独特性忽视对人工智能在线问诊用户使用意愿的影响机制研究

人工智能(artificial intelligence，AI)与医疗的结合推动了AI在线问诊市场迅速发展。国内“春雨慧问”“讯飞晓医”等AI在线问诊平台为公众提供了便捷的医疗咨询渠道。然而，由于医疗AI存在诸多缺陷[1]，人们通常不愿使用[2]。即便性能优越，人们也可能因为独特性忽视对其产生忧虑，担心AI在诊断时无法考虑到自身的独特性，从而对给出的结果持怀疑态度[3]。

国内外学者主要对AI在线问诊和AI使用意愿进行了相关研究，前者聚焦于通过算法开发与系统设计来提升用户对智能问诊系统的兴趣度和使用意愿[4-5]；后者探究了影响智能机器人使用意愿的因素，如态度、感知有用性、信任[6]、拟人化程度[7]等，或者探究各因素对使用意愿的影响[8-9]。综合来看，目前AI在线问诊使用意愿的实证研究较少，且缺乏对独特性忽视的考量。本研究深入分析独特性忽视对AI在线问诊用户使用意愿的影响机制，探讨信任的中介效应和医患交流模式的调节效应，以期为AI在线问诊平台系统设计优化和用户使用意愿提升提供理论和实践指导。

2 理论基础与研究假设

根据行为科学中的信任理论、认知行为理论和现有相关研究，分析独特性忽视、信任、使用意愿、医患交流模式间的关系，提出研究假设并构建研究模型。

2.1 独特性忽视

独特性忽视由Longoni C等[3]于2019年在医疗AI领域首次提出，指消费者对自身独特的性格、所处环境、特征、状态被忽视的担忧，即人们担心统计模型可能会遗漏关键证据，从而损害自己的独特性利益[10]。目前用户对AI的使用意愿较低，尤其在医疗领域，往往因为独特性忽视对医疗AI产生忧虑[3]，不愿意使用AI在线问诊[11]。基于认知行为理论，认知会影响个体的情绪和行为，当用户认为医疗AI能够考虑自身独特性时，能够帮助其满足身份动机[12]，从而增加对AI在线问诊的接受程度和使用意愿，增加使用频率，减轻抵制行为[1]。由此，做出假设H1：AI在线问诊的独特性忽视负向影响用户使用意愿。

2.2 信任

信任源于行为科学领域，指个体认为自动化系统具有良好任务性能的信心[13]，是影响用户接受技术的主要指标[14]，对用户使用AI的意愿、感受等有影响[15]。用户在问诊时，信任对选择意愿具有重要作用[16]。系统可靠性不足会降低用户信任度，导致用户不愿完全依赖系统[17]。目前，消费者对医疗AI缺乏普遍信任，而信任在服务提供方和用户之间具有关键作用[11]，提升信任能够减少用户决策的不确定性，提升使用意愿[18]。与此同时，独特性忽视能够影响用户对医疗AI的使用意愿，其中的核心在于用户信任[11]。独特性忽视是“断腿假说”的延伸，二者均表明独特性忽视与用户对AI的信任有关[10]。由此表明，用户对AI的信任会受到独特性忽视的影响。当用户使用医疗AI感知到自身独特性被忽视时，便会降低信任程度，表现出对医疗AI的抵制，降低其使用意愿[3]。因此，提出假设H2：信任在独特性忽视与用户使用意愿间具有中介作用。

2.3 医患交流模式

医疗AI的应用方式能够影响医患沟通，进而影响患者的信任。曹博林[19]将线上医患交流模式分为家长式、消费式、咨询式和协商式。由于疾病诊疗的专业性和特殊性，主要探讨医生占主导地位的家长式和咨询式。在家长式医患交流模式下，医疗AI根据患者提供的症状描述直接给出诊断结果，不深入了解病患[19]，在一问一答后问诊结束[20]。此时，患者只能被动接受医疗AI的建议，问诊时间短且可能遗漏关键信息，导致患者无法信任医疗AI[21]。而在咨询式医患交流模式中，医疗AI会向患者进一步询问病情细节，由此增加了会话累计量和交流频次，提升了患者的问诊体验[19]，增加了患者的参与程度，对增强患者信任具有重大意义[22]。由此，提出假设H3：医患交流模式能够调节独特性忽视与信任间的关系。

2.4 研究模型

根据相关假设构建的研究模型，见图1。

3 实验设计

3.1 场景设计

参考现有问诊软件，设计AI在线问诊场景，选取常见慢性胃部疾病作为问诊疾病。先通过预实验验证独特性忽视操纵的有效性，再通过3个正式实验验证假设。

预实验和实验1内容一致，采用高、低独特性忽视的组间实验设计。参考徐天杰[11]提出的方法操纵独特性忽视，通过图片情景模拟法使被试快速融入问诊场景[23]。低独特性忽视医疗AI会在对话中提及用户平时三餐不规律、喜欢暴饮暴食的饮食习惯，据此分析并给出诊断建议，而高独特性忽视医疗AI则不会提及，具体内容，见图2。实验前向用户展示任务内容，“请想象以下场景：近期你胃部有些不适，因此想通过医疗AI进行在线疾病诊断。在诊断前，AI已对你进行了日常饮食方面的调查，你经常暴饮暴食且三餐不定时。以下是你们的对话内容”。被试浏览完对话内容后，需填写有关独特性忽视的量表并进行人口统计测量，实验1在预实验基础上增加对使用意愿的测量题项。

实验2为药物咨询场景，增加对信任的测量题项，其余内容与实验1一致。实验要求被试想象自身胃部不适，向医疗AI咨询奥美拉唑这种药物是否适合自己使用的场景，见图3。

实验3采取2(独特性忽视：高vs.低)×2(医患交流模式：家长式vs.咨询式)组间设计，场景为疾病咨询，其余内容与实验2类似。在家长式模式下，医疗AI仅根据患者描述的症状直接给出诊断结果；在咨询式模式下，医疗AI会进一步向患者询问病情细节和生活情况，再给出诊断结论，见图4。

3.2 量表设计

问卷中独特性忽视的测量项改编自Longoni C等[3]设计的量表，包括“我认为医疗AI在和我互动时，不会认识到我病情的独特性”等3个题项；使用意愿的测量项改编自Bhattacherjee A[24]设计的量表，包括“下次有需要时，我会继续使用该AI问诊系统”等3个题项；信任的测量项改编自Cramer H等[25]、Li X等[26]设计的量表，包括“我相信该AI问诊系统”等3个题项。所有量表均为李克特7级量表，1为非常不同意，7为非常同意。

4 数据收集与分析

4.1 数据收集

预实验通过微信招募被试，并借助问卷星回收有效问卷41份。3个正式实验皆通过Credamo平台招募被试，最终分别回收有效样本154、160、213份。在问卷中，问诊界面会强制停留1分钟，使被试充分浏览，同时设置1条注意力检查题项和1条问诊内容相关题项用于问卷筛选，以提升问卷回收质量。

4.2 数据分析

4.2.1 预实验独特性忽视两组数据满足正态分布和方差齐性(F=2.784，P=0.103 > 0.05)。因此对其进行独立样本T检验，结果表明两组数据的均值存在显著差异(t=-2.77，df=39，P=0.009)，其中，低独特性忽视组的均值(M=4.810，SD=1.344)低于高独特性忽视组(M=5.767，SD=0.781)，独特性忽视操纵成功。

4.2.2 实验1 (1)信效度检验。通过分析，独特性忽视和使用意愿的Cronbach’s α系数分别为 0.936和0.865，皆大于0.8，量表内部一致性高，信度好。独特性忽视和使用意愿的量表皆改编自与AI有关且应用较广的量表，内容全面、有代表性，且两者间的相关系数为-0.725，显著性检验结果显著，表明因子间存在较强的负相关关系，符合理论预期，综合以上内容认为该量表具有良好的效度。(2)操纵性检验。与预实验一致，对独特性忽视进行独立样本T检验，结果表明高独特性忽视组均值(M=3.802，SD=1.610)高于低独特性忽视组(M=3.076，SD=1.463)，两组数据存在显著差异(t=-2.925，df=152，P=0.004<0.05)，独特性忽视操纵成功。(3)主效应分析。使用意愿两组数据满足正态分布和方差齐性(F=0.849，P=0.358 > 0.05)。对使用意愿进行独立样本T检验，结果表明，两组数据存在显著差异(t=2.038，df=152，P=0.043<0.05)，低独特性忽视组的使用意愿均值(M=5.342，SD=1.007)高于高独特性忽视组的使用意愿(M=5.000，SD=1.073)，H1得到验证。

4.2.3 实验2 (1)信效度检验。通过分析，独特性忽视、信任和使用意愿的Cronbach’s α系数分别为 0.931、0.887、0.852，量表内部一致性高，信度好。量表的取样适当性(Kaiser-Meyer-Olkin，KMO)为0.924，Bartlett’s球形检验P<0.001，适合进行因子分析。使用Amos进行验证性因子分析，结果表明，χ2/ df =1.667，处于1至3的区间内；RMSEA=0.065，小于0.08，可以被接受；IFI、TLI、CFI 和 NFI值均高于 0.9。由此说明，该结构模型具有良好的拟合度。进一步检验量表的收敛效度。各因素测量题项的标准化因子载荷均高于0.7，各潜变量的 AVE 值均高于 0.6，组合信度的值均高于 0.8，表明量表具有良好的收敛效度。最后，构建二因子模型和单因子模型，并与原模型对比，见表1。二因子模型和单因子模型的各拟合指标均变差，且通过了显著性水平为0.001的显著性检验，说明原模型具有区分效度。(2)操纵性检验。与实验1相同，对独特性忽视进行独立样本T检验，结果表明两组数据具有显著差异(t=-4.611，df=158，P<0.001)，低独特性忽视组的忽视均值(M=2.788，SD=1.382)低于高独特性忽视组(M=3.854，SD=1.540)，对独特性忽视的操纵成功。(3)中介效应检验。根据 Hayes的Bootstrap方法，采用SPSS中Process程序的模型4进行中介效应检验。结果表明，独特性忽视能够显著负向影响使用意愿(β=-0.547，t=-12.214，P<0.001)，独特性忽视能够显著负向影响信任(β=-0.530，t=-13.389，P<0.001)。当同时加入独特性忽视和信任后，独特性忽视对使用意愿的影响减弱(β=-0.124，t=-2.661，P<0.01)，但依旧显著，这说明信任在一定程度上解释了独特性忽视对使用意愿的影响，见表2。选择样本量为5 000，置信区间设定为95%，结果显示信任的间接效应为-0.424，置信区间为 [-0.525，-0.329]，不包含0，说明信任的中介效应显著，验证了假设H2。此外，独特性忽视对使用意愿的直接效应显著，β=-0.124，P=0.008<0.01，95%置信区间的上下限为[-0.216，-0.032]，表明独特性忽视对使用意愿的直接影响显著。综上，信任在独特性忽视与使用意愿之间具有部分中介作用，验证了假设H2，见表3。

与此同时，以独特性忽视为自变量，使用意愿为因变量进行相关性分析，Spearman相关系数为-0.678，P<0.01，说明独特性忽视与使用意愿呈负相关。为进一步探究变量间的关联性，对数据进行线性相关分析，β=-0.547，P<0.01，说明独特性忽视对使用意愿有显著的负向影响，再次验证了H1。

4.2.4 实验3 (1)操纵性检验。与实验1相同，对独特性忽视进行独立样本T检验，结果表明两组数据具有显著差异(t=-2.754，df=211，P<0.001)，低独特性忽视组的忽视均值(M=2.965，SD=1.403)低于高独特性忽视组(M=3.489，SD=1.377)，对独特性忽视的操纵成功。(2)中介效应检验。运用相同的方法验证中介效应，结果表明，独特性忽视能显著负向影响使用意愿和信任，当同时加入独特性忽视和信任后，独特性忽视对信任仍有显著影响，信任在一定程度上解释了独特性忽视对使用意愿的影响，见表4。进一步检验中介效应，信任的间接效应为-0.342，置信区间为 [-0.450，-0.243]，不包含0，说明信任在独特性忽视与使用意愿之间的中介效应显著，验证了假设H2。此外，独特性忽视对使用意愿的直接效应显著，β=-0.142，P<0.001，95%置信区间的上下限为[-0.216，-0.067]，表明独特性忽视对使用意愿的直接影响显著。综合考虑，信任在独特性忽视与使用意愿之间具有部分中介作用，见表5。(3)调节效应检验。根据 Hayes的Bootstrap方法，采用SPSS中Process程序的模型7进行调节效应检验，结果表明独特性忽视与交流模式的交互项对信任的回归系数为0.709，P<0.05，95%的置信区间为[0.160，1.257]，不包含0，表明医患交流模式的调节作用显著。进一步进行简单斜率分析，见图5，低独特性忽视水平下，两种医患交流模式的信任值接近；高独特性忽视水平下，咨询式的信任值较高。在家长式模式下，随着独特性忽视的增加，用户的信任值明显下降；而在咨询式交流模式下，信任值保持相对稳定。这可能是由于咨询式交流模式增加了医患间的沟通频次和时长，密切了医患关系[27]，提升了用户的信任[28]。良好的沟通方式和医患关系提升了用户的就诊体验，可能使用户忽视对自身独特性的关注。因此，在咨询式交流模式下，随着独特性忽视程度的增加，用户的信任可以保持基本稳定。

5 讨论与建议

5.1 讨论

本研究主要探讨独特性忽视对AI在线问诊用户使用意愿的影响机制，以及信任的中介作用和医患交流模式的调节作用。结果表明，用户会根据医疗AI在对话中呈现的内容产生AI会忽视自身特性的担忧，即独特性忽视，从而影响其使用意愿。独特性忽视对使用意愿有负向影响；信任在独特性忽视和使用意愿之间具有部分中介作用；医患交流模式可以在独特性忽视和信任之间产生调节作用。

独特性忽视对用户使用意愿的负向影响说明用户对自身特征和需求的关注，这恰好验证了Leung E等[29]的研究结论，即当身份动机驱动消费时，自动化技术可能并不可取。也就是说用户可能需要将其当成独特个体的AI，而不是简单给出千篇一律回答的AI，尤其面向对身份特征高度认同的群体时，医疗AI可能不仅需要考虑有关用户病情的独特性，还需要根据特定的群体及其特征，将人群进行细分，给出更加有针对性的诊断建议。信任的中介作用也得到证明，信任是独特性忽视对用户使用医疗AI的重要驱动因素[11]，信任的增加能够减少用户的感知不确定性，从而显著提升对新技术的使用意愿，相信其能够给自身带来便利和帮助[30]。因此，除了独特性忽视因素，AI在线问诊平台还可以从提升信任着手开展改善工作。好的医患交流模式能够引导用户提出更多需求，增强用户的参与感和体验感，建立良好的医患关系。在设计AI在线问诊平台时应大胆创新，改变现有人机问答的交流模式，增加医患间互动，使用户充分表达自身的需求和想法。

5.2 建议

一是加强对用户个人信息和病情信息的收集，为AI诊断提供依据。每位患者都是独特的个体，在问诊中，AI医生应以患者为中心，提前了解性别、年龄、文化背景等基础信息和症状、病情发展状况、日常生活习惯、心理健康状况等与疾病有关的信息，以便在问诊时综合考虑这些因素，给出更准确的结果，减轻患者的担忧。二是优化医疗AI对诊断结果的呈现方式，可以向用户展示诊断的内部逻辑。AI在线问诊平台不仅要考虑患者独特性，还要通过合适的方式向用户展示其优越性。例如可以参考Kimi、DeepSeek等AI模型的深度思考模式，展示系统是如何根据用户的独特情况一步步分析得出最终结论的。三是优化AI在线问诊的对话逻辑，增加医患间互动，提升用户参与感，增强用户的参与程度和体验感，帮助用户更好地理解并接受AI医生的诊断和建议。例如，可以设置医患最低问答轮次，要求AI医生进一步向用户咨询其过往病史、用药禁忌等内容。

6 结语

本研究构建独特性忽视对AI在线问诊用户使用意愿的影响模型，通过实证研究证明独特性忽视对使用意愿的负向影响、信任的中介作用和医患交流模式的调节作用，为AI在线问诊平台完善系统设计、提升用户使用意愿提供了重要的理论和实践指导。但通过问卷调查收集到的数据可能具有一定的主观性，未来将借助脑电图和眼动追踪等技术进行更深层次的研究。

作者贡献：赵士南负责概念和模型构建、方法设计、论文撰写；王晶晶负责概念和模型构建、实验材料准备、数据分析、论文撰写；吴俊负责概念和模型构建。

利益声明：所有作者均声明不存在利益冲突。

1 HASLAM N. Dehumanization：an integrative review[J]. Personality and social psychology review，2006，10(3)：252-264.

2 YOKOI R，EGUCHI Y，FUJITA T，et al. Artificial intelligence is trusted less than a doctor in medical treatment decisions：influence of perceived care and value similarity[J]. International journal of human-computer interaction，2021，37(10)：981-990.

3 LONGONI C，BONEZZI A，MOREWEDGE C K. Resistance to medical artificial intelligence[J]. Journal of consumer research，2019，46(4)：629-650.

4 ZHOU X，LI Y，LIANG W. CNN-RNN based intelligent recommendation for online medical pre-diagnosis support[J]. IEEE/ACM transactions on computational biology and bioinformatics，2021，18(3)：912-921.

5 ZHAO R，XIE Y，JIA X，et al. Practical privacy preserving-aided disease diagnosis with multiclass SVM in an outsourced environment[J]. Security and communication networks，2022(1)：1-17.

6 LI B，CHEN Y，LIU L，et al. Users’ intention to adopt artificial intelligence-based chatbot：a meta-analysis[J]. The service industries journal，2023，43(15/16)：1117-1139.

7 杨增茂，王长峰，杨洪军.人工智能拟人化对顾客持续使用意愿的影响——基于心理距离的中介作用[J]. 财经论丛，2023 (8)：81-90.

8 尹美玲.基于期望确认理论的酒店服务机器人持续使用意愿研究[D].上海：上海师范大学，2024.

9 唐樱瑕.智能投顾使用意愿的影响因素研究[D].成都：西南财经大学，2021.

10 GROVE W M，MEEHL P E. Comparative efficiency of informal (subjective，impressionistic) and formal (mechanical，algorithmic) prediction procedures：the clinical-statistical controversy[J]. Psychology，public policy，and law，1996，2(2)：293-323.

11 徐天杰.基于独特性忽视的AI用户抵制研究：非语言人机交流方式的调节效应[D].徐州：中国矿业大学，2023.

12 PUNTONI S，RECZEK R W，GIESLER M，et al. Consumers and artificial intelligence：an experiential perspective[J]. Journal of marketing，2021，85(1)：131-151.

13 BRULE R V D，DOTSCH R，BIJLSTRA G，et al. Do robot performance and behavioral style affect human trust[J]. International journal of social robotics，2014，6(4)：519-531.

14 GAUDIELLO I，ZIBETTI E，LEFORT S，et al. Trust as indicator of robot functional and social acceptance. an experimental study on user conformation to iCub answers[J]. Computers in human behavior，2016，61(8)：633-655.

15 张毅，杨奕，邓雯.网络在线信任影响因素研究综述[J].数据分析与知识发现，2020，4(5)：15-26.

16 谭博仁.在线问诊平台中患者对医生选择意愿的影响因素研究[D].北京：北京邮电大学，2019.

17 CHAVAILLAZ A，WASTELL D，SAUER J. System reliability，performance and trust in adaptable automation[J]. Applied ergonomics，2016，52(1)：333-342.

18 DIETVORST B J，SIMMONS J P，MASSEY C. Algorithm aversion：people erroneously avoid algorithms after seeing them err[J]. Journal of experimental psychology：general，2015，144(1)：114-126.

19 曹博林.互联网医疗：线上医患交流模式、效果及影响机制[J].深圳大学学报(人文社会科学版)，2021，38(1)：119-130.

20 赵阳洋，王振宇，王佩，等.任务型对话系统研究综述[J].计算机学报，2020，43(10)：1862-1896.

21 吴桂萍，石荣丽，陈间玲.基于数字共情视角下的在线医患交互对医患信任影响因素研究[J].中国卫生政策研究，2022，15(11)：46-52.

22 HAGIWARA N，KASHY D A，PENNER L A. A novel analytical strategy for patient-physician communication research：the one-with-many design[J]. Patient education and counseling，2014，95(3)：325-331.

23 曹忠鹏，靳成雯，马菁，等.自助服务技术中虚拟代理人呈现对顾客准备的影响研究[J].南开管理评论，2020，23(4)：73-83.

24 BHATTACHERJEE A. Understanding information systems continuance：an expectation-confirmation model[J]. MIS quarterly，2001，25(3)：351-370.

25 CRAMER H，EVERS V，RAMLAL S，et al. The effects of transparency on trust in and acceptance of a content-based art recommender[J]. User modeling and user-adapted interaction，2008，18(8)：455-496.

26 LI X，HESS T J，VALACICH J S. Why do we trust new technology？A study of initial trust formation with organizational information systems[J]. The journal of strategic information systems，2008，17(1)：39-71.

27 SAUERBREI A，KERASIDOU A，LUCIVERO F，et al. The impact of artificial intelligence on the person-centred，doctor patient relationship：some problems and solutions[J]. BMC medical informatics and decision making，2023，23(1)：73-87.

28 ASAN O，BAYRAK A E，CHOUDHURY A.Artificial intelligence and human trust in healthcare：focus on clinicians[J]. Journal of medical Internet research，2020，22(6)：e15154.

29 LEUNG E，PAOLACCI G，PUNTONI S. Man versus machine：resisting automation in identity-based consumer behavior[J]. Journal of marketing research，2018，55(6)：818-831.

30 孔祥维，王子明，王明征，等.人工智能使能系统的可信决策：进展与挑战[J].管理工程学报，2022，36(6)：1-14.

【作者机构】	江苏科技大学经济管理学院
【分类号】	R-05;TP18
【基金】	国家自然科学基金项目(项目编号：72471105) 国家自然科学基金项目(项目编号：72374088) 教育部人文社会科学研究一般项目(项目编号24YJCZH445)。