医生如何接受人工智能：来自技术接受与信任理论的见解

《Frontiers in Digital Health》：How physicians embrace AI: insights from technology acceptance and trust theories

　　摘要
目的：本研究探讨了影响医生在临床实践中接受和采用人工智能（AI）技术的因素，整合了计划行为理论（TPB）和技术接受模型（TAM），同时考察了信任的中介作用。
方法：对414名医生进行了结构化调查，评估他们对AI技术的看法，使用了TPB、TAM和与信任相关的因素。数据分析采用了偏最小二乘结构方程模型（PLS-SEM）。
结果：研究结果证实，TPB和TAM能够有效解释医生对AI的接受程度，其中TPB的预测能力更强。信任被确定为AI采用的关键决定因素，完全中介了感知行为控制（p<0.001）、主观规范（p<0.05）、感知有用性（p<0.001）、易用性（p<0.001）与行为意图之间的关系。值得注意的是，感知易用性（p<0.001）对信任有最直接的影响，而感知有用性（p<0.001）显著影响了行为意图。对AI的态度也显示出显著效应（p<0.01）。主观规范和感知行为控制的直接影响较弱（p<0.05和p=0.07）。
结论：信任在AI采用中起着关键作用，超越了传统的TPB和TAM因素，塑造了医生的接受态度。医疗管理者、政策制定者和技术开发者应通过提高AI的透明度、可解释性和用户友好性来增强信任。

1 引言
全球医疗系统正在经历深刻变革，这一变革由人口老龄化、慢性病的增加、对质量和可及性的需求提高以及经济压力驱动。为了应对这些挑战，人工智能（AI）、机器学习（ML）、大数据和物联网（IoT）的最新进展正在重塑医疗服务的提供方式（1, 2）。尽管有越来越多的证据表明AI在医学领域具有变革潜力，但AI工具在实际临床实践中的整合仍然有限。作为医疗技术的主要使用者和把关人，医生往往对采用AI持犹豫态度。这种犹豫归因于对伦理责任、可解释性、可靠性和数据隐私的担忧（3）。
以往的研究主要集中在AI的技术性能或医疗工作人员的普遍看法上，往往忽视了支撑医生接受决策的心理和行为机制（4）。这一差距突显了需要从理论上理解医生为何会接受或抵制AI技术。为了解决这一需求，本研究借鉴了两个经过广泛验证的理论框架：计划行为理论（TPB）和技术接受模型（TAM）。
TAM已被广泛用于解释技术采用，特别是在临床和信息系统环境中，因为它强调感知有用性和感知易用性（5, 6）。然而，它往往忽略了重要的社会和情境因素，如主观规范和感知行为控制。相比之下，TPB通过结合态度、社会压力和对行为的感知控制提供了一个更广泛的行为框架（6）。尽管如此，TPB并未直接解决技术系统的可用性问题。为了克服这些局限性，一些研究建议整合TAM和TPB，以提供更全面的技术接受视角（7, 8）。此外，信任作为医疗环境中AI系统采用的一个关键但尚未充分探索的中介变量，影响了临床医生依赖基于算法的决策支持的意愿（9）。
尽管统一技术接受与使用理论（UTAUT）模型为技术采用提供了一个全面的框架（10），但本研究采用了TAM和TPB，以保持与以往以医生为中心的接受研究的可比性，并明确将信任作为中介变量进行建模。
本研究的目的是通过整合TAM、TPB和信任，来探讨医生在医疗领域对AI技术的接受情况。具体而言，该研究考察了TAM和TPB结构如何影响医生对AI系统的信任，以及信任又如何影响采用AI技术的行为意图。通过在全国范围内的医生样本中测试这一综合模型，本研究旨在提供关于临床实践中AI采用的关键心理和组织因素的实证证据。
本文的其余部分组织如下：第2节介绍了TPB、TAM和信任的理论背景。第3节描述了研究模型、假设、数据收集和分析方法。第4节报告了测量和结构模型分析的结果。第5节讨论了研究结果、局限性和未来研究方向。最后，第6节总结了本研究。

2 文献综述
2.1 计划行为理论（TPB）
TPB由Ajzen（9）提出，是社会心理学中的一个重要模型，解释了个体态度、主观规范和感知行为控制如何影响行为意图。在医疗环境中，TPB已被广泛用于理解专业人士关于技术使用、临床指南遵守和基于证据的实践采用的决策（11–13）。
对行为的态度是指个体对执行特定行为的整体评价，从有利到不利不等。在医疗环境中，认为AI可以提高诊断准确性或效率的医生更有可能形成积极的态度，从而增强他们采用这些技术的意愿。主观规范表示影响个体行为决策的感知社会压力。对于医疗专业人员来说，对AI的接受往往受到同事期望、组织实践和专业协会指导的影响。感知行为控制反映了个体执行相关行为的信心程度。在AI采用的背景下，这包括足够的知识、技术基础设施和培训机会的可用性——这些都是AI有效整合到临床工作流程中的关键因素。
TPB的优势在于它能够同时考虑个体和情境因素，使其特别适用于理解医疗专业人员对新技术的行为意图（14）。

2.2 技术接受模型（TAM）
TAM由Davis（15）提出，已被广泛用于解释用户对信息系统的接受。该模型认为感知有用性和感知易用性是个体使用技术意图的主要决定因素。
在医疗领域，TAM已被用于研究电子健康记录、决策支持系统和基于AI的工具的采用（8, 16, 17）。例如，如果医生认为AI系统可以提高诊断准确性并且直观易用，他们使用该系统的意愿可能会增加。虽然TAM在技术环境中具有很强的解释力，但它缺乏捕捉社会影响或感知行为控制的构念，而这些在临床环境中至关重要。

2.3 将TPB和TAM与信任相结合
鉴于它们的互补优势，结合TAM和TPB可以更全面地理解医生的行为意图，结合了技术、个人和情境因素（6, 18）。然而，先前的研究表明，这些框架可能无法完全捕捉到采用复杂和不透明技术（如AI）所涉及的心理动态（7）。
因此，信任成为技术接受模型中的一个关键但未充分探索的中介变量，特别是在医疗环境中，那里的感知风险和不确定性很高（9, 19）。对AI的信任涉及对其安全性、可靠性、透明度和与专业价值观一致性的信心。医生的信任不仅受到系统性能的影响，还受到社会和制度线索的影响——如同行认可、监管批准和可解释性特征（20, 21）。
实证研究表明，信任增强了感知有用性和易用性对采用技术意图的影响，当风险敏感性高时，信任甚至可以替代态度（22, 23）。因此，本研究将信任作为TPB/TAM组成部分与行为意图之间的中介构念，旨在提供一个更全面的框架来理解医生对AI的采用。

3 材料与方法
3.1 研究模型和假设
所提出模型中的因变量是医生使用AI技术的行为意图。先前的研究表明，行为意图是医疗信息系统中实际系统使用的稳健预测因子（10, 17）。
鉴于AI技术在许多医疗环境仍处于早期采用阶段，且医生接触这些系统的程度差异很大，本研究特别关注意图而非实际使用（1, 2, 24）。这使我们能够评估准备度和接受度的决定因素，即使是在经验有限的用户中也是如此。

3.2 研究假设
为了操作化综合模型，开发了一组假设，反映了关键构念的直接和间接（中介）效应，如图1所示。这些假设根据它们在模型中的功能角色进行分组：
图1
所提出的研究模型整合了计划行为理论（TPB）和技术接受模型（TAM）的构念，强调了信任在塑造行为意图中的中介作用。

3.2.1 直接效应假设
TPB假设态度、主观规范和感知行为控制影响行为意图及相关心理状态（11）。在医疗环境中采用AI的背景下，这些构念也预计会影响医生对AI系统的信任。鉴于临床AI工具的不确定性、不透明性和感知风险，医生对自己使用这些系统的信心（感知行为控制）、专业期望（主观规范）以及对AI的个人评价（态度）可能会影响信任的形成（10, 20）。
实证证据支持了这些关联在医疗AI背景下的存在。Fan等人证明，医疗专业人员对系统特性和社会影响的看法显著影响了他们对基于AI的诊断支持系统的信任（20）。同样，Choudhury等人报告说，与期望相关的信念和感知风险直接影响了临床医生对AI驱动的临床决策工具的信任（9）。这些发现表明，TPB相关的信念在建立医疗环境中对AI技术的信任方面起着关键作用。
因此，提出以下假设：
H1：TPB对信任有统计学上的显著影响。
H1a：感知行为控制对信任有统计学上的显著影响。
H1b：主观规范对信任有统计学上的显著影响。
H1c：态度对信任有统计学上的显著影响。
TPB已通过其三个前因在预测技术接受方面得到了广泛验证（11）。在AI采用的背景下，医生对其好处的信念（态度）、社会认可（主观规范）以及与AI系统互动的感知易用性（感知行为控制）预计会直接影响他们的行为意图（20, 25）；
H2：TPB对行为意图有统计学上的显著影响。
H2a：感知行为控制对行为意图有统计学上的显著影响。
H2b：主观规范对行为意图有统计学上的显著影响。
H2c：态度对行为意图有统计学上的显著影响。
TAM认为系统相关的信念，如感知有用性和感知易用性，会影响用户对技术的态度（14）。除了态度形成之外，这些信念还可能影响用户对技术的信任程度。当系统被认为有用且用户友好时，用户更有可能信任其在执行复杂和高风险任务（如临床决策）时的表现（9, 20）。
H3：TAM对信任有统计学上的显著影响。
H3a：感知有用性对信任有统计学上的显著影响。
H3b：感知易用性对信任有统计学上的显著影响。
根据TAM，感知有用性和易用性是行为意图的直接预测因子。许多关于医疗IT采用的研究证实，当临床医生认为技术可以提高性能且易于使用时，他们更倾向于采用该技术（16, 17, 26）；
H4：TAM对行为意图有统计学上的显著影响。
H4a：感知有用性对行为意图有统计学上的显著影响。
H4b：感知易用性对行为意图有统计学上的显著影响。
由于临床应用的复杂性、不透明性和高风险，信任在AI采用中是一个特别突出的因素。医生对AI系统的信任预计会直接影响他们采用这些技术的意愿；
H5：信任对行为意图有统计学上的显著影响。

3.2.2 中介效应假设
以下假设探讨了信任是否在其他因素和行为意图之间起中介作用：
除了直接效应之外，信任可能作为一个关键的中介变量，将TPB组分的效应传递到行为意图。例如，即使医生对AI有积极的看法或感到规范压力，实际意图也可能取决于建立的信任水平；
在医疗AI中，由于许多算法的“黑箱”性质，信任的中介作用至关重要。研究表明，即使人工智能工具在技术上高效，临床医生采用这些工具的意愿往往也会因为对人工智能决策可解释性的“信任差距”而受阻。因此，信任作为必要的桥梁，将工具的有用性和社会影响的认知转化为将这些工具整合到患者护理中的具体意图（19, 23）。H6：信任调节了TPB（理论行为模型）和行为意图之间的关系。H6a：信任调节了感知行为控制与行为意图之间的关系。H6b：信任调节了主观规范与行为意图之间的关系。H6c：信任调节了态度与行为意图之间的关系。同样，信任也可能调节TAM（技术接受模型）构念与行为意图之间的关系。即使一个系统被认为有用且易于使用，医生也可能只有在信任其可靠性和在临床实践中的相关性时才会打算使用它；

H7：信任调节了TAM与行为意图之间的关系。H7a：信任调节了感知有用性与行为意图之间的关系。H7b：信任调节了感知易用性与行为意图之间的关系。

3.3 研究对象
本研究考察了土耳其提供医疗服务的医生对人工智能技术的接受度和信任度。因此，研究对象是土耳其执业的医生。根据卫生部2024年的数据，截至2023年，土耳其的医生总数约为205,000人（27）。

3.4 统计方法
本研究采用了结构方程模型（SEM）来分析因变量、自变量和中介变量之间的关系。部分最小二乘结构方程模型（PLS-SEM）被优先选择，因为它适用于小数据集，并能有效估计复杂的关系（28–31）。数据分析使用了SmartPLS软件（32）。此外，还应用了高阶成分（HOC）建模和重复指标法（RIA）来构建高阶构念。这些方法简化了复杂结构，使其更易于管理，同时增强了模型的理论深度（33）。

3.5 样本量
使用G*Power软件（34, 35）进行了先验功效分析，以确定假设检验所需的最小样本量。基于中等效应量（f2 = 0.15）、显著性水平α = 0.05和期望的统计功效1?β = 0.95，分析表明PLS-SEM的最小样本量为N = 153是足够的。实际获得的样本量（N = 414）超过了推荐的最低阈值，确保了估计参数的统计功效和稳健性。由于研究的探索性质以及在全国范围内接触医生的实际挑战，采用了方便抽样方法。通过专业网络和电子邮件在线招募，能够快速接触到多样化的医生群体。当基于概率的抽样不可行时，这种抽样方法在医疗技术接受度研究中被广泛使用。因此，样本的充分性是根据已建立的PLS-SEM功效和最小样本推荐值来评估的（28, 36）。

3.6 数据收集方法
根据提出的理论模型开发了一份结构化调查问卷。为了提高测量的可靠性，构念是从先前验证的量表中改编而来的（5, 13, 17, 18, 37–39）。测量工具经过了专家审查，并进行了试点调查以评估其有效性和可靠性。在专家审查和试点测试后，对部分措辞进行了微调，以提高清晰度并确保与临床术语的一致性。在测量模型评估过程中，由于指标载荷较低，移除了两个项目（主观规范3和感知易用性3）。这一决定并非仅基于统计阈值。从概念上讲，主观规范3反映的是组织支持，而不是来自显著参照者的感知社会压力，后者是TPB中主观规范的核心定义。感知易用性3与认知努力和感知复杂性构念部分重叠。因此，移除它们是为了保持构念的清晰度和理论一致性，同时保持测量的有效性。本研究使用的最终构念列表及其对应项目和来源见补充表S1。

本研究采用了定量研究设计，数据通过调查方法收集。问卷使用Google Forms设计，并在获得伦理委员会批准后通过社交媒体和电子邮件分发给目标群体。2023年6月至2023年9月期间，共有414名医生参与了研究，所有回答都是完整的，并被纳入最终分析。调查包括两个部分：
- 人口统计和专业信息：参与者提供了关于他们的背景和医疗实践的详细信息。
- 与TPB、TAM和信任相关的构念：问题涵盖了主观规范、感知行为控制、感知易用性、感知有用性、对行为的态度、信任和行为意图。

3.7 分析过程
本研究的PLS-SEM分析过程遵循了Hair等人（28）提出的步骤。这些步骤包括：首先在研究模型中建立反射性测量关系，然后构建结构模型。随后使用层次成分模型（HCM）对模型进行了分析。

4 结果
共有来自38个城市的414名医生参与了这项在线调查，该调查在全国范围内向医生宣布。在参与者中，120名医生（29%）表示他们在机构中使用了基于AI的技术，而294名医生（71%）报告说他们的机构中没有使用基于AI的技术。参与者的 demographic 特征见表1。

表1
| 类别 | 数据 |
|--------------|--------------|
| 性别 | 女性 | 174 (42%) |
| | 男性 | 240 (58%) |
| 年龄（岁） | ≤25 | 4 (1%) |
| | 25–35 | 142 (34.3%) |
| | 36–45 | 107 (25.8%) |
| | 46–55 | 118 (28.5%) |
| | ≥56 | 43 (10.4%) |
| 职称 | 医师 | 99 (23.9%) |
| | 全科医生 | 19 (4.6%) |
| | 专家 | 132 (31.9%) |
| | 助理教授 | 19 (4.6%) |
| | 副教授 | 55 (13.3%) |
| | 教授 | 90 (21.7%) |
| 机构类型 | 公立 | 326 (78.7%) |
| | 私立 | 88 (21.3%) |

4.1 研究模型的有效性和可靠性分析
在模型中进行假设检验之前，首先进行了PLS-SEM范围内的有效性和可靠性分析。这些分析包括内部一致性[克朗巴赫α系数、复合可靠性（CR）]、收敛效度[指标可靠性、平均提取方差（AVE）]和区分效度[Fornell & Larcker标准、异质性-单特质比率（HTMT）]的检查。在评估内部一致性时，克朗巴赫α系数（α）和复合可靠性（CR）被评估为高于推荐阈值（α ≥ 0.70 和 CR ≥ 0.60）（33）。由于主观规范3（高层管理支持）和感知易用性3（心理努力）的因子载荷低于推荐阈值，因此从最终分析中移除了这两个项目。移除主观规范3表明，对于医生来说，专业自主性和同行影响（主观规范1、2和4）是技术采纳的决定性因素，而不是机构层级（补充表S1）。尽管进行了这些移除，主观规范构念仍保持了较强的内部一致性，复合可靠性（CR）为0.801，远高于0.70的阈值，从而确保了量表的内容有效性和可靠性（表2）。

表2
| 子维度 | 克朗巴赫α系数（α） | 复合可靠性（CR） |
|--------------|-------------|-----------------|
| 感知行为控制 | 0.793 | 0.867 |
| 主观规范 | 0.625 | 0.801 |
| 对行为的态度 | 0.927 | 0.945 |
| 感知有用性 | 0.919 | 0.943 |
| 感知易用性 | 0.791 | 0.878 |
| 信任 | 0.804 | 0.871 |
| 行为意图 | 0.899 | 0.925 |

根据PLS-SEM探索性研究的指导原则，保留了具有可接受复合可靠性的构念（28）。总体而言，所有包含在研究中的子维度的复合可靠性值均达到了接受的阈值（表2）。为了确保收敛效度，在后续阶段进行了AVE值的分析。通常，AVE值应高于0.50（28）。模型中变量的AVE值如下：对于TPB因素，感知行为控制（0.621）、主观规范（0.577）和对行为的态度（0.775）；对于TAM因素，感知有用性（0.806）和感知易用性（0.707）；对于信任量表（0.630）和行为意图量表（0.713）（补充表S4）。确定AVE值高于0.50，并且所有指标载荷均超过了推荐的0.70阈值，范围在0.71到0.92之间（28）。因此，研究模型提供了收敛效度的证据。为了评估PLS-SEM分析中的潜在共同方法偏差（CMB），采用了Kock推荐的完全共线性评估方法（40）。该方法评估了内部和外部方差膨胀因子（VIF）值，使用3.3作为可接受的共线性阈值。尽管这个阈值较为严格，但模型中的所有VIF值均低于广泛接受的5的限值，表明预测因子之间没有严重的多重共线性（28）。因此，CMB不太可能对结果的有效性构成威胁。相关的VIF值见补充表S4（补充材料）。此外，在数据收集过程中实施了程序性补救措施，包括确保参与者的匿名性和保密性，以进一步降低方法偏差的风险。为了评估区分效度，检查了交叉载荷、Fornell-Larcker标准和HTMT 85/90值。因子载荷大于交叉载荷是区分效度的标志（28）。观察到所有因子的载荷都大于交叉载荷（补充表S5）。随后，通过比较每个因子的AVE的平方根与该因子与其他所有因子之间的相关性来评估Fornell-Larcker表（38）。Fornell-Larcker表的结果表明，获得的值大于所有其他相关值（表3）。

表3
Fornell-Larcker表
| | |
| PBC | SN | ATB | BI | PU | SN | T |
| | 0.788 | 0.196 | 0.760 | 0.318 | 0.378 | 0.880 |
| | 0.309 | 0.458 | 0.691 | 0.898 | 0.521 | 0.237 |
| | 0.422 | 0.381 | 0.381 | 0.841 | 0.368 | 0.418 |
| | 0.446 | 0.473 | 0.793 | 0.298 | 0.354 | 0.786 | 0.709 | 0.431 |
| | 0.844 | | | | | |

最后，评估了HTMT表（表4）（33）。发现所有获得的值均小于0.85，表明研究模型具有区分效度的证据。

表4
HTMT 85/90
| PBC | SN | ATB | BI | PU | SN | T |
| | 0.291 | 0.371 | 0.482 | 0.363 | 0.588 | 0.746 | 0.338 | 0.493 | 0.445 | 0.593 | 0.512 |
| | 0.578 | 0.355 | 0.460 | 0.858 | 0.778 | 0.514 |

表4显示，所有获得的值均小于0.85，表明研究模型具有区分效度的证据。

4.2 研究模型分析
本节展示了根据提出的研究框架组织的结构模型分析结果。首先报告了TPB和TAM构念对信任和行为意图的直接影响，然后考察了信任的中介作用。假设检验结果和中介分析的结构反映了理论模型。

4.2.1 TPB和TAM构念的直接影响
表5总结了构念之间的直接关系。在TPB构念中，感知行为控制（β = 0.111, t = 2.058, p = 0.040）和主观规范（β = 0.237, t = 4.450, p < 0.001）对信任有显著的正面影响，而对行为的态度则没有（β = 0.038, t = 0.630, p = 0.529）。对于行为意图，只有对行为的态度显示出显著的直接影响（β = 0.537, t = 11.495, p < 0.001）。

表5
| 假设 | 测试的关系 | β | t | CI | LB (2.5%) | UB (97.5%) |
|-----------------|--------------|--------------|-----------------|-----------------|-----------------|
| H1a | 感知行为控制 → 信任 | 0.111 | 2.058 | 0.007 | 0.219 | 接受 |
| H1b | 主观规范 → 信任 | 0.237 | 4.450 | 0.000 | 0.135 | 接受 |
| H1c | 对行为的态度 → 信任 | 0.038 | 0.630 | 0.529 | ?0.082 | 拒绝 |
| H2a | 感知行为控制 → 行为意图 | ?0.033 | 0.883 | 0.377 | ?0.106 | 拒绝 |
| H2b | 主观规范 → 行为意图 | ?0.045 | 1.278 | 0.201 | ?0.115 | 拒绝 |
| H2c | 对行为的态度 → 行为意图 | 0.537 | 11.495 | 0.000 | 0.444 | 接受 |
| H3a | 感知有用性 → 信任 | 0.171 | 2.950 | 0.003 | 0.055 | 接受 |
| H3b | 感知易用性 → 信任 | 0.277 | 5.170 | 0.000 | 0.172 | 接受 |
| H4a | 感知有用性 → 行为意图 | 0.284 | 6.373 | 0.001 | 0.196 | 接受 |
| H4b | 感知易用性 → 行为意图 | 0.058 | 1.391 | 0.164 | ?0.023 | 拒绝 |
| H5 | 信任 → 行为意图 | 0.141 | 3.748 | 0.000 | 0.068 | 接受 |

在TAM框架内，感知有用性（β = 0.171, t = 2.950, p = 0.003）和感知易用性（β = 0.277, t = 5.170, p = 0.001）与信任显著相关。就行为意图而言，感知有用性有显著的直接影响（β = 0.284, t = 6.373, p = 0.001），而感知易用性则没有（β = 0.058, t = 1.391, p = 0.164）。最后，信任本身对行为意图有正面且统计上显著的影响（β = 0.141, t = 3.748, p = 0.001）。

4.2.2 信任的中介作用
为了评估信任的中介作用，进行了一系列间接效应分析。如表6所示，信任被发现能够调节主观规范与行为意图之间的关系（β = 0.033，t = 2.864，p = 0.004），以及感知有用性与行为意图之间的关系（β = 0.024，t = 2.357，p = 0.018），还有感知易用性与行为意图之间的关系（β = 0.039，t = 3.107，p = 0.002）。表6假设检验的关系β t p CI 结果LB（2.5%）UB（97.5%）H6a 感知行为控制 → 信任 → 行为意图 0.016 1.653 0.098 0.001 0.037 被拒绝H6b 主观规范 → 信任 → 行为意图 0.033 2.864 0.004 0.013 0.059 被接受H6c 对行为的态度 → 信任 → 行为意图 0.005 0.585 0.559 -0.012 0.026 被拒绝H7a 感知效用 → 信任 → 行为意图 0.024 2.357 0.018 0.007 0.047 被接受H7b 感知易用性 → 信任 → 行为意图 0.039 3.107 0.002 0.017 0.066 被接受调节分析结果。CI，置信区间；LB，下限；UB，上限。t统计量 ≥ ±1.96，p统计量 ≥ 0.05，当95%校正和加速（BCa）CI不包含零时，认为具有显著性。然而，信任的调节作用在感知行为控制（β = 0.016，t = 1.653，p = 0.098）或对行为的态度（β = 0.005，t = 0.585，p = 0.559）方面并未得到支持。这些发现表明，信任作为一个选择性调节器，主要通过反映外部便利性和社会影响的构念来发挥作用，而不是通过内在意愿或预先形成的态度。4.3 高阶结构的验证本研究采用了高阶成分和二阶构念方法来建模TPB和TAM等抽象构念。使用重复指标方法，从各自的一阶构念中推导出高阶构念，以便更全面地分析医生的行为。4.3.1 有效性和可靠性每个高阶构念都经过了内部一致性和收敛效度的测试。Cronbach's alpha（α）、CR和AVE的结果都在可接受的范围内：TPB（α = 0.560，CR = 0.773，AVE = 0.533），TAM（α = 0.552，CR = 0.817，AVE = 0.690），信任（α = 0.804，CR = 0.871，AVE = 0.629）和行为意图（α = 0.899，CR = 0.925，AVE = 0.713）。这些指标支持了测量模型的可靠性和收敛效度。4.3.2 区分效度Fornell-Larcker标准确认了区分效度，因为每个构念的AVE的平方根超过了它与其他构念的相关性。这表明这些构念在经验上是不同的，并且在一阶水平上建立的有效性在高阶水平上也得到了保持。4.4 结果总结4.4.1 假设检验结果总结表7展示了结构模型结果。TPB显著影响了信任和行为意图，而TAM对行为意图有显著影响，但对信任没有影响。信任对行为意图有显著影响（表8）。表7假设路径β t值 p值 结果H1 TPB → 信任 0.498 3.863 <0.001 被支持H2 TPB → 行为意图 0.599 4.800 <0.001 被支持H3 TAM → 信任 0.186 1.404 0.160 未得到支持H4 TAM → 行为意图 0.396 2.975 0.003 被支持H5 信任 → 行为意图 0.193 2.179 0.029 被支持结构模型假设检验结果。表8假设间接路径β p值 结果H6 TPB → 信任 → 行为意图 0.096 0.040 被支持（互补调节）H7 TAM → 信任 → 行为意图 -0.036 0.281 未得到支持调节分析结果。4.4.2 调节分析总结调节分析显示，信任显著调节了TPB和行为意图之间的关系。由于直接效应和间接效应都呈相同正方向，这表明了一种“互补调节”效应。然而，信任在TAM和行为意图之间的关系中的调节作用并未得到统计学上的支持。5 讨论人工智能技术在医疗保健领域的日益使用引发了医疗专业人员的担忧、犹豫和怀疑，关于其适用性，可能在将AI整合到医疗系统中带来各种挑战。本研究考察了决定医生接受和打算在临床实践中使用AI技术的因素。因此，本研究整合了TPB和TAM框架。此外，根据以往研究的指导，信任的作用被广泛分析为独立变量和调节变量。本研究的结果证实，TPB、TAM和信任对采用AI技术的行为意图有显著影响（H2、H4、H5）。这些结果与先前的研究一致（7、9、12、13、26、39、41–45）。此外，研究发现TPB对行为意图的影响比TAM和信任更强（β = 0.599 vs. 0.396 和 0.193）。同样，Choudhury等人在他们的研究中报告说TPB的预测能力比TAM更强（9）。Taylor和Todd在比较TAM和TPB以理解使用信息技术的倾向时，表明TPB提供了对行为意图的更全面解释（18）。另一方面，在一项分析125篇关于医疗保健服务技术接受度的研究中，AlQudah等人确定行为意图是最常用的评估因素（8）。研究表明，TAM及其子维度在医疗保健服务中起主导作用，而TPB及其组成部分作为重要的解释变量（8、26、41）。此外，还证实了信任和焦虑等因素也会影响医疗保健服务中的技术采用。本研究进一步表明，TPB、TAM和信任对行为意图有显著影响。本研究证实，TAM的核心组成部分，即感知易用性和感知有用性，对行为意图有显著影响。研究结果表明，用户采用技术的意图直接与其使用所需的努力和预期收益相关。文献强调感知有用性和易用性是技术接受的关键决定因素（6、16、46）。这些结果强调了使AI技术用户友好并整合激励元素以支持采用过程的重要性。研究表明，TAM及其子维度——特别是感知有用性和感知易用性——通常是医疗保健中技术采用的主要决定因素，而TPB及其组成部分对行为意图有显著的解释力（8、25、26、47）。另一方面，在研究TPB子维度——感知行为控制、主观规范和态度——对行为意图的影响时，只有态度被发现具有显著影响。这一发现与Rahman等人的研究结果一致（46），而Zhou和Hsieh的研究表明主观规范和感知行为控制也起作用（15、47）。同样，Hadadgar对医疗专业人员进行的研究表明，态度和感知行为控制是技术采用意图的关键决定因素（11）。在德国进行的一项研究中，Perlich等人确定态度是技术采用意图的最强预测因子（48）。研究结果表明，态度在医生采用AI技术中起着关键作用，强调了制定态度发展策略的必要性，以确保AI技术在医疗服务中的成功整合。本研究发现，感知行为控制和主观规范没有显著影响。尽管这些结果与原始的TPB模型和一些先前的研究（8、9）相矛盾，但它们与Sun和Zhang（49）以及Aljarboa和Miah（50）的研究结果一致。这表明技术提供者和医疗机构应制定策略来提高AI技术的接受度。为了更好地理解信任在AI采用中的作用，对其前因进行了研究。研究发现，主观规范、感知行为控制、感知有用性和感知易用性对信任有显著影响。用户的社会影响、他们的感知能力以及对技术便利性或收益的评估是信任形成的关键因素。Fan等人将技术采用中的信任前因定义为个人经验、技术感知和制度环境（20）。Hackman和Knowlden强调，个体倾向于遵循他们在社会环境中认为重要的人的意见，表明主观规范在信任形成中起直接作用（22）。同样，Li等人强调了社会影响对信任的影响，表明主观规范与信任之间存在直接关系（51）。特别是，知识或经验有限的个体倾向于基于他们认为可靠的人的意见来形成信任（52）。本研究支持主观规范对信任的影响，并表明医生会考虑同事和机构对AI技术的态度。此外，医生对这些技术的临床效益、减少工作量的潜力及其易用性的信念增强了他们的信任感。用户友好的设计可以加速采用并促进临床整合。研究特别发现，与其他变量相比，感知易用性对信任的影响最强（β = 0.277）。这可以解释为易于使用的技术在医生初次体验中留下了积极印象，并增加了长期采用的可能性。医疗专业人员可能比其他采用AI技术的用户对风险更敏感。因此，在接受新的医疗技术时，主要关注点不仅仅是提高工作表现，而是其对患者生活和健康的潜在影响。信任是决定个人愿意承担风险的基本因素；当感知风险较高时，个体更倾向于采用新技术。先前的研究表明，用户对收益和易用性的感知直接影响他们对技术的信任（9、20、21、53–55）。从医疗专业人员的角度来看，可以预期更高的预期收益将导致对AI技术的更强信任。在这种情况下，易用性和预期收益在信任形成中起着关键作用，而个体对技术的直接态度影响相对有限。研究结果表明，旨在提高信任的策略应围绕改善易用性和增强收益预期来制定，以便在医疗保健服务中成功整合AI技术。研究表明，TAM及其子维度——特别是感知有用性和感知易用性——通常是医疗保健中技术采用的主要决定因素，而TPB及其组成部分对行为意图有显著的解释力（8、25、26、47）。另一方面，在研究TPB子维度——感知行为控制、主观规范和态度——对行为意图的影响时，只有态度被发现具有显著影响。这一发现与Rahman等人的研究结果一致（46），而Zhou和Hsieh的研究表明主观规范和感知行为控制也起作用（15、47）。同样，Hadadgar对医疗专业人员进行的研究表明，态度和感知行为控制是技术采用意图的关键决定因素（11）。在德国进行的一项研究中，Perlich等人确定态度是技术采用意图的最强预测因子（48）。研究结果强调了态度在医生采用AI技术中的关键作用，突出了制定态度发展策略的必要性，以确保AI技术在医疗服务中的成功整合。本研究发现，感知行为控制和主观规范没有显著影响。尽管这些结果与原始的TPB模型和一些先前的研究（8、9）相矛盾，但它们与Sun和Zhang（49）以及Aljarboa和Miah（50）的研究结果一致。这表明技术提供者和医疗机构应制定策略来提高AI技术的接受度。为了更好地理解信任在AI采用中的作用，对其前因进行了研究。研究发现，主观规范、感知行为控制、感知有用性和感知易用性对信任有显著影响。用户的社会影响、他们的感知能力以及对技术便利性或收益的评估是信任形成的关键因素。Fan等人将技术采用中的信任前因定义为个人经验、技术感知和制度环境（20）。Hackman和Knowlden强调，个体倾向于遵循他们在社会环境中认为重要的人的意见，表明主观规范在信任形成中起直接作用（22）。同样，Li等人强调了社会影响对信任的影响，表明主观规范与信任之间存在直接关系（51）。特别是，知识或经验有限的个体倾向于基于他们认为可靠的人的意见来形成信任（52）。本研究支持主观规范对信任的影响，并表明医生会考虑同事和机构对AI技术的态度。此外，医生对这些技术的临床效益、减少工作量的潜力及其易用性的信念增强了他们的信任感。用户友好的设计可以加速采用并促进临床整合。研究特别发现，与其他变量相比，感知易用性对信任的影响最强（β = 0.277）。这可能是因为易于使用的技术在医生初次体验中留下了积极印象，并增加了长期采用的可能性。医疗专业人员可能比其他采用AI技术的用户对风险更敏感。因此，在接受新的医疗技术时，主要关注点不仅仅是提高工作表现，而是其对患者生活和健康的潜在影响。信任是决定个人愿意承担风险的基本因素；当感知风险较高时，个体更倾向于采用新技术。先前的研究表明，用户对收益和易用性的感知直接影响他们对技术的信任（9、20、21、53–55）。从医疗专业人员的角度来看，可以预期更高的预期收益将导致对AI技术的更强信任。在这种情况下，易用性和预期收益在信任形成中起着关键作用，而个体对技术的直接态度影响相对有限。研究结果表明，旨在提高医疗服务中AI技术采用的信任的策略应围绕改善易用性和增强收益预期来制定。在整个AI技术的开发、部署和使用过程中建立信任是实现其全部潜力的关键要求（55–57）。因此，信任在研究AI技术采用中被视为一个基本变量（49、50）。结果证实，信任与接受和使用AI技术的意图密切相关。本研究强调了通过纳入信任因素来扩展TAM和TPB的必要性，以提供更全面的AI技术采用框架。信任是人类与AI技术互动中的核心组成部分，不正确的信任水平是技术采用的重要障碍（7）。调节分析的结果表明，信任在感知行为控制、主观规范、感知有用性和感知易用性与行为意图之间的关系中起着显著的调节作用。这一发现与Fan等人关于医疗专业人员采用基于AI的诊断系统的研究结果一致（20）。同样，Choudhury等人也确定信任是努力预期、绩效预期和行为意图之间的关系中的调节变量（9）。鉴于努力预期对应于感知易用性，绩效预期对应于感知有用性，因此本研究与先前的发现是一致的。另一方面，研究发现信任消除了态度对行为意图的影响。这表明，在信任较高的情况下，个体的态度——无论是积极的还是消极的——不会显著影响他们的行为意图。换句话说，信任可能在塑造个体的行为意图方面比态度更具决定性。因此，感知行为控制、主观规范、感知有用性和感知易用性是通过信任影响行为意图的关键因素。根据Hair等人的调节分析分类，感知有用性表现出互补调节，而感知行为控制、主观规范和感知易用性仅表现出间接调节（28）。这意味着感知有用性可以直接影响行为意图，同时通过信任间接增强这种效应。相比之下，其他因素不直接影响行为意图，而只是通过信任或态度等调节变量来影响。此外，还发现信任调节了TPB和行为意图之间的关系，但在TAM和行为意图之间的关系中没有同样的效果。在这种情况下，优化信任和关注的水平是鼓励医疗专业人员采用AI技术的关键要求。具体来说，提高医疗专业人员对其在AI技术中的角色和责任的意识可能会增强他们的信任感。总之，信任是AI技术采用中的决定性因素，应制定策略来增强用户的信任，以确保这些技术的成功整合。研究结果证实，信任在TPB组成部分和行为意图之间起着关键作用。显著的间接效应（? = 0.096，p = 0.040）表明，社会影响和感知控制通过建立对AI系统的信任转化为实际的采用意图。相反，TAM构念缺乏显著的中介路径（H7）意味着当人工智能被认为非常有用且易于使用时，医生可能会直接产生采用它的意图，可能绕过了信任形成的阶段。这强调了虽然信任是社会驱动采用的关键因素，但人工智能设计中的功能性卓越可以独立地激发医生的接受度。在早期技术接受研究中也有类似的发现，即在经验较少的环境中，信任并不能独立预测采用行为（48, 49）。最后，文化或制度因素也可能起作用。在层级化的医疗系统中，关于技术使用的决策往往是由外部规定的，这可能会降低个人信任在塑造意图方面的作用。这些细微差别表明，随着系统成熟度和临床熟悉度的提高，信任在人工智能采用中的作用可能会发生变化。未来的研究应该考察不同医疗背景下信任的发展过程。

5.1 限制
本研究存在几个限制。首先，样本仅限于土耳其的医生，这可能会影响结果的普遍性。其次，电子问卷中没有提供人工智能技术的标准化定义或基线解释，这可能导致受访者对术语的理解存在差异。第三，该研究没有探讨人口统计因素或临床专业的影响，从而限制了对情境差异的深入理解。本研究的一个关键限制是未向参与者提供“人工智能技术”的标准化操作定义。鉴于人工智能在医疗领域的应用广泛且多样化，且问卷是电子分发的而没有额外说明，受访者可能会根据自身的经验来解释这一术语，这可能影响回答的一致性和有效性。

基于这些限制，提出了几个未来的研究方向。首先，为了解决概念上的不明确性，未来的研究应为参与者提供标准化且明确操作化的AI技术定义，以确保在不同医疗背景下的解释一致性。其次，由于本研究仅捕捉了土耳其早期采用阶段的快照，因此需要纵向研究设计来考察随着AI系统更多地融入临床工作流程，医生的信任和行为意图如何演变。第三，未来的研究应采用概率抽样或多国比较设计，以提高研究结果在不同医疗系统和文化中的普遍性。此外，纳入特定的临床专业和人口统计因素将有助于更细致地了解不同医学领域中的接受度差异。最后，除了定量模型外，还建议采用定性或混合方法来探索医生对人工智能技术形成信任和抵制的深层心理和伦理原因。

5.2 贡献
5.2.1 理论贡献
本研究通过将TAM和TPB整合到一个统一的框架中，为医疗领域的技术接受理论理解做出了贡献。与以往通常单独应用这些模型的研究不同，我们的研究表明了两者结合使用的互补优势。具体来说，TAM提供了关于系统相关信念的见解，而TPB则捕捉了采用的社会和行为决定因素。此外，引入信任作为中介变量是一个有意义的理论扩展。在之前的基于TAM/TPB的模型中，信任的作用尚未得到充分探索，特别是在临床决策中的人工智能采用背景下。我们的发现强调了信任在连接技术特征认知与行为意图之间的重要性，从而增强了现有模型的预测能力。此外，该研究通过考察中等收入国家（土耳其）的人工智能接受情况，丰富了相关文献，提供了具有文化特色的见解，这些见解可能对未来的跨国研究有所帮助。

5.2.2 实际意义
本研究的结果为旨在促进医生采用人工智能的医疗利益相关者提供了几个可行的建议。首先，信任对行为意图的强烈影响表明，医疗机构应通过透明沟通、伦理治理和基于证据的AI系统验证来优先建立信任。诸如临床演示、同行推荐和实际案例研究等举措可以提高信任感和安全感。其次，感知到的行为控制力和主观规范的重要性表明，培训计划必须超越基本技术技能，包括建立信心和角色模范。政策制定者和医院管理者还应制定正式指南，并将AI能力纳入持续专业发展计划中。最后，鉴于该模型在中等收入医疗环境中的实证相关性，这些发现为希望以社会和文化响应方式推进AI整合的类似医疗系统提供了路线图。

5.3 未来研究
未来的研究应在不同的医学专业、职业和国家中复制和扩展该模型。研究还可以测试特定信任建立干预措施的影响，并评估长期采用模式。从设计角度来看，开发者应注重提高透明度和临床相关性以增强信任。另一个可以考虑在未来的研究中使用的理论框架是UTAUT。UTAUT将TAM、TPB和其他接受模型的关键元素整合到一个综合框架中，并已在技术接受研究中得到广泛应用（10）。未来的研究可以应用基于UTAUT的模型，将其解释能力与本研究中使用的整合TAM–TPB–信任模型进行比较，从而进一步了解医生对人工智能技术的采用情况。

6 结论
本研究提供了关于医生在临床环境中采用人工智能的行为机制的重要见解。它证实了TPB和TAM都是该领域有效的框架，其中TPB表现出更强的预测能力。信任被证明是一个关键决定因素，显著中介了TPB各组成部分对行为意图的影响，这突显了建立对AI系统的信心以促进医生采用的必要性。结果表明，整合策略应优先考虑易用性、感知有用性和机构支持，以培养医生的积极态度和信任。