育赛事转播，其概念上与本研究中的内容质量构念保持一致。
| 构念 | 条目 | 问题 |
| 访问便利性 | AC1 | 我可以随时观看短剧。 |
| AC2 | 无论我在哪里，都可以观看短剧。 | |
| AC3 | 我可以使用任何数字设备访问短剧内容。 | |
| 消磨时间 | PT1 | 我会观看短剧，因为它能打发时间，尤其是当我感到无聊时。 |
| PT2 | 当我没有更好的事情可做时，我会观看短剧。 | |
| PT3 | 我会观看短剧，因为它能让我有事可做，占据我的时间。 | |
| 内容质量 | CQ1 | 短剧内容提供了丰富多样的内容。 |
| CQ2 | 短剧内容提供独家和原创的内容。 | |
| CQ3 | 短剧内容提供了多种多样的娱乐性剧集和类型。 | |
| CQ4 | 短剧内容提供了丰富的全球性内容。 | |
| 情感性媒介满意度 | AS1 | 观看短剧后我感到快乐。 |
| AS2 | 短剧给我带来愉悦感。 | |
| AS3 | 观看短剧的体验令人愉快。 | |
| AS4 | 观看短剧后感觉良好。 | |
| 习惯 | HB1 | 我出于习惯而观看短剧。 |
| HB2 | 我会在不假思索的情况下访问和使用短剧内容。 | |
| HB3 | 我自然地使用短剧内容。 | |
| 持续使用意愿 | CI1 | 我打算在不久的将来继续使用短剧流媒体服务。 |
| CI2 | 我愿意在不久的将来继续使用短剧内容。 | |
| CI3 | 我将在不久的将来继续保持对短剧内容的参与。 |
表2：研究模型的测量项目。 该表格列出了用于操作化研究变量的测量项目、构念标签及来源参考文献。所有项目均采用7点李克特量表进行测量，范围从1（非常不同意）到7（非常同意）。表格中呈现了每个构念（获取便利性、消磨时间、内容质量、情感满意度、习惯和持续使用意愿）、其对应的指标项目，以及各量表所依据的原始研究来源。
常见方法偏差
由于所有变量均通过自报告问卷数据收集，因此采用程序性和统计性两种方法对共同方法偏差（CMB）进行了评估。首先，实施了多项程序性措施以降低潜在的方法偏差。参与为自愿且匿名形式，受访者被告知答案无对错之分。测量条目改编自已验证的前期研究，并经过仔细改写以适应短剧情境。问卷结构经过设计，以尽量减少评价顾虑并降低条目歧义。其次，采用Harman单因子检验来考察是否存在单一因子解释了大部分变异。未经旋转的探索性因子分析结果显示，首个因子解释的总变异小于50%，表明共同方法偏差不太可能构成严重问题。第三，依据Kock和Mayfield27的方法检验了完全共线性方差膨胀因子（VIFs）。所有VIF值均低于保守阈值3.3（表3），说明共同方法偏差未对模型估计产生实质性影响。然而，由于所有变量均来自同一轮次调查中的相同受访者，残余的共同方法偏差仍无法完全排除。
| 内层模型路径 | VIF |
| AC→AS | 1.342 |
| AS→HB | 1.000 |
| AS→CI | 1.933 |
| CQ→AS | 1.410 |
| HB→CI | 1.939 |
| PT→AS | 1.154 |
表3：共线性统计量（VIF）。 该表格列出了结构模型中所有预测构念的方差膨胀因子（VIF）值. 行列表示每个预测构念（获取便利性、经过时间、内容质量、情感满意度和习惯），相邻列报告相应的VIF值。通过检查VIF值评估构念间潜在的多重共线性，并评价共同方法偏差的可能性。
故障排除与改进方法
如果大量应答者未能通过筛选或注意力检查标准，则会优化资格标准并澄清调查说明，以确保参与者确实具备短剧观看的先前经验。如果内部一致性信度低于推荐阈值（例如，组合信度 < 0.70）或平均方差提取值（AVE）低于 0.50，则需检查题项载荷，并在保持理论一致性的前提下删除表现不佳的测量指标。若检测到多重共线性问题（例如，方差膨胀因子值超过推荐限值），则需重新评估构念定义，并删除冗余指标。若中介或调节效应不显著，则需增加样本量和/或重新审视构念的操作化定义，以确保足够的统计检验力。采用足够数量的子样本（例如，5,000 次）进行自举法分析，以获得稳定的参数估计值。
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 Behav. 2024;161:108381.
- Limayem M, Hirt SG, Cheung CM. How habit limits the predictive power of intention: The case of information systems continuance. MIS Q. 2007;31(4):705-737.
- Mehrabian A, Russell JA. A verbal measure of information rate for studies in environmental psychology. Environ Behav. 1974;6(2):233.
- Eroglu SA, Machleit KA, Davis LM. Atmospheric qualities of online retailing: A conceptual model and implications. J Bus Res. 2001;54(2):177-184.
- Islam JU, et al. Impact of website attributes on customer engagement in banking: A solicitation of stimulus-organism-response theory. Int J Bank Mark. 2020;38(6):1279-1303.
- Venkatesh V, Thong JYL, Xu X. Consumer acceptance and use of information technology: Extending the unified theory of acceptance and use of technology. MIS Q. 2012;36(1):157-178.
- Berry LL, Seiders K, Grewal D. Understanding service convenience. J Mark. 2002;66(3):1-17.
- Kim J, Fesenmaier DR. Sharing tourism experiences: The posttrip experience. J Travel Res. 2017;56(1):28-40.
- Quan-Haase A, Young AL. Uses and gratifications of social media: A comparison of Facebook and instant messaging. Bull Sci Technol Soc. 2010;30(5):350-361.
- Whiting A, Williams D. Why people use social media: A uses and gratifications approach. Qual Mark Res Int J. 2013;16(4):362-369.
- DeLone WH, McLean ER. The DeLone and McLean model of information systems success: A ten-year update. J Manag Inf Syst. 2003;19(4):9-30.
- Hennig-Thurau T, Gwinner KP, Gremler DD. Understanding relationship marketing outcomes: An integration of relational benefits and relationship quality. J Serv Res. 2002;4(3):230-247.
- Wood W, Neal DT. A new look at habits and the habit-goal interface. Psychol Rev. 2007;114(4):843-863.
- Wu T, Jiang N, Sharif SP, Chen M. Explaining subscription intention for video streaming platforms in China: Integrating UTAUT2 model, perceived value theory, and SOR theory. PLoS One. 2025;20(5):e0322860.
- Prabhavathy R, Senthilkumar S. User experiences in over-the-top (OTT) streaming media platform services. Qubah Acad J. 2025;5(2):82-99.
- Gardner B. A review and analysis of the use of "habit" in understanding, predicting and influencing health-related behaviour. Health Psychol Rev. 2015;9(3):277-295.
- Neal DT, Wood W, Labrecque JS, Lally P. How do habits guide behavior? Perceived and actual triggers of habits in daily life. J Exp Soc Psychol. 2012;48(2):492-498.
- Zhang K, et al. SaqRec: Aligning recommender systems to user satisfaction via questionnaire feedback. 33rd ACM International Conference on Information and Knowledge Management. 2024;doi.org/10.1145/3627673.367964.
- Peters H, et al. Context-aware prediction of active and passive user engagement: Evidence from a large online social platform. J Big Data. 2024;11(1):110.
- Wood W. Habits, goals, and effective behavior change. Curr Dir Psychol Sci. 2024;33(4):226-232.
- Lohmöller JB. Predictive vs. structural modeling: PLS vs. ML. Latent variable path modeling with partial least squares. Physica, Heidelberg. 1989.
- Sarstedt M, Ringle CM, Hair JF. Treating unobserved heterogeneity in PLS-SEM: A multi-method approach. Partial least squares path modeling: Basic concepts, methodological issues and applications. Springer, Cham. 2017.
- Kock N, Mayfield M. PLS-based SEM algorithms: The good neighbor assumption, collinearity, and nonlinearity. Inf Manag Bus Rev. 2015;7(2):113-130.
- Henseler J, Ringle CM, Sarstedt M. A new criterion for assessing discriminant validity in variance-based structural equation modeling. J Acad Mark Sci. 2015;43(1):115-135.
- Alruwaili RF. Scroll immersion and short-form video use: Predictors of attention, memory, and fatigue among Saudi social media users. Acta Psychol. 2025;260:105674.
- Sutrisno SS. Attention in the age of TikTok: Examining the cognitive impact of short-form video consumption. San Jose State University, 2025. https://scholarworks.sjsu.edu/etd_theses/5697/.
访问受限。请登录或开始试用以查看此内容。
重印与许可
本文已发表
视频即将推出