《Behaviour & Information Technology》：Are chatbots acceptable in mental health promotion and care? A cross-sectional study of mental healthcare professionals
编辑推荐：
尽管聊天机器人(chatbot)在心理健康领域应用日益增多，芬兰专业人员对其看法仍属未知。本研究为交叉性研究(n=784)，采用改良版统一技术接受与使用理论(Unified Theory of Acceptance and Use of Technology,
尽管聊天机器人(chatbot)在心理健康领域应用日益增多，芬兰专业人员对其看法仍属未知。本研究为交叉性研究(n=784)，采用改良版统一技术接受与使用理论(Unified Theory of Acceptance and Use of Technology, UTAUT)模型，探讨专业人员对聊天机器人的感知及其向客户或患者推荐的意愿。数据经非概率抽样收集，运用验证性因子分析(confirmatory factor analysis)、多项逻辑回归(multinomial logistic regression)与描述性统计进行分析。未来五年内，51%受访者不太可能或非常不可能推荐聊天机器人，49%则较可能或非常可能推荐。聊天机器人感知潜力(perceived potential)与推荐意愿强相关(p<0.001)。促成条件(facilitating conditions，即用户技能、设备可用性)较高(p=0.003)及年龄较大(B=0.051, p=0.004)提升推荐意愿，年龄效应集中于“较可能”类别。感知风险在所有结果类别中均显著阻碍推荐意愿(p=0.010至<0.001)。可理解性(72%)与专业性(69%)被视为最重要特征。聊天机器人尤适于辅助任务如发送提醒(77%)和指导练习(70%)。心理健康专业人员需接受有关聊天机器人益处、风险及底层技术的培训。在敏感的心理健康情境中，聊天机器人角色应明确界定，支持其部署于辅助性、低风险任务。
研究背景与问题提出
全球逾十亿人罹患心理健康问题，抑郁与焦虑占三分之二以上，治疗缺口显著：中低收入国家重度患者未治疗率76%–85%，高收入国家达35%–50%。即便在高收入国家，仅33%重性抑郁障碍患者获得照护。持续的治疗缺口与数字技术快速发展，推动数字服务补充传统供给。世界卫生组织已认可数字技术在适宜时支持服务递送的潜力。聊天机器人作为自主计算机程序，可基于决策树或生成式人工智能(generative artificial intelligence)与用户交流，近年在心理健康领域快速渗透，商业产品如Wysa、Youper及通用大语言模型(large language model, LLM)亦被用于心理目的。然而，医疗专业人员对聊天机器人的态度存在分歧，既往研究报告的推荐意愿从44%到80%不等，且芬兰心理健康专业人员的具体感知尚缺实证。专业人员数字胜任力(eHealth literacy)与对技术信任影响接纳，但在敏感精神心理情境中，聊天机器人角色界定、风险管控与设计选择尤为关键。为此，研究人员开展此项交叉性调查，探究芬兰心理健康专业人员对聊天机器人特征、用例及推荐意愿的感知，以改良UTAUT模型解释“推荐意图”而非“自用意图”。
研究开展与发表情况
研究人员于2023年11月至2024年5月，通过Webropol问卷对芬兰21个福祉服务县及区域服务提供者的心理健康专业人员（注册护士、医生、心理学家、社工等，服务成人患者）进行抽样，获有效样本n=784（约占目标群体14%）。问卷基于UTAUT及Palanica、Sweeney等既往条目改编，经两轮预测试修订，芬兰语实施。论文发表于《Behaviour 》。
主要技术方法（≤250字）
研究人员采用交叉性调查设计，非概率抽样招募芬兰福祉服务县心理健康专业人员，样本队列来源于21个区域服务系统。运用改良UTAUT框架，将绩效期望替换为“感知潜力(perceived potential, PP)”，促成条件自患者视角评估。测量模型以验证性因子分析(confirmatory factor analysis, CFA)检验，最大似然估计配合2000次bootstrap处理非正态；结构模型以多项逻辑回归(multinomial logistic regression)分析推荐意愿（参考类“非常不可能”），含二次多项式项与年龄交互，1000次bootstrap估计；缺失值以完全条件指定多重插补（5套）。拟合指标取SRMR≤0.080、RMSEA≤0.060、TLI≥0.95、CFI≥0.95。
研究结果
3.1 参与者
784名专业人员来自芬兰21个区域，护士占比最高，80%无心理健康聊天机器人个人使用经验。
3.2 描述性数据
51%受访者未来五年不太可能推荐，49%较可能推荐；47%认同存在风险。
3.3 验证性因子分析：测量模型评价
KMO=0.818，Bartlett检验<0.001；删去社会影响单题后CFA拟合良好(SRMR=0.0396, RMSEA=0.052, TLI=0.959, CFI=0.973)，各因子Cronbach’s α 0.770–0.869，AVE 0.545–0.711，CR 0.781–0.877，判别效度HTMT 0.30–0.68，两题因子Spearman-Brown 0.799与0.814。
3.4 多项逻辑回归：诊断与模型拟合
VIF 1.016–2.692，Durbin-Watson 2.002；感知潜力、社会影响、促成条件需加二次项；最终模型含PP、社会影响、促成条件、努力期望(effort expectancy, EE)及二次项、感知风险、年龄及PP×年龄交互。模型较零模型χ2(30)=625.1, p<0.001，正确分类率62.6%。
3.5 主要结果
推荐意愿呈两极分化。感知潜力是最强预测因子(?2LL差215.2, p<0.001)，高PP时正向推荐概率79%；促成条件次之(p=0.003)；年龄增大微升“较可能”类(B=0.051, p=0.004)，但削弱PP正向效应。感知风险全面抑制推荐（B=?0.349至?0.776, p≤0.010）。特征端，可理解性(72%)、专业性(69%)居首；用例端，服药提醒(77%)、练习指导(70%)、背景信息收集(67%)、监测(64%)最受认可。
讨论部分总结
研究人员指出，芬兰专业人员推荐意愿约半数正负分化，低于Sweeney等报告80%，可能因样本含重症患者、生成式AI时代经验不足。感知潜力（以患者获益为中心）主导推荐，符合UTAUT绩效期望逻辑但角色转换为“推荐者”。风险感知涵盖隐私、危机处理缺陷、LLM模糊内外对话边界等，须在设计端缓释。年龄正向效应集中于温和推荐类，反映资深人员谨慎乐观。特征与用例偏好指向任务导向、低风险的辅助角色。改良UTAUT解释推荐意图可行但非原模型直译。局限含抽样偏差、护士为主、单题风险、未分规则/生成式类型。实践上需提供循证培训与透明风险沟通，明确聊天机器人定位于提醒、导航、心理教育等辅助环节。
结论部分翻译
本研究探讨了芬兰心理健康专业人员对聊天机器人在心理健康促进与照护中使用的感知。结果发现，感知潜力在塑造推荐意愿中起关键作用，而感知风险构成障碍。分化立场表明聊天机器人潜力被认可同时存在显著顾虑。专业人员强调任务导向聊天机器人特征，认为其在辅助性用途——包括治疗支持（如提醒与练习指导）、信息收集与服务导航——中最具价值。本研究整合专业人员视角，为心理健康聊天机器人设计与实施提供依据。
