关于一项探讨医疗健康消费者对ChatGPT生成健康信息的信任与采纳意愿影响因素实证研究的学术报告

本次向各位研究者介绍的是一项发表于《Digital Health》期刊（2025年发表）的原创性实证研究。该研究由华中科技大学同济医学院医药卫生管理学院的郭双燕、宋杨、陈冠云、韩鸿欣、吴红及马敬东（通讯作者）共同完成。

一、学术背景与动机 本研究根植于数字健康（Digital Health）与健康信息学领域，尤其关注新兴的生成式人工智能（Generative Artificial Intelligence, GenAI）在医疗健康领域的应用与接受度。以ChatGPT为代表的GenAI产品，因其强大的语言生成与问答能力，在辅助临床决策、医学教育、患者沟通及健康信息提供等方面展现出巨大潜力。然而，现有研究多集中于医疗提供者（如医生）视角，或聚焦于技术性能评估，而相对缺乏从医疗健康消费者（即患者及普通用户）角度的系统性考察。特别是在人机交互过程中，技术的不确定性和信息的不确定性如何影响用户对AI的信任，并最终影响其对AI生成健康信息的采纳意愿，尚未得到充分的实证量化分析。

为填补这一研究空白，本研究旨在从不确定性降低理论（Uncertainty Reduction Theory, URT）的视角出发，探究医疗健康消费者对ChatGPT信任感的前因，以及这种信任如何影响他们对ChatGPT生成健康信息的采纳意愿。研究者认为，当用户面对作为“黑箱”且可能生成不准确信息的ChatGPT时，会经历显著的互动不确定性。URT为理解和降低这种不确定性提供了一个有力的理论框架，它认为个体会通过主动、被动等策略来减少不确定性，从而建立信任。因此，本研究的目标是：（1）探索医疗健康消费者对ChatGPT的信任如何影响其健康信息采纳意愿；（2）从不确定性降低的视角，分析影响对ChatGPT信任的关键因素。

二、研究设计与详细流程 本研究采用横断面问卷调查法，其工作流程严谨，主要包括研究模型构建、测量工具开发与翻译、数据收集、数据分析四个主要环节，具体如下：

1. 理论模型构建与假设发展：基于不确定性降低理论，研究者构建了一个综合性的研究模型。模型将“对ChatGPT的信任”设定为影响“健康信息采纳意愿”的核心中介变量。前因变量被整合到URT框架下：主动策略方面，考察了社会影响（Social Influence）和情境正常性（Situational Normality）；被动策略方面，考察了信息质量（Information Quality）和信息披露（Information Disclosure）。此外，模型还纳入了感知互动环境的三个关键ChatGPT特征：拟人化（Anthropomorphism）、自主性（Autonomy）和个性化（Personalization）。基于此，研究提出了八个主要假设（H1-H8），分别预测上述七个前因变量与信任的正向关系（H2-H8），以及信任对采纳意愿的正向影响（H1）。

2. 测量工具准备与预测试：由于缺乏专门针对患者与ChatGPT交互的成熟量表，研究者从现有关于AI的文献中，为每个关键构念（Construct）适配了测量题项。所有题项均采用7点李克特量表（1=非常不同意，7=非常同意）。英文问卷首先被翻译成中文，并由两名健康信息管理方向的研究生进行内容效度审核。为确保问卷的清晰度和可靠性，研究对20名健康信息管理与社会医学专业的研究生进行了预测试，并根据反馈进行了修订。最终问卷包含29个测量题项。根据统计指南（项目数与样本量比例至少1:10），研究确定了至少需要290名有效参与者。

3. 研究对象招募与数据收集：

   • 时间与平台：数据收集于2024年9月至10月，通过中国领先的在线调研平台“Credamo”进行。
   • 抽样与筛选：采用两阶段抽样法。首先，通过在线筛选问卷，从超过800名受访者中，筛选出371名曾使用ChatGPT搜索过健康信息的医疗健康消费者（排除从未使用过或为医疗专业人士的受访者）。随后，邀请这371名符合条件的用户完成主问卷调查。
   • 质量控制：在数据收集阶段和后续清理阶段，实施了严格的质量控制。排除标准包括：完成时间过短或过长、答案呈现规律性模式、注意力检查题项未通过、以及答案前后不一致的问卷。
   • 最终样本：共发放371份问卷，回收363份，回收率97.8%。经过数据清洗，最终获得308份有效问卷，有效率为83%，符合并超过了预设的样本量要求。

4. 数据分析方法：

   • 使用SPSS 26.0进行描述性统计和共同方法偏差检验（Harman单因子检验）。
   • 使用SmartPLS 4.0软件进行偏最小二乘结构方程模型（PLS-SEM）分析。选择PLS-SEM是因为它能较好地处理较小的样本量，且对数据正态性分布要求不严格。
   • 分析步骤包括：首先，评估测量模型的信度（克朗巴哈系数α、组合信度CR）、收敛效度（因子载荷、平均方差抽取AVE）和区分效度（Fornell-Larcker准则）。其次，评估结构模型，包括检验多重共线性（方差膨胀因子VIF）、路径系数的显著性（通过Bootstrap法计算t值和p值）、效应量（ƒ²值）以及模型对因变量变异的解释力（R²值）。

三、主要研究结果 研究结果详细验证了理论模型，揭示了各变量间复杂的关系。

1. 样本特征：有效样本（N=308）中，女性（63.3%）多于男性（36.7%）；平均年龄约31.93岁；受教育程度较高（本科/大专占70.1%，研究生占28.6%）；大多数自评健康状况良好；对ChatGPT的熟悉度普遍较高（“熟悉”和“非常熟悉”合计占85.4%）。

2. 测量模型质量：所有构念的克朗巴哈α系数和组合信度CR值均大于0.7，AVE值均大于0.5，表明测量工具具有良好信度和收敛效度。区分效度检验也符合标准。共同方法偏差检验（Harman单因子=39.326%）和多重共线性检验（所有VIF值<3.3）均未发现严重问题。

3. 结构模型与假设检验结果：

   • 对采纳意愿的影响：H1得到强有力支持。对ChatGPT的信任与健康信息采纳意愿呈显著正相关（β = 0.309， t = 4.763， p < 0.001）。信任这一变量解释了采纳意愿17.8%的变异（R² = 0.178），凸显了其在用户决策中的核心作用。
   • 对信任的影响：
     • 信息质量（H7） 是影响信任的最强预测因子（β = 0.447， p < 0.001），效应量也最大（ƒ² = 0.299）。这表明用户最看重ChatGPT所提供健康信息的准确性、可靠性和可理解性。
     • 情境正常性（H3） 对信任有显著正向影响（β = 0.237， p < 0.001）。用户感知的交互环境越有序、稳定，越容易建立信任。
     • 自主性（H5） 和个性化（H6） 对信任也有显著正向影响，但效应量相对较小（分别为β = 0.147， p = 0.001；β = 0.151， p = 0.004）。这表明ChatGPT独立完成任务和提供定制化信息的能力能增强用户信任，但其重要性次于信息质量。
     • 拟人化（H4） 和信息披露（H8） 与信任的关系在统计学上不显著（p值分别为0.088和0.061）。一个可能的解释是，在涉及健康的高风险认知情境下，用户更依赖信息质量等核心线索，而非拟人化等外围线索；而过多的信息披露可能超出了用户的认知负荷。
     • 社会影响（H2） 与信任的关系呈现显著负相关（β = -0.115， p = 0.028），与原假设相反。研究者解释，这可能源于ChatGPT早期使用中社交媒体上流传的关于其“偏见”、“虚假信息”的负面讨论，以及高教育水平用户可能更倾向于独立判断而非从众。
   • 控制变量：对ChatGPT的熟悉度是唯一显著的控制变量，与信任正相关（β = 0.192， p = 0.002）。性别、年龄、收入、自感健康状况等均不显著。
   • 中介效应：分析显示，社会影响、情境正常性、自主性、个性化、信息质量均通过“对ChatGPT的信任”这一中介变量，间接影响健康信息采纳意愿。

四、研究结论与价值 本研究得出核心结论：医疗健康消费者对ChatGPT的信任是其采纳由ChatGPT生成健康信息的关键驱动因素。而培养这种信任，最关键的是确保信息质量。此外，营造一个正常、稳定的交互情境（情境正常性），以及提升ChatGPT的自主响应能力和个性化服务水平，也都是有效的信任构建策略。

本研究的价值体现在以下几个方面： * 理论贡献：首先，将研究视角从医疗提供者拓展至医疗消费者，丰富了GenAI在健康信息场景下的用户行为研究。其次，明确将“健康信息采纳意愿”而非泛化的“使用意愿”作为结果变量，并以信任为中介，深化了对人机交互中决策机制的理解。最后，创新性地应用不确定性降低理论（URT）来框架化分析信任前因，强调了人机交互中不确定性管理的重要性，并为URT在新技术（尤其是GenAI）和高风险领域（医疗健康）的应用提供了实证支持。 * 实践意义：为ChatGPT等GenAI工具的健康应用开发者、医疗服务提供者及政策制定者提供了具体指引。开发者应优先保障输出信息的准确性与可靠性，同时优化交互流程的稳定性和响应速度，并提供适度的个性化服务。需警惕社会影响的负面影响，可通过提供高质量内容、正面引导舆论、提升用户健康信息素养来对冲。政策制定者可参考本研究发现的信任关键因素，制定相关标准与监管框架，以促进负责任、可信赖的AI在医疗健康领域的整合与应用。 * 方法论贡献：采用PLS-SEM方法对复杂的多变量关系进行了量化建模，为相关领域的研究提供了可复现的方法论范例和实证数据支持。

五、研究亮点与创新 1. 视角创新：率先从医疗健康消费者视角，系统量化研究其对ChatGPT的信任与健康信息采纳问题。 2. 理论创新：成功将源于人际传播的“不确定性降低理论”应用于分析人（医疗消费者）与生成式AI（ChatGPT）在医疗健康这一高风险领域的互动，构建了一个新颖且逻辑严密的研究模型。 3. 发现创新：揭示了在医疗健康语境下，信息质量是压倒性的首要信任驱动因素，而社会影响可能产生负面作用，这两个发现挑战或深化了部分现有认知，具有重要启示意义。 4. 方法严谨：采用了两阶段抽样确保样本针对性，实施了严格的数据质量控制，并运用了适合探索性研究和中小样本的PLS-SEM分析方法，保证了研究结果的稳健性。

六、其他有价值的内容与局限 研究者也坦诚地讨论了本研究的局限性，为未来研究指明了方向：首先，研究聚焦于ChatGPT，结论向其他大模型或GenAI的推广需谨慎；采用横断面数据，无法揭示因果动态。其次，URT框架可能未涵盖所有重要因素（如文化、自我效能感），模型对采纳意愿的解释力（17.8%）尚有提升空间。再次，依赖自我报告问卷数据，可能存在回忆偏差等，且测量工具非专为ChatGPT健康场景设计。最后，样本存在偏差（主要为高教育水平的中国用户），限制了结论的普适性；未控制数字健康素养、先前经验等潜在混淆变量。未来研究可考虑纵向设计、跨文化比较、结合质性方法，并纳入更多样的用户样本和控制变量。