An Empirical Study of <scp>AI</scp> Financial Advisor Adoption Through Technology Vulnerabilities in the Financial Context
Notice bibliographique
Résumé
ABSTRACT Financial institutions are increasingly employing artificial intelligence (AI) solutions to optimize their financial advice and services for consumers. However, consumers have demonstrated reluctance toward adopting AI technology goods, and the intermediary psychological mechanism of adoption intention in the financial service context is unclear. Using the theoretical lens of technology affordances and constraints, this article proposes the concept of consumer technology vulnerability (CTV) as the mediating mechanism in the affordance–adoption process of AI financial advisors (AFAs). Meanwhile, consumer innovativeness and self‐efficacy are investigated as individual traits that moderate perceptions and psychological impacts of AI affordances. Specifically, the study first conceptualizes AI affordances in a product innovation context by reviewing the burgeoning literature on AI to date. This is followed by a US‐based survey ( N = 616), which shows the positive indirect effects of information optimization, customizability, and human‐likeness on AFA adoption intention through CTV. Self‐efficacy and consumer innovativeness are found to enhance the positive effects of AI affordances on AFA adoption intention through CTV but diminish the impact of human‐likeness on CTV. These findings highlight, for the first time, the mediating role of CTV in new technology adoption. This will help technology innovators and financial institutions to identify how consumers perceive and adopt different AI affordances, and therefore to better incorporate AI characteristics into financial product innovations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».