《DIGITAL HEALTH》：Integrating the unified theory of acceptance and use of technology and the uses and gratifications theory in exploring generative AI adoption for health information seeking: Cross-sectional study
编辑推荐：
背景：生成式人工智能正在通过提供交互式健康信息服务改变数字健康领域。随着人们对人工智能用于健康信息寻求的依赖日益增长，理解用户的采纳变得至关重要。然而，先前的研究主要聚焦于技术和伦理问题，对整合技术感知与用户动机的采纳机制关注有限。
目的：本研究整合技术接受与
背景：生成式人工智能正在通过提供交互式健康信息服务改变数字健康领域。随着人们对人工智能用于健康信息寻求的依赖日益增长，理解用户的采纳变得至关重要。然而，先前的研究主要聚焦于技术和伦理问题，对整合技术感知与用户动机的采纳机制关注有限。
目的：本研究整合技术接受与利用统一理论（UTAUT）和使用与满足理论（UGT），探索中国情境下生成式人工智能用于健康信息寻求的决定因素。
方法：研究人员于2025年1月3日至17日期间，在中国信息技术专业人员中开展了一项横断面在线调查。共收集624份有效问卷，采用偏最小二乘结构方程模型进行分析。评估了来自UTAUT的构念（绩效期望、努力期望、社会影响、便利条件）和来自UGT的构念（工具性使用和仪式化使用），以及行为意向和使用行为。
结果：绩效期望（β = 0.362, p < 0.001）、努力期望（β = 0.207, p < 0.001）和社会影响（β = 0.120, p = 0.006）与使用生成式人工智能的行为意向呈正相关。相应地，行为意向（β = 0.239, p < 0.001）和便利条件（β = 0.281, p < 0.001）与生成式人工智能的使用行为呈正相关。工具性使用（β = 0.418, p < 0.001）和仪式化使用（β = 0.256, p < 0.001）分别与绩效期望和努力期望呈正相关。该模型解释了有意义的方差并显示出令人满意的预测相关性。
结论：生成式人工智能在中国IT专业人员用于健康信息寻求方面展现出前景。整合UTAUT和UGT为理解技术相关信念和用户动机如何与生成式人工智能用于健康信息寻求的采纳相关联提供了更全面的视角。鉴于特定的职业背景和横断面研究设计，应谨慎解读研究发现。
一、研究背景与问题
随着数字健康技术的快速发展，生成式人工智能（Generative AI）正深刻变革人们获取健康信息的方式。不同于传统的搜索引擎或静态数字健康平台，生成式AI驱动的对话系统能够通过自然语言交互，为用户提供实时、个性化且具备上下文敏感性的健康信息回应。这种互动式的信息建构过程使得用户在健康信息寻求（Health Information Seeking, HIS）中扮演着更为积极的角色。然而，尽管生成式AI在数字健康领域的应用日益广泛，关于用户为何以及如何采纳这类技术进行健康信息寻求的实证证据仍然匮乏。现有研究多侧重于技术性能、临床应用和伦理考量，而对整合技术感知与用户动机的采纳机制关注不足。此外，许多采纳研究基于单一理论视角，例如仅从技术导向模型（如技术接受与利用统一理论，UTAUT）出发强调系统有用性和易用性，或仅从动机导向框架（如使用与满足理论，UGT）出发关注个体寻求的满足感，这难以全面反映新兴技术情境下的综合影响因素。因此，有必要将这两种理论视角进行整合，以更深入地理解生成式AI用于健康信息寻求的采纳机制。在此背景下，中国作为拥有庞大人口和快速发展的数字健康生态系统的国家，其信息技术（Information Technology, IT）专业人员因频繁接触数字创新且数字素养较高，成为研究这一新兴技术采纳行为的理想早期采用者群体。
二、研究目的与方法
为填补上述研究空白，本研究旨在整合UTAUT和UGT两大理论框架，构建一个综合模型，以探究中国IT专业人员采纳生成式AI进行健康信息寻求的决定因素。研究人员提出七个假设，考察绩效期望（Performance Expectancy, PE）、努力期望（Effort Expectancy, EE）、社会影响（Social Influence, SI）、便利条件（Facilitating Conditions, FC）等UTAUT构念，以及工具性使用（Instrumental Use, IU）和仪式化使用（Ritualized Use, RU）等UGT构念，如何与行为意向（Behavioral Intention, BI）和使用行为（Usage Behavior, UB）相关联。
本研究采用的主要关键技术方法包括：
- 1.
横断面问卷调查设计：通过Credamo在线调研平台，于2025年1月3日至17日期间，对中国大陆地区从事信息传输、软件或信息技术服务行业的全职IT专业人员进行了基于资格筛选的在线面板招募。
- 2.
测量工具开发：所有问卷条目均改编自已发表的英文量表，经标准回译程序译为中文，并由四位公共卫生与传播学双语专家审查以确保语言准确性和概念等价性。通过预测试验证条目的可理解性与初步信度。除使用行为外，其余构念均采用李克特5点量表测量。使用行为则通过三个行为指标（周使用时长、使用频率、使用分布）的复合指数来衡量。
- 3.
数据分析方法：采用偏最小二乘结构方程模型（Partial Least Squares Structural Equation Modeling, PLS-SEM）作为主要分析技术，使用SmartPLS 4.0软件。该方法适用于理论拓展和预测导向研究，并能有效处理包含多个潜变量的复杂模型以及对数据分布假设的稳健性。通过自助法（Bootstrapping，5000次子样本）检验路径系数的显著性。
三、研究结果
测量模型分析
- •
反射型测量模型：对绩效期望、努力期望、社会影响、便利条件、工具性使用、仪式化使用和行为意向等反射型构念的信度和效度进行评估。大多数构念的组合信度（Composite Reliability, CR）值高于推荐阈值0.70，平均方差萃取量（Average Variance Extracted, AVE）值均大于0.50，表明内部一致性和收敛效度良好。对于因保留两个条目而导致克朗巴赫α系数较低的构念（工具性使用、便利条件、行为意向），其条目间相关性处于0.20-0.40的合理范围，且组合信度达标，因此认为可接受。通过福奈尔-拉克准则（Fornell-Larcker Criterion）评估区分效度，所有反射型构念的AVE平方根均大于其与其他构念的相关系数，表明各构念之间具有良好的区分效度。
- •
形成型测量模型：使用行为被建模为形成型构念。评估显示所有指标的方差膨胀因子（Variance Inflation Factor, VIF）均低于保守阈值3.0，不存在多重共线性问题。经条目优化后，所有保留的形成型指标的权重均具有统计显著性，且载荷均高于0.5，表明各指标对构念有显著贡献。
- •
共同方法偏差检验：通过全共线性评估和哈曼单因子检验两种统计方法，结果表明共同方法偏差不太可能对本研究结果造成严重威胁。
结构模型分析
- •
在进行假设检验前，对所有预测构念的多重共线性进行评估，VIF值均低于3.0，表明不存在共线性问题。
- •
假设检验结果显示，所有提出的七项假设均得到支持：
- •
H1：绩效期望与行为意向呈正相关（β = 0.362, p < 0.001）。
- •
H2：努力期望与行为意向呈正相关（β = 0.207, p < 0.001）。
- •
H3：社会影响与行为意向呈正相关（β = 0.120, p = 0.006）。
- •
H4：便利条件与使用行为呈正相关（β = 0.281, p < 0.001）。
- •
H5：工具性使用与绩效期望呈正相关（β = 0.418, p < 0.001）。
- •
H6：仪式化使用与努力期望呈正相关（β = 0.256, p < 0.001）。
- •
H7：行为意向与使用行为呈正相关（β = 0.239, p < 0.001）。
- •
中介效应分析表明，工具性使用通过绩效期望对行为意向产生显著的间接效应（β = 0.151, p < 0.001）；仪式化使用通过努力期望对行为意向产生显著的间接效应（β = 0.053, p < 0.001）。
模型拟合度、解释力、效应量与预测相关性
- •
饱和模型的标准化残差均方根（Standardized Root Mean Square Residual, SRMR）值为0.062，低于推荐阈值0.08，表明模型拟合度可接受。
- •
模型对行为意向的解释力（R2）为0.309（中等水平），对使用行为的解释力为0.175（较弱水平）。
- •
效应量（f2）分析显示，工具性使用对绩效期望具有中等效应（f2 = 0.212）；绩效期望对行为意向的效应量最大（f2 = 0.137）；其他路径的效应量为小至接近无。
- •
通过盲检法（Blindfolding Procedure）评估预测相关性，所有内生构念的交叉验证冗余度和交叉验证共同度的Q2值均大于零，表明模型具有令人满意的预测相关性。
四、讨论与结论
讨论部分总结：本研究的发现证实了整合UTAUT和UGT框架的价值。研究结果指出，生成式AI用于健康信息寻求的采纳不仅受技术感知（如绩效期望、努力期望）和外部因素（社会影响、便利条件）驱动，还与用户的深层使用动机密切相关。具体而言，以目标为导向的工具性使用动机与用户对系统有用性的感知（绩效期望）紧密相连，而习惯性或情感性的仪式化使用动机则与用户对系统易用性的感知（努力期望）相关联。这表明，用户对生成式AI的评价超越了传统的有用性和易用性判断，他们是在持续的对话式交互过程中动态地形成这些信念。因此，生成式AI不仅是信息检索工具，更是一个交互式的沟通媒介，用户的采纳决策融合了功能评估与互动体验的双重考量。研究还强调了针对IT专业人员这一早期采用者群体的研究价值，为理解技术经验丰富的用户如何评估和参与生成式AI提供了独特视角。实践启示方面，系统设计应优先考虑人机交互质量，支持多种互动模式（目标导向与习惯性使用），并重视早期交互体验对用户信心建立的关键作用。
研究结论部分翻译：本研究通过整合中国IT专业人员中的UTAUT和UGT框架，为日益增长的关于生成式AI用于健康信息寻求的文献做出了贡献。采用PLS-SEM方法，本研究考察了在生成式AI用于健康信息寻求的背景下，技术相关信念、使用动机、行为意向和使用行为之间的关联。研究结果表明，绩效期望、努力期望和社会影响与行为意向呈正相关，而行为意向和便利条件与使用行为呈正相关，这进一步支持了UTAUT框架在解释生成式AI采纳方面的适用性。此外，工具性使用与绩效期望呈正相关，而仪式化使用与努力期望呈正相关，这表明不同的动机取向与用户的技术相关信念相关联。这些发现表明，将UGT与UTAUT整合，为理解用户如何评估和参与用于健康信息寻求的对话式生成式AI系统提供了额外的见解。研究发现表明，不应仅将生成式AI视为另一种数字信息技术，而应从技术接受和媒体使用两个角度来理解其采纳。具体来说，用户似乎不仅评估生成式AI的功能能力，还评估其对话式和交互式的沟通体验。总体而言，本研究为理解生成式AI在健康信息寻求中的采纳提供了一个有理论依据的框架，同时为数字健康中对话式AI系统的设计和实施提供了实践启示。
