基于语音的辅助设备（VBAD）的使用建模与功能需求分析

International Journal of Information Management Data Insights 2（2022）100069基于语音的辅助设备（VBAD）的使用建模：机器学习基础，使用聚类分析和对应分析的Suzanee Malhotraa，Kiran Chaudharyb，Mr. Chawan，Mansaf AlamcaShaheed Bhagat Singh Evening College，University of Delhi，New Delhi 110017，IndiabKiran Chaudhary，印度德里大学Shivaji学院商务系cMansaf Alam，印度aRT i cL e i nf o保留字：人工智能（AI）聚类分析，对应分析，功能需求关系需要基于语音的辅助设备（VBAD）a b sTR a cT基于语音的助理设备（VBAD）在我们的城市生活中越来越普遍。这款智能人工智能设备所带来的独特而生动的用户和互动体验，不仅有助于为其用户提供各种功能，还为他们提供陪伴，以缓解无聊。本研究利用投射词联想技术，探讨VBAD使用者经常使用的各种描述词或短语。使用聚类分析后，该研究旨在探讨用户对这些设备的使用意图，检查这些设备是否用于纯粹的功能目的，或者也能够满足与用户的某种友好关系。使用机器学习和数学建模进行聚类分析。此外，本研究还探讨了知觉品牌映射的几个流行品牌的VBAD使用对应分析， 了解这些品牌是否有更多的共同点，或者它们彼此之间是否有区别。这些发现表明，除了满足人们的常规功能目标外，这些设备还通过成为他们的伙伴，朋友或家庭成员与人们联系在一起。研究中的品牌之间存在差异，尽管所有品牌都通过提供不同的功能目的来满足用户，但只有Google Assistant和Alexa能够与用户建立关系。设计这些设备的品牌基本上可以将本研究的发现作为产品开发和用户交互模型的基础，以改善未来的用户体验。1. 介绍“Predicting the future isn’t magic, it’s artificial- 戴夫·沃特斯人工智能（AI）的奇迹在很大程度上推动了现代科学世界的发展，其中我们见证了人造机器对类人智能的展示（Kushwaha，Kar&Dwivedi，2021;Nasirian，Ahmadian，&Lee，2017; Russell&Norvig ，1995），这是在20 世纪50年代左右出现的（Simon，1995）。自成立以来，它已经发现其角色在医药，物流，营销和管理，教育和游戏等行业领域多样化（Alam& Shaanxi 2016; Khan，Shaanxi& Alam 2018; Kushwaha等人，2021; Nasirian等人，2017;Russell& Norvig，1995）。在人工智能领域日复一日的发明和探索给了我们这个时代的奇妙奇迹-声音-∗ 通讯作者。电子邮件地址：kchaudhry1@gmail.com（K. Chaudhary）。https://doi.org/10.1016/j.jjimei.2022.100069基于辅助设备（VBAD）。是的，这些会说话的机器已经成为我们城市生活的现代方向，支持我们进行一系列活动，如了解和学习新事物，享受音乐，电视或其他休闲活动，控制家庭设备，社交和在线购物（ Nasirian 等 人，2017;Pradhan ， Findlater& Lazar ， 2019;Sharma ，Rana& Kumar，2021）。VBAD使其用户能够通过语音输入执行所有这些规定的活动（Abdolrahmani，Kuber& Branham，2018）。VBAD，也称为虚拟个人助理（VPA）、会话代理（Cas）、启用语音的助理（VEA）、智能个人助理（IPA）（Cowan等人，2017年），被构建为根据用户的需求智能回复， 对 他 们 做 出 反 应 ， 并 学 习 更 好 地 为 他 们的 用 户 服 务 ， 遵 循 他 们 基 于 AI 的 机 制 （ Ab do l r a hm a ni 等 人 ，2018; Mallat，Tuunainen &Wittkowski，2017）。机械中使用的高精度和先进的传感器这些设备中的大多数确实能够有效地读取外部环境提示并提供更加个性化的用户体验接收日期：2021年8月16日;接收日期：2022年3月12日;接受日期：2022年3月12日2667-0968/© 2022由Elsevier Ltd.发布这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）可在ScienceDirect上获得目录列表国际信息管理数据见解期刊主页：www.elsevier.com/locate/jjimeiS.马尔霍特拉湾Chaudhary和M. AlamInternational Journal of Information Management Data Insights 2（2022）1000692（Nasirian等人，2017年）。这样，这些设备能够向用户提供更高的高端服务质量（Nasirian等人，2017年）。VBAD有两种变体。一个是基于家庭的VBAD，包括Google Home和Amazon Echo等，另一个是移动VBAD，即苹果Siri，三星BiX by，车载AI助手等（Abdolrahmani等人， 2018年）。 基于语音的辅助是一种实用的和改进的解决方案，优于传统的基于搜索引擎的搜索和寻找事物的机制（Abdolrahmani等人，2018;Azenkot&Lee，2013;Nasirian等人，2017年）。迄今为止，文献中 的 研 究 已 经 检 查 了 VBAD 通 常 迎 合 的 请 求 （ Cowan 等 人 ，2017;Efthymiou& Halvey，2016;Guy，2016;Luger&Sellen，2016），这些设备的对话作用（Lopatovska& Williams，2018;Porcheron等人，2018;Purington等人，2017;Vtyurina& Fourney，2018），儿童使用这些 器 械 （ Druga 等 人 ， 2017 年 ） ， 视 障 人 士 对 VBAD 的 新 用 法（Abdolrahmani等人，2018; Pradhan，Mehta& Findlater，2018），与这些器械的验收相关的问题（Lau，Zimmer- man& Schaub，2018;Liao等人，2019;Lopatovska等人，2019年）。很少有现有的研究表明，人们经常与这些设备形成个人和密切的联系（Lopatovska& Williams，2018;Purington等人，2017年）。不太清楚的是，使用这些设备的人在他们的日常生活中经常使用的各种描述词或短语的长度和多样性是什么，这些术语反映了他们的用户意见或感知。此外，只有少数人试图找出这些设备和使用它们的人之间是否存在任何关系联系-也就是说，这些设备纯粹是为了它们的功能利益而使用的，还是有一种隐藏的友谊或亲密关系的需要，也推动了它们的使用量的增长？所有品牌的VBAD是否彼此相似，或者不同品牌之间是否存在区别？对这些问题的理解是当代研究中一个长期存在的问题，可以为技术发展提供重要的管理意义，尤其是在这些VBAD越来越受人们欢迎的时候。为了弥补研究方面的差距，该研究所的主要目标如下：• 探讨人们通常与VBAD联系在一起的各种描述性词语，以及其使用者持有的不同使用意图，即他们是否习惯于更多地使用功能性词语，或者是否倾向于与这些VBAD建立密切的关系。• 为一些流行的VBAD品牌生成视觉感知品牌映射，以查看所有品牌是否可以基于对等点捆绑在一起，或者是否可以基于不同点分割。• 提供相关的管理发现，可用于解决VBAD营销人员面临的关键问题，同时为多样化的消费者执行细分策略。本文的组织如下-理论框架，然后是研究1和研究2的描述，其中详细说明了 本文将讨论这两项研究的方法和结果。之后，一般性讨论结束时，说明文献的贡献，管理的影响，和未来的范围。2. 文献综述技术进 化、其渗 透和人类活 动的采用 一直是 有趣的研 究方面（Kushwaha等人，2021;Nasirian等人，2017年）。随着支持AI的智能扬声器在从智能手机到笔记本电脑到家用设备到移动车辆的各种产品中的 普 及 ， VBAD 的 使 用 正 在 获 得 认 可 （ Abdolrahmani 等 人 ， 2018;Kushwaha& Kar，2021）。通常他们被称为“智能个人和会话代理”（Pradhan等人， 2019年），但在本文中，这些智能和人工智能设备将由术语VBAD表示，以保持一致性。过去的研究表明，VBAD通常用于获取天气更新、电视观看、游戏和音乐以及控制各种家庭设备（Lopatovska等人，2019; Luger& Sellen，2016）。随着时间的推移，技术进步不仅改善了这些设备的功能，而且用户的齿轮协作也使这些设备发展了很长的路要走（Abdolrahmani等人，2018; Cowan等人，2017年）。VBAD的基于家庭的变体被发现通过不同的家庭成员用于各种家庭活动，例如计划日常活动、新闻和天气更新，设置微波炉、洗碗机或洗衣机的定时器（Porcheron等人，2018;Sciuto等人，2018年）。交互是用户渗透的关键组成部分VBAD，它“不是一个简单的人机交互，但它正在超越，变得更加类似于人类的交互作用”（Nasirian等人，2017年，第2页）。虽然过去的研究发现，“谷歌家庭”能够进行更激烈和工作导向的谈话，“苹果Siri”表现出更休闲和有趣的谈话与人类接触（Abdolrahmani等，2018; Luger&Sellen，2016）。有时，用户也有特权找到VBAD的乐趣和满意度，而不管从所寻求的查询中再现的结果如何（Lopatovska等人，2019年）。这意味着人们重视用户体验和他们与设备的联系，而不是产生的输出结果（Abdolrahmani等人，2018年）。所有这些都暗示了用户和VBAD之间存在一些关系阴影Reeves和Nass（1996）将类似人类的品质与像电脑或电视这样的高科技机器。人们对人类素质与科技产品的关联有不同的看法（Pradhan等人，2019年）。虽然一组人认为这&是最新 技 术 发 展 的 人 性 化 一 面 （ Kushwaha ， Kumar Kar ， 2021 年 ;Kusabanović等人，2013年）。另一组担心在真正的人类纽带中失去实际的温暖（Calo，2011;Darling，2016）。然而，这些人类品质的相 关 性 在 VBAD 中 更 为 明 显 （ Guzman ， 2019;Nass &Brave ，2005;Wang，2017）。有些人确实承认这些VBAD的存在是一个独特的“实体”，而对其他人来说，它只是一个简单的技术“装置”（古兹曼，2019）。过去一些研究的结果表明，受访者确实使用了“朋友”，“隐形女人”等描述性术语&，或者使用了“她”或“她的”等人称代词来表示从这些设备中听到的女性声音（Lopatovska Williams，2018 ; Pradhan等人，2018;Purington等人，2017;Sciuto等人，2018;Turk，2016）。Pradhan等人（2018）在他们的研究中描述了这些设备，使用了接近和人性化的描述词，如亚马逊Alexa的“bad friend”或“new best friend”。Purington等人（2017）指出，家庭成员越多，与VBAD的关联就越像人类。从现有文献的各种研究来看，人们在VBAD中使用的大量形容词或描述性词语，其最近，人们感到需要对人们自然语言中经常生成的各种para-phrase进行最大限度的识别和分析，以处理这些发现，从而使这些设备更适合即将到来的人工智能和大数据领域（Palivela，2021）。因此，本研究试图通过投射技术来进行同样的尝试。此外，过去的研究表明，这些设备不仅用于满足人们的功能角色，而且它们在用户的生活中确实扮演着关系角色（Lopatovska& Williams，2018;Pradhan 等 人 ， 2018;Purington 等 人 ， 2017;Sciuto 等 人 ，2018;Turk，2016）。这方面也将探讨通过使用聚类分析，能够产生有见地的发现-关于研究更侧重于文本或短语分析的（Kushwaha等人，2021年）。此外，过去的研究声称，有一些特定的和具体的描述词，与特定的品牌（Abdolrahmani等人，2018;Luger& Sellen，2016）。因此，使用对应分析，将尝试检查品牌是否S.马尔霍特拉湾Chaudhary和M. AlamInternational Journal of Information Management Data Insights 2（2022）1000693Fig. 1. 资料来源：作者。实际上彼此明显交叉或具有更多点 他们之间的平等。3. 研究的模式框架模型框架描述了从数据收集、数据准备、数据分析到图形分析的研究框架和研究步骤的顺序。数据分析阶段包括两项研究-研究1和研究2，其中两项研究的目的是探讨与VBAD相关的各种描述词及其用户的使用意图。研究一则是利用机器学习和建模技术，通过聚类分析技术对VBAD的使用意图进行进一步的分类。 研究2处理了对应分析的应用，以生成四个流行品牌的VBAD的感知品牌映射，并对结果进行交叉验证，从而使我们清楚地了解 品牌如何根据平价点与独特点进行分组。整个研究的图形分析包括研究1产生的聚类图、研究2得出的感知图以及代表交叉验证结果图形视图的图矩阵。我们研究的模型框架如图所示。1.一、4. 研究1：探究VBAD4.1. 方法深入研究消费者的态度或观点可能是相当有挑战性的（AdamsSchvaneveldt，1991;Webb，1992）。运用投射技术，包括使用模糊、模棱两可、无结构的刺激（Adams Schvaneveldt，1991;Webb，1992）来探究个体的内部情绪，可以帮助洞察消费者的意见（Kline，1983）。在市场营销中，经常会出现流行的问卷调查方法似乎 没有能力产生和描绘核心现实（Haire，1950）。在这种情况下，投射技术的应用可以帮助营销人员，以保持对市场发展的关注（Webb，1992）。在这种方法中，与其观察和评估表面价值一个受访者的答案，试图揭示他们的行为的深度出现了回应的观点（多诺霍，2000年）。投影技术在实践中应用的一种方式是使用单词联想。在这种方法中，一些刺激被呈现给应答者，他们应该用单词/集合来回应描述消费者最重要的心理感受的词汇（Donoghue，2000）。这种方法为我们提供了一个本研究采用基于词语联想的投射技术，揭示了对基于语音的辅助设备或VBAD的内部但未过滤的感知。为此，128名受访者，使用这些VBAD，属于各行各业（例如，学生、专业人员、雇员、持家者、退休人员）。每位受访者都参与了词汇联想研究，并被要求指出当他们想到智能的、支持AI的VBAD时，他们脑海中浮现的前3个词，并提到他们使用的VBAD品牌（这个问题成为后期感知品牌映射研究中考虑的品牌的基础）。平均每个受访者花了大约5.6分钟的研究。在收集消费者对VBAD的定性预测后，本研究还旨在将其归类为具有相似性质的词的域，并应用聚类分析。聚类分析是一种数据简化技术，用于要求将受访者或变量标记在同质组中，将它们彼此区分开来（Yim&Ramanmar，2015）。为了进行聚类分析，使用了无监督机器学习，并进一步使用数学建模工具。此外，为了获得簇的可视化视图，使用Nvivo软件。4.2. 结果词联想测试表明，一个完整的捆绑词描述消费者行话的意见，为VBAD的使用意图。这些话五花八门，涉及面很广。在回答中提到的一些关键词是，图2表示使用Nvivo为描述VBAD的响应中提到的词束生成的词云，以提供词关联测试结果的概述。共43个不同的词或形容词占作为词联想测试分析的结果。一些词或形容词短语，如“个人数字助理/数字助理”（12.78%）或“信息搜索”（10.92%）占总回答的两位数频率份额。其他重要的术语包括但是有九个词占了个位数，S.马尔霍特拉湾Chaudhary和M. AlamInternational Journal of Information Management Data Insights 2（2022）1000694图2. 词云描述了投射词联想技术的结果。资料来源：作者。表1投射词联想技术中15个最常陈述词的频率和百分比分析表2聚类表。集群频率百分比属性1 2 3 4乘以单词乘以单词答复中的措辞指出指出个人数字助理48个人数字助理/数字助理56 14.58%信息搜索31 8.07%孤独的伴侣28 7.29%天气更新23 5.99%组织者和工作人员19 4.95%学习辅助工具18 4.69%EX ercise tracker 15 3.91%事实调查14 3.65%音乐干扰14 3.65%家庭成员12 3.12%报警11 2.86%重要提示10 2.86%AI friend 10 2.60%电视观看10 2.60%娱乐业10 2.60%资料来源：作者。只有少数几个词，如“讲故事”或“奉献”，只占一两个反应。表1列出了VBAD中15个最常出现的单词的表格分析，以及出现的单词的频率和百分比。这15个词汇或短语构成了描述消费者对VBAD的看法的大量词汇，并在聚类分析下进行了进一步研究，以了解VBAD背后的使用意图4.2.1. 聚类结果聚类分析是在无监督机器学习的帮助下使用k均值聚类进行的。在进行三次迭代的情况下，聚类分析产生了四个广泛的聚类，其包括描述词或短语的进一步子集它花了几分之一秒（0.2秒）来建立完整的训练模型，其初始起点是随机的，缺失值（如果有的话）用平均值或众数代替如表2所示，这四个集群分别由47、14、10和12%的集群实例组成。聚类内的平方误差之和为322，对数似然值为负13.77466。组织者和2023获取警报天气更新2931重要提示看电视2213Lone 24的合作伙伴AI friend家庭成员1815实况调查14信息搜索学习辅助工具497运动跟踪器21娱乐音乐干扰2518资料来源：作者。图3所示的聚类图帮助我们查看聚类模式的图形表示，该聚类模式由基于相似性分组的各种描述词或短语组成。集群1由描述性术语组成-个人数字助理、组织者和日程安排器获取警报、天气更新、重要提醒和电视观看。虽然描述短语个人数字助理和组织者和调度器完全属于集群1，但其他短语作为子集出现，其中获得警报和天气更新形成一个子集的一部分，并且其他子集包括重要提醒和电视观看作为描述短语。描述短语part-ner为lone，AI friend和family member被归类为clus-之三2.事实发现、信息搜索和学习辅助构成了第三类，而运动跟踪、娱乐和音乐干扰一起构成了第四类。4.3. 讨论研究1的结果确实导致了来自普通人词汇的描述短语和术语的多样性，包括个人数字助理、组织者、运动跟踪器等常见短语，以及一些新颖独特的关系短语，如单独的partner、家庭成员甚至AI朋友。聚类分析对15个最广泛引用的描述短语进行的分析产生了四个不同的集群。对这四个集群进行比较和对比突出表明，虽然有三个集群明确指出了VBAD为其用户服务的功能目的，但有一个集群S.马尔霍特拉湾Chaudhary和M. AlamInternational Journal of Information Management Data Insights 2（2022）1000695∑∑∑=图三. 聚类分析结果来源：作者。包括短语，如单独的伙伴、家庭成员和AI朋友，这表明这些现代VBAD也能够为它们的用户服务的关系角色的色调。因此，这些发现确实达到了研究的目的，即研究使用inten。表8卡方检验值dfAsymp。Sig.（双面）研究表明，这些设备不仅纯粹是为了它们的功能利益而使用，而且还存在着一种隐藏的友谊或密切联系的需求，这也推动了它们的使用量不断增长5. 研究2：探索感知品牌映射5.1. 方法聚类分析后用SPSS20软件进行对应分析。对应分析是一种帮助研究人员对有关名义或非数值数据的定性但增值信息进行定量分析的方法（Hair等人，2010; Lee等人，2006年）。它有助于可视化测试中的非数值数据的地图，以从分析中获得有用的见解（Hair等人，2010年）。对应分析发现其最流行的应用在市场细分领域，如人口统计学或心理分类，其中数据或观察具有相似性，皮尔逊卡方检验291.866 42.000似然比线性关联25.0271.000 N的有效案例3836资料来源：作者。还进行了卡方检验，以检查对应分析的样本我们使用皮尔逊���������因此，我们得到期望数（en）jmi=npi，其中���������1（（1））=1相似或匹配的特征在地图上绘制得更接近于������其他的（Hair等人， 2010年）。∑（（）=∑=∑（）（（2））���������������=1=1=1sis发现知觉品牌映射的前四名品牌的总池中引用的投影技术。在投射技术中识别出的前四个品牌是亚马逊Pearson提出，在零假设成立的情况下，下面给出的量的极限分布是σ2分布。将被称为谷歌助理，Alexa，Siri和BiX从这里开始）。������2（（）������−（））2������（������）���–为了进行对应分析，对393名用户进行了抽样调查，=1������（）=1（������德里大学的VBAD被窃听了。品牌感知问卷是根据研究1中发现的15个关键词或短语编制的。每位受访者被要求陈述最适合他们的VBAD品牌的形容词。数据收集后，频率分析将非数字数据转换为数字数据，并进一步进行交叉制表。此外，我们还分别使用LR������������������������������100−���������������������������������1r0o0l−einas计算了阳性和阴性的似然比，这两种方法对判断是否存在非阳性的敏感性起着关键作用。���������������������������������������������������������至于它真正测试的可能性有多大，这是为了什么卡方检验结果证明了对应分析的样本量的充分性，因为发现其具有显著性，本研究还应用对应分析的工具S.马尔霍特拉湾Chaudhary和M. AlamInternational Journal of Information Management Data Insights 2（2022）1000696如表8所示，卡方检验的图示见图11。 四、最后，S.马尔霍特拉湾Chaudhary和M. AlamInternational Journal of Information Management Data Insights 2（2022）10006971 ∑|���|450040003500300025002000150010005000值dfAsymp。Sig. （双面）见图4。卡方检验图形表示来源：作者。观察感知图，以便从中得出有洞察力的解释（方程式11）。（1）-（3））。5.2. 结果数据的交叉列表显示了对VBAD品牌的回应评论以及他们对这些品牌的看法。而最多的受访者将不同的品牌用于“搜索信息”、“学习辅助工具”和“重要工具”，最少的是“看电视”。在“搜索信息”的认知下13.4在“学习辅助”下，表9汇总了交叉制表过程的结果。对受访者数据的感知映射使我们能够了解不同品牌在平等和区别方面如何被用户感知。对应性分析产生了如图5所示的感知图，其指示Google Assistant被感知为用于“搜索信息和”娱乐“的亲设备。除了这两个，它也被视为一个“合作伙伴的孤独”，一个“家庭成员”的回答。Alexa的形象是一个“音乐干扰”，“音乐”的设备，最重要的是作为一个设备，被认为是一个“AI朋友”与个人联系。另外两个品牌的VBAD（Siri和BiX by）在手动智能手机设备中使用得更普遍，主要用于5.2.1. 结果的交叉验证数据的交叉验证使用分层技术进行，以确保测试集数据和原始数据彼此高度接近，彼此或多或少相似，细微差别归因于泛化误差。我们有一个确定的平均绝对误差使用方程。（4），其中n是数字误差，|X i -X|是绝对误差������������=1个���交叉验证的kappa统计量为-0.0067，表明由于偶然性导致的等效性，平均绝对误差为0.0527，表明误差率非常低。表11以真阳性（TP）率、假阳性（FP）率、精确度和召回率的形式显示了详细的准确率。表11中还列出了F测量值以及C、ROC和PRC以及每个类别的面积值。虽然TP率表明实际正值的可能值确实是正值，但FP率是当实际值 是阴性的。召回率度量是数据集上出现的正值的值，而精度值是位置的量化。 实际上是积极的。F- measure试图平衡精确度和召回率值。MCC、ROC和PRC是机器学习过程中使用的二进制分类类型。本研究所用的评价指标方程见附录。按类别的不同精度细节估计的结果确实反映了样本在扫描仪下用于分析目的的稳健性。还生成了混淆矩阵用于交叉验证结果。混淆矩阵简要显示了执行的结果通过算法。混淆矩阵的任何类别中的不均匀值都表示误导性结果。但是，该研究的混淆矩阵中的值是均匀分布的，因此交叉验证了该研究的所有结果。完整的混淆矩阵在附录中给出。5.2.2. 图形分析-绘图矩阵以散点图形式的数据图形表示有助于提供所收集数据的可视化图像，当此类散点图在一组中一起使用，这样的散点图矩阵或网格被称为图矩阵。本研究亦使用图矩阵代表研究2中四个品牌研究之间的关系，以交叉验证研究结果。如图6所示，我们可以看到，与GoogleAssistant、Alexa、Siri和BiX这四个品牌相关的数据彼此之间存在明显的正相关关系，从而验证了研究结果，同时提供了数据的可视化图像。5.3. 讨论本研究旨在探讨与VBAD相关的各种描述性词汇、用户的使用意图以及对四个主要VBAD品牌的比较，以直观地分析它们之间的各种对等点和区别点。对应分析的应用导致了四个主要流行品牌的一种新的感知品牌映射，这确实是基于研究1中发现的用于不同VBAD的关键描述术语。在研究2中应用的交叉制表和感知映射不仅使我们能够找到最适合品牌的适当描述短语，而且还产生了四个品牌- Google Assistant，Alexa，Siri和BiX by之间的不同对等点和区别。调查结果显示，虽然所有四个品牌都为用户提供了不同的功能目的，但Alexa和Google Assistant超越了功能门槛，并为用户提供了关系舒适度，与其他两个品牌Siri和BiX by形成对比。此外，S.马尔霍特拉湾Chaudhary和M. AlamInternational Journal of Information Management Data Insights 2（2022）1000698表9单词或短语信息学习辅助器在感知范围内的品牌内百分比13.4% 10.6% 8.6% 6.0% 10.1%计数160 143 67 15 385在感知范围内的品牌内百分比13.8% 13.7% 7.3% 2.1% 10.0%重要提示计数59 62 69 70 26022.7% 23.8% 26.5%品牌内百分比5.1% 5.9% 7.6% 9.7% 6.8%组织者/调度员计数72 97 61 56 286在感知范围内的品牌内百分比6.2% 9.3% 6.7% 7.8% 7.5%天气更新计数48 52 65 69 234在感知范围内的品牌内百分比4.1% 5.0% 7.1% 9.6% 6.1%体育/健身计数53 58 79 72 262在感知范围内的品牌内百分比4.6% 5.6% 8.7% 10.0% 6.8%获取警报计数81 91 69 49 290在感知范围内的品牌内百分比7.0% 8.7% 7.6% 6.8% 7.6%音乐干扰计数99 54 45 36 234在认知范围内的品牌内百分比8.5% 5.2% 4.9% 5.0% 6.1%数字助理计数59 57 55 51 222在认知范围内的品牌内百分比5.1% 5.5% 6.0% 7.1% 5.8%娱乐项目71 89 65 60 285在感知范围内的品牌内百分比6.1% 8.5% 7.1% 8.3% 7.4%合伙人lone Count 19 15 44 11 89在认知范围内的品牌内百分比1.6% 1.4% 4.8% 1.5% 2.3%家庭成员计数111 85 69 59 324在感知范围内的品牌内百分比9.6% 8.1% 7.6% 8.2% 8.4%AI好友数63 28 21 19 131在感知范围内的品牌内百分比5.4% 2.7% 2.3% 2.6% 3.4%查明事实67 59 87 75 288在感知范围内的品牌内百分比5.8% 5.7% 9.5% 10.4% 7.5%电视观看次数43 42 38 36 159在感知范围内的品牌内百分比3.7% 4.0% 4.2% 5.0% 4.1%总数量1160 1043 912 721 3836在感知范围内的品牌内百分比100.0% 100.0% 100.0% 100.0% 100.0%资料来源：作者。表11按等级划分的详细精度。TP率FP率精度召回F-measureMCCROC面积中国区类0.3000.1530.1430.3000.1940.1070.7690.190信息搜索0.000 0.024 0.000 0.000 0.000-0.020 0.681 0.046组织者和组织者0.333 0.346 0.159 0.333 0.215-0.010 0.483 0.165个人数字助理/数字助理0.000 0.033 0.000 0.000-0.036 0.419 0.039重要提示0.000 0.016 0.000 0.000 0.000-0.011 0.453 0.008电视观看0.000 0.032 0.000 0.000 0.000-0.032 0.371 0.031 E运动跟踪器0.000 0.016 0.000 0.000 0.000-0.016 0.409 0.016天气更新0.000 0.008 0.000 0.000 0.000-0.020 0.377 0.047学习辅助工具0.000 0.016 0.000 0.000 0.000-0.023 0.395 0.031音乐干扰0.000 0.041 0.000 0.000 0.000-0.041 0.594 0.060家庭成员0.000 0.016 0.000 0.000 0.000-0.023 0.387 0.031获取报警0.000 0.040 0.000 0.000 0.000-0.036 0.668 0.093单独合作伙伴0.000 0.008 0.000 0.000-0.011 0.712 0.108 AI朋友0.000 0.024 0.000 0.000 0.000-0.028 0.538 0.048事实调查感知品牌交叉表。感知觉 品牌交叉表品牌总Google AssistantAlexaSiriBX由感知/描述搜索计数1551117843387S.马尔霍特拉湾Chaudhary和M. AlamInternational Journal of Information Management Data Insights 2（2022）10006990.000 0.041 0.000 0.000-0.041 0.611 0.080娱乐资料来源：作者。S.马尔霍特拉湾Chaudhary和M. AlamInternational Journal of Information Management Data Insights 2（2022）10006910图五. 对应分析-感知映射资料来源：作者。结果的交叉验证增强了研究2的结果。6. 一般性讨论6.1. 文学贡献本研究对文献的贡献是三方面的。首先，本研究采用投射词联想测试的方法，对消费者定制的日常语言中常用的描述性词语进行了窥视，这是本研究的创新之处其次，在投射技术的帮助下生成的描述词或短语束成为使用聚类分析来探测消费者关于这些智能AI VBAD的使用意图的基础，也就是说，看看他们是否只满足了期望的功能角色，或者他们是否可以通过在需要时成为同伴或伙伴来使用机器学习和数学建模工具进行的这一发现也与过去文献的发现一致（Guzman，2019;Kushwaha等人，2021;Lopatovska&Williams，2018;Nasirian 等人，2017;Pradhan等人，2018; Purington等人， 2017年）。最后，本研究亦尝试探讨知觉品牌映射四个流行的VBAD品牌，根据聚类图下的描述词或短语，比较和对比四个品牌的对等性和区别。感知映射确实反映了两个品牌与其他两个品牌之间的鲜明对比，这与过去的研究一致（Abdolrahmani等人，2018;Luger& Sellen，2016）。然而，尽管过去的研究将Google Home描述为更受工作驱动，而Apple Siri更友好，但这项研究的结果完全相反，Google Assistant和亚马逊而苹果因此，本文对大数据和人工智能领域不断增长的文献的贡献是深远的，不仅能够为在这一领域工作的学术学者提供指导，也能够指导工作中的管理者。6.2. 管理意涵对于工作中的管理者来说，关键的收获是通过浏览这些设备的日常使用术语或行话，深入了解消费者对VBAD的感知和描述。直接来自用户词汇表的描述词可以帮助品牌经理和广告商挑选术语和短语，同时在各种受众集中定位或定位他们的设备。这种基于短语生成或文本分析的发现如今已经变得非常有见地，尤其是随着人工智能，数据分析和大数据的普及（Kushwaha et al.，2021; Palivela，2021）。此外，本文还探讨了VBAD的双重使用意图，即与不同品牌相关的关系性和功能性需求，表明了本文的次要贡献。虽然功能使用意图与这些设备相关联是非常自然的。该研究的一个重要和深远的管理意义在于发现与用户和VBAD之间的关系形成或紧密联系相关的使用意图。由描述短语“孤独的伴侣”，“AI朋友”和“家庭成员”组成的集群描述了尽管人们使用VBAD用于高端AI和智能体验，但人们感到与他们的陪伴，从而表明使用意图中的关系视角。这确实清楚地表明了用户不仅在个人层面上与VBAD相关联，在整个家庭层面上也是如此。所有这些投入都可以被品牌所利用工程师们正在设计和模拟这些设备，利用大数据和人工智能的力量和机制，对用户的需求和愿望变得敏感。此外，这些设备的制造商可能会利用这一发现来制造一种设备，S.马尔霍特拉湾Chaudhary和M. AlamInternational Journal of Information Management Data Insights 2（2022）10006911见图6。PlotmatriX资料来源：Authors.进行情感对话（Kushwaha& Kar，2021），但也可以作为其用户的智能个人推荐系统（Arjun，Kuanr& Suprabha，2021;Kushwaha& Kar，2020;Sharma等人，2021年）。除了了解这些VBAD的使用意图外，该研究还试图检查四个品牌-Google ASSIS- tant，Alexa，Siri和BiX by，以寻找可能的标准点。四者之间的区别或区别。在Google Assistant和Alexa等品牌的感知地图中出现“家庭成员”、“AI朋友”和“孤独的伙伴”等描述性词语或短语，这也证实了过去研究的发现（Pradhan