1 引言
学习投入指个体在学习时的精力投入、专注度和沉浸感(Salmela-Aro & Read, 2017)，它不仅反映个体的学习状态、影响学业表现(Hanaysha et al., 2023)，还与主观幸福感等积极适应指标密切相关(Wong et al., 2024)。在现代信息社会，基于人工智能(AI)的聊天机器人在教育中的应用越来越普遍(Nguyen et al., 2024)，并对个体的学习过程和结果产生影响。已有研究发现，使用AI聊天机器人(如ChatGPT)能够有效增强学习投入(Khurma et al., 2024; Yuan & Liu, 2025)，然而现有研究并未深入探讨哪些具体因素在其中发挥作用(马玉慧 等, 2024)。
个体和环境是影响学习投入的两个重要因素(Christenson et al., 2012)，学习者投入模型(model of learner engagement)指出，学习投入是个体特征与学习情境特征相互作用的结果(Manwaring et al., 2017)。研究发现，聊天机器人为学生提供了新颖的学习环境，使学生能够以更具交互性的方式探索复杂的学习问题(Chaudhry et al., 2023)，进而为个体学习带来积极影响。而聊天机器人的优势能否发挥作用，还取决于个体特质(Zheng et al., 2023)。要深入理解这一作用关系，需整合互补的理论视角。首先，人−环境匹配理论(person-environment fit theory)为本研究提供了宏观的框架，该理论认为，人的需求与环境中相关供给之间的匹配程度会影响个体的行为、心理状态和整体表现(Edwards et al., 1998)。其次，自我决定理论(self-determination theory)则从微观动机层面为这种匹配的影响提供了理论解释，即当环境的特性能够满足个体基本心理需求时，个体的内在动机将被激发，从而导向更深层次的投入(Niemiec & Ryan, 2009; Ryan & Deci, 2017)。基于此，本研究从个体特征和学习情景特征的综合视角入手，探讨聊天机器人新颖性和个体创新性的匹配对大学生学习投入的影响。
虽然已有研究发现技术的新颖性和个体创新性分别对学习投入具有积极作用(Bui et al., 2024; Gunness et al., 2023; Mui et al., 2019; Wu et al., 2023)，但相关结论在快速兴起的聊天机器人学习情境中的适用性尚不清晰。聊天机器人所提供的高度互动与个性化学习体验，使得新颖性、个体创新性与学习投入三者之间的关系可能呈现出不同于传统学习情境的新模式。因此，明确这些因素在该情境下的作用，能为理解与优化人−AI协同学习提供重要的理论与实证依据。此外，同时考虑环境特征和个人特质时能够更有效地预测结果变量(van Vianen, 2018)。然而，目前研究仅将个体创新性作为环境因素对学业表现影响中的调节变量进行考察(Wang & Lin, 2021)，无法清晰全面地厘清变量间关系。响应面分析通常被用来检验一致性假设，且相较于调节效应分析，响应面分析建模可以准确捕捉变量间的非线性关系，提供可视化结果，为理解变量间复杂的动态关系提供更为精确和全面的视角(Blöchl et al., 2021)。因此，本研究拟采用响应面分析的方式深入探讨核心变量之间的关系。
1.1 聊天机器人新颖性和个体创新性与学习投入的关系
新颖性指一种产品由于其新鲜感和独创性而区别于其他产品的程度，是新技术的重要特征(Ma & Huo, 2023; Wells et al., 2010)。新颖性能够调动学习者注意力(钱莉 等, 2010)，当学习者在学习过程中感受到技术的高度新颖性时，会投入更多的认知资源。同时，新颖性是引起兴趣的重要因素(González-Cutre & Sicilia, 2019)，当学生参与感兴趣的活动时，其追求新奇性的基本需要得到了满足(Benlahcene et al., 2021)，会表现出高投入度(Silvia, 2006)。因此，学生使用新颖性更高的聊天机器人进行学习时，内在动机往往更强，这也会使其在学习任务中更加投入。实证研究表明，无论是主动学习课堂还是人工智能教学，技术的新颖性都能显著正向影响学习投入(Bui et al., 2024; Mui et al., 2019)。
个体创新性指个体愿意尝试新技术的倾向。具有较高创新性的个体会更多采纳新技术，使用动机更强，体验更积极(Agarwal & Prasad, 1998)，并且也更能利用新的技术设备促进自己的发展适应(Wang & Lin, 2021)。在学习方面，高创新性个体在技术辅助学习情境中更容易产生积极的绩效预期，因其更善于充分利用新学习技术、获取多样化知识资源、采纳新理念，并灵活调整学习策略与习惯以提升学习效果(Cheng, 2014; Wang & Lin, 2021)。根据自我决定理论，高创新性的学习者更倾向于选择在学习中使用聊天机器人这种新兴的技术，自主选择和探索的过程能够激发其对学习目标的内部认同。自主性的满足不仅使个体产生活力与乐趣，还通过内部动机的内化机制促使学习者产生深度投入(Niemiec & Ryan, 2009; Ryan & Deci, 2017)。大量研究已经在智能学习领域证实了个体创新性对学习投入的积极影响(Bui et al., 2024; Gunness et al., 2023; Wu et al., 2023)。
1.2 聊天机器人新颖性和个体创新性匹配对学习投入的影响
学习投入不仅受到新颖性和个体创新性的单独影响，还取决于二者之间的关系。人−环境匹配理论认为，当环境中提供的因素能够满足个体的需求时，会对个体的态度、行为产生积极的影响(Edwards et al., 1998)，例如提升学业表现、工作绩效等(Nye et al., 2012)。相关实证研究发现基本心理需要(包括新奇性)的满足显著正向影响学习投入(Benlahcene et al., 2021; Reeve et al., 2019)。在自我决定理论的框架下，个体创新性反映了个体在心理层面的需求(González-Cutre & Sicilia, 2019)，如对多样性和新奇性的追求，这些需求驱使个体去探索、尝试和采纳新技术(Agarwal & Prasad, 1998)。而聊天机器人新颖性作为环境中的供给，与个体创新性存在着供需匹配关系，二者是否匹配可能会影响个体的心理需要满足，并对学习投入产生影响(Benlahcene et al., 2021)。因为基本心理需求的满足能够激发和维持学生的内在学习动机，使其体验到更多的愉悦感和自尊感，从而将学习视为有价值或重要的个人目标，并为之付出更多认知努力(Manwaring et al., 2017; Niemiec & Ryan, 2009; Ryan & Deci, 2017)。具体存在以下三种情况：第一，当聊天机器人新颖性与个体新奇性追求相匹配时，能够最优地满足学生的基本心理需求，从而促进学习投入。适度的新奇性既能激发学习兴趣，又不会超出个体的认知处理能力(González-Cutre & Sicilia, 2019)，这种平衡状态使学生体验到更高的自主感(感觉学习活动是自愿且有趣的)与胜任感(感觉能够掌控学习内容与过程)，而这两种需求的满足是驱动内在动机和深度学习投入的关键因素(Niemiec & Ryan, 2009; Ryan & Deci, 2017)。第二，当聊天机器人新颖性低于个体新奇性需求时，会因刺激不足而损害学习动机，降低学习投入。由于环境提供的刺激水平未能达到个体的最优唤醒水平，学生容易产生无聊感，这种状态直接挫伤了其自主感，因为学习活动被视为单调和被迫的，难以引发内在动机，最终导致学习投入水平的下降(宋红波, 王悦, 2024; Pekrun et al., 2010)。第三，当聊天机器人新颖性过高，超出个体新奇性需求时，可能会通过增加外在认知负荷降低学习投入。过度的与核心学习目标无关的新颖会消耗有限的认知资源，使学生感到难以驾驭，对学生的胜任感构成威胁，此时，不仅用于深度学习的认知资源相应减少，也无法产生内在学习动机(Evans et al., 2024)，因此学习投入程度也会低于最佳匹配状态。
此外，当聊天机器人新颖性和个体创新性匹配时，存在二者程度均高、均低两种情况。当聊天机器人新颖性和个体创新性均高时，个体对追求新奇感的需求能够通过与高新颖性聊天机器人的互动得到充分满足，这一过程不仅强化了其源于自身兴趣而非外部压力的自主感，并因其能够成功驾驭这种互动而获得胜任感，从而激发内部动机，使个体愿意分配持续的心理能量投入学习(Benlahcene et al., 2021; Niemiec & Ryan, 2009; Ryan & Deci, 2017)。相反，当聊天机器人新颖性和个体创新性均低时，聊天机器人仅作为普通的学习工具，对个体兴趣的激发作用十分有限，而兴趣是学习投入的重要影响因素(Silvia, 2006)，因此，此时个体的学习投入程度相对较低。
根据上述推论，本研究提出两个基本假设，H1：聊天机器人新颖性和个体创新性程度越一致，学习投入程度越高(一致性效应)；H2：与聊天机器人新颖性和个体创新性程度均低相比，二者均高时，学习投入程度更高(线性上升岭效应)。
对于聊天机器人新颖性和个体创新性不匹配时对学习投入的影响，目前暂无法根据相关理论做出具体假设。因此，提出研究问题：当聊天机器人的新颖性与个体的创新性不一致时，具体会如何影响学习投入？
鉴于此，本研究选择了目前符合假设H1和H2的三种响应面模型(简单一致性上升岭模型、非对称一致性上升岭模型、水平依赖一致性上升岭模型)，采用参数约束的方式对模型进行拟合，通过模型比较得到最优模型，最终使用模型的回归系数绘制响应面并说明所有变量的关系(Blöchl et al., 2021; Edwards, 2002; Humberg et al., 2019)。这样不仅可以检验已有的假设，还可以对研究问题进行探索性考察。
2 研究方法
2.1 被试
使用随机取样法，从网络平台招募大学生被试。被试首先需要报告自己使用聊天机器人辅助学习的经验，有相关经历者继续参与后续作答。共招募符合要求大学生530人，剔除未通过注意检测题目和回答包含异常值的被试后，511人的数据被用于最终分析。其中男生221人，女生290人，平均年龄22.21岁(SD=2.76岁)。
2.2 研究工具
2.2.1 聊天机器人新颖性问卷
改编自Karjaluoto等人(2019)开发的新颖性问卷，共4道题目，如“使用聊天机器人进行学习，满足了我的好奇心”。问卷采用李克特7点评分，1=非常不同意，7=非常同意。在本研究中，该问卷α系数为0.88，组合信度为0.92，平均方差提取量为0.73。
2.2.2 个体创新性问卷
采用Liu等人(2010)开发的个体使用创新性技术倾向问卷，共3道题目，如“我喜欢尝试新的技术”。问卷采用李克特7点评分，1=非常不同意，7=非常同意。该问卷已被证实在中国大学生群体中具有良好的信效度(Liu et al., 2010)。在本研究中，该问卷α系数为0.69，组合信度为0.84，平均方差提取量为0.64。
2.2.3 学习投入问卷
改编自Teuber等人(2021)编制的学习投入问卷，共5道题目，如“当我使用聊天机器人进行学习时，我感到精力充沛”。问卷采用李克特7点评分，1=非常不同意，7=非常同意。在本研究中，该问卷α系数为0.89，组合信度为0.92，平均方差提取量为0.70。
2.3 数据分析
使用R(4.4.1)中lavaan(0.6-18)包拟合模型，使用RSA(0.10.7)包绘制响应面。通过对参数进行特定约束可以得到不同的模型(见表1)。具体全模型为：学习投入=b0+b1×新颖性+b2×创新性+b3×新颖性2+b4×新颖性×创新性+b5×创新性2+b6×新颖性3+b7×新颖性2×创新性+b8×新颖性×创新性2+b9×创新性3。
表1 本研究涉及的模型参数约束及模型解释 |
| 模型 | 参数约束 | 模型解释 |
| 简单一致性 上升岭模型 | b1=b2; b3=b5; b3+b4+b5=0; b6=0; b7=0; b8=0; b9=0 | 对于具有相同平均预测变量水平(x+y)/2的个体，x和y值更接近的个体z值更高(或更低)[一致性效应]； 对于具有相同差异值(x−y)的个体，平均预测变量水平(x+y)/2较高的个体z值更高(或更低)[线性上升岭效应]。 |
| 水平依赖一致性上升岭模型 | b1=b2; b3=b5; b3<0; b4=−2b3; b7=−b6; b8=−b6; b9=b6 | 对于具有相同平均预测变量水平(x+y)/2的个体，x和y值更接近的个体z值更高(或更低)[一致性效应]； 对于具有相同差异值x−y的个体，平均预测变量水平(x+y)/2较高的个体z值更高(或更低)[线性上升岭效应]； 对于四名个体A、B、C和D，其中A和B以及C和D分别具有相同的平均预测变量水平(x+y)/2，A和B的平均预测变量水平低于C和D，且A和C以及B和D分别具有相同的差异值x−y，A和B的z值绝对差异大于(或小于)C和D的z值绝对差异[水平依赖效应]。 |
| 非对称一致性 上升岭模型 | b1=b2; b3=b5; b3<0; b4=−2b3; b7=−3b6; b8=3b6; b9=−b6 | 对于两组个体，若每组内部的x和y值要么都大于或小于对方，且具有相同的平均预测变量水平(x+y)/2，则x和y值更接近的个体z值更高(或更低)[一致性效应]； 对于具有相同差异值x−y的个体，平均预测变量水平(x+y)/2较高的个体z值更高(或更低)[线性上升岭效应]； 对于平均预测变量水平[(x+y)/2]相同且差异值(x−y)大小相等但符号相反的个体，x小于y的个体z值更高(或更低)[非对称效应]。 |
主要分析分为两步。首先拟合全模型，检验聊天机器人新颖性和个体创新性对学习投入是否存在显著影响，R2显著时模型比较才有意义。其次，拟合其他模型，模型拟合度通过赤池信息准则(AIC)进行比较，较小的AIC代表模型拟合更好(Akaike, 1998)。最后，根据最优模型拟合结果进行解释。此外，在数据分析中对所有变量进行了标准化处理。
3 结果
3.1 描述性统计与相关分析
相关分析结果显示(见表2)，聊天机器人新颖性、个体创新性和学习投入两两显著正相关。性别与个体创新性和学习投入显著正相关。
表2 各变量描述性统计与相关系数 |
| 变量 | M | SD | 1 | 2 | 3 | 4 |
| 1.性别 | ||||||
| 2.年龄 | 22.21 | 2.76 | ||||
| 3.聊天机器人新颖性 | 5.68 | 0.84 | 0.02 | −0.02 | ||
| 4.个体创新性 | 5.41 | 0.96 | 0.23** | 0.03 | 0.46*** | |
| 5.学习投入 | 5.37 | 0.96 | 0.11* | 0.004 | 0.65*** | 0.55*** |
注：性别为虚拟变量，男生=1，女生=0；*p<0.05，**p<0.01，***p<0.001。 |
3.2 水平差异分析
在模型比较前，对聊天机器人新颖性和个体创新性之间是否存在不一致进行检验。参考Fleenor等人(1996)的做法，以0.5个标准差为界限进行水平差异检验。本研究中，有140名被试报告个体创新性大于聊天机器人新颖性，占比27.40%；有136名被试报告个体创新性小于聊天机器人新颖性，占比26.61%；235名被试报告了一致的个体创新性和聊天机器人新颖性，占比45.99%。超过半数被试的个体创新性和聊天机器人新颖性不一致，适合进行响应面分析。
3.3 模型比较
全模型的R2=0.521(p<0.001)具有显著性，表明聊天机器人新颖性、个体创新性解释了学习投入约52.1%的变异。拟合所有模型发现，非对称一致性上升岭模型为最优模型(见表3)，其AIC最低，且其他拟合指数均为除全模型外最优。
表3 模型比较结果 |
| 模型 | k | AIC | ΔAIC | Log-Likelihood | CFI | SRMR | RMSEA | R2 |
| RRCA | 3 | 1062.35 | 0.00 | −526.11 | 0.99 | 0.006 | 0.027 | 0.513 |
| FULL | 9 | 1066.60 | 4.26 | −522.04 | 1.00 | 0.000 | 0.000 | 0.521 |
| RRCL | 3 | 1067.63 | 5.29 | −528.76 | 0.98 | 0.008 | 0.049 | 0.508 |
| RRSC | 2 | 1073.10 | 10.76 | −532.51 | 0.96 | 0.015 | 0.062 | 0.501 |
| NULL | 0 | 1423.93 | 361.58 | −709.95 | 0.00 | 0.161 | 0.282 | 0.000 |
注：k=自由估计参数数量；RRCA=非对称一致性上升岭模型，RRCL=水平依赖一致性上升岭模型，RRSC=简单一致性上升岭模型，FULL=全模型，NULL=零模型。 |
3.4 参数估计
确定了非对称一致性上升岭模型为最佳模型后，对其进行检验。Wald卡方检验结果显示，约束符合非对称一致性上升岭的参数后，χ2=8.328，df=6，p=0.215，说明和全模型相比拟合未显著变差，参数约束可以被接受。范围检查结果显示，第二极值线后的个案共34个，占比6.65%，经过Bonferroni校正后，其中不良个案1个，占比0.20%。根据Humberg等人(2022)的建议，模型基本符合非对称一致性形态。参数估计结果见表4，其中c1(b3)=−0.04(z=−2.31, p<0.05)表明曲面向上隆起；c2(b6)=0.02(z=3.60, p<0.001)表明曲面非对称，呈左低右高形态；一致性线截面曲线斜率u1=0.81(z=21.40, p<0.001)表明脊线随个体创新性和聊天机器人新颖性的水平增加而上升，根据参数对其响应曲面进行可视化(见图1)。综上，假设H1、H2得到了支持，且根据模型可以得出：当聊天机器人新颖性高于个体创新性时，学习投入程度比聊天机器人新颖性低于个体创新性时更高。
表4 非对称一致性上升岭模型参数 |
| β | SE | z | p | 95%CI | |
| b1 | 0.41 | 0.02 | 21.24 | <0.001 | [0.37, 0.44] |
| b2 | 0.41 | 0.02 | 21.24 | <0.001 | [0.37, 0.44] |
| b3 | −0.04 | 0.02 | −2.31 | 0.021 | [−0.07, −0.01] |
| b4 | 0.08 | 0.03 | 2.31 | 0.021 | [0.01, 0.14] |
| b5 | −0.04 | 0.02 | −2.31 | 0.021 | [−0.07, −0.01] |
| b6 | 0.02 | 0.01 | 3.59 | <0.001 | [0.01, 0.03] |
| b7 | −0.05 | 0.01 | −3.59 | <0.001 | [−0.08, −0.02] |
| b8 | 0.05 | 0.01 | 3.59 | <0.001 | [0.02, 0.08] |
| b9 | −0.02 | 0.01 | −3.59 | <0.001 | [−0.03, −0.01] |
| u1 | 0.81 | 0.04 | 21.24 | <0.001 | [0.74, 0.89] |
4 讨论
随着人工智能技术的发展，基于大语言模型的聊天机器人越来越多地被用于辅助学习(Khurma et al., 2024)。大量研究讨论并证实了聊天机器人在提升学习投入方面的积极作用(陈凯泉 等, 2023; Yuan & Liu, 2025)，但具体考察聊天机器人特征作用的研究较少，同时结合个体特征的研究更加有限。本研究基于人−环境匹配理论和自我决定理论，采用响应面建模以及模型比较的方式探讨了聊天机器人新颖性和个体创新性与学习投入的复杂关系。
4.1 聊天机器人新颖性和个体创新性对学习投入的影响
首先，本研究发现聊天机器人新颖性和个体创新性越一致，学习投入程度越高，一致性效应得到了验证。这一结果支持了人−环境匹配理论，也和以往组织管理学中的研究结果类似(van Vianen, 2018)，即个体需求与环境供给达成匹配时会对心理与行为产生最佳影响(Edwards et al., 1998)。不同的是，组织管理学中探讨的是个体与组织风格的匹配，而本研究将环境对象扩展到技术特性，为人−环境匹配理论在数字化学习情境中的适用性提供了有力证据。此外，已有研究将个体创新性作为环境与学习表现之间的调节变量进行探讨，发现个体创新性越高，新颖学习环境对学习表现的影响越积极(Wang & Lin, 2021)。本研究则进一步细化了三者之间的关系。具体来看，个体创新性反映了个体对新奇性的需求，而聊天机器人新颖性作为环境中的相关供给，如果能够匹配个体的需求，会对学习投入具有最为积极的效果。这意味着在创新学习环境中，个体创新性并非越高越好，而是需要和环境的新颖性达到平衡。因为这种平衡意味着期望与现实的一致性，不仅满足了个体的需求和期望，还减少了认知失调从而使个体能够更专注于当前的任务和目标(Edwards et al., 1998)。
其次，对于一致的聊天机器人新颖性和个体创新性，二者均高时学习投入程度更高，上升岭效应得到了验证。这一结果符合自我决定理论的观点，较高的聊天机器人新颖性和个体创新性有助于自主性、胜任感等基本心理需求的满足，这会激发个体的内在动机，调动积极性和主动性(Niemiec & Ryan, 2009; Ryan & Deci, 2017)，从而更好地投入学习。相反，低−低匹配虽符合一致性原则，其交互本质却倾向于维持一种低唤醒、低耗能的状态，难以诱发高水平的沉浸体验。一方面，该结果在聊天机器人辅助学习的背景下再次验证了新颖性和个体创新性对学习投入的积极作用，与之前基于在线学习、主动学习课堂等情景中的实证研究结果一致(Gunness et al., 2023; Mui et al., 2019; Wu et al., 2023)。另一方面，本研究也超越了以往研究对新颖性和个体创新性的单一考察，表明其共同作用于学习投入的优势并非二者效应的简单叠加，而是源于高水平的需求与供给的契合。
最后，对于个体创新性和聊天机器人新颖性不一致的情况，本研究发现了一种非对称效应，即相对于聊天机器人新颖性小于个体创新性，前者大于后者时学习投入程度更高。这一结果验证了以往研究的发现，即不足(供给小于需求)比过剩(供给大于需求)更有害(Marstand et al., 2017)。这是因为“不足”导致的基本心理需求未被满足直接损害了个体的动机，而“过剩”更多是资源上的不匹配，其多余的资源可能因其属性本身的积极性而带来额外的益处，从而减轻了不匹配带来的负面影响(van Vianen, 2018)。在本研究中，当供给小于需求时，技术特性的低探索价值无法满足高创新性个体的目标追求动机，这直接挫败了个体的学习动机，使其产生枯燥无聊感，进而减少认知资源分配，降低学习投入(宋红波, 王悦, 2024)；而当供给大于需求时，新颖性作为一种积极属性，对学习投入具有正向作用，即便可能会使个体产生认知负荷，带来一定的压力感，但适度超出个体需求的新颖性可能会促进个体的探索欲望，从而使个体投入更多认知资源，提升学习投入。实证研究也发现，适度的压力有时对学习投入具有积极作用(高斌 等, 2023)。与此类似，Vygotsky(1978)的最近发展区理论也认为，当外部刺激高于个体当前水平时，会激发学习者通过努力达到更高水平。
4.2 研究意义与局限
首先，本研究通过响应面建模将影响学习投入的个体(个体创新性)、环境(聊天机器人新颖性)两因素有效地结合，不仅详细阐明了变量关系，也为后续相关研究提供了新思路。其次，研究结果扩展了人−环境匹配理论。在以往的研究中，人−环境匹配理论主要应用于组织管理领域，考察个人特质与工作环境的匹配对组织行为的影响等(van Vianen, 2018)。本研究则在人工智能背景下将该理论扩展到学习领域，提示了该理论在其他领域的适用性。最后，本研究结果对于教育者、学习者具有一定现实意义。在智能技术影响教育的当下，教育者不能只考虑通过技术的新颖性引发学生学习兴趣，还要注重培养学生的个体创新性，使二者尽可能达到“高−高”匹配才能发挥最好的效果；而学生在学习中需要尽量选择能够匹配自身创新性需求的智能产品辅助学习，以使自身更好地投入学习。
本研究存在一定局限性。第一，尽管本研究发现非对称一致性上升岭模型为最优模型，但需要注意的是，结果中存在一名不良个案，这提示对模型的稳定性应持谨慎态度(Humberg et al., 2022)。未来需要更多的研究检验结果的稳定性。第二，虽然新颖性是目前聊天机器人辅助学习的重要特征，但本研究仅考虑了单一的技术(新颖性)、个体特征(创新性)，未来可以探讨其他相关特征的匹配是否会对学习产生影响。第三，由于大学生是目前使用聊天机器人进行学习的主要群体(马玉慧 等, 2024; Chaudhry et al., 2023)，因此本研究仅选择大学生作为被试。而中小学是智力发展的关键阶段，随着人工智能技术的普及，未来有必要探讨相关结果在中小学生中的适用性。第四，虽然具有理论支撑，但横断数据限制了对因果关系的推断，未来可以尝试采用纵向数据进一步验证本研究结果。
5 结论
(1)聊天机器人新颖性与个体创新性越一致，学习投入程度越高；(2)相对于聊天机器人新颖性和个体创新性均低，二者均高时个体学习投入程度更高；(3)相对于聊天机器人新颖性低于个体创新性，前者高于后者时学习投入程度更高。