成人对人工智能的正向与负向态度与电子健康饮食素养：一项偏最小二乘结构方程模型研究

《Nutrients》：Positive and Negative Attitudes Toward Artificial Intelligence and E-Healthy Diet Literacy Among Adults: A Partial Least Squares Structural Equation Modeling Study

　　

背景/目的：本研究旨在考察成人中电子健康饮食素养（e-HDL）与对人工智能（AI）总体态度之间的关联。方法：本横断面研究纳入610名19–64岁成人。数据通过面对面访谈使用问卷收集，问卷含五个部分：社会人口学特征、数字营养信息实践、营养与膳食学中AI使用、电子健康饮食素养问卷（e-HDLQ）、人工智能总体态度量表（GAAIS）。研究人员进行了描述统计、效度与信度分析、相关分析以及偏最小二乘结构方程模型（PLS-SEM）。统计学显著性水平设为 p < 0.05。结果：受试者平均年龄33.07 ± 11.36岁，50.8%为女性。测量模型显示信度与聚合效度可接受。结构模型分析显示，对AI的正向态度与e-HDL正相关（β = 0.243，p < 0.001），对AI的负向态度与e-HDL负相关（β = ?0.232，p < 0.001）。在e-HDLQ维度中，寻找电子健康饮食信息的载荷最强（β = 0.844），其后依次为应用电子健康饮食信息（β = 0.641）、数字健康饮食素养（β = 0.636）、判断电子健康饮食信息（β = 0.308）、理解电子健康饮食信息（β = 0.277）。正向与负向AI态度共同解释e-HDL变异的12.2%（R2 = 0.122），说明解释力适中但有限。结论：成人中对AI的正向与负向态度均与e-HDL独立相关。尽管解释方差有限，AI态度可能代表与数字营养素养相关的若干因素之一，值得未来研究进一步探讨。

研究背景方面，维持充足均衡膳食不仅依赖营养知识，还依赖获取、理解、评价和践行知识的能力。随着健康与营养信息线上化，电子健康饮食素养（e-HDL，即个体查找、理解、评价并应用电子来源健康饮食信息的能力）变得重要；同时线上营养信息质量参差，误信息风险上升。人工智能（AI）在健康场景用于诊断支持、监测、临床决策和个性化服务，生成式AI与大语言模型也开始进入个性化营养推荐。技术接受模型（TAM）与统一技术接受与使用理论（UTAUT）提示，个体对AI的评价会影响其使用数字平台与AI支持信息的意愿：正向态度可能促进参与，负向态度可能带来谨慎或回避。既有两项横断面研究用单维短表（AIAS-4）发现数字/e-HDL越高、对AI总体态度越积极，但未能区分正向评价与风险担忧。因此，研究人员在《Nutrients》发表本研究，将正向与负向AI态度作为不同构念，考察其与成人e-HDL的关系，并检验潜在中介与调节路径。

主要技术方法上，研究人员在土耳其K?r?kkale于2025年11—12月用便利抽样招募610名19–64岁成人，排除身体/认知障碍、文盲、妊娠哺乳、营养师及营养与膳食学本科生。用五部分问卷采集社会人口学、数字营养信息实践、营养领域AI使用、e-HDLQ与GAAIS数据；BMI由自评身高体重计算。样本量经G*Power按功效85%、α=0.05估算至少445人。统计用SPSS 25、Databeeg 1.0与SmartPLS 4：先用量表信度（Cronbach’s α、rho_A、组合信度CR、平均方差提取AVE）、判别效度（Fornell–Larcker、异质-单质比HTMT）评估测量模型；再用PLS-SEM估标准路径系数、R²、效应量f²、预测相关性Q²；并用PROCESS Macro模型4做BMI与患病人数中介、模型1做接受AI饮食方案与信任AI信息准确性的调节。

1. 3.
   Results
   研究人员报告610人平均33.1 ± 11.4岁，50.8%女性，60.0%大学毕业，平均BMI 25.3 ± 5.3 kg/m²，总e-HDL均分45.0 ± 6.8；Positive GAAIS均分39.6 ± 10.2，Negative GAAIS均分16.2 ± 4.4。数字实践上，87.3%至少重视线上信息科学可信度，55.4%关注平台营养师，72.0%对营养领域AI应用了解很少，59.3%信任AI生成健康营养信息但仅34.4%愿执行AI饮食方案。相关分析显示总e-HDL与Positive GAAIS正相关（r = 0.222）、与Negative GAAIS负相关（r = ?0.165）；年龄与理解e-HDL、BMI正相关，与正负向GAAIS负相关；两GAAIS子量表互不相关（r = ?0.018）。测量模型α为0.670–0.914、rho_A为0.701–0.915、CR为0.771–0.917、AVE为0.418–0.811，项目载荷0.423–0.913；删去负向子量表3个低载荷项（13、14、16）后留17项（12正+5负）。HTMT为0.096–0.610，VIF为1.263–2.853，无共线问题。结构模型中Positive GAAIS→e-HDL为β = 0.243、Negative GAAIS→e-HDL为β = ?0.232；e-HDL各维度中寻找信息载荷最高（β = 0.844，R²=0.712），其后应用（β=0.641，R²=0.411）、数字健康饮食素养（β=0.636，R²=0.405）、判断（β=0.308，R²=0.095）、理解（β=0.277，R²=0.077）。模型R²=0.122、调整R²=0.120、Q²=0.109，正负向态度f²为0.061与0.067，属小效应。中介分析显示BMI与患病人数对正AI态度→e-HDL无显著间接效应；调节分析显示接受AI饮食方案、信任AI信息准确性均未显著调节正AI态度与e-HDL关系。
2. 4.
   Discussion
   研究人员讨论称，本研究价值在于同时建模正向与负向AI态度，显示更积极态度伴更高e-HDL、更消极态度伴更低e-HDL，但AI态度仅解释12.2%方差，说明其只是数字营养素养多因素之一。与既往用单维AI态度量表研究相比，本研究区分了“认可收益”和“担忧风险”两个维度，且Positive与Negative GAAIS不相关，符合GAAIS双因子设计。Judging维度与正向AI态度相关较强，可能源于评价能力高者更自信评估AI内容，但横断面不能定方向。信任与接受是不同于总体态度的构念：信任关乎输出准确可靠，接受关乎对具体推荐的执行意愿；本研究中二者未起调节作用，不代表无关，可能因单题、全局测量掩盖了数据安全性、专业胜任、科学准确性、可用性等维度。BMI与患病数中介不显著，因疾病仅分有无，未捕获类型、严重度、时长与管理需求；德国老年数字健康素养研究仅作背景参照，不能直接外推e-HDL。作者指出实践含义：营养教育不应把“喜欢AI”等同于“会批判评价AI营养信息”，应把数字营养信息评价与AI局限、专业复核一起教。局限包括横断面无因果、自报偏倚、单城便利抽样、排除营养专业者、e-HDLQ理解子量表α=0.670与数字素养AVE=0.418接近阈值、AI态度会随技术演进变化。
3. 5.
   Conclusions
   研究人员结论为：对AI的正向态度与e-HDL正相关，负向态度与e-HDL负相关；模型仅解释e-HDL方差12.2%，表明AI态度是e-HDL相关因素之一而非主导因素。探索性中介中BMI与确诊疾病数无显著间接效应；对AI生成营养信息之信任、接受AI生成饮食方案均未显著调节正向AI态度与e-HDL的关联。描述上，信任AI健康营养信息者多于愿意接受AI饮食方案者，可能反映更接受AI作信息源、较不接受其作个性化饮食提供方。需纵向与干预研究厘清时序关系并判断关联可否被干预改变。