编辑推荐：
为探究普通用户对 AI 健康助手的接受度与使用意愿，研究人员基于 UTAUT 模型，引入感知信任（PT）和感知风险（PR）变量展开研究。通过对 373 名中国用户的数据分析发现，PE、EE、SI 显著正向影响 BI，PT 负向影响 PR，PR 负向影响 BI。研究为技术开发提供了实践洞见。
在数字化医疗浪潮中，人工智能（AI）健康助手作为新兴技术，正逐步渗透到健康管理领域。然而，普通用户对这类技术的接受度和使用意愿仍存在诸多未解之谜。当前，AI 健康助手在隐私保护、数据安全、医疗伦理等方面的潜在风险，以及用户对技术可靠性的信任缺失，成为阻碍其广泛应用的关键瓶颈。此外，现有研究大多聚焦于医疗专业人员对 AI 系统的接受度，而针对普通用户在健康咨询场景下的心理机制研究尚显不足。在此背景下，深入探究影响用户采纳 AI 健康助手的关键因素，对于推动技术落地和优化用户体验具有迫切的现实意义。
为填补这一研究空白，中南大学建筑与艺术学院等机构的研究人员开展了一项基于扩展 UTAUT（统一技术接受和使用理论）模型的研究。该研究以 “Investigating the factors influencing users’ adoption of artificial intelligence health assistants based on an extended UTAUT model” 为题，发表在《Scientific Reports》上。研究通过整合感知信任（Perceived Trust, PT）和感知风险（Perceived Risk, PR）变量，构建了新的理论框架，旨在揭示普通用户使用 AI 健康助手的行为意图及其内在机制。
研究主要采用了以下技术方法：
- 问卷调查：以 IFLY Healthcare 应用为实验材料，设计包含 UTAUT 模型核心变量（性能期望 PE、努力期望 EE、社会影响 SI、促进条件 FC）、感知信任、感知风险及行为意图（Behavioral Intention, BI）的问卷，采用七点李克特量表测量。
- 数据收集与筛选：通过线上平台招募 400 名中国用户，经筛选得到 373 份有效样本，样本涵盖性别、年龄、教育水平及使用经验等维度。
- 结构方程建模（SEM）：运用基于协方差的结构方程建模（CB-SEM）方法，通过 SPSS 和 AMOS 软件分析变量间的路径关系，验证模型假设。
研究结果
1. 模型信效度与拟合度
- 信效度：各构念的 Cronbach’s alpha 值（0.838-0.897）、组合信度（CR）和平均提取方差（AVE）均满足可靠性和收敛效度要求；异特质 - 单特质（HTMT）比率及 AVE 平方根大于组间相关系数，验证了区分效度。
- 拟合度：模型拟合指标（χ2/df=1.443，RMSEA=0.035，CFI=0.984 等）均达到良好水平，表明模型与数据拟合度高。
2. 路径分析与假设验证
- UTAUT 核心变量：性能期望（β=0.693, p<0.001）、努力期望（β=0.582, p<0.001）、社会影响（β=0.247, p<0.001）显著正向影响行为意图，而促进条件对行为意图无显著影响（β=0.01, p>0.05）。
- 扩展变量：感知信任显著正向影响行为意图（β=0.583, p<0.01）、性能期望（β=0.905, p<0.001）和努力期望（β=0.903, p<0.001），并负向影响感知风险（β=-0.648, p<0.001）；感知风险显著负向影响行为意图（β=-0.127, p<0.01）。
3. 变量解释力
- 行为意图的方差解释率达 88.7%，性能期望、努力期望和感知风险的方差解释率分别为 81.9%、81.6% 和 42.1%，表明模型具有较强的解释能力。
研究结论与讨论
本研究通过扩展 UTAUT 模型，证实了性能期望、努力期望、社会影响是用户使用 AI 健康助手的核心驱动因素，而感知信任通过增强技术效能预期和降低风险感知，间接促进使用意愿。感知风险则直接抑制行为意图，凸显了隐私安全等心理障碍的重要性。
研究意义体现在：
- 理论层面：补充了普通用户对医疗 AI 的接受机制，验证了感知信任与风险的交互作用，拓展了 UTAUT 模型在健康领域的应用边界。
- 实践层面：为开发者提供了优化方向，如通过提升系统透明度（如可解释 AI 技术）、强化隐私保护（如区块链数据存储）、构建社会支持网络（如健康决策社区）等策略，增强用户信任并降低感知风险，进而推动 AI 健康助手的普及。
尽管研究存在样本性别比例失衡、用户经验分类较粗等局限，但其构建的理论框架为后续研究提供了重要参考。未来可进一步纳入消费场景变量（如价格价值、使用习惯），并探索不同用户群体的差异化需求，为 AI 健康技术的精准化发展奠定基础。
