作为一种软件工具，推荐代理（Recommendation Agents）能够帮助消费者检查、评估和比较产品，减少线上消费者的信息过载，激发其消费偏好，并做出符合其偏好的推荐来支持消费者做出更好的购买决策。切实有效的推荐代理设计是面临当下日益增长的竞争压力的在线购物平台获得成功的关键因素。随着老年互联网用户的增加，老年线上消费者在面临在线购物决策时往往困难重重。年长一代日益成为信息系统研究人员和在线零售商需要考虑的重要人群。本期文章《Assessing the design choices for online recommendation agents for older adults: Older does not always mean simpler information technology》就着眼于评估认知上步入老年阶段的用户对不同详尽性水平（Comprehensiveness）的推荐代理设计的看法，为在线推荐代理设计者针对不同年龄段用户设计推荐代理提供指导。

01 研究背景

推荐代理工具在我们的线上购物过程中扮演着重要角色。合理有效的推荐代理设计能够助力在线购物平台在日益严峻的行业竞争中脱颖而出。糟糕的推荐代理设计会使消费者感到沮丧，在线购物体验感和满意度下降，最终导致他们转向其他渠道以满足消费需求。对于面临身体和认知能力自然衰退的老年人来说，使用设计不当的推荐代理工具可能令其感知到或面临着额外的困难。

有关老龄化和信息技术使用的文献普遍认为：人越老，越应该使用简单的信息技术。然而，本文详细揭示了老年人和年轻人在使用不同的推荐代理时，对其有用性和复杂性的看法差异。基于老龄化，认知复杂性和努力-准确性理论，本文提出了另一种观点：老年人可能会认为更复杂的信息技术更加有用。本文使用实验的方法，评估了认知上步入老年阶段的用户对于不同详尽性水平推荐代理设计的看法，为在线推荐代理工具设计者开发适用于不同年龄段的推荐代理提供了重要依据。

02研究模型与研究设计

根据努力-准确性模型：决策者的核心目标是在最小化认知努力的同时最大化决策的准确性。在消费者决策情境下，这两个目标往往相互冲突，所以消费者常常面临着在认知努力和决策准确性之间的取舍与权衡。之前的实证研究表明：人们通常更关注节省认知努力，而非提升准确性。由于人在给定时间点的信息处理能力是有限的，如果他们接收到过多的信息，就会产生认知过载，进而增加他们对复杂性的感知。正如前面所提到的，人们往往更关注节省认知努力。因此，他们选择使用在线推荐代理来减少总体上的认知努力和增加他们的决策准确性。在本研究的情境下，尽管老年用户会认为高详尽性的推荐代理更为复杂，但这种复杂性在其带来的决策准确性和由推荐代理帮助解决的额外认知处理努力面前，显得“物有所值”。因此，认知上已经步入老年阶段的用户会认为高详尽性的推荐代理更加有用，因为它们提供了这些老年用户想要购买产品的更加完整的信息，使得他们不用自己花费太大力气自己去上网搜索那些更符合自己需求的产品。

值得一提的是，本研究关注的是认知上步入老年阶段的用户，而不是生理年龄上的老年人。根据之前的研究，年龄本身更多的是一种精神状态而不是一种身体状态。个人对自己年龄的自我感知（即认知年龄）比他们实际的年龄更能准确预测他们对信息技术的看法和行为。

综合以上观点，本文提出如下假设：

假设1：认知年龄调节了推荐代理详尽性对用户感知到的推荐代理复杂度的正向影响。二者之间的正向影响在认知年龄较大的用户中更强。

假设2：认知年龄调节了推荐代理详尽性对用户感知到的推荐代理有用性的正向影响。二者之间的正向影响在认知年龄较大的用户中更强。

本文设计了在线汽车选购推荐代理用于实验研究。选择汽车这一品类是因为其产品属性全面，购买过程需要消费者高强度参与，以及年轻人和老年人都对其感兴趣。本文所设计的在线汽车选购推荐代理基于www.MyProductAdvisor.com这一知名推荐代理网站。如表1所示，本文根据前人研究成果（即人在工作记忆中可以同时持有7±2个信息块）设计了高和低两种详尽性水平的推荐代理。

表1 (Reference: Ghasemaghaei et al., 2022, p337, Table 1)

本文使用了先前研究验证过的量表来测量感知复杂性和感知有用性等构念。值得一提的是，本研究使用了Barak和Schiffman (1981)开发的认知年龄量表测量年龄（如表2所示）。

表2 (Reference: Ghasemaghaei et al., 2022, p337, Table 2)

本研究招募了来自美国和加拿大的300名网购者参与实验。273名参与者被纳入最终的分析之中。这些参与者的平均实际年龄为54.8岁，平均认知年龄为43.8岁，其中有52%为男性。参与者被随机分配到高或低详尽性水平推荐代理的实验操纵中，并被要求使用被分配的推荐代理完成汽车选购任务。在实验任务完成后，每个参与者回答了以下两个操纵检验问题：（1）请表明您感知到的产品属性的数量，以及在推荐代理搜集您对汽车属性偏好的阶段，您感知到的相关属性的详细程度；（2）请表明您感知到的推荐数量，以及在推荐代理向你展示有关推荐时，每个产品相关属性的数量。操纵检验结果表明，本研究对推荐代理详尽性的操纵是成功的。

为检验认知年龄对推荐代理详尽性与其复杂性及有用性之间关系的调节作用，本研究将实验参与者分为两组，第一组由认知上较年轻的成年人(认知年龄在20岁和30岁之间)组成，而第二组由认知上较老的成年人(认知年龄为60岁以上)组成。随后，本研究进行了2（高认知年龄 vs. 低认知年龄）× 2（高推荐代理详尽性 vs. 低推荐代理详尽性）双因素方差分析，结果表明：推荐代理详尽性和认知年龄对感知复杂性及感知有用性的主效应显著；推荐代理详尽性和认知年龄对感知复杂性及感知有用性的交互影响显著。

一系列的事后分析表明感知有用性对网购者未来使用在线推荐代理购物意愿起主导性作用。此外，以实际年龄为分组标准的方差分析结果表明，实际年龄与推荐代理详尽性的交互作用并不显著。这一结果与之前的老龄化研究结果一致：认知年龄在预测用户对推荐代理各项感知方面比实际年龄具备更好的预测效力。

03研究结果

本文通过分析不同详尽性水平的推荐代理如何影响不同认知年龄用户对推荐代理复杂性和有用性的感知，为相关领域研究和实践做出了贡献。正如作者所预测的，认知年龄调节了推荐代理详尽性和复杂性感知之间的正向关系。有趣的是，与文献中普遍认为的“人越老，使用的信息技术越应该简单”相反，认知年龄还调节了推荐代理详尽性和有用性感知之间的正向关系。也就是说，在认知年龄较大的成年人中，二者之间的正向关系更强。总的来说，与认知上年轻的人不同，认知上老的人在使用高详尽性推荐代理时的确比使用低详尽性推荐代理时感知到更多的复杂性，但他们同时还认为呈现高详尽性的推荐代理明显更加有用。

本文也回应了之前研究所呼吁的“迫切需要研究年龄对信息系统有关现象的影响”。本研究结果支持了最近研究的重要发现：认知年龄是理解消费者信息技术有关行为方面更好的年龄衡量标准。以上结果对在线购物平台的启示是：在线购物网站应提供更详尽全面的推荐代理，因为这对所有年龄组的用户来说都是更为有用的选择，也是最有可能导致是未来使用意愿的选择。从用户的角度来看，使用高详尽性的推荐代理可以帮助他们找到更符合他们详细偏好的产品。这对于认知上更年长的老年人尤为重要，因为他们在搜索和寻找合适的在线信息方面的能力较低。此外，使用更详尽的推荐代理做出更好的决策进而对购买的产品更满意的用户可能会更加忠诚，还会在在线购物网站上进行重复购买，并提供积极的口碑。

04总结

老年人口正在迅速增加，他们对网上购物也有着浓厚的兴趣。然而这部分用户在检查、评估和比较产品以做出有效的在线购物决策方面存在困难。恰当设计的决策辅助工具，如推荐代理，可以提升老年人网上购物的体验。本研究填补了信息系统文献中的一个重要空白，即理解年龄对推荐代理详尽性程度和用户感知复杂性及有用性之间关系的影响，这是以往推荐代理研究中从未考虑过的一个方面。使用认知年龄作为年龄的衡量标准，本文揭示了用户自我感知的年龄如何影响他们使用在线推荐代理时的感受。本研究还探讨了老年人在使用高度详尽的推荐代理时存在的“矛盾”——他们认为高详尽性推荐代理更复杂，但同时更有用。这一发现为信息系统相关研究提供了新的见解，因为它恰恰与“为年长信息技术用户提供更简单的设计”这一主流建议相反。考虑到在大多数发达国家的信息技术用户中，年龄较大群体正在快速增长，这些研究结果的发现显得尤为及时和重要。

参考文献：Ghasemaghaei, M., Hassanein, K., & Benbasat, I. (2019). Assessing the design choices for online recommendation agents for older adults: Older does not always mean simpler information technology. MIS Quarterly, 43(1), 329-346.

文章链接：https://doi.org/10.25300/MISQ/2019/13947

https://misq.umn.edu/assessing-the-design-choices-for-online-recommendation-agents-for-older-adults-older-does-not-always-mean-simpler-information-technology.html

作者信息：

Maryam Ghasemaghaei

Position：Associate Professor, Information Systems, DeGroote School of Business (DSB), McMaster University

Area：The use of data analytics in organizations

Site:https://mira.mcmaster.ca/our-faculty/maryam-ghasemaghaei/

Email:ghasemm@mcmaster.ca

Khaled Hassanein

Position：Professor, Information Systems, DeGroote School of Business (DSB), McMaster University

Area：Digital transformation, data analytics, e-Health, artificial intelligence, decision support systems, and neuro-information systems

Site:https://mira.mcmaster.ca/our-faculty/khaled-hassanein/

Email:hassank@mcmaster.ca

Izak Benbasat

Position：Sauder Distinguished Professor, Information Systems, Sauder School of Business, University of British Columbia

Area：Evaluating human-computer interfaces, specifically how to design web-based interfaces to facilitate business-to-consumer electronic commerce; Investigating the role of explanations in intelligent support systems in improving user productivity and knowledge transfer to users; Measuring IT-related competencies, namely, IT knowledge in line managers and business competence in IT professionals, and their impact on the effective deployment of IT.

Site: https://www.sauder.ubc.ca/people/izak-benbasat

Email: izak.benbasat@sauder.ubc.ca