综述：人工智能与消费者福祉：跨领域系统综述
人工智能（Artificial Intelligence, AI）日益嵌入日常消费之中，然而关于其对消费者实现幸福感（eudaimonic well-being）长期影响的证据仍分散于不同学科与应用情境。本综述整合相关文献，以厘清AI塑造消费者福祉的领域、理论
人工智能（Artificial Intelligence, AI）日益嵌入日常消费之中，然而关于其对消费者实现幸福感（eudaimonic well-being）长期影响的证据仍分散于不同学科与应用情境。本综述整合相关文献，以厘清AI塑造消费者福祉的领域、理论解释及条件。遵循PRISMA与SPAR-4-SLR程序，研究人员回顾了2010年1月至2026年1月间发表的研究。在6058条记录中，来自心理学、商业与人机交互领域的480项研究满足纳入标准。证据通过心理、社会与技术三种视角加以组织，并识别出六个相互关联的领域：心理健康、认知发展、身体健康、个人成长、自主性与社会连接。由此形成的框架表明，AI相关的收益与风险往往跨越不同领域，其效应取决于设计、使用与情境。本综述通过跨领域视角整合了不同研究流派的发现，拓展了消费者福祉研究，并为管理者提供了超越效率与参与度结果评估AI设计的依据。
人工智能（Artificial Intelligence, AI）已从实验性技术发展为日常消费的重要组成部分，全球AI市场价值快速增长，消费者使用日益普遍，但对其长期后果的不确定性也在增加。消费者福祉研究关注市场系统如何影响长期生活质量，已从短期满意转向心理功能、关系稳定、自我发展与有意义目标追求等持久能力。实现幸福感（eudaimonic well-being）为审视该问题提供了聚焦视角，强调自主性、个人成长、有意义目标、胜任力与支持性社会关系。AI对消费者实现幸福感的影响因技术、情境与使用模式而异，但现有文献分散于不同学科与结果领域，缺乏跨领域的累积性理论解释。本综述通过整合跨学科证据，识别出AI塑造长期消费者福祉的六个领域。
2.1 人工智能的定义：本研究将AI定义为由数据输入、统计技术与计算系统构成的生态系统，旨在执行与消费者直接互动的智能功能，涵盖认知支持、行为引导、个性化与情感响应式交互。
2.2 福祉的定义：区分享乐幸福感（hedonic well-being）与实现幸福感。享乐幸福感关注愉悦与不适减少，实现幸福感关注基于自主性、个人发展、胜任力、意义与支持性关系的持久人类功能。本综述聚焦实现幸福感，将其定义为个体心理、认知、身体、发展、能动性与关系功能的持久品质。
2.3 综述方法：遵循PRISMA协议与SPAR-4-SLR框架，检索2010年1月至2026年1月间82种营销、管理、心理学与人机交互期刊。识别阶段获得6058条记录，经筛选与两轮合格性评估，最终纳入480项研究。采用人工主题编码与AI辅助分类交叉验证，Cohens Kappa值为0.81。
3.1 研究趋势：相关文献自2018年以来显著增长，2024年起加速。COVID-19疫情强化了对AI在情绪调节、应对与社会连接作用的关注。文献主要集中在人机交互与心理学导向期刊。
4.1.1 心理健康：AI通过可扩展的心理支持、共情设计与情感陪伴改善情绪调节，但存在情感依赖与替代人类关怀的风险。
4.1.2 认知发展：AI通过反馈回路、个性化辅导与元认知支架增强推理能力，但可能导致过度自信、认知负荷与认识论能动性削弱。
4.1.3 身体健康：AI在医疗、健康监测与沉浸式康复中提升依从性与参与度，但存在安全权衡与长期自我调节效果不确定的问题。
4.1.4 个人成长：AI通过反思性对话、自我感知反馈与技能训练促进自我效能与道德发展，但可能削弱责任归属与反思性责任。
4.1.5 自主性：设计特征如透明性、可定制性与可中断性增强感知控制，而过度依赖、不透明算法与操纵性设计损害自主性。
4.1.6 社会连接：AI通过共情响应与陪伴减少孤独感并增强归属感，但可能替代互惠性人际关系并增加过度依赖。
4.2 整合：六个领域构成相互关联的网络，AI相关的收益与风险常跨越领域边界，同一机制（如情感安慰、个性化、自动化）在不同情境下产生不同福祉后果。心理健康处于网络中心位置，其他领域的支持性或风险性变化会通过共享机制产生跨领域扩散效应。
理论贡献包括三方面：第一，将分散的情境特定福祉构念围绕核心维度组织，区分持久功能维度与消费情境条件；第二，将AI定位为跨维度影响，同一AI特征可同时影响多个福祉能力；第三，通过心理、社会与技术视角的整合，阐明支持与依赖可从同一技术中产生的条件性机制。
消费者福祉具有战略相关性。AI设计应超越效率与参与度指标，从六个领域评估对消费者长期福祉的影响。支持自主性、情绪稳定与有意义参与的系统能增强用户信任与品牌依恋，而忽视福祉的设计可能削弱消费者关系与组织长期价值创造。
需要纵向研究追踪AI效应的长期累积过程，检验跨领域整合框架，关注多样化人群差异，识别支持与操纵之间的设计边界，并针对各领域特定不确定性开展研究。尤其需要关注AI对注意力、解释与判断的长期影响及其治理机制。
本综述仅纳入英文文献，覆盖高影响力同行评议期刊，排除学位论文、会议论文与灰色文献；主题分析涉及解释性判断，替代性分类仍然可能。
