《Frontiers in Public Health》：Trusting and staying with AI doctors: cognitive and emotional pathways driving continuance intention toward AI healthcare chatbots
编辑推荐：
摘要
引言：AI驱动的医疗聊天机器人在医疗保健领域的应用日益广泛，然而用户持续参与其背后的机制仍不明确。本研究考察AI使用如何通过认知信任和情感依恋影响持续使用意愿，以及技术焦虑是否对这些路径产生差异性调节作用。
方法：数据收集自中国233名AI医疗服务用
摘要
引言：AI驱动的医疗聊天机器人在医疗保健领域的应用日益广泛，然而用户持续参与其背后的机制仍不明确。本研究考察AI使用如何通过认知信任和情感依恋影响持续使用意愿，以及技术焦虑是否对这些路径产生差异性调节作用。
方法：数据收集自中国233名AI医疗服务用户。采用偏最小二乘结构方程模型（PLS-SEM）和自助法（bootstrapping），使用SmartPLS 4.0软件对提出的模型进行检验。
结果：AI使用对认知信任和情感依恋均产生显著正向影响，进而增强持续使用意愿。这两种机制均在AI使用与持续使用意愿之间发挥显著中介作用，其中情感依恋表现出更强的中介效应。技术焦虑显著调节AI使用与认知信任之间的关系，但对AI使用与情感依恋之间的关系无显著调节作用，揭示了一种不对称的调节模式。
讨论：本研究通过揭示连接AI使用与持续使用意愿的双重认知与情感路径，拓展了认知-情感加工理论。研究进一步识别出技术焦虑作为一种边界条件，选择性地塑造认知路径，而对情感路径的影响相对有限。研究结果为设计对焦虑敏感的AI医疗服务和差异化的用户参与策略提供了启示。
基于认知-情感双路径的AI医疗聊天机器人持续使用意愿研究：论文解读
**1. 研究背景与问题提出**
人工智能（AI）驱动的医疗聊天机器人，通常被称为AI医生，已成为现代医疗保健领域的变革性工具，为用户提供便捷、即时的健康信息和诊断建议。全球AI医疗市场预计到2030年将达到1880亿美元，然而AI医疗聊天机器的用户留存率并不理想，约40%的用户在初次试用后停止使用。尽管已有研究广泛运用技术接受模型（TAM）和期望确认理论（ECT）等认知导向的理论框架来考察技术接受与持续使用行为，但这些框架主要强调有用性和满意度的理性评估，往往忽视了人机互动中的情感维度。与主要充当信息传递系统的传统医疗技术不同，AI医疗聊天机器人同时具备信息性和关系性特征：一方面，用户需要认知评估系统的能力、准确性和可靠性；另一方面，对话界面、即时反馈和个性化互动营造了社会临场感和情感体验，促使用户与AI系统建立情感联系。然而，现有文献大多将信任视为单一维度构念，尚未系统区分认知信任（基于能力的理性评估）和情感依恋（基于情感的关系纽带）作为独立的中介机制。此外，技术焦虑虽已被认定为初始技术采用的障碍，但其如何差异化地影响维持持续使用的心理过程，特别是对认知和情感路径是否产生不同的调节效应，仍缺乏实证检验。基于认知-情感加工理论，本研究旨在回答两个研究问题：AI使用如何通过认知信任和情感依恋的双重中介作用于持续使用意愿？技术焦虑是否差异化地调节AI使用与这两条中介路径之间的关系？
**2. 研究方法与关键技术**
研究人员采用问卷调查方法收集数据，样本来自中国233名AI医疗聊天机器人实际用户。数据收集通过中国专业在线调查平台完成，该平台具备身份验证和反欺诈模型等数据质量控制机制。测量工具方面，所有构念均采用7点李克特量表（1=“非常不同意”至7=“非常同意”），其中AI医生使用（AU）改编自Dwivedi等人和Meuter等人的量表，技术焦虑（TA）改编自Meuter等人和Tarafdar等人的量表，认知信任（CT）改编自McKnight等人和Shang等人的量表，情感依恋（EA）改编自Kasturiratna和Hartanto以及Cheng和Yu的量表，持续使用意愿（CUI）改编自Bhattacherjee和Venkatesh等人的量表。数据分析采用SmartPLS 4.0软件进行偏最小二乘结构方程模型（PLS-SEM）分析，并通过自助法（5,000次重抽样）检验中介效应和调节效应。样本特征显示，学生占67.38%，18-30岁年龄组占68.67%，本科及以上学历占79.44%。
**3. 研究结果**
**3.1 测量模型评估**
研究人员使用Cronbach's alpha、组合信度（CR）和平均方差提取量（AVE）评估信度与效度。所有构念的Cronbach's alpha值介于0.784至0.892之间，CR值介于0.859至0.925之间，AVE值介于0.605至0.756之间，均超过推荐阈值。所有因子载荷均高于0.7（p < 0.01），各构念AVE平方根均大于其与其他构念的相关系数，异质-单质比率（HTMT）矩阵所有值均低于0.90的保守阈值，确认了良好的判别效度。Harman单因子检验显示最大协方差为47.948%，低于50%临界值；完全共线性方差膨胀因子（VIF）值介于1.273至2.137之间，均低于3.3的保守阈值，表明共同方法偏差不构成严重问题。标准化残差均方根（SRMR）值为0.064，低于0.08的建议值，表明模型拟合良好。Stone-Geisser Q2值均大于零，表明模型具有预测相关性。
**3.2 结构模型与假设检验**
结构模型分析结果显示，AI医生使用对认知信任（β = 0.541, p < 0.001）和情感依恋（β = 0.461, p < 0.001）均有显著正向影响，支持假设H1和H2。认知信任对持续使用意愿产生显著正向影响（β = 0.293, p < 0.001），支持假设H3；情感依恋对持续使用意愿的影响更强（β = 0.409, p < 0.001），支持假设H4。效应量分析显示，AI使用对认知信任（f2 = 0.308）和情感依恋（f2 = 0.246）均具有中等效应。
**3.3 中介效应分析**
采用自助法（5,000次重抽样）和95%置信区间检验中介效应。结果表明，认知信任在AI使用与持续使用意愿之间发挥部分中介作用（间接效应 = 0.221, CI [0.109, 0.361]），情感依恋同样发挥部分中介作用（间接效应 = 0.275, CI [0.158, 0.406]）。两条中介路径均显著，其中情感依恋的中介效应大于认知信任，表明情感路径在解释AI使用对持续使用意愿的影响中具有更强的作用力。
**3.4 调节效应分析**
采用PLS-SEM框架中的乘积指标法和SmartPLS 4.0两阶段方法检验技术焦虑的调节作用。结果显示，技术焦虑对AI使用与认知信任之间的关系具有显著负向调节作用（β = ?0.131, t = 2.319, p < 0.05），即随着技术焦虑水平升高，AI使用对认知信任的正向效应减弱，支持假设H5。然而，技术焦虑对AI使用与情感依恋之间关系的调节作用不显著（β = 0.023, t = 0.398, p > 0.05），假设H6未获支持。这一不对称调节模式表明，技术焦虑主要干扰需要审慎分析加工的认知评估过程，而对相对自动化的情感联结形成影响有限。
**4. 研究讨论与结论**
在理论贡献方面，本研究首先将认知-情感加工理论拓展至AI医疗服务情境，构建了包含认知信任和情感依恋双中介的统一模型，揭示了情感依恋比认知信任对持续使用意愿具有更强的影响，挑战了传统理论对认知评估的侧重。其次，研究区分了认知信任与情感依恋作为独立中介机制，实证表明两者在AI使用与持续使用意愿之间既互补又差异化，其中情感路径携带了更大的间接效应，且在高焦虑条件下，通过情感依恋的特定间接路径仍保持稳健，显示了情感机制的韧性。第三，研究识别出技术焦虑作为关键边界条件，其选择性削弱认知路径而对情感路径影响有限，这一不对称调节模式为理解用户疑虑如何差异化塑造AI医疗服务的持续参与提供了更细致的理论解释。
研究结论部分指出，AI使用对认知信任和情感依恋均有显著正向影响，两者均能增强持续使用意愿；情感依恋的中介效应强于认知信任；技术焦虑显著调节认知路径但不对情感路径产生显著调节。研究人员还提出“情感韧性”（affective resilience）这一高阶理论命题，即用户与AI医生之间形成的情感纽带对技术引发的负面情绪具有抵抗性，当认知信任因高技术焦虑受损时，情感依恋可部分补偿以维持持续使用意愿，暗示认知与情感路径之间存在潜在的替代效应。
在实践意义方面，研究建议医疗保健组织和系统设计者应双管齐下：一方面通过增强AI医疗服务的透明度、可靠性和可解释性来强化认知信任路径；另一方面通过在交互界面融入共情式对话风格、基于交互历史的个性化回应和温暖拟人化沟通语调等情感元素来激活情感依恋路径。鉴于情感依恋对持续使用意愿的总效应强于认知信任，在健康相关情境中培育用户与AI系统之间的情感联结可能比单纯优化系统功能更为关键。针对技术焦虑的差异化调节作用，研究建议对高焦虑用户提供简化界面、引导式教程、实时援助和人工验证机制等焦虑缓解措施，而对低焦虑用户则侧重关系增强策略，如个性化推荐、对话连续性和情感支持性沟通。此外，研究也警示了过度情感依赖可能引发的伦理问题，建议AI医疗服务提供商设计相应机制以确保情感依恋支持而非损害负责任的医疗使用行为。
