Nutzung des Technologieakzeptanzmodells, um die Nutzerakzeptanz virtueller Influencer zu verstehen: Die Rolle wahrgenommener Authentizität und Anthropomorphismus

Zusammenfassung

Diese Studie verwendet ein erweitertes Technology Acceptance Model, um die Akzeptanz virtueller Influencer auf Kurzvideo-Plattformen zu untersuchen und zeigt, dass wahrgenommene Nützlichkeit, Benutzerfreundlichkeit, Authentizität und Anthropomorphismus die Nutzereinstellungen und Verhaltensabsichten anhand von Umfragedaten, die mit PLS-SEM analysiert werden, signifikant beeinflussen.

Zusammenfassung

Virtuelle Influencer (VIs) werden zunehmend zu zentralen Akteuren auf Kurzvideo-Anwendungen wie TikTok, YouTube Shorts und Instagram Reels. Während frühere Forschungen VIs im Hinblick auf Anthropomorphismus, Authentizität und Konsumenteninteraktion untersucht haben, konzentrierten sich die meisten bisherigen Arbeiten auf Instagram-Datensätze oder Inhaltsanalysen, ohne einen systematischen Verhaltensrahmen zu übernehmen. Um diese Einschränkungen zu adressieren, nutzt diese Studie das Technology Acceptance Model (TAM), um zu untersuchen, wie Perceived Usefulness (PU) und Perceived Ease of Use (PEOU) die Nutzereinstellung und Verhaltensintention beim Folgen oder Interaktion mit VIs auf Kurzvideoplattformen beeinflussen. Die Studie schlägt wahrgenommene Authentizität und Anthropomorphismus als moderierende Variablen vor und erweitert TAM, um psychologische und soziale Dynamiken zu erfassen. Ein konzeptuelles Rahmenwerk wurde entwickelt, das TAM mit diesen Moderatoren integriert. Die Daten wurden durch eine Online-Umfrage unter 350 Kurzvideo-Nutzern gesammelt, die mit bearbeiteten VI-Inhalten konfrontiert und mit validierten Likert-Instrumenten gemessen wurden. Die Teilnehmer wurden zunächst mit standardisierten virtuellen Influencer-Video-Reizen konfrontiert und anschließend einen strukturierten Fragebogen ausgefüllt, der über eine Online-Umfrageplattform durchgeführt wurde. Der Datensatz wurde mittels Partial Least Squares Structural Equation Modeling (PLS-SEM) analysiert, um die Messzuverlässigkeit, strukturelle Beziehungen und moderierende Effekte zu bewerten. Vor der Analyse wurde der Datensatz auf unvollständige Antworten, fehlende Werte und Reaktionsinkonsistenzen geprüft. Die Ergebnisse bestätigen die Anwendbarkeit von TAM im VI-Kontext. PEOU beeinflusste PU positiv (β = 0,46, S. < 0,001), PU beeinflusste signifikant die Einstellung (β = 0,39, S. < 0,001) und die Einstellung sagte stark die Verhaltensabsicht voraus (β = 0,58, S. < 0,001). Wahrgenommene Authentizität stärkte die Beziehung zwischen PU und Einstellung sowie zwischen Einstellung und Verhaltensintention, während Anthropomorphismus die Auswirkungen sowohl von PU als auch PEOU auf die Einstellung verstärkte. Modellanpassungsindizes (R² = 0,64 für Lage; R² = 0,57 für Verhaltensintention) zeigen starke Erklärungskraft an. Diese Ergebnisse unterstützen das erweiterte TAM bei der Erklärung der Einführung virtueller Influencer auf Kurzvideoplattformen.

Einleitung

In den letzten Jahren haben Social-Media-Influencer (SMIs) durch das Teilen von Aspekten ihres Lebens, ihres Wissens, ihrer Produkte und Marken auf Community-Broadcasting-Plattformen^{beträchtliche} Anhänger ^gewonnen. Virtuelle Influencer (VIs) haben sowohl von akademischen als auch von der Wirtschaft als neuartige Herangehensweise zur Förderung von Waren und Dienstleistungen auf Plattformen wie Instagram, Facebook und TikTok³ beträchtliche Aufmerksamkeit erregt. Im Gegensatz zu menschlichen Influencern (HIs) sind VIs keine realen Individuen, sondern computergenerierte Charaktere, die von Designerteams entwickelt wurden, um menschliches Aussehen und Verhalten nachzuahmen oder animierte Persönlichkeiten zu ähneln⁴. Aufgrund ihrer starken Engagement-Fähigkeiten nutzen viele Marken VIs für Influencer-Marketing, entweder durch Zusammenarbeit oder durch die Erstellung proprietärer VIs⁵. Daher haben bekannte Marken wie BMW mit VIs wie Lil Miquela zusammengearbeitet, um die Kundenbindung zu steigern und Kaufentscheidungen zu beeinflussen.

Da die Zahl der von SMIs beeinflussten Personen weiter wächst, wächst auch das Influencer-Marketing⁶. Das Influencer Marketing Hub berichtet, dass die Zahl der Unternehmen, die sich auf Influencer-Marketing-Dienstleistungen spezialisiert haben, im Jahr 2021 um 26 % gestiegen ist und weltweit voraussichtlich 18.900 erreichen^wird. Eine der auffälligsten aufkommenden Kategorien von SMIs umfasst "3D, computergenerierte Charaktere", die in der Lage sind, menschliches Verhalten und Aussehen^{nachzuahmen 8,9,10}. VIs haben bei Verbrauchern schnell an Beliebtheit gewonnen und werden zunehmend als glaubwürdige Trendsetter wahrgenommen, vergleichbar mit menschlichen Influencern¹¹. Zwischen 2017 und 2019 stieg die Zahl der VIs auf sozialen Plattformen von 27 auf 125¹². Mit wachsender Popularität begannen VIs, mit internationalen Marken^{zusammenzuarbeiten}. VIs stellt eine überzeugende Alternative dar, die die Vorteile menschlicher Influencer mit größerer Kontrolle über Aussehen und Botschaften verbindet¹³.

Eine besonders innovative Entwicklung in diesem Bereich ist das Aufkommen virtueller Influencer als soziale Medien, die teilweise oder vollständig künstlich sind (z. B. computergenerierte 3D-Avatare), aber dennoch in der Lage sind, Inhalte ähnlich wie menschliche Influencer zu produzieren. Ihr rascher Aufstieg hat wissenschaftliche Aufmerksamkeit erregt, obwohl die vorhandene Forschung noch begrenzt ist:¹⁴. Um diese Lücke zu schließen, betrachtet die vorliegende Studie parasoziale Interaktionen (PSI), definiert als kognitive, affektive und verhaltensbezogene Reaktionen auf Medien, Figuren¹⁵. Frühere Forschungen haben PSI untersucht, indem sie die Reaktionen des Publikums auf humanoide und virtuelle Influencer mit ähnlichen Eigenschaften verglichen haben.

Jüngste Studien haben Unterschiede zwischen VIs und menschlichen Influencern bei der Prägung der Nutzerwahrnehmung untersucht, insbesondere in sozialen Video-Umgebungen. Belege deuten darauf hin, dass VI-Empfehlungen Produktwahrnehmungen beeinflussen können (z. B. durch die Stärkung von Luxusassoziationen) und mit menschlichen Influencern um wahrgenommene Nützlichkeit und Glaubwürdigkeit konkurrieren können. Die Identifikation mit menschlichen Influencern bleibt jedoch stärker, was eine Authentizitätslücke hervorhebt, die Adoptionsentscheidungen in Kurzvideo-Kontexten^{beeinflusst (}16,17,18). Quantitative Forschung identifiziert PU und PEOU konsequent als Schlüsselprädiktoren für Verhaltensintentionen, oft ergänzt durch Konstrukte wie Genuss, soziale Präsenz und Gemeinschaftsengagement, was die Anwendbarkeit von TAM in diesem Bereich^19,20 unterstreicht.

Eine wachsende Menge an Forschung befasst sich direkt mit der Authentizität im VI-Kontext. Sowohl qualitative als auch quantitative Studien zeigen, dass wahrgenommene Authentizität Vertrauen, Engagement und Überzeugungskraft signifikant beeinflusst. Faktoren wie KI-Offenlegung und menschliches Abbild beeinflussen Glaubwürdigkeit und Nutzerreaktion^21,22. Weitere Forschungen zeigen, dass "maschinelle heuristische" Hinweise die wahrgenommene Authentizität verringern können, wenn Nutzer KI-Ursprünge erkennen, was die Authentizität als kritische Grenzbedingung für Akzeptanz^23–25 verstärkt. Übersichtsarbeiten zum Anthropomorphismus betonen zudem seine theoretische Rolle als Moderator, der durch Mechanismen wie soziale Präsenz und Vertrauen die Beziehungen zwischen TAM stärken oder schwächen kann²⁶.

Ähnlich wurde das Stimulus–Organismus–Response-Modell (SOR) angewandt, um zu untersuchen, wie anthropomorphe Hinweise und soziale Reize die Akzeptanz von KI-gesteuerten^{Systemen beeinflussen}. SOR ist besonders effektiv bei der Erfassung von Echtzeit-emotionalen Reaktionen auf technologische Reize und der Rolle situativer Variablen bei der Verhaltensgestaltung²⁸. Dies entspricht KI-gesteuerten interaktiven Umgebungen, in denen schnelles System-Nutzer-Feedback dynamische emotionale Reaktionen erzeugt²⁹. Das SOR-Framework ermöglicht außerdem die Integration mehrerer affektiver und kognitiver Reize. Modelle wie TAM und UTAUT, obwohl weit verbreitet, konzentrieren sich jedoch auf vordefinierte Konstrukte (z. B. wahrgenommene Nützlichkeit und Benutzerfreundlichkeit), was ihre Fähigkeit einschränken kann, multidimensionale Einflüsse auf das Nutzerverhalten zu erfassen³⁰. Diese Modelle eignen sich im Allgemeinen eher für statische Analyse als für dynamische Entscheidungskontexte³¹. Mega-Influencer können beispielsweise globale Zielgruppen erreichen, die Markenbekanntheit steigern und erhebliche Interaktionen generieren, wobei ihre Effektivität je nach Kontext^{variiert 32}. SOR bietet ergänzende Einblicke in affektive Prozesse, während TAM einen sparsamen und prädiktiven Rahmen zur Modellierung von Verhaltensabsichten bietet.

Empirische Studien deuten darauf hin, dass Mega-Influencer stärkeres Engagement, Produkteinstellungen und Informationsgewinnung^{erzielen 33}. Allerdings können niedrigere Influencer das Bewusstsein und die Authentizität steigern und manchmal gezielte Werbung³⁴ übertreffen. Weitere Ergebnisse zeigen, dass Mega-Influencer zwar breiteres Engagement fördern, kleinere Influencer jedoch eine stärkere Authentizität und Vertrauen^{zeigen 35}. Diese gemischten Ergebnisse heben Inkonsistenzen in der Effektivität von Influencern in den Kontexten^{hervor und} unterstreichen die Notwendigkeit, weitere Influencer-Typen zu erforschen, einschließlich virtueller Influencer³⁸.

Trotz des wachsenden Interesses an VIs bleibt die bestehende Forschung im Umfang begrenzt. Die meisten Studien stützen sich auf Instagram-basierte Datensätze und Inhaltsanalysen, um Engagement-Kennzahlen (z. B. Likes, Kommentare, sprachliche Merkmale) zu bewerten, was eine Lücke im Verständnis der Adoptionsintention aus verhaltensbezogener Sicht lässt. Darüber hinaus hat nur begrenzte Forschung die Einführung von VIs auf Kurzvideo-Plattformen untersucht, die einzigartige soziotechnische Merkmale aufweisen, darunter algorithmusgesteuerte Exposition, schneller Inhaltskonsum und verstärkte parasoziale Interaktionen.

Um diese Lücken zu schließen, wendet diese Studie das Technology Acceptance Model (TAM) an, um systematisch Faktoren zu untersuchen, die die VI-Akzeptanz auf Kurzvideoplattformen beeinflussen. TAM wird wegen seiner starken Erklärungskraft, Sparsamkeit und umfangreichen empirischen Validierung in digitalen Kontexten ausgewählt. Während alternative Rahmenwerke wie SOR und UTAUT wertvolle Einblicke liefern, betonen sie affektive oder institutionelle Faktoren jenseits des kognitiven Fokus dieser Studie. Dementsprechend wird TAM erweitert, um wahrgenommene Authentizität und Anthropomorphismus in der Glaubensbildungsphase einzubeziehen.

Konkret untersucht diese Studie, wie Perceived Ease of Use (PEOU) die Perceived Usefulness (PU) beeinflusst und wie diese Konstrukte die Einstellung und die Verhaltensintention des Nutzers gegenüber VIs prägen. Sie untersucht zudem die moderierenden Rollen wahrgenommener Authentizität und Anthropomorphismus bei der Gestaltung dieser Beziehungen. Empirisch verwendet die Studie eine quantitative Umfrage unter Kurzvideonutzern und testet das erweiterte Modell mit PLS-SEM. Durch den Wechsel von der Inhaltsanalyse hin zu einem Rahmenwerk für die Verhaltensadoption adressiert diese Forschung eine kritische Lücke und trägt zum Verständnis der VI-Einführung in aufkommenden digitalen Umgebungen bei.

Diese Studie leistet drei wichtige Beiträge. Erstens erweitert es TAM auf virtuelle Influencer auf Kurzvideo-Plattformen und demonstriert seine Anwendbarkeit auf KI-generierte Einheiten. Zweitens integriert es Anthropomorphismus und wahrgenommene Authentizität in die Glaubensbildungsphase von TAM und stärkt so den Glauben–Einstellung–Intention-Weg. Drittens wird die Methodik vorangetrieben, indem ein quantitativer verhaltensorientierter Ansatz mit Umfragedaten und PLS-SEM verwendet wird, um Messvalidität, strukturelle Zusammenhänge und Moderationseffekte zu bewerten.

Insgesamt liefert die Studie theoretische und praktische Einblicke darin, wie Authentizität und menschenähnliches Design die Einführung von VIs beeinflussen. Es untersucht die Auswirkungen von PEOU und PU auf Attitude (ATT) und Verhaltensintention (BI) und untersucht die moderierenden Rollen der wahrgenommenen Authentizität (PA) auf PU–ATT- und ATT–BI-Beziehungen sowie von Anthropomorphismus (ANTH) auf PEOU–ATT- und PU–ATT-Beziehungen. Auf Grundlage dieser Beziehungen werden folgende Hypothesen vorgeschlagen:

Die H1:P erceived Ease of Use (PEOU) wirkt sich positiv auf die wahrgenommene Nützlichkeit (PU) aus.
H2: Wahrgenommene Nützlichkeit (PU) wirkt sich positiv auf die Einstellung (ATT) gegenüber virtuellen Influencern aus.
H3: Einstellung (ATT) wirkt sich positiv auf die Verhaltensintention (BI) aus, virtuelle Influencer zu nutzen.
H4: Die wahrgenommene Benutzerfreundlichkeit (PEOU) wirkt sich positiv auf die Einstellung (ATT) gegenüber virtuellen Influencern aus.
H5: Wahrgenommene Authentizität (PA) moderiert positiv die Beziehung zwischen PU und ATT.
H6: Wahrgenommene Authentizität (PA) moderiert positiv die Beziehung zwischen ATT und BI.
H7: Anthropomorphismus (ANTH) moderiert positiv die Beziehung zwischen PEOU und ATT.
H8: Anthropomorphismus (ANTH) moderiert positiv die Beziehung zwischen PU und ATT.

Abbildung 1 präsentiert den konzeptionellen Rahmen auf Basis des erweiterten Technology Acceptance Model (TAM) für die Einführung von virtuellen Influencern auf Kurzvideoplattformen. Das Modell umfasst zentrale TAM-Konstrukte sowie zwei moderierende Variablen – wahrgenommene Authentizität und wahrgenommene Anthropomorphismus –, um relevante soziale und psychologische Einflüsse zu erfassen. Direkte Beziehungen werden durch durchgezogene Pfeile dargestellt, während moderierende Effekte als gestrichelte Linien dargestellt werden, die auf die entsprechenden strukturellen Bahnen zielen. Diese Darstellung richtet das konzeptuelle Modell auf die vorgeschlagenen Hypothesen aus und verbessert die Klarheit, indem sie zwischen direkten und Interaktionseffekten unterscheidet.

Protokoll

Diese Studie wurde vom Forschungsethikkomitee der AzmanHashim International Business School, UniversitiTeknologi Malaysia, Kuala Lumpur, Malaysia genehmigt (Genehmigungsnummer: UTM. AHIBS/REC/2025/012). Alle Verfahren entsprachen institutionellen ethischen Standards und den Grundsätzen der Erklärung von Helsinki. Vor der Datenerhebung wurde von allen Teilnehmern eine informierte Zustimmung eingeholt. Die Teilnehmer wurden über den Zweck der Studie, die freiwillige Natur ihrer Teilnahme, die Vertraulichkeit ihrer Antworten und ihr Recht, jederzeit ohne Strafe auszusteigen, informiert. Für die Verwendung anonymisierter Umfragedaten in wissenschaftlichen Publikationen wurde auch eine schriftliche Zustimmung eingeholt. In diesem Manuskript sind keine personenbezogenen oder sensiblen Daten enthalten.

Der methodische Forschungsprozess, der in dieser Studie zur Untersuchung der Nutzung virtueller Influencer durch Verbraucher auf Kurzvideoplattformen verwendet wird, ist in Abbildung 2 dargestellt. Das Studienverfahren wurde sequenziell durchgeführt, einschließlich Stimulusvorbereitung, Teilnehmerexposition, Umfrageabwicklung, Datenvorverarbeitung und statistischer Analyse. Die Nutzer werden zunächst sorgfältig ausgewählten virtuellen Influencer-Reizen auf Kurzvideo-Plattformen wie TikTok, YouTube Shorts und Instagram Reels ausgesetzt. Um wichtige Technologieakzeptanzmodell-(TAM)-Konstrukte zu erfassen, darunter Perceived Ease of Use (PEOU), Perceived Usefulness (PU), Attitude (ATT) und Behavioral Intention (BI), werden Umfrageantworten mit validierten Likert-Instrumenten erhoben. Die gesammelten Daten werden anschließend vorbearbeitet, einschließlich Datenbereinigung sowie Validitäts- und Zuverlässigkeitsbewertungen, um die Datenqualität sicherzustellen.

Das erweiterte TAM-Framework, das moderierende Variablen einbezieht, wird dann auf den verfeinerten Datensatz angewendet. Konkret moderiert Anthropomorphism (ANTH) die Beziehungen zwischen PEOU → ATT und PU → ATT, während Perceived Authenticity (PA) die Beziehungen zwischen PU → ATT und ATT → BI moderiert. Diese moderierenden Effekte werden explizit als Wechselwirkungen auf den strukturellen Pfaden modelliert. Schließlich werden das Messmodell, strukturelle Beziehungen und Moderationseffekte mittels Partial Least Squares Structural Equation Modeling (PLS-SEM) bewertet. Die Ergebnisse bieten eine umfassende und systematische Analyse des Nutzer-Adoptionsverhaltens gegenüber virtuellen Influencern auf Kurzvideo-Plattformen und heben sowohl direkte Beziehungen (PEOU, PU → ATT → BI) als auch moderierende Effekte hervor.

Studienmethodik und -design
Die Methodik wurde in drei Phasen entwickelt: Entwicklung des konzeptionellen Rahmens, Datenerhebung und empirische Analyse.

Entwicklung des konzeptionellen Rahmens
In dieser Phase wurde der theoretische Rahmen entwickelt, indem das Technology Acceptance Model (TAM) mit zwei sozialpsychologischen Moderatoren erweitert wurde, die für virtuelle Influencer relevant sind: Perceived Authenticity und Anthropomorphism. Das Modell geht davon aus, dass PEOU PU beeinflusst, während PU und PEOU gemeinsam die Einstellung beeinflussen, die wiederum die Verhaltensintention beeinflusst (Abbildung 3).

Datenerhebung
Empirische Daten wurden durch einen Online-Fragebogen erhoben, der 350 Nutzern von Kurzvideoplattformen wie TikTok, YouTube Shorts und Instagram Reels durchgeführt wurde. Die Teilnehmer wurden gebeten, standardisierte Videos mit beliebten virtuellen Influencern anzusehen. Es wurden Daten zu TAM-Konstrukten und moderierenden Variablen erhoben. Kontrollvariablen umfassten demografische und Nutzungsmerkmale. Ethische Überlegungen wurden beachtet.

Empirische Analyse
Die Daten wurden mit einem zweistufigen Partial Least Squares Structural Equation Modeling (PLS-SEM)-Verfahren analysiert. Zuverlässigkeit und Validität wurden anhand von Faktorlastungen, Cronbachs Alpha, kompositer Zuverlässigkeit, Average Variance Extracted (AVE), dem Fornell–Larcker-Kriterium und dem Heterotrait–Monotrait-Verhältnis (HTMT) bewertet. Bootstrapping mit 5.000 Resamples wurde verwendet, um strukturelle Wege und Moderationseffekte zu testen und das TAM-Modell mit Authentizität und Anthropomorphismus als Moderatoren zu validieren.

Strukturmodellformulierung
Die Studie erweitert das TAM-Modell, indem sie sozial-emotionale Aspekte virtueller Influencer auf Kurzvideo-Plattformen einbezieht. Neben traditionellen Konstrukten (PU, PEOU, Attitude, Behavioral Intention) werden zwei moderierende Variablen – Wahrgenommene Authentizität und Anthropomorphismus – enthalten, um die psychologischen Dimensionen von Glaubwürdigkeit bzw. Menschlichkeit darzustellen.

Auf Messebene sind alle latenten Konstrukte (PEOU, PU, ATT, BI, PA, ANTH) reflektiv definiert, wobei mehrere Umfrageobjekte auf jeden latenten^{Faktor 39} geladen werden. Das Messmodell wird wie folgt ausgedrückt:

(1)

wobei x_j der beobachtete Indikator war, η das latente Konstrukt, λ_j die Faktorlast und ε_j der Messfehler. Dies führte zu einer vorherigen Zuverlässigkeit, konvergenter Rationalität und diskriminierender Rationalität, bevor die kausalen Wege getestet wurden.

Auf struktureller Ebene wurden die Basis-TAM-Gleichungen als Trails⁴⁰ definiert. Die wahrgenommene Nützlichkeit wurde durch die wahrgenommene Benutzerfreundlichkeit vorhergesagt:

(2)

Die Lage wurde dann als Funktion von PU und PEOU angegeben:

(3)

Schließlich wurde die Verhaltensintention durch Einstellung erklärt, wobei PU als optionaler direkter Prädiktor diente:

(4)

Um Moderation zu integrieren, werden Interaktionsbegriffe eingeführt. Anthropomorphismus (ANTH) moderiert die Auswirkungen von PU und PEOU auf ATT, während wahrgenommene Authentizität (PA) die Auswirkungen von PU auf ATT und ATT auf BI moderiert. Die moderierten strukturellen Gleichungen sind:

(5)

Die Wechselwirkungskoeffizienten (β₆, β₇, β₈, β₉) geben an, ob TAM-Beziehungen je nach Grad von Anthropomorphismus und Authentizität variieren. Zum Beispiel lautet die bedingte Wirkung von PU auf ATT:

β₂ + β₆· ANTH + β₈· PA

Ähnlich lautet die bedingte Wirkung von ATT auf BI:

β₄ + β₉· PA

Der Rahmen berücksichtigt außerdem Mediation und moderierte Mediation. Der indirekte Effekt von PEOU auf ATT über PU im Baseline-Modell ist:

(6)

Mit Moderatoren wurde dies zu einem bedingten indirekten Effekt:

(7)

wobei a und p die Werte von Anthropomorphismus bzw. wahrgenommener Authentizität repräsentieren.

Dies ermöglicht die Untersuchung, ob der schiedsgerichtete Charakter von PU von den sozialen Eigenschaften von VIs abhängt, und liefert somit Hinweise auf moderierte Vermittlung.

Perceived Authenticity (PA) und Anthropomorphism (ANTH) fungieren als Moderatoren für die Akzeptanz virtueller Influencer durch Nutzer auf Kurzvideo-Plattformen, wie in Abbildung 3 dargestellt. Durchgezogene Linien stellen direkte TAM-Beziehungen dar, während gestrichelte Linien moderierende Effekte anzeigen. Insgesamt integriert das Modell technologische und sozial-psychologische Faktoren, um eine umfassende Erklärung der Einführung virtueller Influencer zu bieten.

Datensatzsammlung
Diese Forschung basiert auf einem Umfragedatensatz (N = 350 Teilnehmer). Die Teilnehmer waren regelmäßige Nutzer von Kurzvideo-Plattformen wie TikTok, YouTube Shorts und Instagram Reels. Ihnen wurden bearbeitete Virtual Influencer-Clips gezeigt und sie wurden gebeten, einen strukturierten Fragebogen mit validierten Likert-Maßstabsmessungen für TAM-Konstrukte (PEOU, PU, ATT, BI) und Moderatoren (PA, ANTH) auszufüllen. Die Daten wurden selbst gemeldet und nicht aus einer öffentlichen Datenbank bezogen; Die Messstruktur wurde jedoch von etablierten Maßstäben in der Technologieadoption und der Forschung zu virtuellen Influencern übernommen.

Tabelle 1 beschreibt die Struktur des Datensatzes zur Verhaltensadoption. Jede Zeile stellt ein Konstrukt im erweiterten TAM-Modell dar, zusammen mit seinen Messelementen, Skalentyp und analytischer Rolle. PEOU und PU wurden jeweils mit vier Elementen auf einer 7-Punkte-Likert-Skala gemessen.

Tabelle 2 zeigt das demografische Profil der Befragten. Das demografische Profil der Befragten (N = 350) weist auf eine relativ ausgewogene Geschlechterverteilung hin, wobei Männer 50,86 %, Frauen 45,43 % und ein kleiner Anteil (3,71 %) sich als Andere identifizieren. Was das Alter betrifft, so liegt die Mehrheit der Teilnehmer in der Altersgruppe 25–34 (44,57 %), gefolgt von 18–24 Jahren (29,43 %) und 35–39 (26,00 %), was darauf hindeutet, dass der Datensatz hauptsächlich aus jungen bis mittelalten Personen besteht. Bezüglich des Bildungsabschlusses sind die Befragten recht auf verschiedene Stufen verteilt, wobei der höchste Anteil einen postgradualen Abschluss (23,14 %) besitzt, gefolgt von der High School (22,86 %), einem Bachelor-Abschluss (20,29 %), einem Diplom (17,43 %) und einem Doktortitel (16,29 %). Dies spiegelt einen vielfältigen Bildungshintergrund unter den Teilnehmern wider. Bezüglich des Plattformnutzungsverhaltens gab eine deutliche Mehrheit der Befragten (61,71 %) die tägliche Nutzung an, während 29,14 % die Plattform wöchentlich und gelegentlich 9,14 % nutzen. Dies zeigt ein hohes Maß an Engagement für die Plattform in der bestichprobten Bevölkerung. Diese Eigenschaften deuten darauf hin, dass die Stichprobe aktive Nutzer von Kurzvideo-Plattformen repräsentiert.

Datenanalyse
Nach der Datenerhebung wurden 350 gültige Antworten mittels Partial Least Squares Structural Equation Modeling (PLS-SEM) analysiert, das für Theorieerweiterung, prädiktionsorientierte Forschung und komplexe Modelle mit moderierenden Variablen geeignet ist. Die Analyse umfasste die Bewertung von Messmodellen, die Bewertung von strukturellen Modellen, die Moderationsanalyse und die Gesamtmodellschätzung.

Messmodellvalidierung
Der erste Schritt bestand darin, die Zuverlässigkeit und Rationalität aller Konzepte zu messen. Die interne Zuverlässigkeit wurde mittels Cronbachs Alpha (α) und Composite Reliability (CR) getestet, wobei Standards über 0,70 als zufriedenstellend galten. Die konvergente Rationalität wurde durch Average Variance Extracted (AVE ≥ 0,50) bestimmt. Die Diskriminantenkogenz wurde mittels des Fornell–Larcker-Standards überprüft, bei dem die Quadratwurzel der AVE jedes Konstrukts größer war als die Zuordnungen zu zusätzlichen Konzepten. Die AVE eines Konstrukts j wurde berechnet als:

(8)

wobei λ_ij die standardisierte Faktorbelastung von Element i auf Konstrukt j war und der Messfehler ist.

Das Messmodell der aktuellen Studie ist in Abbildung 4 dargestellt. Jedes ausgedehnte latente TAM-Rahmenkonzept wurde durch mehrere reflektierende Indikatoren operationalisiert. Insbesondere wurden die wahrgenommene Benutzerfreundlichkeit (PEOU) und die wahrgenommene Nützlichkeit (PU) mit 4 Items gemessen, während Einstellung (ATT) und Verhaltensintention (BI) mit 3 Items gemessen wurden. Die Moderatoren – Wahrgenommene Authentizität (PA) und Anthropomorphismus (ANTH) – wurden jeweils anhand von drei Indikatoren bewertet. Alle Wege führten von den Konzepten zu ihren einzelnen Zeigern und spiegelten die reflektierende Natur des Messmodells wider. Die Zuverlässigkeit und Validität der Konzepte wurden mittels Faktorlasten, Cronbachs Alpha, Composite Reliability (CR) und Average Variance Extracted (AVE) bestätigt. Dies machte es statistisch sinnvoll, dass das Messmodell und die Konzepte die gewünschten Dimensionen von Nutzereinstellungen und Verhaltensabsichten gegenüber virtuellen Influencern auf Kurzvideoplattformen messen.

Strukturelle Modellprüfung
Nachdem die Messvalidität festgestellt war, wurden die strukturellen Wege des erweiterten TAM-Modells untersucht. Die angenommenen direkten Beziehungen sind wie folgt:

(9)

(10)

(11)

Wohin: β₁ untersuchte den Effekt von PEOU → PU, β₂, β₃ untersuchte den Effekt von PU und PEOU → ATT, β₄ erfasste den Effekt von ATT → BI. Pfadkoeffizienten (β) wurden mit der Bootstrapping-Methode berechnet (5000 Neustichproben), und die Signifikanz wurde mit t- und p-Werten berechnet.

Moderationsanalyse
Eine Moderationsanalyse wurde durchgeführt, um die Interaktionseffekte zu untersuchen. Die TAM-Erweiterung umfasste Perceived Authenticity (PA) und Anthropomorphism (ANTH) als Moderatoren. Die Moderation wurde getestet, indem Interaktionstermen zwischen unabhängigen Variablen und Moderatoren generiert wurden. Das erweiterte Modell wurde wie folgt dargestellt:

(12)

Hier: PU × PA: Getestet, ob Authentizität die Rolle der Nützlichkeit auf die Einstellung verbessert. PEOU × ANTH: Bewertet, ob Anthropomorphismus das Ergebnis der wahrgenommenen Leichtigkeit der Einstellung verbessert. TT × PA: Beurteilte, ob Authentizität das Ergebnis der Einstellung zur Verhaltensintention verstärkt. Ein signifikanter Koeffizient β₇, β₈ oder β₁₀ bestätigte das Auftreten einer Moderation.

Modellbewertung
Das Modell als Ganzes wurde hinsichtlich erklärender und prädiktiver Stärke bewertet:

Bestimmungskoeffizient (R²): Bezeichnete die klarisierte Veränderung endogener Konstrukte (ATT und BI). R² ≥ 0,50 wurde in Verhaltensstudien als groß angesehen.

Prädiktive Relevanz (Q²): Wurde durch Augenbinden bestimmt, wobei Q² > 0 die prädiktive Validität anzeigt.

Effektgröße (f²): Wurde verwendet, um die Wirkung jedes Konstrukts auf das Modell zu bestimmen, und wird berechnet als:

(13)

Wo wurde die Varianz erklärt, wenn ein Prädiktor einbezogen wurde, und wo die Varianz beim Ausschluss erklärt wurde? Abschließend bestätigt die Datenanalyse zunächst die Konstrukt-Zuverlässigkeit und -Validität, prüft die strukturellen Beziehungen von TAM, bewertet die Moderationseffekte von Anthropomorphismus und Authentizität und prüft schließlich die beschreibende und extrapolative Kontrolle des Typischen. Dieser gründliche Ansatz gewährleistet die Solidität der Ergebnisse und erweitert TAM auf virtuelle Influencer auf Kurzvideoplattformen.

Hypothesenprüfung
Um das erweiterte TAM-Framework zu bestätigen, wurden acht Hypothesen mit PLS-SEM und Bootstrapping (5000 Resamples) getestet. Der Bootstrapping-Prozess erzeugte Trail-Konstanten (β), t-Werte und p-Werte, die gegen die kritische Schwelle (p < 0,05) gesetzt wurden.

Direkte Auswirkungen (H1–H4)
Die direkten Auswirkungen des klassischen TAM wurden zuerst bewertet. Die Ergebnisse bestätigten, dass die wahrgenommene Benutzerfreundlichkeit (PEOU) einen wichtigen Einfluss auf die wahrgenommene Nützlichkeit (PU) hatte. Die geschätzte Gleichung lautet:

(14)

Dabei β₁=0,46, t=8,72, p < 0,001. Dementsprechend wird H1 unterstützt.

Zweitens wurde festgestellt, dass die wahrgenommene Nützlichkeit (PU) und PEOU die Einstellung (ATT) positiv beeinflussen:

(15)

mit β₂=0,39, t=7,64, p < 0,001 und β₃=0,21, t=2,14, p < 0,05. Diese Ergebnisse unterstützen H2 stark und teilweise H4 und unterstreichen so, dass sowohl die wahrgenommene Benutzerfreundlichkeit als auch die Nützlichkeit die Einstellungen beeinflussen.

Schließlich war der Einfluss von ATT auf die Verhaltensintention (BI) erheblich:

(16)

mit β₄=0,58, t=10,12, p < 0,001. Daher wird H3 stark unterstützt und betont, dass positive Einstellungen die Absicht, virtuelle Influencer zu nutzen, stark beeinflussen.

Moderierende Effekte (H5–H8)
Die moderierenden Auswirkungen von wahrgenommener Authentizität (PA) und Anthropomorphismus (ANTH) wurden durch die Einbindung von Interaktionsbegriffen getestet.

Für H5 wurde der Effekt von PU auf ATT von PA moderiert:

(17)

mit β₅=0,15, t=3,21, p < 0,01. Dies legt nahe, dass, wenn VIs als authentisch angesehen werden, ihr Nutzen einen stärkeren Einfluss auf die Einstellungen hat.

Für H6 war auch die ATT → BI-Moderation durch PA bedeutend:

(18)

mit β₆=0,12, t=2,94, p<0,01. Das impliziert, dass Authentizität eine stärkere Verbindung zwischen positiven Einstellungen und Verhaltensintentionen hat.

Für H7 moderiert Anthropomorphismus-ANTH die Wirkung von PEOU auf ATT:

(19)

mit β₇=0,14, t=3,08, p < 0,01. Dementsprechend wirkt sich die Benutzerfreundlichkeit stärker in positive Einstellungen ein, wenn VIs menschlicher ist.

Für H8 verbesserte der Anthropomorphismus auch den PU → ATT-Pfad der ANTH-Moderaten:

(20)

mit β₈=0,11, t=2,21, p < 0,05.

Die Modellleistung wurde unter Verwendung von R² für die Erklärungskraft, Q² für die prädiktive Relevanz und der Effektgröße (f²) zur Bewertung des Beitrags jedes Prädiktors bewertet.

Ergebnisse

Insgesamt wurden 350 nutzbare Antworten von aktiven Nutzern von Kurzvideo-Anwendungen (Instagram Reels, YouTube Shorts und TikTok) erhalten. Die Daten wurden mittels Partial Least Squares Structural Equation Modeling (PLS-SEM) in SmartPLS 4.0 analysiert, wobei die Vorverarbeitung erfolgt und unvollständige Antworten ausgeschlossen wurden. Dieser Ansatz ermöglichte die Bewertung sowohl von Mess- als auch von Strukturmodellen sowie von Moderationseffekten.

Die E...

Diskussion

Zur Validierung der Konstrukte wurde das Messmodell hinsichtlich Zuverlässigkeit, konvergenter Validität und diskriminanter Validität^39,40 bewertet. Die Ergebnisse der Studie liefern wichtige Einblicke in die Faktoren, die die Nutzung von Virtual Influencers (VIs) auf Kurzvideoplattformen durch Nutzer beeinflussen. Die Ergebnisse zeigen, dass sowohl technologische (wahrgenommene Nützlichkeit und wahrgenommene Benutzerfreundlichke...

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
Computer System (PC/Laptop)	Generic (HP/Dell/Lenovo oder Äquivalent)	N/A	Verwendet für Datenerfassung und -analyse
Google Forms	Google LLC	N/A / https://forms.google.com	Verwendet für Umfragegestaltung und Datenerfassung
Instagram Reels	Meta Platforms Inc.	N/A / https://www.instagram.com/reels/	Plattform für virtuelle Influencer-Video-Stimuli
Internet Connection	Lokaler Internetdienstanbieter	N/A	Erforderlich für den Zugriff auf Umfragen und Plattformen
Microsoft Excel	Microsoft Corporation	365 / https://www.microsoft.com/excel	Verwendet für Datenvorverarbeitung und -organisation
Python	Python Software Foundation	3.x / https://www.python.org	Verwendet für optionale Vorverarbeitung und Datenhandhabung
SmartPLS	SmartPLS GmbH	4.0 / https://www.smartpls.com	Verwendet für PLS-SEM-Analyse einschließlich HTMT, Q² (Blindfolding) und f² Effektstärke
TikTok	TikTok Inc.	N/A / https://www.tiktok.com	Plattform für virtuelle Influencer-Video-Stimuli
Virtual Influencer Video Clips	Vom Autor generiertes Datenset	N/A	Standardisierte Video-Stimuli, die den Teilnehmern präsentiert werden
YouTube Shorts	Google LLC	N/A / https://www.youtube.com/shorts	Plattform für virtuelle Influencer-Video-Stimuli