Kurzform-Drama-Umgebungen bieten dichte Verstärkungsbedingungen durch ultrakurze Episoden und häufige Wiedereintrittsphasen. Mit einem S-O-R-Modell und PLS-SEM untersuchte diese Studie die Fortsetzungsintention bei Nutzern von Kurzform-Drama. Die Ergebnisse zeigen, dass affektive Zufriedenheit positiv mit Gewohnheit assoziiert war, und Gewohnheit positiv mit Fortsetzungsintention.
Forschungsartikel
Von affektiver Befriedigung zur Gewohnheit: Verstärkungsdynamik bei kurzformiger Drama-Beteiligung
In diesem Artikel
Zusammenfassung
Zusammenfassung
Kurzformat-Drama-Umgebungen haben sich als strukturell eigenständige digitale Umgebungen hervorentwickelt, die durch ultrakurze Episoden, hochfrequente Wiedereintritt und algorithmisch verstärkte Exposition gekennzeichnet sind. Während frühere Fortsetzungsforschungen Zufriedenheit und Gewohnheit als parallele Prädiktoren für anhaltenden Gebrauch untersucht haben, ist wenig darüber bekannt, wie komprimierte Verstärkungszyklen, eingebettet in Kurzform-Ökosysteme, die den Zusammenhang zwischen affektiven Reaktionen und gewohnheitsmäßiger Beteiligung unter Bedingungen dichter Verstärkung stärken können. Basierend auf dem Stimulus-Organismus-Response-(S-O-R)-Framework schlägt diese Studie ein strukturell verstärktes Gewohnheitsbildungsmodell vor, bei dem Umweltreize (Zugangsbequemlichkeit, Zeitvergehen und Inhaltsqualität) die affektive Befriedigung beeinflussen, die wiederum mit gewohnheitsmäßigem Engagement und Fortsetzungsintention verbunden ist. Anhand von Querschnittsdaten von 260 Kurzform-Drama-Nutzern, analysiert mit partiellen Kleinste-Quadrat-Strukturgleichungsmodellierungen (PLS-SEM), zeigen die Ergebnisse, dass affektive Zufriedenheit signifikant mit der Gewohnheitsbildung verbunden ist und dass Gewohnheit als dominanter Treiber der Fortsetzungsintention hervorgeht. Quantitativ waren Inhaltsqualität (β = 0,448, S. < 0,001) und Übergangszeit (β = 0,385, S. < 0,001) die stärksten Prädiktoren der affektiven Befriedigung, was Gewohnheit (β = 0,686, S. < 0,001) und Fortsetzungsabsicht (β = 0,496, S. < 0,001) stark vorhersagte. Gewohnheit trug zudem zur Fortsetzungsintention bei (β = 0,393, S. < 0,001), wobei das Modell 61,0 % bzw. 68,9 % der Varianz bei affektiver Zufriedenheit und Fortsetzungsintention erklärte. Theoretisch fördert diese Studie die strukturell komprimierte Engagement-Forschung, indem sie kurzformige strukturelle Merkmale als kontextuelle Verstärkungsbedingungen konzipiert, die die Verbindung zwischen Zufriedenheit und Gewohnheit stärken. Praktisch deuten die Ergebnisse darauf hin, dass mikro-episodisches Design und schnelle Wiedereintrittsmechanismen eine entscheidende Rolle bei der Stabilisierung der Verhaltenskontinuität in Kurzdrama-Ökosystemen spielen. Da die Studie ein Querschnittsbefragungsdesign verwendete, sollten die Ergebnisse als korrelative Belege für Zusammenhänge zwischen digitalen Erfahrungsfaktoren, affektiver Zufriedenheit, Gewohnheit und Fortsetzungsintention interpretiert werden und nicht als Hinweise auf kausale oder zeitliche Veränderungen.
Einleitung
Die globale digitale Unterhaltungslandschaft hat sich mit der raschen Ausbreitung von Kurzformat-Content-Plattformen grundlegend verändert. Angetrieben von mobile-first-Konsumgewohnheiten, algorithmischen Empfehlungssystemen und zunehmend fragmentierten Mustern der Mediennutzung haben sich Kurzform-Dramen zu einem der am schnellsten wachsenden Unterhaltungsformate weltweitentwickelt 1,2. Im Gegensatz zu traditionellen Streaming-Diensten, die auf längere Sehzeiten setzen, liefern Kurzfilm-Drama-Plattformen ultrakurze Episoden, die für schnellen Konsum und häufige Wiedereinstiege im Laufe des Tages konzipiert sind. Da diese Plattformen tief in den alltäglichen digitalen Alltag verankert sind, ist das Verständnis der psychologischen Mechanismen, die die Nutzerbindung aufrechterhalten, zu einer immer wichtigeren Forschungspriorität geworden.
Trotz der wachsenden Beliebtheit von Kurzform-Dramen bleibt die bestehende Fortsetzungsforschung weitgehend auf traditionellen digitalen Unterhaltungsumgebungen und Informationssystem-Fortsetzungsforschung3 wie Online-Streaming-Diensten, Video-on-Demand-Plattformen und Social-Media-Anwendungen verankert. Kurzform-Drama-Ökosysteme besitzen jedoch mehrere charakteristische strukturelle Merkmale – darunter ultrakurze episodische Formate, hochfrequente Wiedereintrittsmöglichkeiten und algorithmisch verstärkte Exposition –, die dichte Verstärkungszyklen erzeugen, die die Nutzer wiederholt emotional lohnenden Inhalten innerhalb komprimierter Interaktionssequenzen aussetzen (1,4,5. Folglich können psychologische Prozesse, die dem Engagement in Kurzdrama-Umgebungen zugrunde liegen, erheblich von denen abweichen, die in traditionellen Streaming-Kontexten beobachtet werden.
Eine weitere Einschränkung der vorherigen Forschung ist, dass Zufriedenheit und Gewohnheit (HB) typischerweise als parallele Prädiktoren der Fortsetzungsintention (CI) in der Forschung zur Fortsetzung von Informationssystemen konzipiertwurden. 6. Obwohl beide Konstrukte durchweg bedeutende Erklärungskraft gezeigt haben, wurde relativ wenig Aufmerksamkeit darauf verwendet, zu verstehen, wie sich affektive Zufriedenheit (as) durch wiederholte Verstärkungserfahrungen allmählich zu gewohnheitsmäßigem Engagement entwickeln kann. Insbesondere bleibt unklar, wie strukturell komprimierte digitale Umgebungen den affektiv-zu-verhaltensbezogenen Weg beeinflussen, der emotionale Befriedigung mit automatischen Nutzungsmustern verknüpft. Infolgedessen bleibt der psychologische Prozess, durch den positive affektive Erfahrungen zu einer gewohnheitsmäßigen Beteiligung werden, weiterhin unzureichend verstanden.
Um diese Lücke zu schließen, entwickelt und testet die vorliegende Studie ein verstärktes Modell zur Gewohnheitsbildung innerhalb des Stimulus-Organismus-Response-(S-O-R)-Rahmens. Konkret schlagen wir vor, dass digitale Erfahrungsfaktoren die Fortsetzungsintention durch einen sequentiellen affektiv-behavioralen Prozess beeinflussen, bei dem affektive Befriedigung die Gewohnheitsbildung fördert, was wiederum die Fortsetzungsintention vorhersagt. Durch die Untersuchung dieses Mechanismus im Kontext des Konsums von Kurzform-Drama erweitert diese Studie die Fortsetzungstheorie über statische Erklärungen nach der Einführung hinaus und fördert das Verständnis dafür, wie strukturell komprimierte digitale Umgebungen nachhaltige Nutzerbindung prägen.
Basierend auf der identifizierten Forschungslücke vermuten wir, dass die Fortsetzungsintention in strukturell komprimierten Kurzform-Drama-Umgebungen durch einen sequentiellen affektiv-behavioralen Verstärkungsprozess geprägt wird. Konkret erhöhen digitale Erfahrungsfaktoren die affektive Zufriedenheit, die affektive Zufriedenheit erleichtert die Gewohnheitsbildung, und Gewohnheit verstärkt folglich die Fortsetzungsintention. Diese zentrale Hypothese leitet das vorgeschlagene Forschungsmodell und die empirische Untersuchung, die in dieser Studie präsentiert wird.
Im Gegensatz zu früheren Anwendungen des S-O-R-Rahmens verwendet diese Studie das S-O-R-Framework7, um zu untersuchen, wie Umweltreize interne affektive Zustände und anschließende Verhaltensreaktionen in strukturell komprimierten Medienökosystemen beeinflussen. Wir schlagen vor, dass digitale Erfahrungsfaktoren die Fortsetzungsintention durch einen sequentiellen Prozess beeinflussen, bei dem affektive Befriedigung die Gewohnheitsbildung fördert, die wiederum die Fortsetzungsintention vorhersagt. Der Rahmen wurde in der Forschung zum digitalen Handel, sozialen Medien und Online-Unterhaltung weit verbreitet angewendet, um zu erklären, wie Umweltmerkmale das Nutzerengagement und die Verhaltenspersistenz beeinflussen 8,9. Die Forschung zur Einführung von Verbrauchertechnologien hat ähnlich die Rolle von erfahrungsbasierten Faktoren bei der Gestaltung der fortgesetzten Technologienutzungbetont 10. In digitalen Umgebungen fungieren erfahrungsbezogene Merkmale als Umweltreize, die emotionale Reaktionen auslösen und das Verhalten nach der Adoption prägen.
In der vorliegenden Studie werden digitale Erfahrungen – bestehend aus Zugangskomfort (AC), Zeitvertreibmotivation (PT) und wahrgenommener Inhaltsqualität (CQ) – als Umweltreize konzipiert. Zugänglicher Komfort spiegelt die wahrgenommene Mühelosigkeit und Flüssigkeit wider, die mit der Initiierung der Mediennutzung verbunden ist, was wiederum mit erfahrungsbasierter Kontrolle verbunden ist und die kognitive Belastungreduziert 11,12. Zeitvertreib steht für freizeitorientierte Motivation in fragmentierten zeitlichen Kontexten, ein wesentlicher Treiber für mobile Medienbindung13,14. Die wahrgenommene Inhaltsqualität erfasst narrative Immersion, Relevanz und Unterhaltungswert, die entscheidende Faktoren für die Nutzerzufriedenheit in digitalen Medienkontextensind 15. Zusammen prägen diese erfahrungsbezogenen Reize die affektiven Bewertungen der Nutzer während der Medieninteraktion.
Affektive Befriedigung stellt den organismischen Zustand im S-O-R-Rahmenwerk dar. Die Zufriedenheit spiegelt die allgemeine emotionale Einschätzung ihrer Erfahrung durch die Nutzer wider und wurde konsequent als primärer Prädiktor für die Fortsetzungsabsicht in Post-Adoptions-Kontexten identifiziert 3,16. In hochfrequenten und repetitiven Nutzungsumgebungen reicht die Zufriedenheit allein jedoch möglicherweise nicht aus, um anhaltendes Engagement zu erklären. Wiederholte positive affektive Erfahrungen können die Verbindung zwischen Engagement und gewohntem Verhalten stärken.
Gewohnheitsbildung bietet eine ergänzende Erklärung für die Verhaltenspersistenz. Gewohnheit bezieht sich auf erlernte automatische Verhaltensweisen, die durch kontextuelle Hinweise durch wiederholte vorherige Handlungen ausgelöst werden 6,17. In der Informationssystemforschung wurde die Gewohnheit als entscheidender Faktor für die fortgesetzte Nutzung von Technologie jenseits der bewussten Intentionidentifiziert 6. In Kurzform-Dramakonsumkontexten können häufige Mikro-Engagements, die in den Alltag eingebettet sind, die Entwicklung von gewohnheitsmäßiger Wiederholung fördern. Mit zunehmender Gewohnheit wird das Verhalten weniger abhängig von aktiver kognitiver Evaluation und widerstandsfähiger gegenüber situativen Variabilitäten, wodurch die Fortsetzungsintention gestärkt wird.
Durch die Integration digitaler Erfahrungen, affektiver Befriedigung und Gewohnheitsbildung in einen sequentiellen Mediationsrahmen fördert diese Studie das theoretische Verständnis nachhaltiger Beteiligung in kurzformigen Dramakontexten. Konkret schlagen wir vor, dass digitale Erfahrungen die Fortsetzungsintention über einen zweistufigen affektiv-verhaltensbezogenen Weg beeinflussen: Erfahrungsreize erhöhen die affektive Zufriedenheit, was wiederum die Gewohnheitsbildung fördert und letztlich die Fortsetzungsintention verstärkt.
Anhand von Umfragedaten von 260 Kurzdruck-Drama-Nutzern und PLS-SEM untersucht diese Studie empirisch diesen sequentiellen Mediationsmechanismus. Theoretisch erweitert es den S-O-R-Rahmen, indem es Gewohnheit als Verstärkungsmechanismus einbezieht und empirische Belege für den sequentiellen affektiv-habitualen Weg in kurzformigen digitalen Umgebungen liefert.
Das S-O-R-Framework geht davon aus, dass Umweltreize innere psychologische Zustände beeinflussen, die wiederum Verhaltensreaktionen prägen. In dieser Studie werden Zugangsbequemlichkeit, Zeitverlauf und Inhaltsqualität als Reize konzipiert; affektive Befriedigung und Gewohnheit repräsentieren organismische Prozesse; und Fortsetzungsintention stellt die Verhaltensreaktion dar.
Affektive Zufriedenheit spiegelt die allgemeine emotionale Bewertung ihrer Medienerfahrung durch die Nutzer wider und wurde konsequent mit der Fortsetzungsintention assoziiert. In hochfrequenten digitalen Umgebungen können wiederholte positive affektive Erfahrungen ebenfalls zur Gewohnheitsbildung beitragen. Frühere Forschungen in digitalen Medien und Streaming-Kontexten legen nahe, dass affektive Befriedigung als zentraler organismischer Zustand fungiert, der Plattformstimuli mit fortsetzungsbezogenen Reaktionen verbindet18. Basierend auf dem vorgeschlagenen theoretischen Rahmen und früherer Literatur werden folgende Hypothesen vorgeschlagen.
Zugänglichkeit bezieht sich auf die wahrgenommene Leichtigkeit, digitale Inhalte zugänglich zu machen. Laut dem S-O-R-Framework beeinflussen Umweltreize die affektiven Bewertungen der Nutzer. Studien zur Servicebenutzerfreundlichkeit legen außerdem nahe, dass reduzierte Zeit- und Aufwandskosten den wahrgenommenen Wert und die Zufriedenheit bei Servicetreffen erhöhen10. Dementsprechend wird angenommen, dass die Bequemlichkeit des Zugangs die affektive Befriedigung (H1) positiv beeinflusst.
Zeitvertreib ist eine freizeitorientierte Motivation für den Konsum von Kurzform-Inhalten. Frühere Forschungen legen nahe, dass zeitorientierte Konsummotive positive emotionale Reaktionen hervorrufen und die Zufriedenheit erhöhen. Daher vermuten wir, dass das Vergehen der Zeit die affektive Befriedigung (H2) positiv beeinflusst.
Die Qualität der Inhalte spiegelt die Wahrnehmung der Nutzer über die Relevanz und den Unterhaltungswert von Medieninhalten wider. Frühere Studien identifizieren es durchweg als einen wesentlichen Determinant für die Nutzerzufriedenheit und das fortgesetzte Engagement19. Dementsprechend wird angenommen, dass Inhaltsqualität die affektive Zufriedenheit positiv beeinflusst (H3).
Affektive Befriedigung und Gewohnheit wurden konsequent als wichtige Vorläufer der Fortsetzungsintention in Nachadoptionskontexten identifiziert. Frühere Gewohnheitsforschung zeigt außerdem, dass wiederholte Performance in stabilen Kontexten die Automatisierung im Laufe der Zeit stärkt, während mobile Medienumgebungen routinebasierte Nutzungsmuster verstärken können 4,20. Daher schlagen wir vor, dass affektive Zufriedenheit die Fortsetzungsintention positiv beeinflusst (H4).
Gewohnheit bezeichnet automatische Verhaltenstendenzen, die sich durch wiederholtes Verhalten in stabilen Kontexten entwickeln, 6,17. In Kontexten nach der Einführung erleichtern wiederholte positive Erfahrungen die Entwicklung gewohnheitsmäßiger Nutzungsmuster, da Nutzer zunehmend auf automatisierte Antworten statt auf bewusste Bewertung 6,17 setzen. Aus Sicht des Verstärkungslernens stärken wiederholte Verhaltensweisen mit positiven affektiven Ergebnissen assoziative Lernprozesse und erhöhen die Wahrscheinlichkeit einer zukünftigen automatischen Umsetzung21. Sobald eine Gewohnheit gebildet ist, wird sie zu einem Schlüsselmechanismus, der Zufriedenheit in Verhaltenspersistenz übersetzt. Gewohnheitsmäßige Nutzer neigen dazu, weiterhin mit weniger kognitiver Anstrengung mit Inhalten zu interagieren, was die Fortsetzungsintention6 stärkt. Dementsprechend wird Gewohnheit in dieser Studie als vermittelnder Mechanismus konzipiert, der affektive Befriedigung mit Fortsetzungsintention verbindet. Basierend auf der obigen Begründung wird angenommen, dass affektive Zufriedenheit die Gewohnheit positiv beeinflusst (H5), Gewohnheit positiv die Fortsetzungsintention (H6) und Gewohnheit die Beziehung zwischen affektiver Zufriedenheit und Fortsetzungsintention (H7) vermittelt. Darüber hinaus werden affektive Zufriedenheit und Gewohnheit vorgeschlagen, um sequentiell die Beziehungen zwischen Zugangsbequemlichkeit und Fortsetzungsabsicht (H8a), Zeitverlauf und Fortsetzungsabsicht (H8b) sowie Inhaltsqualität und Fortsetzungsabsicht (H8c) zu vermitteln.
Obwohl frühere Studien das Verständnis des Fortsetzungsverhaltens in digitalen Medienumgebungen erheblich vorangebracht haben, bleiben mehrere wichtige Lücken bestehen. Bestehende Forschung konzentrierte sich überwiegend auf traditionelle Streaming-, soziale Medien- oder Technologie-Adoptionskontexte und hat Zufriedenheit und Gewohnheit im Allgemeinen als parallele Determinanten der Fortsetzungsintention konzipiert. Vergleichsweise wenig Aufmerksamkeit wurde darauf verwendet, zu verstehen, wie strukturell komprimierte Kurzformumgebungen den psychologischen Prozess prägen können, der affektive Zufriedenheit und Gewohnheitsbildung verknüpft. Tabelle 1 3,6,10,18,22 fasst repräsentative frühere Studien zusammen und hebt die von der vorliegenden Studie angegangenen Forschungslücken hervor.
| Studium | Forschungskontext | Hauptfokus | Wichtige Erkenntnisse | Forschungslücke |
| Bhattacherjee (2001)3 | Informationssysteme | Fortsetzungsabsicht | Zufriedenheit sagt Fortsetzungsintention voraus | Gewohnheitsbildungsprozess nicht untersucht |
| Limayem et al. (2007)6 | Informationssysteme | Gewohnheit und Fortsetzung | Gewohnheit beeinflusst die fortgesetzte Systemnutzung | Zufriedenheit und Gewohnheit werden als getrennte Prädiktoren behandelt |
| Venkatesh et al. (2012)10 | Technologieakzeptanz | Verhalten nach der Adoption | Verhaltensintention sagt die fortgesetzte Nutzung voraus | Strukturelle Merkmale digitaler Umgebungen, die nicht berücksichtigt werden |
| Wu et al. (2025)18 | Kurzform-Drama | Abonnementabsicht | Die Qualität der Inhalte beeinflusst die Fortdauer durch Zufriedenheit | Gewohnheitsbildungsmechanismus nicht untersucht |
| Zhang et al. (2024)22 | Kurzformat Video | Benutzerzufriedenheit | Zufriedenheit verbessert die fortwährende Beteiligung | Zufriedenheits-zu-Gewohnheits-Umwandlungsprozess unerforscht |
| Jüngste Kurzform-Medienstudien | Kurzform-Content-Plattformen | Nutzerbindung | Algorithmische Exposition erhöht das Engagement | Strukturelle Verstärkungsmechanismen sind weiterhin wenig theoretisch |
| Gegenwärtige Studie | Kurzform-Drama-Ökosystem | Verstärkungsbasierte Gewohnheitsbildung | Untersucht, wie affektive Zufriedenheit die Gewohnheitsbildung und Fortsetzungsintention in strukturell komprimierten Umgebungen fördert | Adressiert die identifizierten Lücken durch einen sequentiellen affektiv-behavioralen Rahmen |
Tabelle 1: Zusammenfassung früherer Forschung und identifizierter Lücken. Diese Tabelle fasst repräsentative frühere Studien zu digitaler Fortsetzung, Zufriedenheit, Gewohnheit und Kurzform-Medienengagement zusammen. Kolumnen umfassen: Studienautor und Jahr; Forschungskontext; Wichtige Konstrukte untersucht; die Beziehung zwischen Zufriedenheit und Gewohnheit (parallel vs. sequentiell); und die spezifische Forschungslücke, die durch die vorliegende Studie angegangen wird.
Diese Studie analysiert empirisch die Beziehungen zwischen unabhängigen Variablen (d. h. Zugangsbenutzerfreundlichkeit, Passzeit und Inhaltsqualität), vermittelnden Variablen (d. h. affektive Zufriedenheit und Gewohnheit) und der abhängigen Variable (d. h. KI). Geschlecht, Alter, Bildung und Einkommen wurden als Kontrollvariablen einbezogen.
Wie in Abbildung 1 gezeigt, zeigt das Modell einen dichten Verstärkungszyklus, der zwischen affektiver Befriedigung und Gewohnheitsbildung positioniert ist. Diese Notation repräsentiert den strukturellen Kontext von Ökosystemen von Kurzform-Drama – gekennzeichnet durch ultrakurze Episodenlänge, hohe Wiedereintrittshäufigkeit und algorithmische Inhaltsermittlung –, der zahlreiche Möglichkeiten für Cue-Response-Paarungen schafft. Das Modell schlägt vor, dass Umweltreize die affektive Befriedigung beeinflussen, was wiederum das gewohnheitsmäßige Engagement unter strukturell komprimierten Verstärkungszyklen erleichtert. Kurzform-Ökosysteme zeigen dichte Signal-Antwort-Assoziationen und wiederholte Engagement-Chancen, die die Verbindung zwischen Zufriedenheit und Gewohnheit stärken können23,24.
Abbildung 1: Verstärkungsbasiertes Gewohnheitsbildungsmodell in Kurzdrama-Umgebungen. Der 'Dichte Verstärkungszyklus' bezeichnet die hochfrequenten Signal-Antwort-Chancen, die für kurzformige Ökosysteme charakteristisch sind (Mikroepisoden, schneller Wiedereintritt, algorithmische Kuratierung), die theoretisch die Zufriedenheits-zu-Gewohnheits-Beziehung verstärken. Diese strukturelle Eigenschaft wird als kontextuelle Bedingung und nicht als empirisch gemessene zeitliche Beschleunigung konzipiert. Kontrollvariablen (Alter, Geschlecht, Bildung und Einkommen) werden aus den dargestellten Bahnen ausgeschlossen, um die visuelle Klarheit zu gewährleisten. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Protokoll
Alle Verfahren mit menschlichen Teilnehmern wurden gemäß den ethischen Standards für die Forschung an Menschen an der aSSIST-Universität und der Dong-A-Universität durchgeführt. Da alle Antworten zum Zeitpunkt der Sammlung anonymisiert waren und zu keinem Zeitpunkt personenbezogene Informationen erhalten wurden, stellte das Institutional Review Board der aSSIST University fest, dass die Studie gemäß Artikel 15 des Bioethics and Safety Act der Republik Korea und den in Artikel 13 der Enforcement Rule (https://public.irb.or.kr/pt/pt01/PT0103/PT0103R01.do festgelegten Anforderungen für eine Befreiung von der Überprüfung von der vollständigen Überprüfung befreit wurde. Die Ausnahmegenehmigungs-ID wurde vor Beginn der Umfrage eingeholt; Alle Teilnehmer überprüften eine Erklärung zur informierten Einwilligung, die den Zweck der Studie, die freiwillige Teilnahme, Anonymität, Datennutzung und ihr Recht, die Teilnahme zu beenden, beschrieb. Nur Teilnehmer, die elektronische informierte Zustimmung gaben, durften fortfahren. Es wurden keine personenbezogenen Informationen gesammelt.
Datenerhebung und -analyse
Stichprobenmerkmale
Die Teilnehmer wurden über Prolific aus englischsprachigen Ländern wie den Vereinigten Staaten, dem Vereinigten Königreich, Kanada, Australien und Neuseeland zwischen dem 5. und 10. Juli 2025 rekrutiert. Der Fragebogen bestand aus validierten Multi-Item-Messungen, die die Zugangsbenutzerfreundlichkeit, die Verweilzeit, die Qualität der Inhalte, die affektive Zufriedenheit, das Verhalten und die Fortsetzungsintention bewerteten, zusammen mit demografischen Fragen. Teilnehmer waren berechtigt, wenn sie mindestens 18 Jahre alt waren, bereits Erfahrung mit Kurzserien hatten und soziale Netzwerke aktiv nutzten. Die Berechtigung wurde anhand von Screening-Fragen bestätigt, in denen die Teilnehmer ihr Alter, ihre bisherige Erfahrung mit Kurzfilm-Dramas und die aktuelle Nutzung sozialer Netzwerke bestätigen mussten. Teilnehmer, die diese Kriterien nicht erfüllten, wurden ausgeschlossen, bevor der vollständige Fragebogen ausgefüllt wurde. Aufmerksamkeitskontrollpunkte wurden in die Umfrage eingebettet, um unaufmerksame Antworten zu identifizieren; Teilnehmer, die eine Aufmerksamkeitsprüfung nicht bestanden, unvollständige Antworten abgaben oder Screening-Fragen nicht bestanden, wurden von der Analyse ausgeschlossen. Insgesamt wurden 292 Antworten gesammelt. Nach Ausschluss von 32 Antworten aufgrund von Screening-Versagen, unvollständigen Antworten oder nicht bestandener Aufmerksamkeitsprüfung wurden 260 gültige Antworten für die Analyse beibehalten. Die Umfrage dauerte etwa 8–10 Minuten, und die Teilnehmer erhielten etwa 2,00 € (3,440 $).
Messmodell
Die Antworten wurden auf einer 7-Punkte-Likert-Skala von 1 (stark anderer Meinung) bis 7 (absolut übereinstimmend) aufgezeichnet. Diese Studie validierte das Forschungsmodell anhand des PLS-SEM25,26. PLS-SEM wurde ausgewählt, weil die Studie prädiktionsorientiert ist, ein relativ komplexes Mediationsmodell untersucht und sich auf erklärte Varianzen endogener Konstrukte konzentriert.
Mediationsanalyse
Die statistische Signifikanz wurde mittels bias-korrigiertem Bootstrapping mit 5.000 Neustichproben bewertet (Abbildung 2). Standardisierte Wegkoeffizienten, indirekte Effekte, Effektgrößen (f2), prädiktive Relevanz (Q2) und 95%-Konfidenzintervalle wurden untersucht, um die vorgeschlagenen Hypothesen und Vermittlungseffekte zu bewerten.
Abbildung 2: Forschungsverfahren und Datenanalyse-Workflow. Berechtigte Teilnehmer waren aktive SNS-Nutzer im Alter von 18 Jahren oder älter. Die Abbildung zeigt die Teilnehmerrekrutierung über die Online-Umfrageplattform, Screening- und Aufmerksamkeitskontrollverfahren, Umfragedatenerhebung (N = 260), Datenbereinigung, Bewertung von Messmodellen, Strukturmodellbewertung mittels PLS-SEM sowie Mediationstests durch Bootstrapping mit 5.000 Neustichproben. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Strukturmodell
Validierte Messskalen für alle Studienkonstrukte wurden aus zuvor veröffentlichten Studien angepasst. Kleinere Wortlautänderungen wurden, wo nötig, vorgenommen, um deren Eignung für den Kontext des kurzen Dramas sicherzustellen. Die Messpunkte sind in Tabelle 2 dargestellt. Obwohl die Inhaltsqualitätsskala ursprünglich in breiteren Streaming- und digitalen Unterhaltungskontexten entwickelt wurde, erfasst sie die Wahrnehmung der Nutzer über die Breite und Vielfalt der Unterhaltung. In Kurzform-Drama-Kontexten können Unterhaltungsformate hybride oder genreübergreifende Elemente enthalten, die über traditionelle narrative Episoden hinausgehen. Daher spiegelt der Punkt, der sich auf Unterhaltungsvielfalt bezieht, wahrgenommene Inhaltsvielfalt wider und nicht wörtliche Sportübertragungen und ist konzeptionell mit dem Konstrukt der Inhaltsqualität in dieser Studie vereinbar.
| Konstrukt | Gegenstand | Frage |
| Zugang bequem | AC1 | Ich konnte jederzeit Kurzdrama schauen, wenn ich wollte. |
| AC2 | Ich könnte überall kurzformatige Dramen schauen. | |
| AC3 | Ich könnte jedes digitale Gerät nutzen, um auf kurze Drama-Inhalte zuzugreifen. | |
| Zeitvertreib | PT1 | Ich schaute Kurzfilm-Dramen, weil sie die Zeit vertreiben, besonders wenn mir langweilig ist |
| PT2 | Ich schaue Kurzserien, wenn ich nichts Besseres zu tun habe, wenn ich nichts Besseres zu tun habe. | |
| PT3 | Ich schaue Kurzserien, weil sie mir etwas geben, um meine Zeit zu beschäftigen | |
| Inhaltsqualität | CQ1 | Kurzformige Drama-Inhalte bieten eine breite Palette an Inhalten. |
| CQ2 | Kurzformige Drama-Inhalte bieten exklusive und originelle Inhalte. | |
| CQ3 | Kurzformige Drama-Inhalte bieten eine vielfältige Auswahl an unterhaltsamen Episoden und Genres. | |
| CQ4 | Kurzformige Drama-Inhalte bieten eine große Vielfalt globaler Inhalte. | |
| Affektive Medienzufriedenheit | AS1 | Ich fühle mich glücklich, nachdem ich Zeit mit kurzformatigen Drama verbracht habe |
| AS2 | Kurzformat-Dramen bereiten mir Freude | |
| AS3 | Kurzformat-Drama-Erfahrung macht Spaß | |
| AS4 | Fühle dich gut nach dem Anschauen von Kurzfilm-Drama | |
| Gewohnheit | HB1 | Ich schaue aus Gewohnheit Kurzdrama. |
| HB2 | Ich greife auf kurzformige Dramakontexte zu, ohne nachzudenken. | |
| HB3 | Ich nutze natürlich kurze Drama-Kontexte. | |
| Fortsetzungsabsicht | CI1 | Ich habe vor, das Kurzdrama-Streaming in naher Zukunft zu nutzen. |
| CI2 | Ich bin bereit, in naher Zukunft weiterhin kurze Drama-Inhalte zu verwenden. | |
| CI3 | Ich werde mich in naher Zukunft weiterhin mit kurzen Drama-Inhalten beschäftigen. |
Tabelle 2: Messelemente des Forschungsmodells. Diese Tabelle listet die Messelemente, Konstruktetiketten und Quellreferenzen auf, die zur Operationalisierung der Forschungsvariablen verwendet wurden. Alle Aufgaben wurden auf einer 7-Punkte-Likert-Skala gemessen, die von 1 (völlig anderer Meinung) bis 7 (absolut einverstanden) reichte. Die Tabelle präsentiert jedes Konstrukt (Zugangsbenutzerfreundlichkeit, Verlaufszeit, Inhaltsqualität, affektive Zufriedenheit, Gewohnheit und Fortsetzungsabsicht), die zugehörigen Indikatorpunkte sowie die ursprüngliche Studie, von der jede Skala adaptiert wurde.
Häufige Methodenverzerrung
Da alle Variablen mit selbstberichteten Umfragedaten erhoben wurden, wurde der Common Method Bias (CMB) sowohl mit prozeduralen als auch statistischen Maßnahmen bewertet. Zunächst wurden mehrere Verfahrensmaßnahmen eingeführt, um potenzielle Methodenverzerrungen zu verringern. Die Teilnahme war freiwillig und anonym, und den Befragten wurde versichert, dass es keine richtigen oder falschen Antworten gab. Messobjekte wurden aus validierten früheren Studien adaptiert und sorgfältig umformuliert, um dem Kontext von Kurzdrama gerecht zu werden. Der Fragebogen wurde so strukturiert, dass die Befürchtungen bei der Bewertung minimiert und die Mehrdeutigkeit bei den Punkten verringert werden. Zweitens wurde Harmans Ein-Faktor-Test durchgeführt, um zu untersuchen, ob ein einzelner Faktor den Großteil der Varianz ausmacht. Die unrotierte explorative Faktorenanalyse zeigte, dass der erste Faktor weniger als 50 % der Gesamtvarianz erklärte, was darauf hindeutet, dass Common Method Bias wahrscheinlich kein ernsthaftes Problem darstellt. Drittens wurden die vollständigen Kollinearitätsvarianzinflationsfaktoren (VIFs) nach Kock und Mayfield27 untersucht. Alle VIF-Werte lagen unter dem konservativen Schwellenwert von 3,3 (Tabelle 3), was darauf hindeutet, dass die Verzerrung der gemeinsamen Methode die Modellschätzungen nicht wesentlich beeinflusst. Da jedoch alle Variablen innerhalb einer einzigen Umfragewelle von denselben Befragten erhoben wurden, kann ein verbleibender gemeinsamer Methoden-Bias nicht vollständig ausgeschlossen werden.
| Innerer Modellpfad | 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 |
Tabelle 3: Kollinearitätsstatistiken (VIF). Diese Tabelle zeigt die Varianzinflationsfaktorwerte (VIF) für alle im Strukturmodell verwendeten Prädiktorkonstrukte.Die Zeilen listen jeden Prädiktorkonstrukt auf (Zugriffsbenutzerfreundlichkeit, Passing-Zeit, Inhaltsqualität, affektive Zufriedenheit und Gewohnheit), und die entsprechenden VIF-Werte werden in der benachbarten Spalte angegeben. FIF-Werte wurden untersucht, um potenzielle Multikollinearität zwischen Konstrukten zu bewerten und die Wahrscheinlichkeit eines gemeinsamen Methoden-Bias zu bewerten.
Fehlerbehebung und Modifikationen
Wenn eine beträchtliche Anzahl von Antworten die Screening- oder Aufmerksamkeitskontrollkriterien nicht bestand, wurden die Zulassungskriterien verfeinert und die Umfrageanweisungen klargestellt, um sicherzustellen, dass die Teilnehmer echte Vorerfahrung mit Kurzdrama hatten. Wenn die interne Konsistenzzuverlässigkeit unter die empfohlenen Schwellenwerte fiel (z. B. zusammengesetzte Zuverlässigkeit < 0,70) oder die durchschnittliche extrahierte Varianz (AVE) unter 0,50 fiel, wurden die Item-Loadings untersucht und schlecht abschneidende Indikatoren entfernt, während die theoretische Kohärenz erhalten blieb. Wenn Multikollinearität festgestellt wurde (z. B. überschritten die Varianzinflationsfaktorwerte die empfohlenen Grenzwerte), wurden die Konstruktspezifikationen neu bewertet und redundante Indikatoren entfernt. Wenn Mediations- oder Moderationseffekte nicht signifikant waren, wurde die Stichprobengröße erhöht und/oder die Operationalisierung des Konstrukts erneut überprüft, um eine ausreichende statistische Kraft sicherzustellen. Bootstrapping wurde mit einer ausreichenden Anzahl von Teilproben (z. B. 5.000) durchgeführt, um stabile Parameterschätzungen zu erhalten.
Ergebnisse
Stichprobenmerkmale
Tabelle 4 zeigt eine ausgewogene Stichprobe von 260 Befragten aus wichtigen demografischen Kategorien. Nach Alter besteht die größte Gruppe aus Teilnehmern in ihren 20ern oder jünger (38,8 %), gefolgt von Personen in ihren 30ern (32,3 %). Befragte in ihren 40ern (14,2 %) und 50ern (14,6 %) sind in kleineren, aber ähnlichen Anteilen vertreten. Die Geschlechter sind fast gleichmäßig verteilt, mit 49,2 % männlichen und 50,8 % weiblichen Teilnehmern. Was die Ausbildung betrifft, stellen Universitätsabsolventen die größte Gruppe (50,0 %), gefolgt von denen mit Graduiertenabschluss (26,5 %). Kleinere Anteile gaben eine weiterführende Schulbildung (12,7 %) und eine Hochschulabbildung an (10,8 %). Für das jährliche Haushaltseinkommen ist die Stichprobe relativ über Einkommensklassen verteilt, wobei der größte Anteil unter 30.000 US-Dollar (23,1 %) liegt, während der geringste 100.000 US-Dollar oder mehr (16,5 %) beträgt. Insgesamt scheint die Einkommensverteilung recht vielfältig zu sein, ohne eine starke Konzentration in eine einzige Kategorie.
| Kategorie | Gegenstand | Frequenz | Verhältnis |
| Alter | 20er oder jünger | 101 | 38.80% |
| 30er | 84 | 32.30% | |
| 40er | 37 | 14.20% | |
| 50er Jahre | 38 | 14.60% | |
| Geschlecht | Männlich | 128 | 49.20% |
| Weiblich | 132 | 50.80% | |
| Bildung | Oberstufe | 33 | 12.70% |
| College | 28 | 10.80% | |
| Universität | 130 | 50.00% | |
| Graduiertenschule | 69 | 26.50% | |
| Jahreshaushalt | Unter 30.000 Dollar | 60 | 23.10% |
| Einkommen | 30.000–49.999 $ | 52 | 20.00% |
| 50.000–74.999 $ | 57 | 21.90% | |
| 75.000–100.000 Dollar | 48 | 18.50% | |
| 100.000 Dollar oder mehr | 43 | 16.50% |
Tabelle 4: Demografische Merkmale der Befragten (N = 260). Diese Tabelle zeigt die demografische Verteilung der endgültigen analytischen Stichprobe. Die Zeilen listen die demografischen Kategorien (Geschlecht, Alter, Bildung und Einkommen) auf, und Spalten geben die Häufigkeit (n) und den Prozentsatz (%) für jede Kategorie dar.
Messmodell
Wie in Tabelle 5 gezeigt, liegen die äußeren Lasten aller Konstrukte deutlich über dem minimalen Schwellenwert. CR und Cronbachs α-Werte liegen über 0,7, was auf eine hohe interne Konsistenz hinweist. Der AVE-Wert übersteigt 0,5, was die konvergente Gültigkeit26 erfüllt.
| Konstrukt | Cronbachs Alpha | CR (rho_a) | CR (rho_c) | AVE |
| AC | 0.830 | 0.833 | 0.898 | 0.747 |
| AS | 0.958 | 0.959 | 0.970 | 0.889 |
| CQ | 0.790 | 0.821 | 0.861 | 0.610 |
| HB | 0.899 | 0.915 | 0.937 | 0.831 |
| PT | 0.850 | 0.896 | 0.907 | 0.765 |
| CI | 0.923 | 0.923 | 0.951 | 0.866 |
Tabelle 5: Zuverlässigkeitsanalyse. Diese Tabelle zeigt Indikatorlasten, Cronbachs Alpha, Composite Reliability (CR) und Average Variance Extracted (AVE) für alle Konstrukte. Die Zeilen listen jedes Konstrukt (Zugriffsbenutzerfreundlichkeit, Durchlaufzeit, Inhaltsqualität, affektive Zufriedenheit, Gewohnheit und Fortsetzungsabsicht) und dessen Indikatorelemente auf, während die Spalten die standardisierten Faktorlasten, Cronbachs Alpha-, CR- und AVE-Werte darstellen. Diese Kennzahlen wurden verwendet, um interne Konsistenz, Zuverlässigkeit und konvergente Validität zu bewerten.
Die Diskriminantenvalidität wurde mit den Fornell–Larcker- und den Heterotrait–Monotrait-Verhältnis-(HTMT)-Kriterien getestet. Tabelle 6 zeigt, dass die Quadratwurzeln der AVEs größer sind als die Korrelationen mit anderen Komponenten für jede Komponente. Ebenso zeigt Tabelle 7 , dass alle HTMT-Verhältnisse signifikant unter der 0,85-Schwellevon 28 liegen.
| AC | AS | CQ | HB | PT | CI | |
| AC | 0.864 | |||||
| AS | 0.497 | 0.943 | ||||
| CQ | 0.493 | 0.666 | 0.781 | |||
| HB | 0.461 | 0.686 | 0.612 | 0.912 | ||
| PT | 0.274 | 0.587 | 0.346 | 0.433 | 0.875 | |
| CI | 0.552 | 0.777 | 0.646 | 0.744 | 0.491 | 0.931 |
Tabelle 6: Fornell-Larcker-Kriterium. Diese Tabelle präsentiert die Fornell-Larcker-Bewertung der diskriminierenden Validität. Zeilen und Spalten repräsentieren die Studienkonstrukte (Zugangsbenutzerfreundlichkeit, Vergehenszeit, Inhaltsqualität, affektive Befriedigung, Gewohnheit und Fortsetzungsabsicht). Diagonale Elemente stellen für jedes Konstrukt die Quadratwurzel des AVE dar, während Off-Diagonal-Elemente die Inter-Konstrukt-Korrelationen darstellen.
| AC | AS | CQ | HB | PT | CI | |
| AC | ||||||
| AS | 0.557 | |||||
| CQ | 0.592 | 0.738 | ||||
| HB | 0.523 | 0.73 | 0.724 | |||
| PT | 0.3 | 0.627 | 0.372 | 0.47 | ||
| CI | 0.63 | 0.825 | 0.742 | 0.806 | 0.519 |
Tabelle 7: HTMT-Verhältnis. Diese Tabelle zeigt HTMT-Werte für alle Konstruktpaare. Zeilen und Spalten repräsentieren die Studienkonstrukte (Zugangsbenutzerfreundlichkeit, Vergehenszeit, Inhaltsqualität, affektive Befriedigung, Gewohnheit und Fortsetzungsabsicht). HTMT-Werte unterhalb der empfohlenen Schwelle zeigen eine zufriedenstellende Diskriminationsvalidität zwischen Konstrukten an.
Der Common Method Bias wurde zusätzlich mit Harmans Single-Factor-Test und der vollständigen Kollinearitäts-VIF-Analyse bewertet. Der erste Faktor machte weniger als 50 % der Gesamtvarianz aus, und alle VIF-Werte lagen unter 3,3, was darauf hindeutet, dass Common Method Bias die Validität der Ergebnisse wahrscheinlich nicht gefährdete.
Strukturmodell
Wie in Abbildung 3 und Tabelle 8 dargestellt, zeigen die Ergebnisse des Strukturmodells, dass die affektive Zufriedenheit (AS) signifikant durch die Zugangsbequemlichkeit (β = 0,171, S. < 0,01), die Passingzeit (β = 0,385, S. < 0,001) und die Inhaltsqualität (β = 0,448, S. < 0,001) vorhergesagt wurde, was 61,0 % der Varianz erklärt (R2 = 0,610), wobei die Inhaltsqualität den stärksten Einfluss hatte. Affektive Befriedigung sagte Gewohnheit stark voraus (β = 0,686, S. < 0,001; R2 = 0,470) und hatte auch einen signifikanten direkten Einfluss auf die Fortsetzungsintention (Intention β = 0,496, S. < 0,001). Gewohnheit trug zudem wesentlich zur Fortsetzungsintention bei (β = 0,393, S. < 0,001), die auf erheblichem Niveau erklärt wurde (R2 = 0,689). Diese Ergebnisse deuten auf ein partielles Vermittlungsmuster hin, bei dem affektive Befriedigung sowohl direkt als auch indirekt durch Gewohnheitsbildung mit Fortsetzungsintention verknüpft ist. Die Kontrollvariablen (Alter, Geschlecht, Bildung und Einkommen) zeigten keine signifikanten Auswirkungen auf die Fortsetzungsabsicht.
Die prädiktive Relevanz (Q2) wurde mit Stone-Geissers Q2bewertet. Alle endogenen Konstrukte wiesen Q2-Werteüber null auf (AS = 0,412, HB = 0,356, KI = 0,523), was auf eine zufriedenstellende prädiktive Relevanz hindeutet.
Neben der Untersuchung der Pfadsignifikans geben die Ergebnisse der Effektgröße (f2) Einblick in den substantiellen Beitrag jedes Prädiktors zur erklärten Varianz der endogenen Konstrukte. Bezüglich der Antecedenten von AS zeigt CQ einen großen Effekt (f2 = 0,365), was darauf hindeutet, dass es ein Haupttreiber von AS im Modell ist. PT zeigt ebenfalls einen erheblichen Beitrag (f2 = 0,329), nähert sich der Schwelle für einen großen Effekt und deutet auf eine starke praktische Relevanz hin. Im Gegensatz dazu zeigt AC nur einen kleinen Effekt (f2 = 0,056), was auf einen vergleichsweise begrenzten inkrementellen Beitrag zum AS hindeutet. Diese Ergebnisse deuten darauf hin, dass zwar alle drei Vorläufer zu AS beitragen, CQ und PT jedoch die dominierenden erklärenden Faktoren sind, während AC eine unterstützendere Rolle spielt.
Für die nachgelagerten Beziehungen übt AS einen außergewöhnlich großen Einfluss auf HB aus (f2 = 0,887), was seine entscheidende Rolle bei der Erklärung von Gewohnheitsverhalten unterstreicht. Darüber hinaus zeigt AS einen großen Effekt auf KI (f2 = 0,409), was einen erheblichen Beitrag zur Erklärungskraft des Modells für Fortsetzungsergebnisse zeigt. HB trägt auch signifikant zum CI bei (f2 = 0,256), mit einer mittleren bis großen Effektgröße, wobei die inkrementelle Wirkung kleiner ist als die von AS. Insgesamt hebt die Effektgrößenanalyse AS als zentralen Mechanismus im Strukturmodell hervor, der sowohl HB als auch KI dominierend beeinflusst, während CQ und PT als zentrale Upstream-Determinanten von AS hervortreten.
Diese Erkenntnisse bestätigen die theoretische Annahme, dass affektive Verstärkung eine dominierende Rolle bei der Gestaltung der gewohnheitsmäßigen Interaktion spielt, was wiederum die Fortsetzungsintention in kurzformigen digitalen Medienkontexten stabilisiert.
Die Ergebnisse des Strukturmodells (Abbildung 3) veranschaulichen die standardisierten Wegkoeffizienten (β) und Bestimmungskoeffizienten (R2) für das vorgeschlagene Forschungsmodell. Kontrollvariablen (Alter, Geschlecht, Ausbildung, Einkommen) wurden im Modell einbezogen, aber zur visuellen Klarheit aus der Abbildung weggelassen.
Abbildung 3: Ergebnisse des Strukturmodells. Die Ergebnisse zeigen die standardisierten Wegkoeffizienten (β), Signifikanzniveaus und Bestimmungskoeffizienten (R2) für das vorgeschlagene Forschungsmodell. AC = Zugangskomfort; PT = Zeitvertreib; CQ = Inhaltsqualität; AS = Affektive Befriedigung; HB = Gewohnheit; CI = Fortsetzungsabsicht. β steht für standardisierte Wegkoeffizienten, und R2 steht für erklärte Varianz für endogene Konstrukte. Die Signifikanzniveaus sind wie folgt angegeben: *p < 0,05, **p < 0,01 und ***p < 0,001. Kontrollvariablen (Alter, Geschlecht, Bildung und Einkommen) wurden in die Analyse einbezogen, aber zur visuellen Klarheit aus der Abbildung weggelassen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Wegkoeffizienten und Hypothesentestergebnisse (Tabelle 8) zeigen die standardisierten Pfadkoeffizienten (β), Standardfehler (SE), t-Werte, p-Werte und Effektgrößen (f2) für alle hypothetisierten Beziehungen im Strukturmodell.
| Verlauf | β | Mittel | STD | T-Wert | p-Wert |
| AC→AS | 0.171 | 0.173 | 0.061 | 2.815 | 0.005 |
| AS→HB | 0.686 | 0.687 | 0.03 | 22.864 | 0.000 |
| AS→CI | 0.496 | 0.496 | 0.052 | 9.558 | 0.000 |
| CQ→AS | 0.448 | 0.449 | 0.052 | 8.56 | 0.000 |
| HB→CI | 0.393 | 0.393 | 0.054 | 7.284 | 0.000 |
| PT→AS | 0.385 | 0.380 | 0.059 | 6.492 | 0.000 |
Tabelle 8: Wegkoeffizienten. Diese Tabelle präsentiert die Ergebnisse der Strukturmodellanalyse. Zeilen listen jeden hypothetisierten Pfad im Strukturmodell auf (z. B. Zugangskomfort → affektive Zufriedenheit, affektive Zufriedenheit → Gewohnheit), während die Spalten die standardisierten Wegkoeffizienten (β), Standardfehler (SE), t-Werte, p-Werte und Effektgrößen (f2) für alle hypothetisierten Beziehungen darstellen. Signifikanzniveaus: p < 0,001, p < 0,01, p < 0,05.
Mediationsanalyse
Um den sequentiellen Mediationsmechanismus zu untersuchen, analysierten wir die indirekten Wege von Umweltmerkmalen zu CI über AS und HB. Die Ergebnisse der spezifischen indirekten Effektanalyse (Tabelle 9) zeigten, dass alle sequentiellen Wege statistisch signifikant waren. Die Mediationsanalyse basierend auf Bootstrapping zeigt, dass AS und HB signifikante indirekte Effekte über das Modell übertragen. Konkret vermittelt AS signifikant die Effekte der Vorläufer auf HB: Die indirekten Effekte sind positiv und statistisch signifikant für AC → AS → HB (β = 0,117, t = 2,835, p = 0,005), CQ → AS → HB (β = 0,307, t = 7,822, p < 0,001) und PT → AS → HB (β = 0,264, t = 5,993, p < 0,001). Unter diesen ist die Stärke des indirekten Effekts bei CQ am größten, gefolgt von PT, wobei AC einen kleineren, aber zuverlässigen vermittelten Einfluss zeigt. Dieses Muster deutet darauf hin, dass Verbesserungen bei AC, CQ und PT hauptsächlich in stärkeren gewohnheitsmäßigen Ergebnissen durch Erhöhungen von AS übersetzen, wobei CQ der einflussreichste Upstream-Weg ist.
Darüber hinaus liefern die Ergebnisse konsistente Belege dafür, dass fortsetzungsbezogene Endpunkte (KI) sowohl durch Einstufige Mediation über AS als auch durch serielle Mediation über AS und HB geprägt werden. Die indirekten Effekte von AC → AS → KI (β = 0,085, t = 2,598, p = 0,009), CQ → AS → KI (β = 0,222, t = 6,774, p < 0,001) und PT → AS → KI (β = 0,191, t = 5,091, p < 0,001) sind alle positiv und signifikant, was darauf hinweist, dass AS als Schlüsselmechanismus dient, der die Vorläufer mit KI verbindet. Darüber hinaus sind auch die seriellen indirekten Effekte durch beide Mediatoren signifikant: AC → AS → HB → CI (β = 0,046, t = 2,636, p = 0,008), CQ → AS → HB → KI (β = 0,121, t = 5,261, p < 0,001) und PT → AS → HB → CI (β = 0,104, t = 4,638, p < 0,001). Zusammen deuten diese Ergebnisse auf einen robusten Prozess hin, bei dem Antecedenten zunächst AS erhöhen, was dann HB stärkt und letztlich mit KI assoziiert wird, während AS auch einen direkten vermittelnden Weg zu KI unabhängig von HB ausübt. Insgesamt zeigt CQ den stärksten vermittelten Einfluss sowohl auf HB als auch auf KI, PT zeigt vergleichbar starke indirekte Effekte, und AC zeigt kleinere, aber statistisch bedeutsame indirekte Effekte, was die vorgeschlagenen Mediations- und seriellen Mediationsmechanismen im Modell unterstützt. Da die Konfidenzintervalle keine null enthalten, stimmen diese Ergebnisse mit der vorgeschlagenen "Zufriedenheits-Gewohnheits-Fortsetzungskette" im Kontext des Konsums von kurzformigen Dramas überein.
| Verlauf | β | Mittel | STD | T-Wert | p-Wert |
| AC→AS→HB | 0.117 | 0.119 | 0.041 | 2.835 | 0.005 |
| AS→HB→CI | 0.270 | 0.270 | 0.040 | 6.776 | 0.000 |
| AC→AS→CI | 0.085 | 0.086 | 0.033 | 2.598 | 0.009 |
| CQ→AS→HB | 0.307 | 0.308 | 0.039 | 7.822 | 0.000 |
| AC→AS→HB→CI | 0.046 | 0.047 | 0.017 | 2.636 | 0.008 |
| CQ→AS→CI | 0.222 | 0.222 | 0.033 | 6.774 | 0.000 |
| PT→AS→HB | 0.264 | 0.261 | 0.044 | 5.993 | 0.000 |
| CQ→AS→HB→CI | 0.121 | 0.121 | 0.023 | 5.261 | 0.000 |
| PT→AS→CI | 0.191 | 0.189 | 0.038 | 5.091 | 0.000 |
| PT→AS→HB→CI | 0.104 | 0.103 | 0.022 | 4.638 | 0.000 |
Tabelle 9: Indirekte Effekte. Diese Tabelle präsentiert die Ergebnisse der Bootstrapped-Mediationsanalyse. Die Zeilen listen jeden hypothetischen indirekten Pfad auf (z. B. AC → AS → HB, CQ → AS → HB → CI), während die Spalten die indirekten Effektschätzungen, Standardfehler, t-Werte, p-Werte und 95%-bias-korrigierte Konfidenzintervalle für die hypothetischen Vermittlungswege darstellen.
Tabelle 10 fasst die Ergebnisse der Hypothesentests zusammen. Wie in Tabelle 10 gezeigt, wurden alle vorgeschlagenen Hypothesen (H1–H8c) unterstützt.
| Hypothese | Verlauf | Ergebnis |
| H1 | AC→AS | Unterstützt |
| H2 | PT→AS | Unterstützt |
| H3 | CQ→AS | Unterstützt |
| H4 | AS→CI | Unterstützt |
| H5 | AS→HB | Unterstützt |
| H6 | HB→CI | Unterstützt |
| H7 | AS→HB→CI | Unterstützt |
| H8a | AC→AS→HB→CI | Unterstützt |
| H8b | PT→AS→HB→CI | Unterstützt |
| H8c | CQ→AS→HB→CI | Unterstützt |
Tabelle 10: Zusammenfassung der Hypothesenunterstützung. Diese Tabelle fasst die Ergebnisse der Hypothesentests zusammen und zeigt an, ob jede vorgeschlagene Hypothese auf Grundlage des strukturellen Modells und der Mediationsanalysen gestützt wurde. Zeilen listen jede Hypothese auf (H1–H8c), und Spalten zeigen den hypothetisierten Pfad, den standardisierten Pfadkoeffizienten oder indirekten Effekt sowie den Unterstützungsstatus (unterstützt vs. nicht unterstützt).
DATENVERFÜGBARKEIT
Alle anonymisierten Rohdaten der Umfrage, die die Ergebnisse dieser Studie unterstützen, werden in Supplementary File 1 (CSV-Format) bereitgestellt. Die Akte enthält die vollständigen de-identifizierten Teilnehmerantworten, die in allen in diesem Manuskript berichteten Analysen verwendet wurden. Die SmartPLS-Projektdatei, Modelleinstellungen und Analyseausgaben werden in Supplementary File 2 bereitgestellt. In einem gemeinsamen Datensatz sind keine personenbezogenen Informationen enthalten.
Ergänzende Datei 1: Alle anonymisierten Rohdaten der Umfrage, die die Ergebnisse dieser Studie unterstützen.Bitte klicken Sie hier, um diese Datei herunterzuladen.
Ergänzende Datei 2: Die SmartPLS-Projektdatei, Modelleinstellungen und Analyseergebnisse.Bitte klicken Sie hier, um diese Datei herunterzuladen.
Diskussion
Diese Studie zielte darauf ab, Fortsetzungsintentionen in Kurzdramakontexten zu erklären, indem digitale Erfahrungsfaktoren, affektive Befriedigung und Gewohnheitsbildung in den S-O-R-Rahmen integriert wurden. Die Ergebnisse liefern eine starke empirische Unterstützung für den vorgeschlagenen sequentiellen Mechanismus und legen nahe, dass digitale Fortsetzung am besten als dynamischer affektiv-verhaltensorientierter Verstärkungsprozess verstanden werden kann. Digitale Erlebnisfaktoren – Zugangsbequemlichkeit, Zeitvergehen und Inhaltsqualität – beeinflussen die affektive Zufriedenheit erheblich, wobei die Inhaltsqualität den stärksten Einfluss hat, gefolgt vom Zeitvergehen, während der Zugangskomfort eine vergleichsweise kleinere, aber bedeutende Rolle spielt. Dieses Muster legt nahe, dass zwar reibungslose Zugänglichkeit in fragmentierten Betrachtungskontexten notwendig ist, emotional ansprechende und immersive Inhalte jedoch der Hauptfaktor für die positiven affektiven Bewertungen der Nutzer bleiben. In Kurzdrama-Umgebungen, in denen narrative Kompression und schnelle Einbindung im Mittelpunkt stehen, scheinen wahrgenommene Inhaltsvielfalt und Kreativität die stärksten emotionalen Reize zu sein. Affektive Befriedigung tritt ebenfalls als zentraler Mechanismus im Strukturmodell hervor und trägt durch die "Zufriedenheit-Gewohnheit-Fortsetzung"-Kette zur Gewohnheitsbildung und Fortsetzung zur Gewohnheitsbildung bei.
Diese Erkenntnisse erweitern die bisherige digitale Fortsetzungsforschung, indem sie die Fortsetzungsintention als einen sequentiellen affektiv-verhaltensbezogenen Prozess und nicht als statisches Ergebnis nach der Einführung umdeuten. Traditionelle Fortsetzungsmodelle, einschließlich der Erwartungsbestätigungstheorie, legen in erster Linie den Schwerpunkt auf kognitive Bewertung und Zufriedenheit als direkte Prädiktoren für den anhaltenden Gebrauch29,30. Im Gegensatz dazu zeigen die vorliegenden Ergebnisse, dass in hochfrequenten, strukturell komprimierten digitalen Umgebungen die affektive Befriedigung nicht nur als evaluatives Ergebnis fungieren kann, sondern auch als psychologischer Korrelate zur gewohnheitsmäßigen Beteiligung. Diese Interpretation ist mit der Gewohnheitstheorie vereinbar, die nahelegt, dass wiederholtes Verhalten unter stabilen kontextuellen Hinweisen automatische Verhaltenstendenzen allmählich verstärkt. Da die vorliegende Studie jedoch keine zeitliche Beschleunigung oder die Bildung kausaler Gewohnheiten direkt testet, können kurzformige Drama-Umgebungen als Bedingungen verstanden werden, unter denen gewohnheitliche Beteiligung eher verstärkt wird.
Die Studie erweitert außerdem den S-O-R-Rahmen, indem Gewohnheit als sequentieller Verstärkungsmechanismus integriert wird, der affektive Zustände mit Verhaltenspersistenz verknüpft. Während frühere S-O-R-Anwendungen Zufriedenheit und Gewohnheit oft als parallele Prädiktoren für Fortsetzung positionieren, zeigt das vorliegende Modell, dass Gewohnheit als nachgelagerte Folge der affektiven Verstärkung entsteht. Dieser sequentielle affektive-habituelle Weg bietet eine zeitlich kohärentere Erklärung für das Verhalten nach der Adoption, insbesondere in mobil-zuerst-Unterhaltungskontexten, die von schnellen und repetitiven Engagement-Zyklen geprägt sind. Die Ergebnisse führen zudem strukturell komprimierte Engagement-Umgebungen als kontextuelle Bedingungen ein, die die Verbindung zwischen affektiven Reaktionen und gewohnheitsmäßigem Verhalten stärken können. Obwohl strukturelle Merkmale wie Mikroepisoden, schnelle Wiedereintrittsmöglichkeiten und algorithmische Eingaben in diesem Modell nicht direkt operationalisiert wurden, hebt die theoretische Rahmung hervor, wie dichte Verstärkungszyklen, eingebettet in Kurzform-Ökosysteme, affektgetriebene Verhaltensstabilisierung intensivieren können. Wichtig ist, dass dieser Mechanismus eine normative Routinisierung statt pathologischer Abhängigkeit widerspiegelt und die Unterscheidung zwischen gewohntem Engagement und zwanghafter Nutzung hervorhebt.
Die Ergebnisse bieten praktische Implikationen für Kurzformat-Drama-Plattformen und Inhaltsanbieter. Das Verständnis der zentralen Rolle der Inhaltsqualität bei der affektiven Befriedigung legt nahe, dass narrative Originalität, emotionales Erzählen und immersive Produktionselemente wichtige Umweltstimuli sind, die positive affektive Reaktionen erzeugen und wiederholtes Engagement sowie nachhaltige Nutzung unterstützen. Technische Optimierung allein reicht ohne Inhalt, der echte emotionale Resonanz erzeugt, nicht aus. Das Design der Benutzererfahrung sollte auch berücksichtigen, wie Umweltmerkmale positive affektive Zustände während wiederholter Interaktionen verstärken. Funktionen wie nahtlose Übergänge, emotional ansprechende Vorschauen und personalisierte Empfehlungen können die emotionale Zufriedenheit verstärken und gewohnheitsmäßige Interaktionen erleichtern. Obwohl die Bequemlichkeit des Zugangs im Vergleich zur Inhaltsqualität einen geringeren Einfluss auf die affektive Befriedigung hat, bleibt die geringere Reibung in digitalen Umgebungen wichtig, da sie die Erfahrungsflüssigkeit bewahrt und Störungen im affektiven Verstärkungszyklus verhindert. Insgesamt deuten die Ergebnisse darauf hin, dass nachhaltige digitale Medienbindung durch die Kombination von Prinzipien des emotionalen Engagements mit Verhaltensdesign unterstützt werden kann, während sowohl Zufriedenheit als auch gewohnheitliche Nutzungsmuster überwacht werden.
Trotz ihrer Beiträge hat diese Studie mehrere Einschränkungen, die Orientierungen für zukünftige Forschung bieten. Erstens begrenzt das Querschnittsvermessungsdesign die kausale Schlussfolgerung und zeitliche Ordnung zwischen den vorgeschlagenen Konstrukten. Obwohl diese Studie kurzformige Drama-Umgebungen als dichte Verstärkungskontexte konzipierte, wurden die strukturellen Eigenschaften der Verstärkungsdichte nicht direkt gemessen. Daher sollten die Ergebnisse als Hinweise auf eine Assoziation und nicht als zeitliche Beschleunigung oder kausale Gewohnheitsbildung interpretiert werden. Künftige Forschung sollte longitudinale oder experimentelle Designs verwenden und verstärkte-dichtebezogene Variablen explizit operationalisieren, um den vorgeschlagenen Mechanismus zu validieren. Zweitens wurden die Daten in einem einzigen Kurzform-Drama-Kontext erhoben und stützten sich ausschließlich auf selbstberichtete Messungen, die die Generalisierbarkeit einschränken und trotz statistischer Kontrollen eine gemeinsame Methodenverzerrung einführen könnten. Zukünftige Forschung sollte verschiedene kulturelle Umgebungen, Altersgruppen und Plattformkontexte untersuchen und dabei Verhaltensverfolgungsdaten einbeziehen, um selbstberichtete Antworten zu ergänzen. Außerdem hat die vorliegende Studie keine plattformspezifischen Nutzungsinformationen gesammelt (z. B. ReelShort, DramaBox, ShortMax, TikTok-basierte Drama-Plattformen). Daher sollten die Ergebnisse nicht einheitlich auf alle Ökosysteme von Kurzform-Drama verallgemeinert werden. Zukünftige Studien sollten Nutzer plattformübergreifend vergleichen und untersuchen, ob Plattformmerkmale und Nutzungsintensität die Zusammenhänge zwischen affektiver Zufriedenheit, Gewohnheit und Fortsetzungsintention moderieren. Drittens, obwohl diese Studie konzeptionell zwischen gewohntem Engagement und pathologischer Abhängigkeit unterscheidet, könnten zukünftige Studien Messungen problematischen Gebrauchs oder Selbstkontrolle einbeziehen, um die Grenzbedingungen zwischen gesunder Routinisierung und übermäßigem Konsum weiter zu klären. Diese Studie konzentrierte sich auch speziell auf Kurzdrama-Inhalte; Daher erfordert die Generalisierbarkeit auf andere Formen von Kurzform-Inhalten, wie allgemeine Kurzvideos oder Social-Media-Reels, weitere empirische Tests. Weitere psychologische Konstrukte, wie emotionale Bindung, Medienvertrauen und wahrgenommene Personalisierung, können das Verständnis von Fortsetzungsprozessen in kurzformigen strukturellen Ökosystemen weiter verfeinern. Zusammenfassend zeigt diese Studie, dass die Fortsetzungsintention in kurzformigen Dramakontexten durch einen sequentiellen affektiv-verhaltensbezogenen Verstärkungsprozess angetrieben wird, bei dem digitale Erfahrungen die affektive Zufriedenheit prägen, Zufriedenheit die Gewohnheitsbildung fördert und Gewohnheiten die Verhaltenspersistenz stabilisieren. Durch die Integration emotionaler und automatischer Mechanismen in den S-O-R-Rahmen bieten die Ergebnisse eine umfassende Erklärung für eine anhaltende Beteiligung an fragmentierten Kurzform-digitalen Ökosystemen.
Offenlegungen
Die Autoren erklären keine Interessenkonflikte.
Danksagungen
Diese Arbeit wurde durch Forschungsmittel der aSSIST University unterstützt.
Materialien
| Name | Unternehmen | Katalognummer | Kommentare |
|---|---|---|---|
| Chatgpt 5.2 | OpenAI | RRID:SCR_023775 | Verbesserung der Lesbarkeit und Grammatikprüfung, https://www.chatgpt.com/ |
| Prolific (Online Participant Recruitment Platform) | Prolific Academic Ltd | Nicht verfügbar / Nicht identifiziert | Online-Plattform zur Rekrutierung von Umfrageteilnehmern. Die Teilnehmer wurden anhand von Eignungskriterien (z. B. aktuelle Beschäftigung in einer Organisation mit KI-Erfahrung) gescreent und gemäß den Fair-Pay-Richtlinien von Prolific entschädigt. https://www.prolific.com/ |
| Qualtrics (Online Survey Platform) | Qualtrics, LLC | RRID:SCR_016728 | Webbasierte Umfrageplattform zur Fragebogengestaltung, Verteilung und Erfassung der Antwortdaten. Alle Messitems wurden über Qualtrics unter Verwendung einer 7-Punkte-Likert-Skala (1 = stimme absolut nicht zu, 7 = stimme absolut zu) durchgeführt. https://www.qualtrics.com/ |
| SmartPLS 4.0 (PLS-SEM Software) | SmartPLS GmbH | RRID:SCR_022040 | Verwendet für alle Partial Least Squares Structural Equation Modeling (PLS-SEM) Analysen, einschließlich äußerer Modellbewertung (Composite Reliability, AVE, HTMT), innerer Modell-Pfadanalyse (Bootstrapping, 5.000 Stichproben), MICOM 3-Stufen-Test auf Kompositionsinvarianz (Permutation, 1.000 Ziehungen) und PLS-MGA-Zwischengruppen-Unterschiedstests. https://smartpls.com/ |
Referenzen
- 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/.
Nachdrucke und Genehmigungen
Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden
Genehmigung beantragen