Articolo di ricerca

Sfruttare il modello di accettazione della tecnologia per comprendere l'adozione da parte degli influencer virtuali: il ruolo dell'autenticità percepita e dell'antropomorfismo

DOI:

10.3791/70018

⸱

3 luglio 2026

 , 
1Azman Hashim International Business School, Universiti Teknologi Malaysia, 2College of Innovation and Entrepreneurship, Sichuan Tourism University, 3Department of Applied Computing & Artificial Intelligence, Faculty of Computing, Universiti Teknologi Malaysia

In questo articolo

Sommario

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Questo studio applica un modello esteso di Accettazione della Tecnologia per esaminare l'adozione da parte di influencer virtuali su piattaforme di video brevi, dimostrando che l'utilità percepita, la facilità d'uso, l'autenticità e l'antropomorfismo influenzano significativamente gli atteggiamenti degli utenti e le intenzioni comportamentali utilizzando i dati dei sondaggi analizzati con PLS-SEM.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Gli Influencer Virtuali (VI) stanno diventando sempre più protagonisti nelle applicazioni di video brevi come TikTok, YouTube Shorts e Instagram Reels. Mentre ricerche precedenti hanno esplorato le VI in termini di antropomorfismo, autenticità e interazione con il consumatore, la maggior parte dei lavori precedenti si è concentrata su dataset di Instagram o analisi di contenuti senza adottare un quadro comportamentale sistematico. Per affrontare queste limitazioni, questo studio utilizza il Technology Acceptance Model (TAM) per esaminare come l'Utilità Percepita (PU) e la Percepita Facilità d'Uso (PEOU) influenzino l'Atteggiamento e l'Intenzione Comportamentale dell'utente nel seguire o interagire con le VI sulle piattaforme di video brevi. Lo studio propone l'Autenticità Percepita e l'Antropomorfismo come variabili moderate, estendendo il TAM per catturare dinamiche psicologiche e sociali. È stato sviluppato un quadro concettuale che integra TAM con questi moderatori. I dati sono stati raccolti tramite un sondaggio online su 350 utenti di brevi video esposti a contenuti VI montati e misurati utilizzando strumenti su scala Likert validati. I partecipanti sono stati inizialmente esposti a stimoli video virtuali standardizzati da influencer e successivamente hanno compilato un questionario strutturato somministrato tramite una piattaforma di sondaggi online. Il dataset è stato analizzato utilizzando la Partial Least Square Structural Equation Modeling (PLS-SEM) per valutare l'affidabilità delle misurazioni, le relazioni strutturali e gli effetti moderativi. Prima dell'analisi, il dataset è stato esaminato per rispondere incomplete, valori mancanti e incoerenze di risposta. I risultati confermano l'applicabilità del TAM nel contesto VI. Il PEOU ha influenzato positivamente l'Atteggiamento (β = 0,46, p < 0,001), il PU ha influenzato significativamente l'Atteggiamento (β = 0,39, p < 0,001) e l'Atteggiamento ha fortemente previsto l'Intenzione Comportamentale (β = 0,58, p < 0,001). L'autenticità percepita ha rafforzato il rapporto tra PU e Atteggiamento, e tra Atteggiamento e Intenzione Comportamentale, mentre l'Antropomorfismo ha potenziato gli effetti sia della PU che della PEOU sull'Atteggiamento. Indici di adattamento del modello (R2 = 0,64 per l'assetto; R2 = 0,57 per l'Intenzione Comportamentale) indicano un forte potere esplicativo. Questi risultati supportano il TAM esteso nel spiegare l'adozione da parte degli influencer virtuali sulle piattaforme di video brevi.

Introduzione

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Negli ultimi anni, gli influencer dei social media (SMI) hanno guadagnato un seguito consistente condividendo aspetti delle loro vite, conoscenze, prodotti e marchi sulle piattaforme di trasmissione comunitaria 1,2. Gli Influencer Virtuali (VI) hanno attirato notevole attenzione sia da parte accademica che di quella imprenditoriale come approccio innovativo per promuovere beni e servizi su piattaforme come Instagram, Facebook eTikTok 3. A differenza degli influencer umani (HI), i VI non sono individui reali ma personaggi generati al computer da team di designer per replicare l'aspetto e il comportamento umano o per assomigliare a personasanimate 4. Grazie alle loro forti capacità di coinvolgimento, molti brand utilizzano i VI per il marketing degli influencer, sia attraverso la collaborazione sia creando VI proprietari5. Di conseguenza, marchi noti come BMW hanno collaborato con VI come Lil Miquela per aumentare il coinvolgimento dei clienti e influenzare le decisioni d'acquisto.

Con il continuo aumento del numero di persone influenzate dalle SMI, anche il marketing influencer è increscita 6. L'Influencer Marketing Hub riporta che il numero di aziende specializzate in servizi di influencer marketing è aumentato del 26% nel 2021 e si prevede che raggiungerà 18.900 a livelloglobale 7. Una delle categorie emergenti più note di SMI include i "personaggi 3D generati al computer" capaci di imitare il comportamento e l'aspettoumano 8,9,10. I VI hanno rapidamente guadagnato popolarità tra i consumatori e sono sempre più percepiti come fattori di tendenza credibili, paragonabili agli influencerumani 11. Tra il 2017 e il 2019, il numero di VI sulle piattaforme social è aumentato da 27 a125-12. Con la crescita della loro popolarità, i VIs iniziarono a collaborare con marchi internazionali12. VIs rappresenta un'alternativa convincente che combina i vantaggi degli influencer umani con un maggiore controllo sull'aspetto e sulmessaggio 13.

Uno sviluppo particolarmente innovativo in questo ambito è l'emergere degli influencer virtuali come entità di social media parzialmente o interamente artificiali (ad esempio, avatar 3D generati al computer), ma capaci di produrre contenuti simili a quelli degli influencer umani. La loro rapida crescita ha attirato l'attenzione accademica, anche se la ricerca esistente rimanelimitata a 14. Per colmare questa lacuna, il presente studio considera le interazioni parasociali (PSI), definite come risposte cognitive, affettive e comportamentali alle figuredei media 15. Ricerche precedenti hanno esaminato PSI confrontando le risposte del pubblico con influencer umanoidi e virtuali di caratteristiche simili.

Studi recenti hanno esaminato le differenze tra VI e influencer umani nel plasmare la percezione degli utenti, in particolare negli ambienti video sociali. Le evidenze suggeriscono che le sponsorizzazioni VI possono influenzare la percezione del prodotto (ad esempio, rafforzando le associazioni di lusso) e possono competere con gli influencer umani per la percezione di utilità e credibilità. Tuttavia, l'identificazione con influencer umani rimane più forte, evidenziando un divario di autenticità che influenza le decisioni di adozione nei contesti di videobrevi 16, 17, 18. La ricerca quantitativa identifica costantemente PU e PEOU come principali predittori dell'intenzione comportamentale, spesso integrati da costrutti come il piacere, la presenza sociale e l'impegno della comunità, rafforzando l'applicabilità del TAM in questoambito 19,20.

Un corpo crescente di ricerche affronta direttamente l'autenticità nel contesto VI. Sia studi qualitativi che quantitativi indicano che l'autenticità percepita influisce significativamente sulla fiducia, il coinvolgimento e la persuasione. Fattori come la divulgazione dell'IA e la somiglianza umana influenzano la credibilità e la risposta degliutenti 21,22. Ulteriori ricerche mostrano che gli indizi "euristici delle macchine" possono ridurre l'autenticità percepita quando gli utenti riconoscono le origini dell'IA, rafforzando l'autenticità come condizione critica per l'accettazione23–25. Le revisioni sull'antropomorfismo sottolineano ulteriormente il suo ruolo teorico come moderatore, che può rafforzare o indebolire le relazioni TAM attraverso meccanismi come la presenza sociale e lafiducia 26.

Analogamente, il modello Stimolo–Organismo–Risposta (SOR) è stato applicato per esaminare come i segnali antropomorfi e gli stimoli sociali influenzino l'accettazione da parte degli utenti dei sistemi guidati dall'IA27. SOR è particolarmente efficace nel catturare risposte emotive in tempo reale agli stimoli tecnologici e al ruolo delle variabili situazionali nella formazione delcomportamento 28. Questo si allinea con ambienti interattivi guidati dall'IA, dove un rapido feedback sistema-utente genera risposte emotivedinamiche. Il quadro SOR consente anche l'integrazione di molteplici stimoli affettivi e cognitivi. Tuttavia, modelli come TAM e UTAUT, pur essendo ampiamente utilizzati, si concentrano su costrutti predefiniti (ad esempio, utilità percepita e facilità d'uso), che possono limitare la loro capacità di catturare influenze multidimensionali sul comportamentodell'utente 30. Questi modelli sono generalmente più adatti all'analisi statica piuttosto che ai contesti decisionalidinamici 31. I mega-influencer, ad esempio, possono raggiungere un pubblico globale, aumentare la notorietà del marchio e generare un coinvolgimento significativo, anche se la loro efficacia varia tra icontesti 32. SOR fornisce approfondimenti complementari sui processi affettivi, mentre TAM offre un quadro parsimonioso e predittivo per modellare le intenzioni comportamentali.

Studi empirici suggeriscono che i mega-influencer generano un coinvolgimento più forte, atteggiamenti verso il prodotto e acquisizione di informazioni33. Tuttavia, influencer di livello inferiore possono aumentare la notorietà e l'autenticità, talvolta superando le pubblicitàmirate 34. Altri risultati indicano che, mentre i mega-influencer generano un coinvolgimento più ampio, i più piccoli dimostrano maggiore autenticità efiducia 35. Questi risultati contrastanti mettono in evidenza incongruenze nell'efficacia degli influencer neicontesti 36,37 e sottolineano la necessità di esplorare altri tipi di influencer, inclusi influencervirtuali 38.

Nonostante l'interesse crescente per le VI, la ricerca esistente rimane limitata nell'ambito. La maggior parte degli studi si basa su dataset basati su Instagram e sull'analisi dei contenuti per valutare le metriche di engagement (ad esempio, like, commenti, caratteristiche linguistiche), lasciando una lacuna nella comprensione dell'intenzione di adozione da una prospettiva comportamentale. Inoltre, ricerche limitate hanno esaminato l'adozione di VI nelle piattaforme di video brevi, che presentano caratteristiche socio-tecniche uniche, tra cui esposizione guidata da algoritmi, rapido consumo di contenuti e interazioni parasociali intensificate.

Per colmare queste lacune, questo studio applica il Technology Acceptance Model (TAM) per indagare sistematicamente i fattori che influenzano l'adozione del VI sulle piattaforme di video brevi. TAM è selezionato per la sua forte potenza esplicativa, la parsimonia e l'ampia validazione empirica nei contesti digitali. Sebbene quadri alternativi come SOR e UTAUT forniscano preziose intuizioni, essi enfatizzano fattori affettivi o istituzionali al di là del focus cognitivo di questo studio. Di conseguenza, il TAM viene esteso per incorporare autenticità percepita e antropomorfismo nella fase di formazione della credenza.

In particolare, questo studio esamina come la Percepita Facilità d'Uso (PEOU) influenzi l'Utilità Percepita (PU) e come questi costrutti plasmino l'Atteggiamento dell'utente e l'Intenzione Comportamentale verso le VI. Indaga ulteriormente i ruoli moderatori dell'autenticità percepita e dell'antropomorfismo nella formazione di queste relazioni. Empiricamente, lo studio utilizza un'indagine quantitativa sugli utenti di video brevi e testa il modello esteso utilizzando PLS-SEM. Passando dall'analisi dei contenuti a un quadro di adozione comportamentale, questa ricerca affronta una lacuna critica e contribuisce alla comprensione dell'adozione dell'IV negli ambienti digitali emergenti.

Questo studio apporta tre contributi chiave. Innanzitutto, estende TAM agli influencer virtuali su piattaforme di video brevi, dimostrandone l'applicabilità a entità generate dall'IA. In secondo luogo, incorpora antropomorfismo e autenticità percepita nella fase di formazione della credenza del TAM, rafforzando il percorso credenza–atteggiamento–intenzione. In terzo luogo, progredisce la metodologia adottando un approccio comportamentale quantitativo che utilizza dati di indagine e PLS-SEM per valutare la validità della misurazione, le relazioni strutturali e gli effetti della moderazione.

Nel complesso, lo studio fornisce intuizioni teoriche e pratiche su come l'autenticità e il design simile all'uomo influenzino l'adozione della VI. Esamina gli effetti di PEOU e PU su Attitudine (ATT) e Intenzione Comportamentale (BI), e testa i ruoli moderatori dell'Autenticità Percepita (PA) sulle relazioni PU–ATT e ATT–BI, e dell'Antropomorfismo (ANTH) sulle relazioni PEOU–ATT e PU–ATT. Sulla base di queste relazioni, vengono proposte le seguenti ipotesi:

La Facilità d:P Uso (PEOU) percepita da H1 ha un impatto positivo sull'Utilità Percepita (PU).
H2: L'Utilità Percepita (PU) ha un impatto positivo sull'Atteggiamento (ATT) verso gli influencer virtuali.
H3: L'Atteggiamento (ATT) ha un impatto positivo sull'Intenzione Comportamentale (BI) nell'utilizzare influencer virtuali.
H4: La Percepita Facilità d'Uso (PEOU) ha un impatto positivo sull'Atteggiamento (ATT) verso gli influencer virtuali.
H5: L'autenticità percepita (PA) modera positivamente il rapporto tra PU e ATT.
H6: L'autenticità percepita (PA) modera positivamente la relazione tra ATT e BI.
H7: L'antropomorfismo (ANTH) modera positivamente la relazione tra PEOU e ATT.
H8: L'antropomorfismo (ANTH) modera positivamente la relazione tra PU e ATT.

La Figura 1 presenta il quadro concettuale basato sull'esteso Technology Acceptance Model (TAM) per l'adozione da parte degli Influencer Virtuali su piattaforme di video brevi. Il modello include i costrutti fondamentali del TAM, insieme a due variabili moderate—Autenticità Percepita e Antropomorfismo Percepito—per catturare influenze sociali e psicologiche rilevanti. Le relazioni dirette sono rappresentate da frecce solide, mentre gli effetti moderatori sono rappresentati come linee tratteggiate che mirano ai corrispondenti percorsi strutturali. Questa rappresentazione allinea il modello concettuale con le ipotesi proposte e migliora la chiarezza distinguendo tra effetti diretti e di interazione.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Questo studio è stato approvato dal Comitato Etico della Ricerca della AzmanHashim International Business School, UniversitiTeknologi Malaysia, Kuala Lumpur, Malesia (Approvazione n.: UTM. AHIBS/REC/2025/012). Tutte le procedure rispettavano gli standard etici istituzionali e i principi della Dichiarazione di Helsinki. Il consenso informato è stato ottenuto da tutti i partecipanti prima della raccolta dei dati. I partecipanti sono stati informati dello scopo dello studio, della natura volontaria della loro partecipazione, della riservatezza delle risposte e del loro diritto di ritirarsi in qualsiasi momento senza penalità. È stato inoltre ottenuto il consenso scritto per l'uso di dati anonimizzati di sondaggi nelle pubblicazioni accademiche. Non sono inclusi dati personali identificabili o sensibili in questo manoscritto.

Il processo di ricerca metodologica utilizzato in questo studio per esaminare l'adozione da parte dei consumatori di influencer virtuali sulle piattaforme di video brevi è mostrato nella Figura 2. La procedura dello studio è stata condotta in modo sequenziale, includendo la preparazione degli stimoli, l'esposizione dei partecipanti, l'amministrazione dei sondaggi, la pre-elaborazione dei dati e l'analisi statistica. Gli utenti vengono inizialmente esposti a stimoli selezionati con cura da influencer virtuali su piattaforme di video brevi come TikTok, YouTube Shorts e Instagram Reels. Per catturare i principali concetti del Technology Acceptance Model (TAM), tra cui la Percezione di Facilità d'Uso (PEOU), l'Utilità Percepita (PU), l'Attitudine (ATT) e l'Intenzione Comportamentale (BI), le risposte al sondaggio vengono raccolte utilizzando strumenti validati su scala Likert. I dati raccolti vengono poi pre-elaborati, inclusa la pulizia dei dati e le valutazioni di validità e affidabilità, per garantire la qualità dei dati.

Il framework TAM esteso, che incorpora variabili moderate, viene poi applicato al dataset raffinato. In particolare, l'Antropomorfismo (ANTH) modera le relazioni tra PEOU → ATT e PU → ATT, mentre l'Autenticità Percepita (PA) modera le relazioni tra PU → ATT e ATT → BI. Questi effetti moderatori sono esplicitamente modellati come interazioni sui percorsi strutturali. Infine, il modello di misura, le relazioni strutturali e gli effetti di moderazione vengono valutati utilizzando la Modellazione delle Equazioni Strutturali Parziali dei Minimi Quadrati (PLS-SEM). I risultati forniscono un'analisi completa e sistematica del comportamento di adozione da parte degli utenti verso influencer virtuali su piattaforme di video brevi, evidenziando sia le relazioni dirette (PEOU, PU → ATT → BI) sia gli effetti di moderazione.

Metodologia e progettazione dello studio
La metodologia è stata sviluppata in tre fasi: sviluppo del quadro concettuale, raccolta dati e analisi empirica.

Sviluppo del quadro concettuale
Questa fase ha coinvolto lo sviluppo del quadro teorico estendendo il Technology Acceptance Model (TAM) con due moderatori socio-psicologici rilevanti per influencer virtuali: Authentic Perceived e Anthropomorphism. Il modello assume che PEOU influenzi PU, mentre PU e PEOU influenzano congiuntamente l'Atteggiamento, che a sua volta influenza l'Intenzione Comportamentale (Figura 3).

Raccolta dati
I dati empirici sono stati raccolti tramite un questionario online somministrato a 350 utenti di piattaforme video brevi come TikTok, YouTube Shorts e Instagram Reels. Ai partecipanti è stato chiesto di guardare video standardizzati con influencer virtuali popolari. I dati sono stati raccolti su costrutti TAM e variabili di moderazione. Le variabili di controllo includevano caratteristiche demografiche e d'uso. Sono state osservate considerazioni etiche.

Analisi empirica
I dati sono stati analizzati utilizzando una procedura in due fasi di Modellazione Strutturale delle Equazioni Parziali dei Minimi Quadrati (PLS-SEM). Affidabilità e validità sono state valutate utilizzando carichi fattoriali, alfa di Cronbach, affidabilità composita, Varianza Media Estratta (AVE), il criterio di Fornell–Larcker e il rapporto Heterotrait–Monotrait (HTMT). L'bootstrapping con 5.000 ricampionamenti è stato utilizzato per testare percorsi strutturali ed effetti di moderazione, validando il modello TAM con autenticità e antropomorfismo come moderatori.

Formulazione del modello strutturale
Lo studio amplia il modello TAM incorporando gli aspetti socio-emotivi degli Influencer Virtuali su piattaforme di video brevi. Oltre ai costrutti tradizionali (PU, PEOU, Atteggiamento, Intenzione Comportamentale), sono incluse due variabili moderate—Autenticità Percepita e Antropomorfismo—per rappresentare rispettivamente le dimensioni psicologiche della credibilità e della somiglianza umana.

A livello di misura, tutti i costrutti latenti (PEOU, PU, ATT, BI, PA, ANTH) sono definiti in modo riflessivo, con più elementi di indagine che si caricano su ciascun fattore latente39. Il modello di misura è espresso come:

figure-protocol-1(1)

dove xj era l'indicatore osservato, η era la costruzione latente, λj il carico fattoriale e εj era l'errore di misura. Questo forniva affidabilità a priori, razionalità convergente e razionalità discriminante prima di testare i percorsi causali.

A livello strutturale, le equazioni TAM di base sono state definite cometrails 40. L'utilità percepita è stata prevista dalla Percepita Facilità d'Uso:

figure-protocol-2(2)

L'assetto fu poi specificato come funzione di PU e PEOU:

figure-protocol-3(3)

Infine, l'intenzione comportamentale è stata spiegata dall'atteggiamento, con PU come predittore diretto opzionale:

figure-protocol-4(4)

Per incorporare la moderazione, vengono introdotti i termini di interazione. L'antropomorfismo (ANTH) modera gli effetti di PU e PEOU su ATT, mentre l'Autenticità Percepita (PA) modera gli effetti di PU su ATT e ATT su BI. Le equazioni strutturali moderate sono:

figure-protocol-5(5)

I coefficienti di interazione (β₆, β₇, β₈, β₉) indicano se le relazioni TAM variano a seconda dei livelli di antropomorfismo e autenticità. Ad esempio, l'effetto condizionale del PU su ATT è:

β₂ + β₆· ANTH + β₈· PA

Analogamente, l'effetto condizionale dell'ATT su BI è:

β₄ + β₉· PA

Il quadro tiene conto anche della mediazione e della mediazione moderata. L'effetto indiretto del PEOU sull'ATT tramite PU nel modello di base è:

figure-protocol-6(6)

Con i moderatori inclusi, questo è diventato un effetto indiretto condizionato:

figure-protocol-7(7)

dove a e p rappresentano rispettivamente i valori dell'antropomorfismo e dell'autenticità percepita.

Ciò consente di esaminare se il carattere arbitrale della PU sia dipendente dagli attributi sociali delle VI, fornendo così prove di mediazione moderata.

Autenticità Percepita (PA) e Antropomorfismo (ANTH) agiscono come moderatori dell'accettazione da parte degli Influencer Virtuali sulle piattaforme di video brevi, come illustrato nella Figura 3. Le linee continue rappresentano relazioni TAM dirette, mentre le linee tratteggiate indicano effetti moderativi. Nel complesso, il modello integra fattori tecnologici e socio-psicologici per fornire una spiegazione completa dell'adozione da parte degli influencer virtuali.

Collezione di dataset
Questa ricerca si basa su un dataset di sondaggi (N = 350 partecipanti). I partecipanti erano utenti abituali di piattaforme di video brevi come TikTok, YouTube Shorts e Instagram Reels. Sono stati mostrati clip modificati di Virtual Influencer e è stato chiesto di compilare un questionario strutturato utilizzando misure Likert validate per costrutti TAM (PEOU, PU, ATT, BI) e moderatori (PA, ANTH). I dati sono stati autodichiarati e non ottenuti da un database pubblico; tuttavia, la struttura di misurazione è stata adattata da scale consolidate nell'adozione tecnologica e nella ricerca sugli influencer virtuali.

La Tabella 1 descrive la struttura del dataset sull'adozione comportamentale. Ogni riga rappresenta un costrutto nel modello TAM esteso, insieme ai suoi elementi di misura, al tipo di scala e al ruolo analitico. PEOU e PU sono stati misurati utilizzando quattro elementi ciascuno su una scala di Likert a 7 punti.

La Tabella 2 presenta il profilo demografico dei rispondenti. Il profilo demografico degli intervistati (N = 350) indica una distribuzione di genere relativamente equilibrata, con uomini che costituiscono il 50,86%, le femmine il 45,43% e una piccola percentuale (3,71%) che si identifica come altro. In termini di età, la maggior parte dei partecipanti rientra nel gruppo 25–34 anni (44,57%), seguito da 18–24 anni (29,43%) e 35–39 (26,00%), suggerendo che il dataset sia composto principalmente da individui giovani a mezza età. Per quanto riguarda il livello di istruzione, gli intervistati sono distribuiti in modo equo tra diversi livelli, con la percentuale più alta in possesso di titoli post-laurea (23,14%), seguiti dalla scuola superiore (22,86%), dalla laurea triennale (20,29%), dal diploma (17,43%) e dai titoli di dottorato (16,29%). Questo riflette un background educativo diversificato tra i partecipanti. Per quanto riguarda il comportamento di utilizzo della piattaforma, una maggioranza significativa degli intervistati (61,71%) ha dichiarato un utilizzo giornaliero, mentre il 29,14% utilizza la piattaforma settimanalmente e il 9,14% occasionalmente. Ciò indica un alto livello di coinvolgimento con la piattaforma tra la popolazione campionata. Queste caratteristiche indicano che il campione rappresenta utenti attivi delle piattaforme di video brevi.

Analisi dei dati
Dopo la raccolta dei dati, sono state analizzate 350 risposte valide utilizzando la Partial Least Least Squares Structural Equation Modeling (PLS-SEM), adatta all'estensione teorica, ricerca orientata alla previsione e modelli complessi con variabili moderate. L'analisi ha incluso la valutazione del modello di misurazione, la valutazione del modello strutturale, l'analisi della moderazione e la stima complessiva del modello.

Validazione del modello di misura
Il primo passo è stato misurare l'affidabilità e la razionalità di tutti i concetti. L'affidabilità interna è stata testata tramite Alpha (α) e Composite Reliability (CR) di Cronbach, con standard superiori a 0,70 considerati soddisfacenti. La razionalità convergente è stata determinata dalla Varianza Media Estratta (AVE ≥ 0,50). La coerenza discriminante è stata verificata tramite lo standard Fornell–Larcker, dove la radice quadrata dell'AVE di ogni costrutto era maggiore delle sue associazioni con concetti aggiuntivi. L'AVE di un costrutto j è stato calcolato come:

figure-protocol-8(8)

dove λij era il caricamento fattoriale standardizzato dell'elemento i sul costrutto j, ed figure-protocol-9 è l'errore di misura.

Il modello di misura dello studio attuale è raffigurato nella Figura 4. Ogni struttura latente del framework TAM prolungato è stata operativizzata da diversi indicatori riflettenti. In particolare, la Percepita Facilità d'Uso (PEOU) e l'Utilità Percepita (PU) sono state misurate con 4 elementi, mentre Atteggiamento (ATT) e Intenzione Comportamentale (BI) sono stati misurati con 3 item. I moderatori—Autenticità Percepita (PA) e Antropomorfismo (ANTH)—sono stati valutati ciascuno utilizzando tre indicatori. Tutti i percorsi conducevano dai concetti ai rispettivi puntatori, riflettendo la natura riflettente del modello di misura. L'affidabilità e la validità dei concetti sono state confermate utilizzando carichi fattoriali, alfa di Cronbach, affidabilità composita (CR) e varianza media estratta (AVE). Questo ha reso statisticamente valido che il modello di misurazione e i concetti misurano le dimensioni desiderate degli atteggiamenti degli utenti e delle intenzioni comportamentali verso gli Influencer Virtuali sulle piattaforme di video brevi.

Test con modelli strutturali
Una volta stabilita la validità della misura, sono stati esaminati i percorsi strutturali del modello TAM ampliato. Le relazioni dirette poste sono le seguenti:

figure-protocol-10(9)

figure-protocol-11(10)

figure-protocol-12(11)

Dove: β1 ha esaminato l'effetto del PEOU → PU, β2,β 3 ha esaminato l'effetto di PU e PEOU → ATT, β4 ha catturato l'effetto di ATT → BI. I coefficienti di percorso (β) venivano calcolati tramite il metodo bootstrapping (5000 ricampioni), e la significatività veniva calcolata tramite valori t e p.

Analisi della moderazione
È stata effettuata un'analisi di moderazione per esaminare gli effetti di interazione. L'ampliamento del TAM includeva come moderatori Authentic Perceived (PA) e Anthropomorphism (ANTH). La moderazione è stata testata generando termini di interazione tra variabili indipendenti e moderatori. Il modello esteso era raffigurato come:

figure-protocol-13(12)

Qui: PU × PA: Verificato se l'autenticità aumentava il ruolo dell'utilità sull'atteggiamento. PEOU × ANTH: Valutato se l'antropomorfismo ha aumentato il risultato della Percepita Facilità d'Uso sull'atteggiamento. TT × PA: Valutato se l'autenticità rafforzasse il risultato dell'atteggiamento sull'intenzione comportamentale. Un significativo coefficientedi β 7, β8 o β10 ha verificato la presenza di moderazione.

Valutazione del modello
Il modello nel suo complesso è stato valutato in termini di potere esplicativo e predittivo:

Coefficiente di determinazione (R2): Indicava l'alterazione chiarificata nei costrutti endogeni (ATT e BI). R2 ≥ 0,50 è stato considerato elevato negli studi comportamentali.

Rilevanza predittiva (Q2): È stata determinata tramite bendatura alla cieca, con Q2 > 0 che indicano validità predittiva.

Dimensione dell'effetto (f2): È stato impiegato per accertare l'effetto di ogni costrutto sul modello ed è calcolato come:

figure-protocol-14(13)

Dove veniva spiegata la varianza quando si includeva un predittore e figure-protocol-15 dove era la varianza escludendolo. In conclusione, l'analisi dei dati conferma inizialmente l'affidabilità e la validità del costrutto, testa le relazioni strutturali del TAM, valuta gli effetti di moderazione dell'antropomorfismo e dell'autenticità e, infine, verifica il controllo descrittivo ed estrapolativo del tipico. Questo approccio approfondito garantisce la solidità dei risultati e estende il TAM al caso degli Influencer Virtuali su piattaforme di video brevi.

Test di ipotesi
Per confermare il framework TAM esteso, sono state testate otto ipotesi utilizzando PLS-SEM con bootstrapping (5000 ricampioni). Il processo di bootstrapping creava costanti di traccia (β), valori t e valori p, che venivano impostati rispetto alla soglia critica (p < 0,05).

Effetti diretti (H1–H4)
Gli impatti diretti del TAM classico sono stati valutati per primi. I risultati hanno confermato che la Percepita Facilità d'Uso (PEOU) ha avuto un'influenza importante sull'Utilità Percepita (PU). L'equazione stimata è:

figure-protocol-16 (14)

Dove β1=0,46, t=8,72, p < 0,001. Di conseguenza, H1 è supportato.

In secondo luogo, anche l'Utilità Percepita (PU) e il PEOU hanno trovato un impatto positivo sull'Atteggiamento (ATT):

figure-protocol-17(15)

con β2=0,39, t=7,64, p < 0,001 e β3=0,21, t=2,14, p < 0,05. Questi risultati supportano fortemente H2 e parzialmente H4, rafforzando che sia la Percepita Facilità d'Uso che l'Utilità modificano gli atteggiamenti.

Infine, l'influenza dell'ATT sull'Intenzione Comportamentale (BI) è stata significativa:

figure-protocol-18 (16)

con β4=0,58, t=10,12, p < 0,001. Pertanto, H3 è fortemente sostenuto, sottolineando che gli atteggiamenti positivi guidano fortemente l'intenzione di utilizzare Virtual Influencers.

Effetti moderati (H5–H8)
Gli impatti moderativi dell'Autenticità Percepita (PA) e dell'Antropomorfismo (ANTH) sono stati testati incorporando termini di interazione.

Per H5, l'effetto della PU su ATT è stato moderato da PA:

figure-protocol-19(17)

con β5=0,15, t=3,21, p < 0,01. Questo suggerisce che se le VI sono considerate autentiche, la loro utilità ha un'influenza maggiore sugli atteggiamenti.

Per H6, anche la moderazione ATT → BI da parte della PA è stata significativa:

figure-protocol-20(18)

con β6=0,12, t=2,94, p<0,01. Questo implica che l'autenticità ha un legame più forte tra atteggiamenti positivi e intenzione comportamentale.

Per H7, l'antropomorfismo ANTH modera l'effetto del PEOU sull'ATT:

figure-protocol-21(19)

con β7=0,14, t=3,08, p < 0,01. Di conseguenza, quando le VI sono più simili a quelle umane, la facilità d'uso si manifesta in modo più efficace su atteggiamenti positivi.

Per H8, l'antropomorfismo ha anche migliorato il percorso PU → ATT moderato da ANTH:

figure-protocol-22(20)

con β8=0,11, t=2,21, p < 0,05.

Le prestazioni del modello sono state valutate utilizzando R2 per il potere esplicativo, Q2 per la rilevanza predittiva e dimensione dell'effetto (f2) per valutare il contributo di ciascun predittore.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

In totale, sono state ottenute 350 risposte utilizzabili da utenti attivi di applicazioni di video brevi (Instagram Reels, YouTube Shorts e TikTok). I dati sono stati analizzati utilizzando la Partial Least Square Structural Equation Modeling (PLS-SEM) in SmartPLS 4.0, dopo la pre-elaborazione e l'esclusione delle risposte incomplete. Questo approccio ha permesso la valutazione sia dei modelli di misurazione che strutturali, oltre agli effetti di moderazione.

...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Per validare i costrutti, il modello di misura è stato valutato per affidabilità, validità convergente e validitàdiscriminante 39,40. I risultati dello studio forniscono importanti spunti sui fattori che influenzano l'adozione da parte degli Influencer Virtuali (VI) sulle piattaforme di video brevi. I risultati indicano che sia i fattori tecnologici (Utilità percepita e Facilità d'Uso Percepita) sia quelli psicologici (Autenticit...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Gli autori dichiarano di non esserci conflitti di interesse.

Ringraziamenti

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Gli autori ringrazionano con gratitudine il sostegno istituzionale della AzmanHashim International Business School, dell'UniversitiTeknologi Malaysia e del College of Innovation and Entrepreneurship dell'Università del Turismo del Sichuan, per aver fornito risorse e orientamento accademico durante questa ricerca. Questa ricerca è stata finanziata dal Sichuan Cuisine Development Research Center Project (CC24G18).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
Computer System (PC/Laptop)Generic (HP/Dell/Lenovo o equivalente)N/AUtilizzato per la raccolta e l'analisi dei dati
Google FormsGoogle LLCN/A / https://forms.google.comUtilizzato per la progettazione di sondaggi e la raccolta dati
Instagram ReelsMeta Platforms Inc.N/A / https://www.instagram.com/reels/Piattaforma per stimoli video di influencer virtuali
Connessione InternetFornitore di servizi Internet localeN/ANecessario per accedere al sondaggio e alle piattaforme
Microsoft ExcelMicrosoft Corporation365 / https://www.microsoft.com/excelUtilizzato per la pre-elaborazione e l'organizzazione dei dati
PythonPython Software Foundation3.x / https://www.python.orgUtilizzato per la pre-elaborazione opzionale e la gestione dei dati
SmartPLSSmartPLS GmbH4.0 / https://www.smartpls.comUtilizzato per l'analisi PLS-SEM inclusa HTMT, Q² (blindfolding) e f² dimensione dell'effetto
TikTokTikTok Inc.N/A / https://www.tiktok.comPiattaforma per stimoli video di influencer virtuali
Clip video di influencer virtualiDataset generato dall'autoreN/AStimoli video standardizzati presentati ai partecipanti
YouTube ShortsGoogle LLCN/A / https://www.youtube.com/shortsPiattaforma per stimoli video di influencer virtuali

Riferimenti

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Ju, N., Kim, T., Im, H. Fake human but real influencer: The interplay of authenticity and humanlikeness in virtual influencer communication. Fashion Text. 11, 16(2024).
  2. Barari, M., Ross, M., Moghddam, H. A. Virtual influencers’ anthropomorphism, consumer engagement and/or well-being. J Consum Mark. 42, 673-688 (2025).
  3. Deng, F., Jiang, X. Effects of human versus virtual human influencers on the appearance anxiety of social media users. J Retail Consum Serv. 71, 103233(2023).
  4. Barari, M., Ross, M., Moghddam, H. A., et al. A meta-analysis of customer engagement behaviour. Int J Consum Stud. 45, 457-477 (2021).
  5. Barari, M. Unveiling the dark side of influencer marketing: How social media influencers (human vs virtual) diminish followers’ well-being. Mark Intell Plan. 41, 1162-1177 (2023).
  6. Audrezet, A., De Kerviler, G., Moulard, J. G. Authenticity under threat: When social media influencers need to go beyond self-presentation. J Bus Res. 117, 557-569 (2020).
  7. Geyser, W. The state of influencer marketing 2022: Benchmark report. , Influencer Marketing Hub. (2023).
  8. da Silva Oliveira, A. B., Chimenti, P. Humanized robots: A proposition of categories to understand virtual influencers. Australas J Inf Syst. 25, (2021).
  9. Jin, S., Park, H., Lee, J. Comparing the impact of virtual and human influencers on social media users’ self-perception. Comput Hum Behav. 140, 107573(2023).
  10. Miao, F., Kozlenkova, I. V., Wang, H., et al. An emerging theory of avatar marketing. J Mark. 86, 67-90 (2022).
  11. Moustakas, E., Lamba, N., Mahmoud, D., et al. Blurring lines between fiction and reality: Perspectives of experts on marketing effectiveness of virtual influencers. ProcIntConf Cyber SecurProt Digit Serv, , (2020).
  12. Hiort, A. How many virtual influencers are there?. , Virtual Humans. (2022).
  13. Conti, M., Gathani, J., Tricomi, P. P. Virtual influencers in online social media. IEEE Commun Mag. 60, 86-91 (2022).
  14. Arsenyan, J., Mirowska, A. Almost human? A comparative case study on the social media presence of virtual influencers. Int J Hum Comput Stud. 155, 102694(2021).
  15. Shin, J., Lee, S. Intimacy between actual users and virtual agents: Interaction through likes and comments. Proc 14th IntConf Ubiquitous InfManagCommun, , (2020).
  16. Bie, Y., Zhang, X., Li, H., et al. Beyond the shores of reality: The effect of virtual influencers on luxury perception and its downstream consequence. Psychol Mark. , (2025).
  17. Belanche, D., Casaló, L. V., Flavián, M. Human versus virtual influences: A comparative study. J Bus Res. 173, 114493(2024).
  18. Kästner, E., Baczynski, M. Believe me, even though I am fake: How the credibility of real and virtual influencers affects purchase intention. J Media Bus Stud. , (2025).
  19. Li, Q., Wang, T. Adoption of short-video e-commerce apps among university students: An extended TAM approach. Electron Commer Res. 24, 879-901 (2024).
  20. Singh, A., Kumar, P. User behavior in TikTok shopping: Insights from Technology Acceptance Model. J Retail Consum Serv. 71, 104005(2024).
  21. Wang, S., Wang, Y., Li, X., et al. Leveraging TikTok for active learning in management education: An extended technology acceptance model approach. Int J Manag Educ. 22, 101009(2024).
  22. Koles, B., Szabo, K., Kovacs, A., et al. The authentic virtual influencer: Authenticity manifestations in the metaverse. J Bus Res. 170, 114325(2024).
  23. Park, S., Kim, H., Choi, Y. Consumer trust and engagement with virtual influencers: The role of perceived authenticity. J Interact Mark. 59, 45-58 (2025).
  24. Zhang, W., Li, F., Zhou, R. Perceived realism and human-likeness of virtual influencers: Effects on consumer engagement. Comput Hum Behav. 149, 107843(2024).
  25. Li, C., Huang, F. The impact of virtual streamer anthropomorphism on consumer purchase intention: Cognitive trust as a mediator. Behav Sci. 14, 1228(2024).
  26. Ross, M., Barari, M., Moghddam, H. A. Anthropomorphism of virtual influencers and consumer engagement in social media. J Mark Manag. 41, 1150-1168 (2025).
  27. Vafaei-Zadeh, A., Nikbin, D., Wong, S. L., et al. Investigating factors influencing AI customer service adoption: An integrated model of SOR and TTF theory. Asia Pac J Mark Logist. , (2024).
  28. Huo, C., Wang, X., Sadiq, M. W., et al. Exploring factors affecting consumer impulse buying behavior in live-streaming shopping: An SOR-based study. SAGE Open. 13, 21582440231172680(2023).
  29. Gao, L., Chen, Y., Liu, X., et al. The impact of artificial intelligence stimuli on customer engagement and value co-creation. J Res Interact Mark. 17, 317-333 (2022).
  30. Parhamnia, F. Investating mobile acceptance in academic library services based on UTAUT-2. J AcadLibrariansh. 48, 102570(2022).
  31. Wang, Z., Jiang, Q. Willingness of Generation Z consumers to use virtual try-on services based on SOR. Systems. 12, 217(2024).
  32. Conde, R., Casais, B. Micro, macro and mega-influencers on Instagram. J Bus Res. 158, 113708(2023).
  33. Dong, X., Zhou, R., Liao, J. Mega-influencer follower effect. Eur J Mark. , (2024).
  34. Berman, R., Ory, A., Zheng, X. Influence or advertise: The role of social learning in influencer marketing. , Yale University. (2023).
  35. Walter, N., Föhl, U., Zagermann, L. Impact of influencer characteristics on influencer success. J Curr Issues Res Advert. 46, 1-23 (2024).
  36. Li, W., Zhao, F., Lee, J. M., et al. Micro vs mega influencers and word of mouth. J Bus Res. 171, 114387(2024).
  37. Tian, Z., Dew, R., Iyengar, R. Influencer selection using follower elasticity. J Mark Res. 61, 472-495 (2024).
  38. Keasey, K., Lambrinoudakis, C., Mascia, D. V., et al. Impact of social media influencers on financial performance. EurFinancManag. 31, 745-785 (2025).
  39. Davis, F. D. Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Q. 13, 319-340 (1989).
  40. Venkatesh, V., Bala, H. Technology acceptance model 3 and a research agenda on interventions. Decis Sci. 39, 273-315 (2008).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE

Richiedi permesso

Tag

EngineeringShort VideoPLS SEM

Articoli correlati