通过双路径信任机制理解用户对AI医疗对话式代理的接受度：基于HSM模型的实证研究

《International Journal of Industrial Ergonomics》：Understanding user acceptance of AI medical conversational agents through dual-path trust mechanisms: An empirical study based on the HSM model

　　•提出了一种针对AI医疗对话代理的双路径信任模型。•整合用户特征和AI属性以预测接受度和意图。•使用PLS-SEM对中国和澳门的491名公众用户验证该模型。•情感和认知信任在通往接受度和意图的路径中起到中介作用。•总体接受度是使用意图的最大驱动力。

引言
近年来，大数据、生成式人工智能（AI）和大型语言模型的快速发展加速了对话代理在日常生活中的广泛整合，并继续重塑人们获取信息和服务的方式（Zhao等人，2025；Montenegro等人，2019）。在医疗保健领域，AI医疗对话代理（AIMCAs）越来越多地被用于前端服务，如症状查询、健康咨询和自我管理支持，具有提高医疗保健服务可访问性和效率的潜力（Milne-Ives等人，2020；Jin等人，2025）。在本研究中，AIMCAs指的是嵌入在移动应用程序或基于网络的医疗保健服务中的对话健康支持系统，旨在供公众使用。它们的主要互动方式是通过聊天界面进行文本对话，系统通过后续问题收集关于用户症状和情境的信息，并为非紧急情况提供健康建议和信息支持。在本研究的功能范围内，AIMCAs主要包括：（1）症状收集和澄清；（2）分诊及后续行动建议，例如自我护理或寻求医疗咨询；（3）健康信息检索，包括与药物、医学检查和一般健康问题相关的信息；（4）基本健康管理支持，例如提醒和个性化建议。它们的一个核心功能是从公众的角度提供在线移动健康咨询和智能指导，从而提供了一种改善医疗专业人员和患者之间沟通的新方式（Nadarzynski等人，2019）。目前全球有多种AIMCAs，包括中国的平安好医生（PAGD）、迅飞小义（XFH）和左医生，美国的Woebot以及英国的Babylon。这些系统可以帮助医疗专业人员提供以患者为中心的护理。同时，中国许多公司正致力于优化用户与AIMCAs之间的互动，以吸引更广泛的用户群体（Y. Liu等人，2022）。然而，AI代理展现出的日益增强的智能从根本上改变了人们形成信任的机制（Zhao等人，2025）。鉴于医疗保健环境中的高风险和不确定性，公众是否认为AIMCAs值得信赖和可接受，以及这些看法是否转化为持续的使用行为，已成为工业人体工程学和人为因素研究中的关键问题。从工业人体工程学和人为因素的角度来看，AIMCAs本质上是为公众用户设计的智能决策支持和人机协作系统。在高风险和高度不确定的医疗保健任务中，用户的信任和采纳受到多种人为因素的影响，包括AI能力、用户熟练度、交互反馈、信息呈现和认知工作负荷。最近关于人机协作的研究表明，用户熟练度和AI代理能力共同影响用户对AI的响应、信心和依赖（Peng等人，2024）；个体AI熟练度和对代理的理解影响用户信任、感知拟人化和心理工作负荷（Yu等人，2025）；多模态反馈可以改善人机交互中的感知对齐和情境意识（Wu等人，2025）。此外，AI建议中的信息精确度和数量分别通过认知努力和情感线索影响用户对AI的信任及其依赖决策（Zhang等人，2025）。更多最新证据表明，在高风险的机器人与人协作决策中，个体对自身与AI的相对信心可以有效预测信任决策，为理解智能决策支持系统中的信任校准和适当依赖提供了新的实证支持（Song等人，2026）。尽管AIMCAs具有巨大的潜力，但其发展仍处于早期阶段。现有研究表明，公众对医疗AI仍表现出犹豫和抗拒，导致接受度相对较低（Jin等人，2025；Esmaeilzadeh等人，2021）。用户接受度被视为AI技术采用的基本决定因素（Alkan等人，2023）；然而，在医疗AI背景下，这一方面受到的关注有限（Calisto等人，2022）。Hasan等人（2021）认为，信任在帮助个人接受和使用新技术方面起着关键作用。它也是帮助用户克服疑虑和恐惧的重要因素，从而促进AI技术的采纳。先前的研究为人们对AI技术的信任和接受提供了宝贵的见解。然而，有三个关键空白需要进一步研究。首先，从理论角度来看，许多研究依赖于传统的技术采纳框架，如TAM和UTAUT。这些框架最初并不是为AI技术开发的，因此在解释由AI环境中的不透明性和风险所塑造的信任建立机制方面解释能力有限（Zhao等人，2025；Choung等人，2023）。其次，在研究情境和目标用户方面，现有的关于AI信任的研究主要集中在教育、电子商务和旅行等一般应用领域，而对于针对医疗保健的对话AI（尤其是AIMCAs）的系统化研究仍然相对不足（Shi等人，2021）。此外，关于医疗AI的信任研究往往集中在医疗专业人员的决策上（Liu等人，2022；Liu等人，2022），而忽视了公众的角度。然而，AIMCAs的大规模普及在很大程度上依赖于最终用户的接受度和持续使用（Sagona等人，2025）。第三，以往的研究倾向于分别建模AI技术特征或用户特征（Y. Xu等人，2020；Patrizi等人，2024；Arachchi和Samarasinghe，2024），这使得对信任驱动因素的系统解释变得碎片化。换句话说，单一方面的事前因素不够全面，因此无法充分解释驱动用户信任的力量。在高风险医疗服务背景下，信任事前因素的多维度性尤为重要（Cai等人，2024）。同时，医疗AI的接受还涉及与风险和隐私相关的权衡。AIMCAs通常需要用户披露敏感信息，包括症状、用药情况、医疗历史和健康管理需求。用户对数据收集、二次使用、泄露、滥用以及错误建议后果的感知可能影响他们对系统可信度和可接受性的判断。隐私计算理论表明，用户在采用数字服务时通常会权衡感知到的好处和隐私风险（Smith等人，2011）。在智能医疗服务背景下，个性化、隐私损失、信任和拟人化也可能共同影响公众的接受度（K. Liu和Tao，2022）。因此，风险和隐私问题可以被视为AIMCAs接受机制中的重要边界条件。鉴于本研究的核心目标是解释促进信任形成的双路径机制，感知风险和隐私问题被作为理论边界和未来扩展的方向进行讨论，并将在后续研究中的模型测试中进一步纳入。

为了弥补这些研究空白，本研究将AIMCAs置于人为因素工程和人机协作的视角下，专注于一个核心问题：公众用户如何在AIMCAs的背景下形成信任、总体接受度和行为意图。具体来说，本研究整合了启发式-系统模型（HSM）和二维信任理论，基于“双路径信任机制”开发并测试了一个面向公众用户的AIMCA接受模型。该模型将信任形成概念化为两条互补的路径。启发式路径强调体验和情感线索，主要影响情感信任；而系统路径强调基于证据和能力的评估，主要影响认知信任。在此基础上，本研究进一步探讨了情感信任和认知信任如何影响总体接受度和行为意图。使用PLS-SEM基于从中国大陆和澳门收集的491份问卷回应对提出的模型进行了实证测试。

本研究的主要贡献有三方面。首先，本研究将HSM扩展到面向公众的医疗对话AI的背景下，并提出了“双路径信任机制”，从而更清晰地解释了不同类型的线索如何塑造用户信任。其次，本研究区分了情感信任和认知信任，揭示了它们在AIMCA接受机制中的不同作用，并进一步解释了总体接受度在信任转化为行为意图过程中的桥梁作用。第三，通过整合用户方面的因素和可控的AIMCAs线索，本研究为高风险医疗AI环境中的信任校准、适当依赖和人为因素设计提供了基于过程的解释和实际意义。

本文的其余部分安排如下。第2节介绍了理论背景并发展了研究假设。第3节描述了研究设计和方法。第4节展示了实证结果。第5节讨论了发现、理论贡献、实际意义和局限性。第6节总结了本文。

### 理论和假设发展
医疗对话代理越来越多地支持症状澄清、健康咨询、分诊指导、信息检索和健康管理任务（Bin Sawad等人，2022）。大型语言模型和人工智能的进步增强了它们的对话能力、自主性和医疗推理能力（Xi等人，2025）。本研究重点关注面向公众的、基于文本的AIMCAs，这些代理服务于普通用户的常规健康咨询和管理。

### 研究设计
本研究采用了观察性横断面设计，以考察参与者在接触标准化AIMCA场景材料后的初始信任、总体接受度和行为意图之间的结构关系。数据收集于2025年5月至7月期间。问卷通过Wenjuanxing平台进行目的性抽样分发。在回答核心测量项目之前，所有参与者首先阅读了研究信息。

### 参与者的人口统计特征
共收集了530份问卷回应。根据上述预先指定的筛选规则移除了低质量回应后，491份回应符合质量控制标准并被纳入最终分析，保留率为92.6%。参与者的统计特征如表1所示。男性参与者占样本的52.3%，女性参与者占47.7%，表明性别分布平衡。

### 讨论
信任在公众接受AI支持的医疗保健服务中起着不可或缺的作用（K. Liu和Tao，2022）。此外，由于这些服务复杂但设计用于大众使用，建立和维护消费者信任对于促进用户参与和接受至关重要（Smith等人，2011）。因此，从结合启发式-系统模型和信任理论的综合视角出发，本研究提出了并实证测试了一个面向公众的AIMCA接受模型。

### 结论
人工智能的出现使得智能医疗服务的广泛应用成为可能，并催生了高度专业化的AI医疗对话代理（AIMCAs）。AIMCAs的迅速普及将医疗保健服务推向了以代理为中心的人机协作新阶段。这一转变不仅重塑了诊断、治疗和健康管理的组织方式，还引发了关于用户信任的系统性问题。

### CRediT作者贡献声明
Wumin Ouyang：撰写——审阅与编辑、撰写——初稿、可视化、方法论、调查、正式分析、数据整理、概念化。
Yong Han：撰写——审阅与编辑、验证、方法论、调查、正式分析。
Hemin Du：撰写——审阅与编辑、监督、项目管理、方法论、概念化。
Zihuan Wang：撰写——审阅与编辑、监督、资金获取。
Yuyu He：撰写——审阅与编辑、可视化、软件。

### 资金支持
本研究得到了湖南省教育厅科研项目（25C0004）的支持。

### 声明利益冲突
作者声明没有已知的竞争财务利益或个人关系可能影响本文所述的工作。

### 致谢
作者衷心感谢编辑和匿名审稿人的建设性评论和富有洞察力的建议，这大大提高了本文的清晰度、严谨性和整体质量。在准备这项工作期间，作者使用了OpenAI的ChatGPT（版本5.5）协助校对和翻译。作者审阅并编辑了内容，并对出版负全责。

### 作者名单
Wumin Ouyang | Yong Han | Hemin Du | Zihuan Wang | Yuyu He