Examining Users' Behavioural Intention to Use OpenClaw Through the Cognition--Affect--Conation Framework

この論文は、認知・感情・意欲（CAC）フレームワークを用いて、OpenClaw に対するユーザーの行動意欲が、パーソナライゼーションや知能性などの促進要因と、プライバシー懸念やアルゴリズムの不透明性などの抑制要因によってどのように形成されるかを、436 名の調査データから実証的に分析したものである。

要約

🦁 物語の舞台：OpenClaw とは何か？

まず、登場する「OpenClaw」がどんな存在かを知りましょう。
普通のチャットボット（AI）は、あなたが「天気は？」と聞けば「晴れです」と答えるだけですが、OpenClaw は**「能動的な執事」**のようなものです。

• 普通の AI： 質問に答える「おしゃべり上手」。
• OpenClaw： 指示を聞いて、自分でファイルを開いたり、メールを送ったり、複雑な作業を自ら実行する「行動派の執事」。

この研究は、そんな「超能力を持った執事」を、私たちがどう受け入れるかを調べたものです。

---

🧠 心の変化の 3 ステップ：「C-A-C」の法則

この研究では、**「認知（Cognition）→ 感情（Affect）→ 意欲（Conation）」**という 3 つのステップで、人間の心がどう動くかを説明しています。

これを**「新しい料理屋さんの評判」**に例えてみましょう。

1. 認知（Cognition）：「どんなお店？」
   • 頭で考える段階です。「この店はメニューが豊富だ（機能が良い）」「でも、衛生面が心配だ（リスクがある）」といった事実やイメージを評価します。
2. 感情（Affect）：「好き？嫌いだ？」
   • 頭での評価が、心の反応に変わります。「なんだか楽しそう！（好意）」あるいは「なんだか怖いな（不信感）」という気持ちが生まれます。
3. 意欲（Conation）：「行こうか、行かないか」
   • 最終的な行動です。「よし、明日行ってみよう（使う）」あるいは「やめておこう（使わない）」という決断になります。

この研究は、OpenClaw という「執事」に対して、この 3 つのステップがどうつながっているかを分析しました。

---

🌟 人を引きつける「魔法の杖」3 選（プラスの要因）

OpenClaw を「好き」になり、使いたくなる理由は 3 つあります。これらは執事さんの**「良い点」**です。

1. パーソナライズ（あなただけの対応）
   • 例え： 「いつものコーヒー、いつもの温度で」のように、あなたの好みを覚えていてくれること。
   • 効果： 「この執事、私のことわかってくれてる！」と感じ、**好意（Attitude）**が生まれます。
2. 知能の高さ（賢さ）
   • 例え： 複雑な料理の注文を、一言で完璧に理解して作ってくれること。
   • 効果： 「すごい、頼もしい！」と感じ、好意が増します。
3. 相対的優位性（他の道具より優れている）
   • 例え： 手作業で 1 時間かかる仕事が、この執事に任せるだけで 5 分で終わること。
   • 効果： 「これを使えば楽になる！」というメリットを感じ、好意が生まれます。

結論： これらが良いと感じると、人は「この執事が好きだ」と思い、**「使いたい！」**という気持ちになります。

---

🌧️ 人を遠ざける「恐怖の影」3 選（マイナスの要因）

一方で、OpenClaw を「嫌い」になり、使いたがらなくなる理由も 3 つあります。これらは執事さんの**「怖い点」**です。

1. プライバシーの懸念（秘密の漏洩）
   • 例え： 執事があなたの日記や銀行口座の情報を勝手に見ているのではないか？という不安。
   • 効果： 「こいつ、私の秘密を盗むかも」と思い、**不信感（Distrust）**が生まれます。
2. アルゴリズムの不透明さ（ブラックボックス）
   • 例え： 執事が「なぜこの料理を作ったのか？」の理由が全くわからないこと。
   • 効果： 「何を考えているかわからない、怖い」と思い、不信感が増します。
3. リスクの感知（失敗の恐れ）
   • 例え： 間違ったメールを送ってしまったり、重要なファイルを消したりするのではないか？という心配。
   • 効果： 「失敗したら大変だ」と思い、不信感が強まります。

結論： これらが心配になると、人は「この執事は信用できない」と思い、**「使いたくない！」**という気持ちになります。

---

🎭 研究の結論：心は「好き」と「嫌い」のバランスで動く

この研究でわかった一番重要なことは、「良い点」だけで人は使うわけではないということです。

• 良い点（パーソナライズ、賢さ、メリット） ➡️ **「好き」**という気持ち ➡️ 「使う」
• 悪い点（プライバシー、謎、リスク） ➡️ **「不信」**という気持ち ➡️ 「使わない」

つまり、OpenClaw を普及させるには、「超能力（機能）」を磨くことと同じくらい、「安心感（透明性やセキュリティ）」を高めることが不可欠だということです。

💡 私たちへのメッセージ

新しい AI 技術が世に出る時、私たちは無条件に「すごい！」と飛びつくわけではありません。
**「便利そう（認知）」と「怖くないか（認知）」を天秤にかけ、その結果として「好きか嫌いか（感情）」が決まり、最後に「使うか使わないか（行動）」**が決まります。

開発者にとっては、「もっと賢くする」ことと同じくらい、「もっと透明で安全にする」ことが、人々に使ってもらえるための鍵だということです。

技術概要

論文サマリー：OpenClaw におけるユーザーの行動意図と CAC 枠組みの適用

1. 研究の背景と課題 (Problem)

近年、単なるテキスト生成を超えて、ファイル操作、API 連携、OS コマンド実行など、ユーザーに代わって実務を自律的に遂行する「自律型 AI エージェント（Autonomous AI Agents）」が登場している。OpenClaw（旧 Clawdbot/Moltbot）はそのようなオープンソースの AI エージェントフレームワークの一例である。

しかし、従来の対話型 AI や推奨システムとは異なり、自律型エージェントは外部システムに直接アクセスし、複雑なワークフローを自動実行するため、ユーザーは以下のような新たな懸念を抱く可能性がある。

• プライバシーとセキュリティ: 個人データへのアクセス権限。
• アルゴリズムの透明性: 意思決定プロセスの「ブラックボックス化」。
• リスク認識: 予期せぬエラーや制御不能な行動。

既存の研究は対話型 AI の受容に焦点が当てられており、自律型 AI エージェントに対するユーザーの受容メカニズム（特に、認知が情動を経て行動意図にどう変換されるか）を実証的に解明した研究は限られている。 本研究は、このギャップを埋め、OpenClaw のような自律エージェントの採用を促進する要因と阻害する要因を特定することを目的としている。

2. 研究方法 (Methodology)

2.1 理論的枠組み

本研究は、社会心理学に由来する**「認知・情動・意欲（Cognition–Affect–Conation: CAC）枠組み」**を適用している。

• 認知 (Cognition): ユーザーのシステムに対する信念や知覚（例：利点、リスク）。
• 情動 (Affect): 認知に基づいて形成される感情的反応（例：態度、不信感）。
• 意欲 (Conation): 最終的な行動意図（使用意図）。

この枠組みを用い、以下の仮説モデルを構築した。

• 促進要因（認知）: 知覚されたパーソナライゼーション、知覚された知性、相対的優位性。
• 阻害要因（認知）: プライバシー懸念、アルゴリズムの不透明性、知覚されたリスク。
• 中変数（情動）: 肯定的な「態度」と、否定的な「不信感（Distrust）」。
• 従属変数: OpenClaw を使用するための「行動意図」。

2.2 データ収集と分析

• 対象者: OpenClaw を過去に利用した経験のあるユーザー 436 名（Credamo オンライン調査プラットフォームおよび AI ツールコミュニティ経由で募集）。
• 手法: 構造方程式モデリング（SEM）を用いた分析。
• 測定: 5 段階リッカート尺度を用いたアンケート。既存文献に基づき、OpenClaw の文脈に合わせて調整された測定項目を使用。
• 分析手順:
  1. 記述統計の確認。
  2. 確認的因子分析（CFA）による測定モデルの適合度、信頼性、妥当性の検証。
  3. 構造モデルの推定による仮説検証。

3. 主要な結果 (Key Results)

3.1 モデル適合度と信頼性

• 測定モデルおよび構造モデルの適合度指標（CFI=0.93, TLI=0.92, RMSEA=0.054）は推奨閾値を満たしており、モデルはデータに適切に適合している。
• 全構成概念の Cronbach's α（0.84〜0.90）と合成信頼性（CR: 0.89〜0.93）は高く、内部一貫性が確認された。
• 収束妥当性（AVE > 0.50）と弁別妥当性（Fornell-Larcker 基準）も満たされている。

3.2 仮説検証の結果

すべての 8 つの仮説が統計的に有意に支持された。

肯定的な経路（促進要因）:

• H2, H3, H4: 知覚されたパーソナライゼーション、知性、相対的優位性は、すべてユーザーの**「態度（Attitude）」**を有意に向上させた。
  • 特に「相対的優位性（β=0.32）」と「知覚された知性（β=0.27）」の影響が大きい。
• H1: 肯定的な**「態度」は、「行動意図」**を強く予測する（β=0.49, p<.001）。

否定的な経路（阻害要因）:

• H6, H7, H8: プライバシー懸念、アルゴリズムの不透明性、知覚されたリスクは、すべてユーザーの**「不信感（Distrust）」**を有意に高めた。
  • 「知覚されたリスク（β=0.28）」と「プライバシー懸念（β=0.24）」が特に強い影響を持つ。
• H5: **「不信感」は、「行動意図」**を有意に低下させた（β=-0.22, p<.01）。

結論: ユーザーの認知評価（ポジティブな機能面とネガティブなリスク面）は、それぞれ「態度」と「不信感」という異なる情動反応を介して、最終的な使用意図に相反する影響を与えることが実証された。

4. 主な貢献と意義 (Key Contributions & Significance)

4.1 理論的貢献

1. 自律型 AI エージェントへの CAC 枠組みの適用: 従来の対話型 AI 研究から一歩進め、実務を自律実行するエージェントの受容メカニズムを「認知→情動→意欲」の連鎖として解明した。
2. 双方向的なメカニズムの解明: 多くの研究が「受容」の促進要因に焦点を当てる中、本研究は「促進要因（パーソナライゼーション等）」と「阻害要因（プライバシー等）」が、それぞれ「態度」と「不信感」という独立した情動経路を通じて、行動意図にどのように作用するかを包括的にモデル化した。
3. 不信感（Distrust）の役割の明確化: 単なる「信頼の欠如」ではなく、リスクや不透明性によって能動的に形成される「不信感」が、自律型 AI の採用を阻害する重要な独立変数であることを示した。

4.2 実践的示唆

• システム設計者への提言:
  • 機能面: パーソナライゼーション、高度なタスク実行能力、既存ツールとの比較優位性を強調することで、ユーザーの肯定的な態度を醸成する。
  • 信頼構築: アルゴリズムの透明性（説明可能性）の向上、データプライバシー保護の強化、リスクの最小化を図ることで、ユーザーの「不信感」を低減させる必要がある。
  • バランス: 機能の革新性と、セキュリティ・透明性の確保を両立させる設計が、自律型 AI の普及には不可欠である。

4.3 限界と今後の展望

• 本研究は横断調査であり、ユーザーの経験の蓄積に伴う態度の変化を追跡していない。
• 対象者が既存ユーザーに限定されているため、新規ユーザーや一般大衆への一般化には注意が必要。
• 将来的には、縦断研究や、アルゴリズムリテラシー、社会的影響などの追加変数を組み込んだ研究が期待される。

総括

本論文は、OpenClaw を事例として、自律型 AI エージェントの受容において、ユーザーがシステムの機能面（認知）を評価し、それが感情（態度・不信感）を介して最終的な使用意図に結びつくプロセスを定量的に実証した。特に、機能の優位性だけでなく、プライバシーや透明性といったリスク要因が「不信感」を通じて採用を阻害するメカニズムを明らかにした点が、AI 実装とデザインにおける重要な示唆を提供している。