基于推—拉— mooring 框架的健康信息寻求中用户转向对话式人工智能的意愿研究

《Frontiers in Psychology》：Switching intention toward conversational AI for health information seeking: a push–pull–mooring analysis

　　

摘要 引言： 随着人工智能的快速发展，用户越来越多地转向对话式人工智能（conversational AI）进行健康信息寻求。本研究应用推—拉—锚定（Push-Pull-Mooring, PPM）框架，解释用户从社交媒体转向对话式人工智能以完成同类健康信息寻求任务的切换意愿。 方法： 研究收集了2,876名中国受访者的调查数据。采用结构方程模型（Structural Equation Modeling, SEM）和模糊集定性比较分析（fuzzy-set Qualitative Comparative Analysis, fsQCA）检验推力、拉力和锚定因素与切换意愿之间的关联。 结果： 健康信息过载（health information overload）和网络疑病症（cyberchondria）与对社交媒体的不满（dissatisfaction with social media）呈正相关，而对社交媒体的不满又与切换意愿呈正相关。感知个性化（perceived personalization）和感知匿名性（perceived anonymity）与使用对话式人工智能过程中的心流体验（flow experience）呈正相关，心流体验亦与切换意愿呈正相关。相反，医疗人工智能抵抗偏差（medical AI resistance bias）和转换成本（switching costs）与切换意愿呈负相关。fsQCA结果进一步表明，高切换意愿更可能在以强拉力和弱锚定条件为特征的组态中出现，而低切换意愿通常与高锚定条件相关。 讨论： 研究结果凸显了推力、拉力和锚定因素在塑造用户切换意愿中的联合作用，并表明切换意愿可以通过多种不对称组态产生。

论文解读：从社交媒体到对话式人工智能：健康信息寻求中的切换意愿研究

一、研究背景与问题提出

在线健康信息寻求已成为公众获取健康知识的重要途径。随着生成式人工智能（generative AI）的快速发展，特别是ChatGPT、DeepSeek、Gemini等大型语言模型（Large Language Models, LLMs）的涌现，用户的媒介使用习惯正发生显著变化。与社交媒体或搜索引擎基于关键词的检索方式不同，对话式人工智能允许用户通过交互式自然语言对话获取健康信息。已有研究表明，用户正逐渐形成从传统健康信息平台转向生成式人工智能的意愿，也有研究显示用户正从社交问答社区迁移至生成式人工智能以完成同类信息寻求任务。这表明社交媒体与对话式人工智能虽非完全相同的平台，但在同类健康信息寻求任务中可能构成相互竞争的候选渠道。

然而，现有研究存在两方面局限：其一，健康信息寻求领域的文献主要聚焦于搜索引擎或社交媒体等情境，对人工智能赋能的健康信息寻求关注不足；其二，多数人工智能研究采用技术接受视角，较少考察用户考虑将主要依赖从现有信息渠道转向对话式人工智能时切换意愿的形成机制。因此，缺乏系统性的理论框架来解释用户如何转向对话式人工智能进行健康信息寻求。为此，研究人员引入推—拉—锚定（Push-Pull-Mooring, PPM）模型，构建概念框架以考察用户在健康信息寻求情境下从社交媒体转向人工智能的切换意愿。研究旨在回答三个问题：哪些推力、拉力和锚定因素与用户切换意愿相关；锚定因素如何调节推力与拉力因素与切换意愿之间的关联；哪些因素在塑造个体切换意愿中发挥核心作用。

二、研究设计与方法

本研究采用问卷调查法，于2025年9月3日至10月16日期间，通过小红书、豆瓣和问卷星平台招募参与者。筛选程序仅保留此前同时使用过社交媒体和对话式人工智能进行健康信息寻求的受访者。正式调查前进行了包含120名合格用户的预测试以完善题项表述。共收集3,194份问卷，剔除作答时间过短、模式化作答或内部不一致的答卷后，获得2,876份有效问卷，有效率为90.04%。样本中男女性各占50%，年龄分布涵盖18岁以下至60岁以上各年龄段，月收入、教育程度、居住地、健康状况、人工智能使用频率等人口统计学特征均有较广覆盖。

研究采用五级李克特量表测量所有变量。数据分析方面，研究人员综合运用结构方程模型（Structural Equation Modeling, SEM）和模糊集定性比较分析（fuzzy-set Qualitative Comparative Analysis, fsQCA）两种方法。SEM用于检验PPM模型中的假设关系，评估各变量间的净关联及整体模型拟合度；fsQCA则用于探索与用户切换意愿相关联的前因条件组态，揭示多条等效路径和组态不对称性。信效度检验方面，所有Cronbach's alpha系数均超过0.70的推荐阈值，因子载荷均超过0.70，组合信度（Composite Reliability, CR）均高于0.70，平均方差抽取量（Average Variance Extracted, AVE）均大于0.50，支持良好的收敛效度；各构念AVE的平方根均超过其与其他构念的相关系数，支持满意的区分效度。Harman单因素检验提取出13个特征值大于1的因子，首个因子仅解释32.40%的总方差，表明共同方法偏差不太可能构成严重问题。多重共线性诊断显示容差范围为0.415至0.856，方差膨胀因子（Variance Inflation Factor, VIF）范围为1.168至2.409，不存在严重的多重共线性问题。

三、研究结果

3.1 信度与效度检验

基于修正后的项目—总分相关分析，反向编码的转换成本题项SC3因系数低于0.40被删除。删除该题项后，转换成本（Switching Costs, SC）构念的Cronbach's alpha为0.784，表明信度良好。所有构念的alpha系数均超过0.70，所有因子载荷超过0.70，CR值高于0.70，AVE值大于0.50，支持良好的收敛效度。各构念AVE的平方根均超过其与其他构念的相关系数，支持满意的区分效度。方差分析结果显示，转换成本在是否有在线健康咨询经验方面存在显著差异（t = ?2.386, p = 0.017），有过在线健康咨询服务使用经验的受访者报告的转换成本水平显著低于无此经验者。其他人口统计学维度上未发现测量变量的显著差异。

3.2 假设路径检验

结构方程模型分析使用AMOS 26进行，模型拟合指数为：χ2/df = 3.107（< 5），GFI = 0.96（> 0.9），AGFI = 0.954（> 0.9），CFI = 0.975（> 0.9），IFI = 0.975（> 0.9），TLI = 0.973（> 0.9），NFI = 0.964（> 0.9），RMSEA = 0.027（< 0.05），所有指标均达到推荐阈值，表明模型拟合良好。

除H10外，所有假设均得到支持。在推力因素方面，健康信息过载（β = 0.128, p < 0.01）和网络疑病症（β = 0.528, p < 0.01）与对社交媒体服务的不满呈正相关，而对社交媒体服务的不满又与切换意愿呈正相关（β = 0.259, p < 0.01）。在拉力因素方面，感知个性化（β = 0.330, p < 0.01）和感知匿名性（β = 0.430, p < 0.01）与心流体验呈正相关，心流体验与切换意愿呈正相关（β = 0.390, p < 0.01）。在锚定因素方面，健康状况不确定性（β = 0.612, p < 0.01）和与医生的关系（β = 0.101, p < 0.01）与医疗人工智能抵抗偏差呈正相关；损失厌恶（β = 0.123, p < 0.01）和绩效风险（β = 0.325, p < 0.01）与转换成本呈正相关。医疗人工智能抵抗偏差（β = ?0.223, p < 0.01）和转换成本（β = ?0.137, p < 0.01）与切换意愿呈负相关。不满与医疗人工智能抵抗偏差的交互项为负（β = ?0.0905, p < 0.01），支持H7。心流体验与转换成本的交互项为正（β = 0.0335, p < 0.01），与假设的负向方向相反，因此H10未获支持。

3.3 模糊集定性比较分析（fsQCA）

研究选取健康信息过载（HIO）、网络疑病症（CYB）、医疗人工智能抵抗偏差（AIRB）、转换成本（SC）、感知个性化（PP）和感知匿名性（PA）六个变量作为前因条件，以切换意愿作为单一结果变量构建fsQCA模型。所有前因变量的一致性值均低于0.9，表明不存在单一前因变量构成结果变量的必要条件。频数阈值设为15，一致性阈值设为0.85，PRI阈值设为0.67。

分析识别出四个与高切换意愿相关的有效组态（S1–S4）和三个与低切换意愿相关的组态（H1–H3）。S1表明“PP~AIRB~SC~HIO”与高切换意愿相关，即感知个性化处于高水平且医疗人工智能抵抗偏差和转换成本均较低时，即使未经历健康信息过载，用户仍可形成强切换意愿。S2表明“PA~AIRB~SC~HIO”与高切换意愿相关，即用户对新型平台形成强隐私保护感知，且伴随低医疗人工智能抵抗偏差和低转换成本时，仍表现出强切换意愿。S3表明“PA~AIRB~SC~CYB”与高切换意愿相关，以感知匿名性为核心条件，结合低医疗人工智能抵抗偏差和低转换成本，且以低网络疑病症为特征。S4表明“PA~SC~HIO~CYB”与高切换意愿相关，感知匿名性和低转换成本联合与高切换意愿相关，即使推力因素缺失或较低。对比四条高意愿路径，低转换成本反复出现，表明弱锚定是高切换意愿组态的反复特征而非单独必要条件。推力因素并非必要条件，在推力条件缺失时，只要感知拉力因素与弱锚定共同构成组态，高切换意愿仍可出现。

H1表明“~PP~PAAIRBSC~HIO”与低切换意愿相关，即拉力和推力因素均较低时，因高医疗人工智能抵抗偏差和高转换成本，用户不愿转向基于人工智能的对话式健康信息寻求。H2表明“PP~PAAIRBSCHIO”与低切换意愿相关，高推力因素（健康信息过载）和高拉力因素（感知个性化）并存，但医疗人工智能抵抗偏差和转换成本均较高时，该组态仍与低切换意愿相关。H3表明“~PP~PAAIRB~SCHIO*CYB”与低切换意愿相关，在高推力、低拉力情境下，用户对社交媒体健康信息寻求不满且面临低转换成本，但未感知人工智能的体验优势，高医疗人工智能抵抗偏差与低切换意愿共存。稳健性检验中，将一致性阈值从0.85提高至0.88后，高切换意愿识别出四个组态、低切换意愿识别出三个组态，与基准结果一致，核心条件及其方向保持不变，支持组态结果的稳健性。

四、讨论与结论

SEM分析结果表明，用户对社交媒体服务的不满和使用新技术时的心流体验与切换意愿呈正相关，而医疗人工智能抵抗偏差和转换成本与切换意愿呈负相关。fsQCA分析进一步揭示多条等效充分路径和组态不对称性。推力因素并非高切换意愿的必要条件。当用户对社交媒体作为健康信息寻求渠道不满，或在弱锚定条件下感知对话式人工智能为有吸引力的替代渠道时，高切换意愿可能出现。这反映的是用户在同类健康信息寻求任务中主要依赖的意图转移，而非以对话式人工智能替代专业医疗照护的意愿。相比之下，高医疗人工智能抵抗偏差和转换成本在特定低切换意愿组态中反复作为核心条件出现，但两者均非单独必要条件。

关于推力因素，健康信息过载和网络疑病症与用户不满显著相关，不满又与切换意愿相关。但fsQCA结果表明，健康信息过载和网络疑病症在高切换意愿组态中作为核心缺失或无关条件出现，而在低切换意愿组态中可作为核心存在条件出现。这表明信息相关压力更可能触发回避行为而非促使探索更复杂的新工具，推力因素可能与退出社交媒体相关，但不必然产生更强的依赖对话式人工智能作为替代信息渠道的意愿。

关于拉力因素，感知匿名性和感知个性化与用户心流体验显著正相关，心流体验又与切换意愿正相关。感知匿名性在多个高切换意愿组态中作为核心条件出现，其首要作用在于心理层面：通过减少身份相关顾虑和披露敏感信息的感知成本，匿名性促进放松和心流。个性化主要增强交互体验，匿名性则降低感知身份风险，但两者均不单独保证切换发生。个性化、匿名性和心流反映的是感知交互质量而非事实或临床质量，对话式人工智能可能生成不准确或虚构信息，应被视为补充性来源而非专业判断的替代。

关于锚定因素，健康状况不确定性和与医生的关系与医疗人工智能抵抗偏差正相关，医疗人工智能抵抗偏差与切换意愿负相关并削弱不满与切换意愿之间的正关联。在健康相关情境中，个体倾向于通过被视为可控、可信和可问责的方式来管理不确定性。医疗人工智能抵抗偏差仍是用户侧的稳定现象，即使人工智能表现更优，个体仍倾向于保持较低的切换意愿。转换成本方面，损失厌恶和绩效风险与转换成本正相关，转换成本与切换意愿负相关。H10未获支持，心流体验与转换成本的交互项为正，这可能表明当用户感知到高转换成本时，心流体验反而可能强化切换意愿，或高转换成本情境下的心流体验具有不同的心理含义。

研究结论强调推力、拉力和锚定因素在塑造用户切换意愿中的联合作用，证明切换意愿可通过多种不对称组态产生。研究为理解用户在健康信息寻求情境下从社交媒体转向对话式人工智能的决策机制提供了系统的理论框架和实证证据，对人工智能健康信息服务的优化设计和社会媒体健康信息环境的治理具有启示意义。