12_AI 行銷傳播及其對青年族群的重大影響

核心表格

本章由 Sakshi Verma、Paramveer Singh 撰寫，以系統性文獻回顧（Systematic Literature Review, SLR）討論 Artificial Intelligence（AI）Media／Marketing 對青年族群的影響。核心不是單一 Campaign 實驗，而是從 AI Media Definition、Marketing／Recommendation、四類 Youth Impact、Entertainment／Education、Deepfake／Privacy／Bias，到 PRISMA Review Methodology 做綜合整理。原書 PRISMA 圖本身存在計數與流程不一致，本教材保留原圖數字，不自行修正。

核心主題	主要觀點／方法	實務用途	重要條件／限制／延伸
AI Marketing	Automation、Data Analytics、Machine Learning 用於 Consumer Behavior、Campaign Personalization、Content Distribution	提升 Marketing Efficiency／Personalization	本章沒有 Campaign Conversion／ROI 實驗數字
Youth Exposure	Personalized Ads、Social Media Algorithms、AI Recommendations 持續影響青年內容／商品曝光	分析 Purchase Decision、Spending Pattern、Brand Loyalty 的影響機制	原書描述影響，不等於量化因果證明
Research Scope	Influencer Marketing、Targeted Advertising、Automated Content Curation、Infotainment、Interactive Media	建立 AI Media×Youth Literature Review 範圍	主要使用 Previous Studies／Secondary Sources
AI Media Definition	AI-created／AI-influenced Text、Photo、Video，以及 Information Management、Customization、Distribution	避免把 AI Media 縮成只有 Generative Content	Creation、Management、Customization、Distribution 皆屬原書定義
Fig. 12.1	Publication；Market Evaluation and Solution；Content Creation；Detecting Fake Information	建立 AI Media 四元件 Taxonomy	圖中沒有第五個 Component／權重
Publication	Accessibility、Efficiency、Automatic Tagging、Alt Text／Image Description、Discoverability	出版流程與內容可及性	屬作者文獻綜整，未提供出版成效數值
Automated Reporting	Financial Report、Sports Score、Weather Update；Large-data Analysis；Personalized Content	加速 Routine Content／Information Processing	未提供 Reporting Accuracy
Fake Information Detection	Fact-checking Algorithm、ML、NLP、Source Validation、Trusted Database Comparison	支援 Misinformation Detection	作者明確指出 Data Bias 與 evolving disinformation tactics；不是 perfect
Market Analysis	Consumer Behavior、Market Trend、Competition、Segmentation、Customized Advertising	Data-driven Targeting／Decision Support	沒有本章自身 Effect Size
Demand-side Matching	作者認為近期 Media AI 主要影響 Content-to-Client Matching，而非全面取代 Content Creation	理解 Recommendation／Discoverability	Netflix Challenge 僅作 Recommendation 背景例子，未列本章重算結果
4 Stages of AI Marketing Impact	Creative Content；Graphics & Visuals；Neuro／Sense；Influence on Decision Making	分類 Youth Impact	圖中可見三個 Node，Neuro／Sense 由相鄰文字與第3點補全；作者稱四類
Creative Content	Video、Music、Digital Art、Animation、Editing、Auto-enhancement、Brainstorming、Storytelling	降低創作技術門檻	未提供創作速度／Engagement 數字
Graphics／Visual Impact	影響 Perception、Creativity、Learning、Self-expression	評估 Visual AI 的 Cognitive／Psychological Dimension	作者要求平衡 Innovation 與 Psychological Effect Awareness
Neuro／Sense	Neural Activity、Brain Imaging、Neurological Illness Prediction、Cochlear Implant、BCI、VR／AR Sensory Simulation	展示更廣泛 Neuro／Assistive AI 應用	屬原書延伸例子；本章沒有 Clinical Trial／Accuracy
Decision Making	Recommendation、Personalized Info、Predictive Analytics、Education／Career Recommendation、Chatbot Advice	分析 AI 如何塑造 Youth Choice	可能 reinforce bias、restrict viewpoint、造成 over-reliance；需 digital literacy
AI Entertainment	Recreation、Storytelling、Video Editing、Customized OTT、Music Composition、Advance Gaming；另含 VR／AR	理解 Content Creation＋Recommendation＋Interaction	未提供 Watch Time／Retention／CTR 數字
Streaming／Gaming	Netflix／YouTube／Spotify Recommendation；NPC、Difficulty Adjustment、Generative Content	Personalized Entertainment	例子不是平台績效評估
AI Education	Adaptive Learning、Virtual Tutor、Voice／Handwriting Recognition、Gamification／VR、Co-creation	Personalization、Accessibility、Engagement	未提供 Learning Gain／Test Score 比較
Deepfake	AI 可生成看似真實的 Fake Voice、Text、Video、Image；原書提 2018 Barack Obama Deepfake	建立 Media Authenticity／Digital Citizenship 議題	作者強調 Deepfake 依靠 Complex Algorithms，不是自主 Robot Intelligence
Other Negative Impacts	Data Privacy、Training-data Bias、High Cost、Technical Expertise Scarcity、Limited Task Generalization、Over-reliance／Reduced Human Interaction	建立 Youth／Organization Risk Checklist	沒有 Deepfake Detection Rate、Mental-health Prevalence、Cost 數字
SLR Method	Find、Select、Evaluate Research；transparent／replicable Search Strategy；Multiple Databases／Grey Literature 概念	系統整理 Previous Research	原書方法敘述較概括，詳細數字依 PRISMA 圖
PRISMA Previous Review	Studies in previous version n=106；Reports n=7	保留原圖 Identification Context	與圖底部 Total Studies n=31 的關係未清楚說明
PRISMA Identification	Databases n=4；Database 1–3=NA；Registers n=0；Websites n=6；Citation Searching n=31	記錄原圖 Source Box	`Databases n=4` 不自行解讀成 records total
PRISMA Removal／Screening	Duplicates n=28；Automation Ineligible n=27；Other Reasons n=14；Records Screened n=37；Excluded n=6	追蹤 Screening Flow	原圖數字不能直接形成一致的算術 Record Flow，不自行修正
PRISMA Retrieval／Eligibility	Reports Sought n=0；Not Retrieved n=0；Assessed n=0；Exclusion Reasons=NA	保留原圖 Status	0／NA 必須與缺失或未執行概念區分
PRISMA Included	New Studies Included n=31；Reports of New Included n=0；Total Studies Included n=31；Total Reports n=0	記錄原圖最終值	與 Previous Review n=106 並列時存在來源內部不一致
Conclusion Opportunities	Education、Professional Advancement、Creativity、Entertainment、Personalized Learning、Job／Skill Support	辨識青年可能獲益	未提供 Outcome Effect Size
Conclusion Risks	Deepfake、Job Replacement、Career-path Disruption、Skill Gap、Over-reliance、Critical Thinking／Problem-solving Weakening	建立 Responsible Use／Skill Adaptation 議題	沒有 Unemployment Rate 或 Skill-gap Percentage

章節定位

第 12 章由 Sakshi Verma、Paramveer Singh 撰寫，主題是 AI Marketing／AI Media 如何影響青年族群。章節以 Systematic Literature Review（SLR）為主要方法，不是單一平台、品牌或 Campaign 的 Controlled Experiment。