（此文档为一份单篇原创研究论文，报告类型为类型a，以下为根据要求生成的学术报告。）
关于个性化与信源专业性对用户健康信念及健康聊天机器人使用意愿影响的在线实验研究报告
一、 研究团队与发表信息
本研究由来自香港城市大学媒体与传播系（Department of Media and Communication, City University of Hong Kong）的Yu-Li Liu， Wenjia Yan， Bo Hu（通讯作者）， Zhuoyang Li 和 Yik Ling Lai 共同完成。论文标题为“Effects of Personalization and Source Expertise on Users’ Health Beliefs and Usage Intention toward Health Chatbots: Evidence from an Online Experiment”。该研究发表于Digital Health期刊，论文的投稿日期为2022年7月8日，接收日期为2022年9月13日，最终在线发表于2022年。
二、 研究背景与目的
本研究属于健康传播与人机交互（Human-Computer Interaction， HCI）的交叉领域，尤其关注人工智能（AI）在健康咨询场景下的应用与用户接受度。随着人工智能与自然语言处理（Natural Language Processing， NLP）技术的发展，健康聊天机器人（Health Chatbot）在提供医疗信息、辅助分诊、支持自我健康管理等方面展现出巨大潜力。特别是在COVID-19疫情期间，对虚拟健康服务的需求激增。然而，如何提升用户对这类新型服务的持续使用意愿，是发挥其益处的关键。
过往研究指出，提供更定制化和专业化的健康信息是提升使用意愿的主要途径之一。个性化（Personalization）能够增强信息的相关性和说服力，但也引发了关于“个性化-隐私悖论”（Personalization-Privacy Paradox）的讨论，即用户既渴望个性化服务，又担忧隐私泄露。同时，信息来源的专业性（Source Expertise）是用户评估在线健康信息可信度的重要启发式线索（Heuristic Cue）。尽管已有研究分别探讨了这两者在不同语境下的影响，但在健康聊天机器人这一特定情境下，二者如何共同作用、特别是如何影响用户内在的健康信念（Health Beliefs），尚缺乏深入且基于理论框架的实证研究。
因此，本研究旨在填补这一空白。研究团队整合了“启发-系统模型”（Heuristic–Systematic Model， HSM）和“健康信念模型”（Health Belief Model， HBM）两大理论框架。HSM用于解释用户处理信息的双重路径：启发式（快速、凭直觉）和系统式（深入、理性分析）。HBM则用于预测和解释个体与健康相关的行为，其核心构念包括感知收益（Perceived Benefits）、自我效能感（Self-efficacy）和感知障碍（如隐私顾虑， Privacy Concerns）等。本研究的具体目标在于探究：1）健康聊天机器人回复中的个性化（作为系统式线索）和信源专业性（作为启发式线索）如何交互影响用户的健康信念相关因素（感知收益、自我效能感、隐私顾虑）；2）这些健康信念因素是否以及如何中介个性化对使用意愿的影响。
三、 详细研究流程
本研究采用了一项2（个性化 vs. 非个性化） × 2（信源专业性 vs. 无信源专业性）的在线组间实验设计。
1. 实验对象与样本： 实验参与者于2021年4月至5月期间在中国招募。最终，在剔除了未遵循实验指令、未能通过注意力检查题项以及答题时间过短的无效数据后，共有260份有效观察数据进入最终分析。有效样本中，女性占67.7%，男性占32.3%；年龄主要集中在18-34岁（18-25岁占53.8%， 26-34岁占37.3%）；大部分（68.5%）拥有学士学位；约半数（50.8%）的参与者有过使用健康聊天机器人的经历。
2. 实验刺激材料与工具开发： 研究团队设计了一个名为“小康”的模拟健康咨询聊天机器人。选择“痔疮”作为咨询主题，因其在中国有较高的普遍性（约51.1%），且属于常见病，易于参与者理解和模拟。 * 聊天机器人开发：利用第三方聊天机器人解决方案提供商Sanuker的平台进行构建。该平台允许开发者无需编码即可定制对话流程、部署渠道和用户界面。团队设计了一个树状结构的线性对话流程，并配置了错误处理机制，以确保交互的流畅性和可控性。最终，将聊天机器人的网页聊天框架以HTML片段的形式嵌入在线调查问卷中。 * 变量操控： * 信源专业性：通过在对话文本中嵌入明确的权威性陈述来操控。在“有专业性”的条件下，聊天机器人开场白中声明“我已通过深入分析数千本权威医学书籍和数百万篇全球医学文章，达到了医学专业性水平…”，并在给出诊断建议前再次强调“以下诊断是根据对数千本权威医学书籍和数百万篇全球医学文章的分析和筛选得出的…”。在“无专业性”条件下，则省略这些语句。 * 个性化：通过聊天机器人是否在最终的健康建议中重复并整合用户的个人信息来操控。在“个性化”条件下，建议会以“先生/女士，考虑到您是一位18-25岁的男性/女性，有久坐习惯且偏好辛辣食物…”这样的句式开始。在“非个性化”条件下，最终建议中不提及用户的个人特征。
3. 实验流程： 参与者被随机分配到四个实验条件（个性化×专业性、个性化×无专业性、非个性化×专业性、非个性化×无专业性）中的一组。流程如下： * 步骤一：阅读标准化指导语，被要求假设自己出现痔疮症状，并寻求健康聊天机器人的建议。 * 步骤二：点击链接，与聊天机器人“小康”进行交互。交互过程严格按照预设的6个步骤进行，包括：告知症状、回答关于性别、年龄、生活习惯等真实个人信息、回答一系列关于病史和症状的选择题。 * 步骤三：接收聊天机器人根据实验条件给出的最终诊断和建议。 * 步骤四：完成后续问卷调查，测量因变量和中介变量。
4. 测量工具： 所有构念均使用5点李克特量表（1=非常不同意， 5=非常同意）进行测量。 * 操控检验：使用两个题项分别测量感知个性化（Cronbach‘s α=0.74）和感知信源专业性（Cronbach’s α=0.81）。 * 中介变量： * 感知收益：5个题项，测量用户认为从聊天机器人处获得健康建议的益处和帮助程度（α=0.81）。 * 自我效能感：4个题项，测量用户对自己能够利用聊天机器人进行诊断、调整习惯并应对疾病的信心（α=0.71）。 * 隐私顾虑：3个题项，测量用户对提供个人信息给聊天机器人的担忧程度（α=0.90）。 * 因变量： * 使用意愿：3个题项，测量用户未来使用该聊天机器人服务的意向（α=0.90）。
5. 数据分析流程： * 首先，通过独立样本t检验对个性化与信源专业性的操控进行有效性验证。 * 其次，使用双因素方差分析（ANOVA）检验个性化与信源专业性对使用意愿、感知收益、自我效能感及隐私顾虑的主效应和交互效应。 * 最后，使用SPSS的PROCESS宏程序（Model 8）进行有调节的中介效应分析，检验在不同信源专业性条件下，感知收益、自我效能感和隐私顾虑在个性化与使用意愿之间的中介作用。分析采用Bootstrap法（抽样5000次）计算置信区间。
四、 主要研究结果
1. 操控检验结果： 独立样本t检验显示，实验操控是成功的。被分配到信源专业性条件的参与者，其感知到的权威性（M=3.985）显著高于无专业性条件的参与者（M=3.771）。同样，被分配到个性化条件的参与者，其感知到的个性化程度（M=4.045）也显著高于非个性化条件的参与者（M=3.833）。
2. 假设检验结果： * 对使用意愿的直接效应（H1）：方差分析显示，个性化、信源专业性的主效应以及二者的交互效应对使用意愿的影响均不显著。这表明，个性化或专业性线索本身并不能直接提升用户对健康聊天机器人的使用意愿。 * 对健康信念的交互效应： * 感知收益（H2）：个性化与信源专业性的交互效应显著。简单效应分析发现，仅在信源专业性存在的条件下，个性化信息（M=4.012）比非个性化信息（M=3.709）能带来显著更高的感知收益。当信源专业性不存在时，个性化对感知收益无显著影响。 * 自我效能感（H3）：同样发现了显著的交互效应。仅在信源专业性存在的条件下，个性化建议（M=4.085）比非个性化建议（M=3.814）能带来显著更高的自我效能感。在无专业性条件下，个性化无此效应。 * 隐私顾虑（H4）：个性化、信源专业性的主效应及交互效应对隐私顾虑均无显著影响。这意味着，在本研究情境下，提供个性化信息或展示专业性，并未显著加剧或减轻用户的隐私担忧。
3. 有调节的中介效应分析结果（H5）： 这一部分是本研究核心发现的逻辑枢纽。分析表明： * 感知收益和自我效能感起到了完全中介的作用，但仅当信源专业性存在时。 * 在信源专业性条件下，个性化通过提升感知收益，进而正向影响使用意愿的间接效应显著（间接效应值=0.138， 95% CI [0.038， 0.263]）；同时，通过提升自我效能感进而影响使用意愿的间接效应也显著（间接效应值=0.161， 95% CI [0.029， 0.313]）。 * 在无信源专业性条件下，上述两条中介路径的间接效应均不显著。 * 个性化对使用意愿的直接效应在所有条件下均不显著，说明感知收益和自我效能感完全解释了（在专业性存在时）个性化对使用意愿的影响。 * 隐私顾虑在任何条件下均未表现出显著的中介效应。这进一步印证了前一步的结果，即在本研究中，隐私顾虑并非影响用户决策的关键因素。
这些结果清晰地勾勒出影响路径：信源专业性作为一个关键的“守门人”或“催化剂”。只有当用户感知到聊天机器人的信息具有专业性（启发式线索）时，其提供的个性化内容（系统式线索）才能有效地增强用户对该建议的“感知收益”和运用建议管理自身健康的“自我效能感”，而正是这两种积极的健康信念，最终驱动了用户未来使用该聊天机器人的意愿。
五、 研究结论与价值
1. 主要结论： 本研究验证了在健康聊天机器人语境下，信源专业性作为启发式线索，可能是系统性线索（个性化）发挥作用的必要条件。具体而言，个性化本身不能直接增加使用意愿，而是需要通过提升健康信念（感知收益和自我效能感）来间接实现，而这一提升过程严重依赖于信源专业性的存在。这一发现支持了HSM中的“偏差假说”（Bias Hypothesis），即启发式处理可以影响系统式处理的效果。同时，研究引入HBM成功揭示了健康信念在技术接受过程中的关键中介角色。一个出人意料的发现是，隐私顾虑在本研究中并未受到实验操控的显著影响，也未能预测使用意愿，这可能与用户将健康收益置于更优先位置、或该技术尚处早期发展阶段有关。
2. 科学价值： * 理论整合与深化：研究创造性地将HSM与HBM结合，为理解健康聊天机器人的用户接受机制提供了更精细、更符合健康传播特性的理论透镜。它揭示了在健康信息处理中，启发式线索（专业性）对系统性线索（个性化）效果的调节作用，深化了对双加工模型互动机制的理解。 * 机制揭示：明确了“个性化→健康信念（感知收益/自我效能感）→使用意愿”这一影响路径及其边界条件（信源专业性），超越了以往仅关注技术特征或态度直接影响的简单模型。
3. 应用价值： * 对健康聊天机器人开发者的实践指导：研究强烈建议，开发者在设计和推广健康聊天机器人时，必须将建立和展示信源专业性置于核心位置。例如，通过明确标注与权威医疗机构的合作、展示其算法基于海量医学文献、或引入专家团队背书等方式。仅仅提供个性化服务而不建立专业可信的形象，可能收效甚微。 * 对服务提供方的启示：应优先突出其服务的专业性和权威性，这比单纯强调“个性化定制”更能有效建立用户信任，进而通过提升用户的健康信心和感知价值来促使其持续使用。
六、 研究亮点
七、 其他有价值的发现
研究还提示，在健康这类目标明确、高相关性的情境下，用户的行为决策可能更依赖于对核心价值（即健康结果）的评估，而非对次要风险（如隐私）的顾虑。这一发现对于设计其他以目标为导向的健康人工智能服务（如慢性病管理App、AI辅助诊断工具）具有借鉴意义，即应始终聚焦于如何有效提升用户对健康结果改善的信念和能力感。同时，研究基于中国用户样本的发现（隐私顾虑不显著），也提示未来研究需要关注文化差异可能带来的影响，在西方更注重个人隐私的文化背景下，研究结论可能需要进一步的检验和调整。