Name: 从情感满足到习惯：短剧观看行为中的强化动态机制 (视频) | JoVE Journal
Uploaded: 2026-08-04T14:35:00.000+00:00
Duration: 4 min 57 s
Description: 探索短剧观看行为中的强化动态机制，了解S-O-R框架如何解释情感满足对习惯形成的影响。本研究采用PLS-SEM分析260名用户数据，揭示内容质量与打发时间是情感满足的关键预测因素。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

playerTrialDesktop

本研究工作得到了aSSIST大学研究经费的支持。

所有涉及人类参与者的实验程序均按照aSSIST大学和东国大学人类受试者研究的伦理标准进行。由于所有应答在收集时均已匿名化，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条及其施行规则第13条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批编号；所有参与者均审阅了知情同意声明，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后，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
受试者于7月5日开始，通过Prolific从包括美国、英国、加拿大、澳大利亚和新西兰在内的英语国家招募。 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、消遣时间、内容质量、情感满意度、使用习惯和持续使用意愿，同时包含人口统计学问题。参与者需满足以下条件方可参与：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，问题要求其确认年龄、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，参与者将获得相应报酬。 &#8364;2.00 ($3.440).
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的原因在于本研究以预测为导向，检验一个相对复杂的中介模型，并关注对内生构念变异的解释程度。
中介分析
采用偏差校正的自举法（5,000 次重抽样）评估统计学显著性（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。
<img alt="图2" class="xfigimg" src="/files/ftp_upload/71303/71303fig2.jpg" /> 
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招募参与者、筛选及注意力检查程序、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次的自举法进行中介效应检验的过程。<a href="https://www.jove.com/files/ftp_upload/71303/71303fig2large.jpg" target="_blank">请点击此处查看该图的放大版本。</a>
结构模型
本研究中所有变量的测量量表均改编自已发表的成熟量表，并根据短剧情境的需要进行了细微的文字修改，以确保其适用性。表2列出了具体的测量题项。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，但它能够有效反映用户对娱乐内容广度和多样性的感知。在短剧情境下，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，关于娱乐多样性的题项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，其概念与本研究中的内容质量构念保持一致。
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>构念</td>
			<td>条目</td>
			<td>问题</td>
		</tr>
		<tr>
			<td rowspan="3">访问便利性</td>
			<td>AC1</td>
			<td>我可以随时观看短剧内容。</td>
		</tr>
		<tr>
			<td>AC2</td>
			<td>无论我在哪里，都可以观看短剧内容。</td>
		</tr>
		<tr>
			<td>AC3</td>
			<td>我可以使用任何数字设备访问短剧内容。</td>
		</tr>
		<tr>
			<td rowspan="3">消磨时间</td>
			<td>PT1</td>
			<td>我会观看短剧，因为它能打发时间，尤其是在我感到无聊的时候。</td>
		</tr>
		<tr>
			<td>PT2</td>
			<td>当我没有更好的事情可做时，我会观看短剧。</td>
		</tr>
		<tr>
			<td>PT3</td>
			<td>我会观看短剧，因为它能让我有所事做，占据我的时间。</td>
		</tr>
		<tr>
			<td rowspan="4">内容质量</td>
			<td>CQ1</td>
			<td>短剧内容提供了丰富多样的题材。</td>
		</tr>
		<tr>
			<td>CQ2</td>
			<td>短剧内容提供独家且原创的内容。</td>
		</tr>
		<tr>
			<td>CQ3</td>
			<td>短剧内容提供多种多样的娱乐性剧集和类型。</td>
		</tr>
		<tr>
			<td>CQ4</td>
			<td>短剧内容提供丰富的全球性内容。</td>
		</tr>
		<tr>
			<td rowspan="4">情感性媒介满意度</td>
			<td>AS1</td>
			<td>观看短剧后，我感到快乐。</td>
		</tr>
		<tr>
			<td>AS2</td>
			<td>短剧给我带来愉悦感。</td>
		</tr>
		<tr>
			<td>AS3</td>
			<td>观看短剧的体验令人愉快。</td>
		</tr>
		<tr>
			<td>AS4</td>
			<td>观看短剧后感觉良好。</td>
		</tr>
		<tr>
			<td rowspan="3">习惯性使用</td>
			<td>HB1</td>
			<td>我观看短剧是出于习惯。</td>
		</tr>
		<tr>
			<td>HB2</td>
			<td>我会在无意识的情况下访问和使用短剧内容。</td>
		</tr>
		<tr>
			<td>HB3</td>
			<td>我自然地使用短剧内容。</td>
		</tr>
		<tr>
			<td rowspan="3">持续使用意愿</td>
			<td>CI1</td>
			<td>我计划在不久的将来继续使用短剧流媒体服务。</td>
		</tr>
		<tr>
			<td>CI2</td>
			<td>我愿意在不久的将来继续使用短剧内容。</td>
		</tr>
		<tr>
			<td>CI3</td>
			<td>我将在不久的将来继续保持对短剧内容的使用。</td>
		</tr>
	</tbody>
</table>
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、耗时、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。
常见方法偏差
由于所有变量均通过自报告问卷数据收集，因此采用程序性与统计学方法共同评估了共同方法偏差（CMB）。首先，实施了若干程序性措施以降低潜在的方法偏差。参与完全自愿且匿名进行，受访者被告知答案无对错之分。测量条目改编自经过验证的前期研究，并经过仔细改写以适配短剧情境。问卷结构设计旨在最小化评估顾虑并减少条目歧义。其次，采用Harman单因子检验判断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与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），表明共同方法偏差未对模型估计产生显著影响。然而，由于所有变量均来自同一轮次中相同受访者的数据收集，残余的共同方法偏差仍无法完全排除。
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>内层模型路径</td>
			<td>方差膨胀因子 (VIF)</td>
		</tr>
		<tr>
			<td>AC→AS</td>
			<td>1.342</td>
		</tr>
		<tr>
			<td>AS→HB</td>
			<td>1.000</td>
		</tr>
		<tr>
			<td>AS→CI</td>
			<td>1.933</td>
		</tr>
		<tr>
			<td>CQ→AS</td>
			<td>1.410</td>
		</tr>
		<tr>
			<td>HB→CI</td>
			<td>1.939</td>
		</tr>
		<tr>
			<td>PT→AS</td>
			<td>1.154</td>
		</tr>
	</tbody>
</table>
表3：共线性统计量（VIF）。该表格列出了结构模型中使用的所有预测构念的方差膨胀因子（VIF）值。 表格的行列出各个预测构念（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值评估构念之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有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 &#60; 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。

<ol>
	<li>He Z, et al. User immersion-aware short video recommendation. ACM Trans Inf Syst. 2025;44(1):1-33.</li>
	<li>Zhou R. Understanding the impact of TikTok&#39;s recommendation algorithm on user engagement. Int J Comput Sci Inf Technol. 2024;3(2):201-208.</li>
	<li>Bhattacherjee A. Understanding information systems continuance: An expectation-confirmation model. MIS Q. 2001;25(3):351-370.</li>
	<li>Oulasvirta A, Rattenbury T, Ma L, Raita E. Habits make smartphone use more pervasive. Pers Ubiquitous Comput. 2012;16(1):105-114.</li>
	<li>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.</li>
	<li>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.</li>
	<li>Mehrabian A, Russell JA. A verbal measure of information rate for studies in environmental psychology. Environ Behav. 1974;6(2):233.</li>
	<li>Eroglu SA, Machleit KA, Davis LM. Atmospheric qualities of online retailing: A conceptual model and implications. J Bus Res. 2001;54(2):177-184.</li>
	<li>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.</li>
	<li>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.</li>
	<li>Berry LL, Seiders K, Grewal D. Understanding service convenience. J Mark. 2002;66(3):1-17.</li>
	<li>Kim J, Fesenmaier DR. Sharing tourism experiences: The posttrip experience. J Travel Res. 2017;56(1):28-40.</li>
	<li>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.</li>
	<li>Whiting A, Williams D. Why people use social media: A uses and gratifications approach. Qual Mark Res Int J. 2013;16(4):362-369.</li>
	<li>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.</li>
	<li>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.</li>
	<li>Wood W, Neal DT. A new look at habits and the habit-goal interface. Psychol Rev. 2007;114(4):843-863.</li>
	<li>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.</li>
	<li>Prabhavathy R, Senthilkumar S. User experiences in over-the-top (OTT) streaming media platform services. Qubah Acad J. 2025;5(2):82-99.</li>
	<li>Gardner B. A review and analysis of the use of &#34;habit&#34; in understanding, predicting and influencing health-related behaviour. Health Psychol Rev. 2015;9(3):277-295.</li>
	<li>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.</li>
	<li>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.</li>
	<li>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.</li>
	<li>Wood W. Habits, goals, and effective behavior change. Curr Dir Psychol Sci. 2024;33(4):226-232.</li>
	<li>Lohm&#246;ller JB. Predictive vs. structural modeling: PLS vs. ML. Latent variable path modeling with partial least squares. Physica, Heidelberg. 1989.</li>
	<li>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.</li>
	<li>Kock N, Mayfield M. PLS-based SEM algorithms: The good neighbor assumption, collinearity, and nonlinearity. Inf Manag Bus Rev. 2015;7(2):113-130.</li>
	<li>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.</li>
	<li>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.</li>
	<li>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/.</li>
</ol>

作者声明无利益冲突。

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 &#34;满意度-习惯-持续性&#34; 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,...

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仍主要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、点播视频平台以及社交媒体应用。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）通常被视为持续使用意愿（CI）的平行预测因子6。尽管这两个构念 consistently 表现出显著的解释力，但学界对情感性满意度（as）如何通过重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行为之间的路径，目前尚不明确。因此，积极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，而习惯继而可预测持续使用意愿。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采纳后解释的范畴，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的内在情感状态及后续行为反应。我们提出，数字体验因素通过一个连续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，始终被确认为持续使用意愿的主要预测因子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。反复的积极情感体验可能会强化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，习惯已被确认为影响技术持续使用的关键因素，其作用超越了有意识的意图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，&#160;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。
通过将数字体验、情感满意度和习惯形成整合到一个顺序中介框架中，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。
本研究利用260名短剧用户的调查数据及偏最小二乘结构方程模型（PLS-SEM），实证检验了这一序列中介机制。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，并为短时数字环境中的序列情感—习惯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还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，本文提出以下假设。
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，提出假设：访问便利性对情感满意度具有正向影响（H1）。
消磨时间是消费短篇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。以往研究始终将其确定为用户满意度和持续参与的主要决定因素19。因此，本研究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环境中一直被认为是持续使用意愿的重要前因。先前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行为的自动化程度，而移动媒体环境可能强化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愿具有正向影响（H4）。
习惯是指在稳定情境下通过重复先前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。从强化学习的视角来看，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。基于上述逻辑，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，通常将满意度与习惯视为持续使用意愿的并行决定因素。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。
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>研究</td>
			<td>研究背景</td>
			<td>主要关注点</td>
			<td>关键发现</td>
			<td>研究空白</td>
		</tr>
		<tr>
			<td>Bhattacherjee (2001)3</td>
			<td>信息系统</td>
			<td>持续使用意愿</td>
			<td>满意度可预测持续使用意愿</td>
			<td>未考察习惯形成过程</td>
		</tr>
		<tr>
			<td>Limayem et al. (2007)6</td>
			<td>信息系统</td>
			<td>习惯与持续使用</td>
			<td>习惯影响系统的持续使用</td>
			<td>将满意度与习惯视为独立的预测因素</td>
		</tr>
		<tr>
			<td>Venkatesh et al. (2012)10</td>
			<td>技术接受</td>
			<td>采纳后行为</td>
			<td>行为意向可预测持续使用</td>
			<td>未考虑数字环境的结构性特征</td>
		</tr>
		<tr>
			<td>Wu et al. (2025)18</td>
			<td>短剧</td>
			<td>订阅意愿</td>
			<td>内容质量通过满意度影响持续使用</td>
			<td>未考察习惯形成机制</td>
		</tr>
		<tr>
			<td>Zhang et al. (2024)22</td>
			<td>短视频</td>
			<td>用户满意度</td>
			<td>满意度提升持续参与</td>
			<td>满意度向习惯转化的过程尚未探索</td>
		</tr>
		<tr>
			<td>近期短内容媒体研究</td>
			<td>短视频内容平台</td>
			<td>用户参与</td>
			<td>算法推荐增加用户参与度</td>
			<td>结构性强化机制仍缺乏理论建构</td>
		</tr>
		<tr>
			<td>本研究</td>
			<td>短剧生态系统</td>
			<td>基于强化的习惯形成</td>
			<td>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</td>
			<td>通过一个顺序性的情感–行为框架，弥补上述研究空白</td>
		</tr>
	</tbody>
</table>
表1：先前研究及已识别研究空白的概述。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前期研究。各列包括：研究作者及年份；研究背景；考察的核心构念；满意度与习惯之间的关系（并行或顺序）；以及本研究拟解决的具体研究空白。
本研究实证分析了自变量（即访问便利性、花费时间、内容质量）、中介变量（即情感满意度和习惯）与因变量（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的密集强化循环。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，环境刺激会影响情感满足，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。
<img alt="图1" class="xfigimg" src="/files/ftp_upload/71303/71303fig1.jpg" /> 
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”指短格式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），该机制被认为会增强满足感向习惯转化的关系。这一结构性特征被概念化为一种情境条件，而非经验测量的时间加速。为保持图像清晰，图中未展示控制变量（年龄、性别、教育程度和收入）。<a href="https://www.jove.com/files/ftp_upload/71303/71303fig1large.jpg" target="_blank">请点击此处查看该图的放大版本。</a>

<table><tbody><tr><td>Chatgpt 5.2</td><td>OpenAI</td><td>RRID:SCR_023775</td><td>增强可读性与语法检查，&amp;nbsp; https://www.chatgpt.com/</td></tr><tr><td>Prolific（在线参与者招募平台）</td><td>Prolific Academic Ltd</td><td>不可用 / 未识别</td><td>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/</td></tr><tr><td>Qualtrics（在线调查平台）</td><td>Qualtrics, LLC</td><td>RRID:SCR_016728</td><td>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/</td></tr><tr><td>SmartPLS 4.0（PLS-SEM 软件）</td><td>SmartPLS GmbH</td><td>RRID:SCR_022040</td><td>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/</td></tr></tbody></table>

从情感满足到习惯：短剧观看行为中的强化动态机制

From Affective Satisfaction to Habit: Reinforcement Dynamics in Short-Form Drama Engagement

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 &#60; 0.001）和消磨时间（β = 0.385, p &#60; 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 &#60; 0.001）和持续使用意愿（β = 0.496, p &#60; 0.001）。习惯进一步正向影响持续使用意愿（β = 0.393, p &#60; 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。

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岁年龄段的受访者（32.3%）。40岁（14.2%）和50岁（14.6%）年龄段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。就家庭年收入而言，样本在各收入区间分布相对分散，其中收入低于30,000美元的比例最高（23.1%），而收入为100,000美元及以上者比例最低（16.5%）。总体来看，收入分布较为多样，未在单一类别中高度集中。
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>类别</...

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。

短剧环境已发展成为一种结构上独特的数字环境，其特征是剧集极短、高频次重复进入……

本研究探讨数字体验如何影响短剧使用中的情感满意度、习惯形成及持续使用意愿。现有研究将满意度与习惯分开讨论，而本研究的方案通过偏最小二乘结构方程模型（PLS-SEM）和中介效应分析，检验二者之间的序列关系。首先，通过 Prolific 平台从英语国家（包括美国、英国、加拿大、澳大利亚和新西兰）招募成年参与者。纳入经过验证的多项目量表，用于评估获取便利性、消磨时间、内容质量等方面，同时包含人口统计学问题。使用与年龄、既往短剧观看经验以及当前社交网络服务使用情况相关的筛选问题，确认参与者的合格性。在调查过程中嵌入注意力检查项目，以识别不专注的回答并予以排除。采用 7 点李克特量表记录回答，其中 1 表示强烈不同意，7 表示强烈同意。将所有回答收集至 Excel 文件中，并仅保留有效回答用于最终分析。在 SmartPLS 软件中创建一个新项目并导入调查数据。点击“创建模型”，为其命名，并使用偏最小二乘结构方程模型方法验证研究。采用偏差校正的自助法（5,000 次重采样）评估统计显著性。检查标准化路径系数、间接效应和效应量。最后，考察预测相关性和 95% 置信区间，以验证所提出的假设和中介效应。最终的260名受访者样本涵盖了不同的年龄、性别、教育程度和收入类别。访问便利性、消磨时间以及内容质量均显著预测了情感满意度。在这些因素中，内容质量对情感满意度的影响最强，其次是消磨时间，而访问便利性的影响最小。情感满意度显著预测了使用习惯。持续使用意愿受到情感满意度和使用习惯的共同显著预测。控制变量对持续使用意愿没有显著影响。中介分析显示，情感满意度在访问便利性、内容质量和消磨时间对使用习惯的影响中起到了显著的中介作用。通过情感满意度，访问便利性、内容质量和消磨时间也对持续使用意愿产生了显著的间接影响。此外，使用习惯在情感满意度对持续使用意愿的影响中起到了显著的中介作用。对于访问便利性、内容质量和消磨时间，通过两个中介变量（情感满意度和使用习惯）的序列间接效应均显著。所有提出的假设均得到支持。本方案通过直接和连续间接路径，测量平台体验如何影响用户的满意度、习惯及持续使用意愿。关键挑战在于确保受访者符合条件且注意力集中，并在进行结构模型分析前应用一致的排除标准。未来的研究应采用纵向或实验设计，以检验习惯形成的因果关系，并直接测量密集强化特征。

from-affective-satisfaction-to-habit-reinforcement-dynamics-short

Research

科研

JoVE Journal

Behavior

行为

从情感满足到习惯：短形式戏剧互动中的强化动力学

大鼠的打闹游戏包括对颈部后部的攻击与防御，当接触该部位时，会用鼻部轻轻摩擦。由于一只动物的动作会受到其伙伴相应行为的回应，打闹游戏成为一种复杂且动态的互动行为。这种动态复杂性为实验研究中的行为评分带来了方法学上的难题。我们提出了一种评分方案，能够敏感地反映动物行为之间的相关性。两个实验表明，即使实验处理对总体玩耍水平没有影响，该方案仍可用于检测脑损伤对打闹游戏行为的影响。也就是说，本文所提出的评分方案旨在检测和评估实验干预后打闹行为内容的变化。...

窥探社会互动的动态：大鼠玩耍打斗行为的测量

本文旨在描述在任务过程中收集和同步学习者参与度多个维度（行为、情感和认知）的技术。...

从神经生理学视角评估参与度的多重维度以表征学习过程

我们提出一种方法，通过结合生理数据和自我报告数据，实现对观众在社交数字游戏中的参与度进行测量。由于该数字游戏涉及一组自由移动的参与者，因此采用同步技术记录游戏过程，将生理数据与游戏中的事件进行关联。...

测量社交数字游戏观众的参与度

本研究展示了一种自然情境下的实验设置，该设置可使研究人员实时呈现动作刺激，在参与者每次刺激呈现后收集其反应时间和鼠标轨迹数据，并通过一套包含特殊透明有机发光二极管（OLED）屏幕和光线调控装置的独特系统，在不同实验条件下更换动作执行者。...

一种用于实验心理学与认知神经科学研究中呈现真实人物与实时行为的自然情境实验装置

我们提出一个开源的虚拟代理平台，用于开展实时动机性访谈，该平台结合了先进的语言模型和扩散模型，能够根据用户的行为和特征进行自适应调整。通过使用Greta...

融合自适应非语言行为与语言模型的实时动机性访谈虚拟代理

本研究采用事件相关电位（ERPs）探讨代理类型（人类/人工智能）和语言风格（幽默/理性）如何影响网约车服务补救满意度，旨在揭示其神经认知机制。...

幽默还是理性？代理人类型与语言风格影响网约车服务失败补救满意度的神经机制

在虚拟名人体验的背景下，内容质量对满意度的影响最为显著；而满意度又通过忠诚度间接提升购买意愿。via...

虚拟名人特征如何驱动购买意愿：基于刺激-有机体-反应框架的结构方程模型检验

我们测试了一款基于平板电脑的应用程序（EmoCogMeter）在研究年龄对认知功能影响方面的可用性。结果表明，认知功能随年龄增长而下降，从而证明了我们应用程序的可用性。研究结果强调了基于平板电脑的应用程序在认知功能障碍的检测与监测方面具有重要的临床和实际应用潜力。...

使用新型基于平板电脑的认知情绪评估工具 EmoCogMeter 评估认知功能的年龄相关变化

本文描述了一种用于分析啮齿类动物在特定行为范式后脑内特定核团转录程序的综合性分析方案。本文以小鼠急性可卡因暴露后伏隔核（NAc）中基因表达谱的变化为例，展示了利用微流控qPCR阵列进行基因表达谱分析的方法。...

行为经验后脑组织样本转录动态的综合分析

用于评估普通人群感知与感觉运动时序能力的行为任务即，...

揭示节拍失聪：通过同步手指敲击与感知计时任务检测节奏障碍

同步手指敲击，感知计时任务，节拍感知，节奏障碍，听觉-运动同步，节拍失聪，神经认知评估，音乐认知，时间感知，运动协调

探索短剧观看行为中的强化动态机制，了解S-O-R框架如何解释情感满足对习惯形成的影响。本研究采用PLS-SEM分析260名用户数据，揭示内容质量与打发时间是情感满足的关键预测因素。

从情感满足到习惯：短剧观看行为中的强化动态机制

探索更多视频