摘要
在数字时代，个体与外界信息交流变多，大量信息给决策者决策带来巨大挑战。在海量的信息中如何甄别有效信息，是个体面临的严峻问题，然而个体有限的信息处理能力难以对海量信息进行有效甄选，决策者面临着“有限处理能力”和“无限增长信息”之间的矛盾。利用机器进行决策以此提高决策者决策满意度是解决这一问题的有效途径。随着建议采纳（Advice taking）研究成果的不断丰富，建议采纳影响因素的研究已包含建议者特征、决策者特征、建议特征等，然而对于建议者的研究大多集中于建议者本身特质，因此本研究引入建议者分别为人和机器这一变量探讨人与机器建议对决策者建议采纳行为的不同。基于此本研究探讨在购物决策情境下，不同建议者（人/机器）对建议采纳的影响。基于调节定向理论和解释水平理论，本研究探讨了建议框架、社会距离与建议者类型（人/机器）对建议采纳的交互影响。 本研究采用E-prime2.0设计三个行为实验，运用SPSS20.0统计软件进行数据分析，采用单因素方差分析、重复测量方差分析、描述性统计分析等方法探讨建议者类型（人/机器）对建议采纳影响及其相关变量的交互影响。研究发现：（1）建议者类型对建议采纳具有显著影响，在建议者为人的情况下，个体建议采纳程度更高；建议者为不同社会距离下的人时，建议采纳影响显著，建议者为近社会距离的人时，建议采纳程度更高；（2）建议者类型和社会距离对建议采纳的交互影响显著。在为自己决策时，建议者类型对建议采纳影响显著，建议者为人时个体建议采纳程度更高；在为他人决策时，建议者类型对建议采纳影响不显著；（3）建议者类型和建议框架对建议采纳的交互作用显著。在建议者为人的情况下，建议框架对决策者的建议采纳程度无显著影响；在建议者为机器的情况下，不同的建议框架对建议采纳有显著差异，在负性建议框架描述下的个体建议采纳程度更高。
NETL