原创文章
理解与管理患者对医疗保健中AI聊天机器人的抵制：感知功能与组织障碍的综合模型
摘要
本研究通过结合功能感知——感知健康风险(PHR)和信息隐私(IP)——与组织感知——感知医院准备度(PHRd)和感知高层管理支持(PTMS)，探讨了患者为何抵制医疗保健中的AI聊天机器人。基于创新阻力理论(IRT)和技术-组织-环境(TOE)框架，我们采用顺序设计：对43名突尼斯患者进行半结构化访谈以挖掘主题并构建患者感知的构念，随后对450名突尼斯既往、当前或潜在患者进行横断面调查。所有项目均明确指代基于聊天机器人的服务。
研究结果表明，PHR和IP与抵制正相关，而PHRd和PTMS与抵制负相关。因此，患者的抵制既反映了对安全/隐私的担忧，也反映了他们对机构准备度和领导承诺的感知。本研究通过将感知组织因素定位为阻力的直接前因来推进IRT，并通过将准备度和领导力从内部审计转向面向患者的信号(如可见的基础设施、员工能力、明确的监督)来扩展TOE。
实际上，聊天机器人采用得益于透明、患者友好的解释，会话数据的隐私设计，对敏感或高风险对话向临床医生的明确升级阈值，以及可见的领导支持。这些措施有助于校准信任并减少对AI聊天机器人的抵制。
关键词
人工智能(AI)在医疗保健中
患者抵制
创新阻力
理论(IRT)
技术-组织-环境(TOE)框架
AI聊天机器人
- 引言
人工智能(AI)正在通过增强诊断、定制治疗和改善患者护理来变革医疗保健(Gruetzemacher & Whittlestone, 2022; Roski et al., 2019; Zhang et al., 2024)。市场预测显示，医疗保健AI收入将从2024年的209亿美元增长到2029年的1484亿美元(Markets & Markets, 2024)。然而，这种快速扩散并未伴随着无缝采用。许多组织在实施方面面临挑战，而患者抵制——当AI取代或替代人类判断时患者感到的不适或不信任——已成为一个关键障碍(Seth et al., 2020)。研究表明，当患者认为AI威胁安全或削弱医患关系时，他们可能更喜欢传统的、以人为中心的护理(Esmaeilzadeh, 2020)。因此，理解和解决这种抵制对于实现AI在健康服务中的潜力至关重要(Baklouti & Boukamcha, 2024)。
在AI领域中，对话代理(聊天机器人)脱颖而出，因为它们以自然语言与患者互动，通常作为第一接触点，提供分诊、教育、预约安排或用药指导。现代聊天机器人使用自然语言处理和机器学习来模拟人类对话，并通过自动化常规任务来帮助缓解劳动力短缺(Al-Ramahi & Noteboom, 2018)。然而，这些好处带来了新的担忧：患者担心错误建议、数据隐私和缺乏问责制，许多人对信任聊天机器人作为医疗顾问犹豫不决(Lehto et al., 2012)。这些感知可能成为抵制的重要来源，特别是在数字医疗基础设施正在发展的环境中(Jena, 2015)。
尽管研究人员已经探索了AI在食品管理、教育和酒店等领域的采用(El Ashfahany et al., 2024; Petrescu et al., 2025; Wong et al., 2024)，但较少研究关注患者对医疗保健中AI的抵制。现有工作更多地强调特定技术如区块链、金融科技或物联网，而没有检验AI聊天机器人的独特挑战(Ruslim et al., 2024; Abbas et al., 2024; Ayanwale & Ndlovu, 2024; Chew & Achananuparp, 2022)。此外，许多研究侧重于临床医生或管理者的视角(Chaibi & Zaiem, 2022; Hameed et al., 2023; Aldhahi et al., 2025)，而患者的观点则未被充分探索(Sobaih et al., 2025)。早期采用框架(如TAM、UTAUT)也将非使用视为采用的反面，而非独立的结果；然而，推动采用的因素不一定能预测抵制(Müller et al., 2019)。抵制有其自身的前因，实证研究才刚刚开始解决这些机制，特别是对于低资源环境中的面向患者的聊天机器人(Dwivedi et al., 2021)。
1.1 研究目标和问题
本研究的目标是通过共同考察功能关切和组织感知，确定塑造患者对医疗保健中AI聊天机器人抵制的关键因素。我们解决以下问题：
RQ1：哪些功能关切驱动患者抵制在医疗保健中使用AI聊天机器人？
RQ2：哪些组织障碍驱动患者抵制在医疗保健中使用AI聊天机器人？
通过回答这些问题，我们通过将组织准备度和领导支持概念化为患者感知的信号——而非内部评估——以及专注于AI聊天机器人(这些在护理路径中日益可见但在患者视角下仍研究不足)来为创新阻力文献做出贡献。
术语说明。除非另有说明，本文中的"AI"指AI驱动的对话代理(聊天机器人)。为方便阅读，我们在全文中交替使用"AI"和"AI聊天机器人"。
- 文献综述
各种理论框架已被开发用于评估和理解影响消费者对创新抵制的原因和因素。创新阻力作为行为反应源于消费者的逻辑评估和判断，通常由感知到的对现有规范的破坏以及采用新技术可能带来的与现有价值观的潜在转变所触发(Hew et al. 2019)。研究一致表明，消费者抵制是影响技术创新成功或失败的决定性因素，强调了其在创新采用研究中的重要性(Kaur et al. 2020a, b)。
在最成熟的视角中，创新阻力理论(IRT)通过消费者和创新特征概念化了阻力(Ram, 1987)，并指定了功能障碍碍(例如，感知风险、使用限制和有限价值)和心理障碍碍(例如，信念和社会规范)，这些可能会延迟接受(Ram & Sheth, 1989)。作为补充，现状偏见理论将阻力解释为对现有系统的偏好，由决策惯性和认知偏差驱动，这可能导致个人拒绝有益的技术，尽管有潜在收益(Samuelson & Zechauser, 1988; Lee & Joshi, 2017)。最近的研究利用不同理论探索了医疗保健背景下AI的阻力(见表1)。
表1：近期关于AI阻力的研究
| 研究与背景(年份) | 关注点与主要发现 | 先前工作中的已识别差距 | 解决差距的假设 |
|---|---|---|---|
| Sobaih et al. (2025) | 应用扩展的Ram & Sheth模型的顺序混合方法研究。发现对个人联系的需求、感知的技术依赖和对AI的一般怀疑显著增加患者对医疗保健中AI的阻力。 | 检验了心理前因(NPC, PTD, GSA)，但未考虑功能障碍碍如健康风险或信息隐私或组织因素。未探索医院准备度或可见的领导。 | 调查感知健康风险和信息隐私担忧是否增加阻力(H1, H2)，以及感知医院准备度和高层管理支持是否减轻阻力(H3, H4)。 |
| Wu et al. (2024) | 对888名受访者关于慢性病和长期新冠支持AI聊天机器人的调查。不到三分之一(约30%)将在未来12个月内使用健康聊天机器人；参与者对机器人准确性持怀疑态度，但对用于心理健康支持的语音聊天机器人更愿意接受。 | 突出了普遍的犹豫和对语音聊天机器人的兴趣，但未分析特定风险感知(如不准确建议的潜在危害)或隐私关切，也未检验组织信号。 | 解决感知健康风险和信息隐私是否驱动阻力(H1, H2)，并测试感知医院准备度和高层管理支持是否减少阻力(H3, H4)。 |
| Zou et al. (2024) | 开发了结合创新阻力理论和原型意愿的并行中介模型。发现阻力意愿在功能/心理障碍与阻力行为之间起到中介作用；对聊天机器人的负面原型感知(视为不真实、不准确和不安全)是阻力的更强预测因子，而非功能/心理障碍。 | 提供了功能和心理障碍的细粒度分析，但忽略了组织影响，如感知准备度或领导支持。未明确考虑患者层面的安全/隐私关切。 | 扩展模型包括感知健康风险和信息隐私(H1, H2)，并评估感知医院准备度和高层管理支持是否抵消阻力(H3, H4)。 |
| Hassan et al (2024) | 范围审查(50篇文章)确定信任、公平、可解释性和伦理为核心主题；缺乏算法透明度和可解释性是采用的重大障碍。强调了对治理和端到端框架的需求。 | 综合了临床医生和系统层面的障碍，但未检验患者层面的功能障碍碍或组织信号(准备度、领导承诺)如何影响患者阻力。 | 测试感知健康风险和信息隐私(功能障碍碍)是否放大阻力(H1, H2)，并评估感知医院准备度和高层管理支持(组织信号)是否减少阻力(H3, H4)。 |
| Chandrasekaran et al. (2025) | 跨国调查(加拿大，n=6,904)关于AI知识和舒适度。约44.6%的受访者对医疗保健中的AI感到舒适；当个人健康数据在同意下使用时，舒适度增加到64.7%，但在未经同意下使用时下降。对于疫情追踪和工作流程管理，舒适度高于临床任务。 | 探索了舒适度和同意，但未分析特定功能障碍碍(感知风险、聊天机器人中的隐私)或组织因素。研究的是通用AI使用，而非聊天机器人，并关注知识/舒适度而非阻力。 | 提出感知健康风险和信息隐私关切(H1, H2)解释对聊天机器人的阻力，并评估感知医院准备度和高层管理支持是否提供降低阻力的保证(H3, H4)。 |
| Yu & Chen (2024) | 在428名中国老年人中扩展UTAUT模型。性能期望、努力期望和社会影响显著影响行为意图；促进条件、自我实现需求和感知身体状况影响实际使用；技术焦虑不显著。 | 侧重于老年人的采用而非阻力，并忽略安全/隐私风险和组织因素。还研究特定人口(老年人)而非一般患者群体。 | 调查感知健康风险和信息隐私(H1, H2)是否对各年龄段的阻力有影响，以及医院准备度和高层管理支持是否减轻阻力(H3, H4)。 |
| Chuang & Huang (2025) | 对296名医疗保健专业人员使用工作需求-资源模型的调查。证明工作资源、工作需求和员工参与度依次中介阻力与采用意图之间的关系；年龄调节了工作需求的影响。 | 以临床医生为中心，而非患者，并使用JD-R而非IRT/TOE；因此，未探索患者功能或隐私关切或医院准备度/高层管理支持的患者视角。 | 将组织视角适应患者，假设感知医院准备度和高层管理支持将减轻患者阻力(H3, H4)，连同功能障碍碍(H1, H2)。 |
基于当前理论并填补现有理论空白，本研究采用顺序混合方法，精确验证和识别影响AI阻力的患者视角因素。
从定性研究中获得的见解与先前文献进行比较，并用于塑造调查构念和假设方向。在提出的模型中，我们整合了IRT和TOE框架的核心构念，从而提供了一个关于功能和组织维度如何影响阻力行为的整体观点。
2.1 创新阻力理论(IRT)
基于创新阻力理论(IRT)(Ram & Sheth, 1989)，本研究通过关注抑制使用而非鼓励使用的障碍来考察患者为何抵制AI聊天机器人(Heidenreich & Handrich, 2015)。IRT已在多种技术背景和文化设置中应用，以解释阻力模式，这使其适合于理解对新兴AI启用服务的抵制(Sajid et al., 2023)。
在这项研究中，功能障碍碍是感知健康风险(PHR)和信息隐私(IP)。PHR捕捉了患者对依赖聊天机器人可能导致有害结果的担忧，如不安全指导、错误分诊、向临床医生的延迟转诊或症状的不准确解释，特别是当AI启用的护理仍然相对较新且制度化程度不均时(Marakhimov & Joo, 2017)。IP反映了控制个人信息及其使用方式的愿望(Bélanger & Crossler, 2011)。因为聊天机器人对话可能涉及敏感健康数据和系统生成的元数据，患者可能担心未经授权的访问、二次使用、长期保留或用于模型训练，这些都是数字技术隐私相关阻力的既定驱动因素(Inman & Nikolova, 2017)。先前证据还表明，更强的隐私关切与对AI介导的健康服务的更大阻力相关(Wang et al., 2020)。
基于这些见解，我们假设以下：
H1：患者对与AI相关的健康风险的感知正向影响他们对AI在医疗保健中采用的阻力。
H2：患者对信息隐私的重视程度越高，他们对医疗保健中AI的阻力越大。
2.2 技术-组织-环境(TOE)
技术-组织-环境(TOE)是广泛用于解释组织如何采用和实施创新的框架，通常适应特定情境的决定因素(Davis et al., 1989)。TOE通过技术、组织和环境条件概念化采用准备度。在医疗保健中，成功的AI部署取决于机构基础设施、资源和实施能力(Badi et al., 2020)。重要的是，准备度还包括对变化的心理和行为准备；当准备度低时，成员更可能将实施视为不可取的，并避免或抵制它(Shea et al., 2014)。
在本研究中，我们通过感知医院准备度(PHRd)将准备度扩展到患者视角，定义为患者对医院实施和维持AI启用聊天机器人服务能力的感知(例如，可靠的数字系统、强大的数据保护实践、训练有素的员工和明确的临床医生升级路径)。先前研究将组织准备度和促进条件与技术采用和采用结果联系起来(M.A. Hameed et al., 2012; Ramdani et al., 2009; Ifinedo, 2012)，并在医疗保健环境中显示类似关系(Alzghaibi et al., 2023)。然而，研究更常将准备度作为接受的驱动因素，而非阻力的抑制因素。我们的发现表明，低感知准备度加剧怀疑和不信任，从而增加对聊天机器人服务的阻力，而可见的准备信号通过向患者保证安全和可靠性来减少阻力。因此：
H3：感知医院准备度负向影响患者对医疗保健中AI(聊天机器人)的阻力。
高层管理被广泛认为是技术实施的关键驱动因素，特别是在医疗保健中，领导承诺可以决定AI倡议是否获得支持或停滞(Chong & Chan, 2012; Sony & Naik, 2019)。先前研究一致表明，高层管理支持通过设定战略方向、启用资源和减少跨部门实施障碍来促进采用(Cruz Jesus et al., 2018; M.A. Hameed et al., 2012; Khan et al., 2024; Puklavec et al., 2018; Tsai et al., 2010)。重要的是，其影响通常通过利益相关者的感知运作：当领导参与可见时，支持被解释为可信并与组织优先事项一致，而弱可见性可能引发怀疑和阻力(Ahmad & Van Looy, 2021; Holt et al., 2007; Paré et al., 2011)。
因此，我们将感知高层管理支持(PTMS)在患者层面概念化为患者对医院领导致力于负责任地实施AI聊天机器人的感知。这种感知由外部信号塑造，如关于聊天机器人角色和限制的清晰沟通、员工能力和保障措施的可见投资，以及明确的治理和升级安排，而非关于预算或政策的内部知识。我们的发现表明，更强的感知领导支持增加信心并减少阻力，与将感知支持和准备度与阻力结果联系起来的变革管理研究一致(Armenakis et al., 2007)，并与感知高层管理支持促进技术采用的证据一致(Gangwar et al., 2015)。因此：
H4：感知高层管理支持负向影响患者对医疗保健中AI聊天机器人的阻力。
- 方法论
3.1 整体设计
本研究旨在通过整合功能和组织决定因素，开发和实证测试患者对医疗保健中AI聊天机器人的阻力模型。鉴于AI阻力的潜在影响因素众多以及聊天机器人在护理环境中使用的背景特定性质，我们采用了顺序混合方法设计。定性阶段用于识别最相关的背景决定因素并构建基于患者叙述的概念模型；定量阶段随后在更大样本中测试由此产生的假设。
3.2 定性阶段：设计、程序、分析和整合
3.2.1 定性阶段的目的
进行定性访谈以深入了解患者对AI聊天机器人的抵制，并确定在医疗保健背景下哪些功能和组织决定因素最为突出。与测试假设不同，这一阶段服务于模型构建功能：它支持选择相关因素并开发用于后续定量调查的概念模型。
3.2.2 定性研究的进行
2024年11月至12月期间进行了使用访谈指南的半结构化个别访谈。大多数为面对面进行，必要时使用Microsoft Teams。采用结合目的性、雪球和便利抽样的非概率抽样方法访问各种既往、当前或潜在患者。确保保密性和匿名性；参与者在录音前收到信息说明并给予口头同意。最终样本包括43名参与者，涵盖性别、年龄、职业和对AI的熟悉程度(摘要见附录A.1)。访谈通常持续30-45分钟。
3.2.3 研究设置和目标人群
此定性阶段在突尼斯进行，重点是在AI启用服务(包括聊天机器人)日益讨论但尚未完全嵌入常规护理的患者面向环境中。访谈对象为居住在突尼斯的既往、当前或潜在患者(年龄≥18岁)，能够有意义地反思医疗保健中AI启用工具的使用。因此，该阶段的目标人群是成人医疗保健用户，他们已经与AI启用的医疗保健工具互动过，或至少熟悉这些工具的概念，并能阐明阻力驱动因素的感知。访谈主要在患者可访问的环境中(如门诊环境和社区地点)进行，并在必要时通过Microsoft Teams补充，以适应参与者的可用性和访问限制。
3.2.4 访谈指南
访谈指南既作为对话的实际路线图，也作为需要覆盖的核心主题的提醒。它围绕文献、研究问题和我们对患者感知的AI阻力驱动因素的构念焦点进行结构化。指南遵循适应自Evrard等人(2003)的三阶段序列：
- 介绍阶段：关于AI的总体感知，让参与者自由表达初步观点。
- 主题聚焦阶段：AI在医疗实践(临床和组织背景)中的应用。
- 深化阶段：塑造医疗保健中AI阻力的因素，通过追问澄清含义和示例。
3.2.5 数据分析
使用NVivo进行了主题分析。两名训练有素的编码员独立编码初始子集，解决差异并完善代码本(附录A.2)，然后进行完整编码。在NVivo中，主题由节点表示，子主题由子节点表示。保留了两个总体主题：
- 影响阻力的感知功能因素：感知健康风险和信息隐私。
- 影响阻力的感知组织因素：感知医院准备度和感知高层管理支持。
代码本(操作定义、包含/排除规则和每个子主题的示例引用)见附录A.2。
3.2.6 定性研究的可靠性和有效性
通过将每个主题锚定在参与者直接引用中(见附录A.3)，加强了定性发现的可信度，为解释提供了透明证据。两名独立研究人员审阅了转录本，并将其与出现的子主题进行比较，以检查一致性和通过讨论解决任何分歧。我们还通过将我们的代码和解释与先前文献中报告的概念进行比较，进行了理论锚定检查，从而加强了我们的结果与既定技术接受工作之间的收敛(Charfi, 2012)。这些程序共同支持定性分析的可信度、依赖性和可确认性。通过跟踪跨访谈新代码的出现来监控饱和度。在完成田野工作之前达到了主题级饱和度；随后的访谈提供了确认性证据而非新类别。
3.2.7 从定性发现到概念模型
定性见解与先前工作进行比较，并用于塑造调查构念和假设方向。对安全/易感性(PHR)和数据处理/二次使用(IP)的反复叙述为功能维度提供了信息，而可见的基础设施/培训/支持(PHRd)和领导信号/治理(PTMS)为组织维度提供了信息。所有构念都被操作化为感知(即患者观察或推断的内容)，而非内部医院审计。将子主题与调查项目和假设联系起来的可追溯性表见附录A.5。
3.3 定量阶段：调查设计和管理
3.3.1 定量阶段的目的
定量研究旨在通过检查感知功能障碍碍(感知健康风险和信息隐私)和组织感知(感知医院准备度和感知高层管理支持)与患者对医疗保健中AI聊天机器人阻力之间的假设关系，实证测试从定性发现开发的概念模型。使用调查数据，该阶段量化了这些关联的方向和幅度，并评估了模型在较大患者样本中的解释力，从而为阻力决定因素提供基于理论的人口层面验证。
3.3.2 定量研究的进行
为验证定性阶段出现的因素，我们在2025年1月至5月进行了横断面调查。认识到AI在突尼斯医疗保健中仍是一个新兴概念，我们采用了混合模式调查方法以最大化理解：受访者可以独立在线完成问卷，或在诊所或社区环境中由训练有素的面试员协助完成(Creswell, 2013)。面试员遵循标准化脚本澄清术语而不建议答案(Saunders et al., 2012)。通过前向-后向程序将工具翻译成法语，并进行小样本预测试(n≈15)以完善措辞(Temessek, 2008)。在分发的750份邀请中，获得了450份有效回复(回复率≈60%)。
3.3.3 抽样和招募
参与者被定义为既往、当前或潜在患者。我们将"潜在患者"操作化为预计在未来12个月内使用医疗保健服务的个体，即使他们尚未这样做。资格标准包括：(a)年龄≥18岁，(b)居住在突尼斯，(c)自我报告为过去、当前或潜在患者，以及(d)对AI在医疗保健中的最低熟悉度(筛选问题："您是否听说过或与AI启用的医疗保健工具(如聊天机器人、决策支持系统或诊断成像)互动过？")。对任何筛选项目回答"否"的退出调查。为接触这一小众人群，我们采用非概率抽样，结合便利、目的和有限雪球技术(Teddlie & Yu, 2007)。招募渠道为：
- 通过从事AI相关教学或研究的大学教授和学生的口碑传播。这些人与已知患者的调查链接共享，或将其发布在内部部门邮件列表上。
- 内部部门公告栏和邮件列表公告，邀请既往、当前和潜在患者参与。
- 种子为基础的推荐：初始种子在地区、年龄和性别方面多样化；每位参与者最多可推荐两名额外受访者，以限制网络聚类。
由于我们将"患者"定义为涵盖广泛的医疗保健用户，因此未施加职业配额。因此，样本中出现了一些管理或高管受访者。然而，所有受访者均符合患者为基础的资格标准。在回答核心项目之前，参与者被明确指示基于个人感知和经验回答，确保调查捕捉主观印象而非内部知识。
3.3.4 测量
调查包含两部分。第一部分收集人口统计/背景信息(性别、年龄、教育、职业和先前使用AI启用的医疗保健工具)。第二部分使用李克特量表(1="强烈不同意"至5="强烈同意")评估五个构念：感知健康风险(PHR)、信息隐私关切(IP)、感知医院准备度(PHRd)、感知高层管理支持(PTMS)和使用阻力(RU)(Chouk & Mani, 2019; Mani & Chouk, 2018; Malhotra & Singh, 2007; Venkatesh et al., 2008; Zhang et al., 2015; Arora & Singh, 2024)。这些量表从先前研究中改编，以捕捉主观信念而非事实知识。与健康行为研究一致，风险感知被定义为个体对伤害易感性的感知——行为的核心决定因素(Ferrer & Klein, 2015)，而信息隐私关切反映了对组织数据实践的焦虑，包括未经授权的使用和不当访问(Hsu et al., 2022)。组织变量被重命名为感知医院准备度和感知高层管理支持，以强调它们代表受访者对机构准备度和领导承诺的印象。这与证据一致，即准备度和领导支持的感知塑造阻力，高层管理支持通常作为技术采用中的感知成功因素运作(Shea et al., 2014; Ahmad & Van Looy, 2021)。在整个调查中，提醒受访者基于个人感知回答(见附录B)。
3.3.5 分析
使用结构方程建模(SEM)分析数据。450的样本量满足Hair等人的指南，即最小观测数应至少为估计参数的5-10倍(Hair et al., 2014)，确保稳健的参数估计。我们进行描述性统计、可靠性测试和验证性因子分析以验证测量模型，然后估计结构路径。运行了额外模型，控制职业(管理与非管理)和调查管理方式(自我与面试员管理)，以确认我们的发现是稳定的。对于数据分析，采用了五步方法(见表2)。
表2：五步数据分析概述
| 步骤 | 描述 | 工具/技术 |
|---|---|---|
| 1. 人口统计数据分析 | 初始分析以了解人口统计特征 | SPSS-20 |
| 2. 可靠性测试 | 使用Cronbach's Alpha评估构念的内部一致性 | SPSS-20 |
| 3. 探索性因子分析 | 检验总方差解释并识别测量工具的结构和维度 | SPSS-20 |
| 4. 验证性因子分析 | 使用各种拟合指数验证模型 | AMOS-24 |
| 5. 结构方程建模 | 分析变量之间的因果关系 | AMOS-24 |
3.4 选择的AI模式
本研究评估了AI驱动的聊天机器人(自动化对话代理)。我们选择聊天机器人为研究的AI形式，因为它们是医疗保健中突出且不断增长的应用。使用自然语言处理与患者互动的聊天机器人已广泛用于健康信息和支持。它们在医疗保健(包括突尼斯新兴数字健康计划)中的普及和重要性使其成为分析患者对AI阻力的适当焦点(Hindelang et al., 2024; Barreda et al., 2025)。
- 结果
4.1 定性结果
定性阶段包括主要为女性的样本(76.7%)，参与者主要年龄在31-40岁(30.2%)和41-50岁(27.9%)，教授、IT工程师和学生代表了最大的职业群体(见附录A.1)。访谈分析产生了一个与研究概念框架一致的聚焦主题结构：两个功能决定因素(感知健康风险、信息隐私)和两个组织决定因素(感知医院准备度、感知高层管理支持)。这些主题及其子主题用于完善构念边界作为患者感知(患者观察或推断的内容)，并支持后续概念模型和调查措施的开发(见表3)。
表3：主题结果表
| 主题 | 子主题 | 引用次数 | 主题百分比 | 原文 |
|---|---|---|---|---|
| 功能因素 | 感知健康风险(PHR) | 26 | 46% | "我不舒服依赖机器告诉我是否健康。如果它遗漏了重要事项怎么办？" |
| 功能因素 | 感知健康风险(PHR) | 26 | 46% | "我担心如果AI系统出错，会对我的健康造成严重后果。" |
| 功能因素 | 感知健康风险(PHR) | 26 | 46% | "我担心AI系统可能给我错误信息或诊断，导致不必要的治疗或程序。" |
| 功能因素 | 感知健康风险(PHR) | 26 | 46% | "我不想冒任何健康风险。我宁愿看能给我更准确评估的人类医生。" |
| 功能因素 | 感知健康风险(PHR) | 26 | 46% | "我认为有些事情只有人类才能在健康方面发现。我不相信机器能有那种洞察力。" |
| 功能因素 | 信息隐私(IP) | 30 | 54% | "我不知道谁访问我的扫描结果。" — P13，女，25-34岁，学生，AI-Y |
| 功能因素 | 信息隐私(IP) | 30 | 54% | "我的数据会不会在未经同意的情况下与保险公司共享？" — P31，男，55-64岁，工程师，AI-N |
| 功能因素 | 信息隐私(IP) | 30 | 54% | "请告诉我数据存储在哪里以及存储多长时间。" — P05，女，35-44岁，护士助理，AI-Y |
| 功能因素 | 信息隐私(IP) | 30 | 54% | "我对AI没问题，但不希望跟踪我的医疗历史。" — P21，男，45-54岁，销售，AI-N |
| 功能因素 | 信息隐私(IP) | 30 | 54% | "如果发生泄露，我甚至如何知道？" — P36，女，18-24岁，学生，AI-Y |
| 功能因素 | 信息隐私(IP) | 30 | 54% | "我希望在任何AI使用我的记录前有明确的退出/进入选项。" — P09，女，55-64岁，退休，AI-N |
| 组织因素 | 感知医院准备度(PHRd) | 22 | 45% | "系统有时会崩溃；我不确定AI那时如何工作。" — P19，女，35-44岁，护士助理，AI-Y |
| 组织因素 | 感知医院准备度(PHRd) | 22 | 45% | "我很少看到员工接受新工具培训；这降低了我的信任。" — P37，男，18-24岁，零售，AI-N |
| 组织因素 | 感知医院准备度(PHRd) | 22 | 45% | "我们甚至为简单问题等待IT支持——AI听起来很脆弱。" — P25，女，45-54岁，行政，AI-N |
| 组织因素 | 感知医院准备度(PHRd) | 22 | 45% | "如果他们投资可靠设备，我对AI更开放。" — P12，男，35-44岁，技术员，AI-Y |
| 组织因素 | 感知医院准备度(PHRd) | 22 | 45% | "医院需要在系统故障时有明确程序。" — P28，女，25-34岁，教师，AI-Y |
| 组织因素 | 感知医院准备度(PHRd) | 22 | 45% | "基本事情如网络稳定性仍然落后。" — P02，男，55-64岁，退休，AI-N |
| 组织因素 | 感知高层管理支持(PTMS) | 27 | 55% | "当领导解释计划时，我对AI感觉更安全。" — P04，女，45-54岁，职员，AI-Y |
| 组织因素 | 感知高层管理支持(PTMS) | 27 | 55% | "如果管理层为省钱削减角落，我不会信任它。" — P26，男，25-34岁，技术员，AI-N |
| 组织因素 | 感知高层管理支持(PTMS) | 27 | 55% | "关于伦理和隐私的明确政策会有很大帮助。" — P10，女，35-44岁，会计师，AI-Y |
| 组织因素 | 感知高层管理支持(PTMS) | 27 | 55% | "看到领导资助培训表明他们认真对待安全。" — P33，男，18-24岁，学生，AI-Y |
| 组织因素 | 感知高层管理支持(PTMS) | 27 | 55% | "定期向患者更新会建立信心。" — P40，女，55-64岁，退休，AI-N |
| 组织因素 | 感知高层管理支持(PTMS) | 27 | 55% | "如果董事公开承担风险，我更愿意尝试。" — P14，男，35-44岁，销售，AI-N |
受访者将对AI聊天机器人的抵制主要描述为基于安全和信任的反应，而非对技术的一般厌恶。感知健康风险通过关于不安全指导、错误分诊、遗漏症状和向临床医生延迟升级的担忧出现，反映了医疗保健决策的高风险性质。信息隐私关切同样突出，并以具体术语表述，如关于谁可以访问数据、如何存储、是否可能被重用或共享以及是否明确确保同意。
在组织方面，参与者通过医院感知实施和监督聊天机器人的能力来评估聊天机器人。感知医院准备度由可见线索推断，如数字可靠性、员工能力和升级程序的清晰度。感知高层管理支持作为合法性信号运作：可见的领导沟通、治理和保障措施投资增加了信心，而弱或不明确的承诺加剧了怀疑和阻力。
4.2 定量结果
本节报告参与者特征、可靠性结果、探索性因子分析(EFA)、验证性因子分析(CFA)和结构方程建模(SEM)结果。
4.2.1 参与者特征
定量样本包括450名受访者，性别分布接近平衡(50.7%男性，49.3%女性)。参与者年龄范围广泛，最大群体为18-24岁(27.6%)和25-34岁(25.8%)，其次是50-64岁(20.0%)、35-49岁(18.7%)和65岁以上(8.0%)。教育程度主要为高等教育，学士学位(34.7%)、工程学位(32.0%)和硕士学位(23.1%)最常见。最常报告的职业包括执行经理/主管(24.9%)和教师/教授(22.7%)。关于AI熟悉度，大多数参与者表示基本知识(56.4%)，其次是足够知识(21.8%)和最低知识(17.3%)，而一小部分报告了优越知识(2.2%)。见附录C："定量研究的样本特征。"
4.2.2 探索性因子分析(EFA)
使用Cronbach's Alpha系数进行的探索性因子分析(EFA)和可靠性测试结果用于评估四个不同构念：感知健康风险、信息隐私、感知医院准备度、感知高层管理支持和AI使用阻力。
表4结果显示，每个构念表现出单因子结构。对于KMO指数和Bartlett的球形检验，满足因子分析所需的条件。此外，在所有构念中，Cronbach's Alpha系数显示高值，也超过了0.6的最低阈值，从而确保了内部可靠性。此外，所有构念的高解释方差百分比(>90%)确认了测量量表用于分析患者AI阻力的可靠性和有效性。
4.2.3 验证性因子分析(CFA)
在验证性因子分析(CFA)中，有一套程序用于评估整体测量模型。第一步是通过检查各种拟合度量(如卡方(Chi2)、拟合优度指数(GFI)、调整拟合优度指数(AGFI)等)来评估模型优度。然后，我们测试构念的收敛和区分效度。
基于模型拟合度量，该模型显示了可接受和令人满意的拟合指数。卡方与自由度的比率(χ2/df)计算为2.850，处于1 < χ2/df < 3的最佳范围内。此外，均方根误差近似值(RMSEA)计算为0.062，低于可接受的0.10截断值，表明拟合良好。均方根残差(RMR)也是0.042，低于常规标准0.05。比较拟合指数(CFI)为0.963，表明模型拟合良好。拟合优度指数(GFI)为0.940，调整拟合优度指数(AGFI)超过0.8，均支持良好拟合。规范拟合指数(NFI)为0.958，高于接受值0.9。这些结果表明修改后的模型与实证数据有良好拟合，是潜在构念的合适表示。
共同方法变异(CMV)。我们实施了程序和统计补救措施。在程序上，使用了匿名、非评估框架、反向平衡区块和混合模式管理。在统计上，Harman的单因子测试表明第一个未旋转因子解释了总方差的38.4%(远低于50%)，共同潜在方法因子(CLMF)捕获了≈11%的共享方法方差，对结构系数没有实质性改变，标记变量控制将标准化路径改变了<0.02。总的来说，这些诊断表明CMV不会实质性地使结果产生偏差。
收敛效度使用几个指标评估，包括因子载荷、平方多重相关(SMC)、组合可靠性(CR)和平均方差提取(AVE)。如表5所示，所有因子载荷都超过了0.7的阈值，确认了项目与构念关系的强度。所有构念的AVE值都高于推荐的0.6阈值，符合Fornell和Larcker(1981)指南。所有CR值超过0.8，表明每个构念内部具有高一致性。这些结果确认了所有构念的可靠收敛效度。
额外可靠性诊断。由于Cronbach's α值高于0.90可能反映重叠内容，我们从报告的α和项目数量计算了每个构念的平均项目间相关(AIC)。AIC值(见表6)表明强大的内部同质性，与我们的高CR和AVE一致。因此，收敛效度得到因子载荷≥0.91、3项构念的CR≥0.94和RU的0.978以及AVE≥0.855的支持(见表5)。区分效度仍然令人满意(Fornell-Larcker)。综合起来，这些结果确认测量质量很高，即使承认众所周知的警告，即非常高的α可能表示冗余(Tavakol & Dennick, 2011)。
平均项目间相关(AIC)在所有构念中都很高(3项量表为0.85-0.94；RU为0.91)，表明项目间有很强的同质性。虽然这种水平可能反映项目重叠，但收敛效度(高载荷、CR、AVE)、区分效度(Fornell–Larcker)和CMV诊断共同表明测量可靠且不受实质性偏差影响；我们将概念焦点狭窄作为限制。
区分效度使用Fornell-Larcker标准评估，如表6所示，每个构念的平均方差提取平方根(SQRT AVE)(对角线加粗值)超过与其他构念的相关性，确认区分效度。例如，感知健康风险(PHR)的AVE平方根为0.961，高于其与信息隐私(IP)0.625、感知医院准备度(PHRd)0.426、高层管理支持(PTMS)0.352和AI使用阻力(RU)0.740的相关性。这种模式在所有构念中一致，支持每个构念都是独特的，并测量患者对医疗保健中AI阻力的独特方面。
在验证测量模型后，使用结构方程建模(SEM)技术评估结构模型，以评估概念框架内的关系。此评估遵循两步过程。首先，评估结构模型的整体拟合度以验证其适用性，检查各种拟合指数以确认模型是否适当表示数据。
其次，通过分析构念之间因果路径的统计显著性和方向来测试假设关系。
结构性模型的拟合优度
结构性模型显示出足够的拟合指数，支持其用于假设测试。调整后的CMIN/DF比率为2.50，在1 < CMIN/DF < 5的可接受范围内。RMSEA为0.070，低于最大阈值0.08，表明模型拟合良好，RMR值为0.040，在<0.08的可接受范围内。GFI和AGFI值分别为0.900和0.850；虽然GFI达到0.90的理想阈值，但AGFI略低于阈值但仍处于合理范围内。比较拟合指数，包括CFI(0.910)、NFI(0.894)和IFI(0.900)，接近或超过0.90的推荐阈值。由于单个指数捕获拟合的不同方面，一些(如NFI/AGFI)已知对模型复杂性和样本特征敏感，我们遵循多指数视角(Hu & Bentler, 1999)，将整体拟合描述为可接受/足够用于假设测试，而非"优秀"。因此，我们在适当谨慎的情况下继续解释结构路径。
假设测试
该研究证实了功能和组织因素——感知健康风险(PHR)、信息隐私(IP)、医院准备度(PHRd)和高层管理支持(PTMS)——与患者对AI采用的阻力之间的显著关系(见图2)。感知健康风险对AI使用阻力显示出强烈的正向影响，标准化系数为0.562，临界比(CR)为12.964，表明更高的健康风险感知会增加阻力。同样，信息隐私关切与阻力显著相关，标准化系数为0.307，CR为7.819。相反，感知医院准备度(PHRd)和感知高层管理支持(PTMS)对阻力显示出负面影响(标准化系数=−0.32 & −0.20；CR=−3.890 & −4.530)，表明感知更高的准备度和高层支持减少患者对AI采用的阻力。这些发现强调了感知健康风险、信息隐私关切、感知医院准备度和感知高层管理支持对患者在医疗保健环境中对AI阻力的关键影响(见表8)。
- 讨论
本研究考察了功能和组织因素对患者在医疗保健中抵制AI的影响。数据分析支持所有三个假设，突出了这些因素与抵制采用AI技术之间的关联。通过识别与患者抵制AI相关的因素，我们旨在为医疗保健环境中AI技术的实施制定循证策略提供信息。这些发现对旨在通过AI整合提高患者参与度并改善医疗保健结果的医疗保健提供者和政策制定者具有重要意义。
患者经常将AI聊天机器人视为携带健康风险(误诊、有害建议或隐私泄露)，这与抵制使用它们有关(Wu et al., 2024)。在一项调查中，只有约30%的受访者可能在未来12个月内使用健康聊天机器人，大多数对"聊天机器人提供准确医疗建议的能力"不确定。这反映了感知风险是AI采用的主要障碍的更广泛发现。例如，Ning等人(2025)强调可解释性对于在医疗保健AI中"建立信任"至关重要：不透明的系统可能会加剧恐惧。同样，对大型语言模型用于健康的过度依赖已经显示出危险；Choudhury和Shamszare(2023)警告说，使用ChatGPT等工具进行医疗查询"可能导致错误信息和健康风险"。这些恐惧(错误、过时数据或数据滥用)可能使患者不愿尝试聊天机器人。
为了解决医疗保健领域AI聊天机器人的感知健康风险，可以考虑以下措施。医疗保健领导者可以采取几种措施来解决这些恐惧并加强患者信任：
- 透明证据和最新信息：清楚传达聊天机器人的证明准确性。决策者应分享临床评估数据，比较聊天机器人与临床医生的表现，这可以通过基于证据的结果向患者提供保证。保持聊天机器人的知识库最新也至关重要——例如，定期使用最新临床指南更新它，以减少过时建议。Abbasian等人(2024)指出，"最新性通过确保其信息与最新证据和指南一致，显著增强了聊天机器人的有效性"。以简单方式呈现这些事实(例如，引用已发布的准确率)可以帮助患者理解系统既经过测试又保持最新。
- 可解释的聊天机器人设计：采用患者可理解的解释(可解释AI)。设计聊天机器人以说明为什么它做出建议(而不仅仅是建议)可以解开其推理。研究发现，XAI技术极大地提高了医疗保健AI中的透明度和信任。例如，聊天机器人可能会说"基于您的症状和历史，这些药物符合标准A和B"，因此用户看到理由。通过使用通俗语言和视觉提示，可解释的聊天机器人可能帮助患者看到其建议基于可识别的医学逻辑。这种清晰度可能减少对"黑箱"的焦虑，使技术看起来更可靠(Vani et al. 2025)。
- 强调人类监督和支持角色：明确聊天机器人辅助而非替代临床医生。当患者知道医生将审查任何AI生成的建议时，他们可能报告更大的舒适度。Clark和Bailey(2024)强调这一点："要成功运作，聊天机器人仍然需要人类监督，以确保它们按设计运作。"在实践中，提供者可以向患者保证，任何聊天机器人输出都将在采取行动前由医疗专业人员检查。为临床医生提供的培训计划可以强调如何传达这一点——例如，医生可能会解释，"聊天机器人给出了这些建议，我正在根据当前指南检查它们。"强调AI是增强(而非取代)医生判断的"工具"可能减轻"被计算机治疗"的恐惧并建立患者信心。
- 促进可解释性以建立信任：确保聊天机器人的决策过程可理解。Ning等人(2025)观察到可解释性"对于在健康AI中建立信任至关重要"。在实践中，这意味着聊天机器人界面可以突出显示其答案背后的关键因素(例如，症状关键词、实验室值)。当患者可以看到答案是如何得出的时，他们可能更愿意信任它。例如，聊天机器人可能会解释，"我建议测试X，因为您的症状与我们数据库中的条件Y匹配。"这种可解释性弥合了AI"推理"与患者理解之间的差距。
隐私关切对聊天机器人尤其突出。与许多临床设备不同，聊天机器人进行对话式互动并可以收集大量个人数据，引起患者警惕。我们的发现与先前研究一致，表明信息隐私担忧可能与对健康聊天机器人的更高阻力相关(Li, 2023)。患者担心聊天机器人对话(通常通过互联网服务发生)可能暴露敏感健康细节。为了解决这些关切，提供者可以考虑实施针对聊天机器人的严格保密政策。例如，所有聊天机器人数据处理应完全符合HIPAA等法规(Koch, 2023)。在实践中，这可以包括聊天记录的端到端加密、存储记录的匿名化以及实时数据去标识化。这也意味着透明沟通：应告知患者他们的聊天机器人对话如何安全，谁可以访问数据，以及在什么情况下(如有)可能共享记录。正如Singhal等人(2024)所建议的，组织应公开分享AI数据治理政策——例如，"我们的聊天机器人永远不会在未经同意的情况下共享您的数据，并将在每次会话后删除转录本"——这可能增强可信度。此外，向患者提供数据可追溯性工具(例如，显示收集了哪些数据以及如何使用它生成建议的患者门户)可能进一步向用户保证数据处理实践，类似于传统电子健康记录中的审计跟踪(Li, 2013)。
此外，我们的发现表明，感知医院准备度和感知高层管理支持负向影响患者对AI采用的抵制，从而支持假设3和4。这些感知医院准备度/感知高层管理支持与抵制之间的负相关在我们的定性研究中出现，并且据我们所知，现有文献中对此关注有限。重要的是，PHRd不是资源可用性的客观衡量，而是准备度的主观印象。变革管理文献强调，个体对组织准备度的感知——通过早期信念和观察形成——对于理解对变革的阻力至关重要(Paré et al., 2011)。
既定模型(例如，技术-组织-环境框架)强调组织因素和人类因素是交织的(Alonso et al., 2025)。从社会技术视角来看，只有当技术聊天机器人系统与临床工作流程和组织文化相融合时，患者的阻力才可能减轻。我们的数据表明，感知组织准备度和领导支持关键影响患者信任。当患者观察到医院已投资于强大的数字基础设施、训练有素的员工和AI的明确治理时，他们感觉系统更安全，不太可能抵制(Wong et al., 2025)。社会技术理论表明，这是因为对技术的信任部分转移到部署它的组织上。如果高层管理明显支持AI聊天机器人——例如，通过发布AI伦理宪章或让临床领导者共同签署关于聊天机器人的患者建议——患者将此解释为对安全和问责的承诺。实证信任研究支持那些制度信号(例如，领导认可、第三方审计)可以增加AI系统的感知可信度(Alonso et al., 2025)。相反，来自管理层的不透明或最低限度的沟通可能允许不信任增长。总之，将技术聊天机器人设计(隐私、可解释性)与组织透明度和支持相结合，体现了应减少阻力的社会技术方法(Wong et al., 2025)。
本研究通过调查影响患者在医疗保健背景下对AI抵制的因素，做出了重要的理论和实践贡献。
理论上，本研究通过整合创新阻力理论和"技术-组织-环境"(TOE)框架推进了知识，检验了感知健康风险等功能因素如何包括，以及感知医院准备度和感知高层管理支持等感知组织因素，影响患者对医疗保健中AI的抵制。本研究的主要理论贡献之一是识别和检验感知医院准备度/高层管理支持与抵制AI采用之间的直接联系。这种关系在定性分析中出现，先前文献中未讨论过。将感知医院准备度和感知高层管理支持作为组织因素纳入概念模型填补了AI阻力现有文献中的巨大空白。这两个因素在组织技术采用文献中已得到广泛研究。它们对在医疗保健背景下使用AI的阻力的具体影响尚未被探索。
这些见解的实际意义包括具体的政策行动。部署AI聊天机器人的医疗保健组织应采用从人机交互中汲取的以用户为中心的设计实践：让患者参与测试聊天机器人，征求他们对清晰度和舒适度的反馈，并迭代完善对话流程以最小化混淆。提供者培训计划也可能很重要：医生和护士应配备向患者解释聊天机器人角色的知识(强化人类监督存在)并回答关于其安全性和隐私功能的问题。此外，诊所可以指定"数字健康联络员"或AI大使——能够指导患者使用聊天机器人并解决故障的工作人员——以使技术正常化并解开其操作。最后，建议对聊天机器人进行严格的系统级保障(例行安全审计、合规检查)，与任何健康IT一样。正如Neary等人(2025)在其"FAST"框架中所展示的，对会话AI进行保真度、准确性、安全性和语调的定期评估——具有明确的人类升级截止点——被广泛认为对安全部署很重要。
通过明确围绕AI聊天机器人、信任理论和社会技术设计构建我们的建议，本讨论超越了简单重述结果。它将患者阻力与包括Lee和See(2004)信任模型和更广泛的社会技术系统思维(Alonso et al., 2025)在内的既定人类因素原则联系起来。在此过程中，我们提供了理论基础和具体指导——从针对敏感问题的聊天机器人特定限制到组织透明度措施——以有效减轻患者阻力并促进医疗保健中安全聊天机器人的采用。
- 局限性和未来研究
首先，本研究将AI聊天机器人作为目标AI模式。因此，结果应解释为对聊天机器人服务的抵制，而非对其他AI类别(如成像、CDS)的抵制，后者在自主性、工作流程集成和风险概况方面有所不同。将模型扩展到其他AI模式将测试边界条件和外部有效性。
其次，尽管我们收集了人口统计学(性别、年龄、职业)，但我们没有进行子群分析(例如，多组测量不变性或交互测试)。因此，我们无法确定隐私关切、感知健康风险或准备度期望是否在不同人口统计段中变化。未来工作应评估构型/度量/标量不变性，并比较各组之间的结构路径或包括调节项以检查异质性。
第三，抽样方法(单一国家背景下的非概率抽样)限制了可推广性。使用概率或分层抽样、额外医疗保健设置和多国设计的复制将加强外部有效性。
第四，横断面设计限制了因果推断。纵向或实验设计——例如，具有随机透明度或升级政策的预先/暴露后接触功能正常的聊天机器人——将有助于建立时间顺序并阐明机制(例如，信任校准)。
最后，我们的测量捕捉了患者对医院准备度和领导支持的感知，而非内部审计或政策记录。未来的混合方法研究可以将患者层面的感知与组织证据(IT能力、治理工件、培训日志)相结合，以测试感知-现实差距及其对阻力的影响。
总体而言，这些局限性表明了一个明确的议程：将AI范围扩大到聊天机器人之外，严格测试子群差异，通过概率抽样和设计加强因果推断，并整合组织数据源以补充患者感知测量。
- 结论
本研究检验了感知功能(感知健康风险、信息隐私)和感知组织因素(感知医院准备度、感知高层管理支持)如何塑造患者对医疗保健中AI聊天机器人的阻力。结果表明，当患者预期聊天机器人可能导致临床伤害或错误建议，或担心会话健康数据的误用时，阻力上升。相反，组织准备度(可靠的数字基础设施、员工能力、明确的升级路径)和领导承诺(透明沟通、伦理治理)的可见信号与更低的阻力相关。总之，这些发现强调，减少对AI驱动的对话代理的阻力需要将聊天机器人设计(安全、可解释性、隐私设计)与组织实践(监督、资源、面向患者的沟通)相结合。为便于解释，我们注意到整篇论文中"AI"指AI驱动的聊天机器人，"AI"和"AI聊天机器人"可互换使用。
冲突利益/竞争利益
作者声明无利益冲突。
资金声明
本工作由伊玛目穆罕默德·本·沙特伊斯兰大学(IMSUIU)科研院长办公室资助(资助号IMSUIU-DDRSP2601)。
作者贡献
所有作者贡献相等。
伦理批准
本研究按照赫尔辛基宣言的原则进行。批准由突尼斯迦太基大学Nabeul经济科学与管理学院伦理委员会授予(日期：2024年4月18日/编号CS146)。有关伦理合规的更多信息，可通过doyen.fsegnabeul@yahoo.fr联系委员会。
知情同意
在研究参与前获得了所有参与者的口头知情同意。同意过程在突尼斯进行问卷管理期间进行。参与者被明确告知研究目的、随时无惩罚退出的权利以及其回应的保密性和匿名性。考虑到研究的非侵入性和进行研究的文化背景，认为口头同意是适当的。
CRediT作者贡献声明
Asma Chaibi：撰写原始稿件、方法论、调查、正式分析、数据管理、概念化。
Muhammad Tanveer：撰写审阅与编辑、监督、项目管理、资金获取。
Eya Atallah Zouari：撰写原始稿件、可视化、验证、软件、资源、方法论。
Imed Zaiem：撰写审阅与编辑、软件、方法论、调查、概念化。
竞争利益声明
作者声明与本手稿出版无任何相关利益冲突。研究独立进行，无任何可能影响结果或解释的财务或个人关系。
附录A
附录A.1、A.2、A.4、A.5
附录A.1：定性研究的样本特征
| 性别 | 百分比 | 年龄组 | 百分比 | 职业 | 百分比 |
|---|---|---|---|---|---|
| 女性 | 76.7% | 21-30 | 20.9% | 教授 | 37.2% |
| 男性 | 23.3% | 31-40 | 30.2% | 学生 | 20.9% |
| 41-50 | 27.9% | IT工程师 | 23.3% | ||
| 51-60 | 20.9% | 工人 | 9.3% | ||
| 无业 | 7.0% | ||||
| 教师 | 2.3% | ||||
| 经理 | 2.3% | ||||
| 高级主管 | 2.3% | ||||
| 自由职业者 | 2.3% | ||||
| 退休 | 7.0% |
附录A.2：包含操作定义和示例引用的代码本
编码单位：有意义的子句/句子。
节点=主题；子节点=子主题。
参与者标签格式：P## | 性别 | 年龄组 | 职业 | AI熟悉度(Y/N)
| 主题 | 子主题(节点) | 操作定义 | 包含规则(编码时...) | 排除规则(不编码时...) | 典型指示(现场触发) | 典型引用(2) |
|---|---|---|---|---|---|---|
| 感知功能因素 | 感知健康风险(PHR) | 患者对AI可能造成伤害或损害临床安全的主观感觉(误诊、错过细微差别、缺乏同理心) | 提及安全、诊断错误、无法捕捉背景、害怕"机器错误" | 一般技术怀疑，无健康背景；关于成本/效率的担忧(编码到PHRd) | "错误"、"误诊"、"安全"、"错过某物"、"无同理心" | Q1："我担心AI可能会'错过我的医生能发现的罕见症状'。"(P07，女，35-44岁，教师，Y) • Q2："如果软件'在紧急情况下失败'，那责任在我作为患者。"(P22，男，45-54岁，司机，N) |
| 感知功能因素 | 信息隐私(IP) | 担心个人健康数据将被收集、共享或未经同意重用；害怕泄露或监视 | 提及隐私、未经授权的访问、二次使用、同意、存储位置 | 一般对医院管理/沟通的不信任(编码到PTMS)；基础设施充足性(编码到PHRd) | "数据"、"隐私"、"同意"、"谁看到"、"泄露"、"出售" | Q1："我不知道'谁看到我的扫描'一旦上传到系统。"(P13，女，25-34岁，学生，Y) • Q2："我害怕医院可能会'与保险公司共享我的记录'。"(P31，男，55-64岁，工程师，N) |
| 感知组织因素 | 感知医院准备度(PHRd) | 患者对医院拥有或缺乏实施AI安全所需的"基础设施、员工能力和资源"的感知 | 提及设备、IT支持、培训、系统正常运行时间、预算、可见准备 | 领导优先事项或政策基调(编码到PTMS)；医患沟通质量(范围外) | "机器"、"IT支持"、"训练有素的员工"、"预算"、"系统关闭" | Q1："有时'计算机崩溃'几个小时。AI那时如何工作？"(P19，女，35-44岁，护士助理，Y) • Q2："我很少看到'员工接受新系统培训'。"(P37，男，18-24岁，零售，N) |
| 感知组织因素 | 感知高层管理支持(PTMS) | 患者对医院领导"认可、资源和支持"AI负责的感知(伦理、安全、沟通) | 提及领导承诺、清晰沟通、资金、负责任的政策、可见赞助 | 前线执行能力(PHRd)；对医生的一般信任(功能，非领导) | "管理"、"主任"、"政策"、"投资"、"解释"、"宣布" | Q1："当管理层'清楚解释计划'时，我对AI感觉更安全。"(P04，女，45-54岁，职员，Y) • Q2："如果领导者'削减角落'省钱，我不会信任AI。"(P26，男，25-34岁，技术员，N) |
附录B. 测量量表
感知健康风险(PHR)
PHR1：我认为在诊断/治疗中使用AI聊天机器人涉及我的健康风险
PHR2：AI聊天机器人涉及用户健康的风
PHR3：我认为AI聊天机器人对我的健康有害
信息隐私(IP)
IP1：我担心个人隐私受到威胁
IP2：我担心AI聊天机器人未经我许可收集的数据
IP3：我担心未经我同意使用我的个人数据
医院准备度
HR1：我们拥有在医疗保健服务中采用AI聊天机器人的必要资源。
HR2：医务人员拥有控制AI聊天机器人交互的必要知识。
HR3：有特定人员(或团队)可用于系统困难的帮助。
高层管理支持
TMS1：高层管理愿意承担与在医疗保健中采用AI聊天机器人相关的战略风险。
TMS2：高层管理将AI聊天机器人的整合视为医院长期战略目标的关键组成部分。
TMS3：高层管理建立的政策积极支持使用AI聊天机器人增强数据流、运营效率和服务交付。
AI使用阻力
RU1：总之，使用AI聊天机器人管理我的健康会导致我不需要的问题
RU2：使用AI聊天机器人管理我的健康会与太多不确定性相关联。
RU3：使用AI聊天机器人管理我的健康不适合我。
RU4：我可能会反对使用AI聊天机器人管理我的健康。
RU5：我不需要AI聊天机器人来管理我的健康
附录C. 定量研究的样本特征
| 频率 | 百分比% | |
|---|---|---|
| 性别 | ||
| 男性 | 228 | 50.7 |
| 女性 | 222 | 49.3 |
| 总计 | 450 | 100,0 |
| 年龄 | ||
| 18-24岁 | 124 | 27.6 |
| 25-34岁 | 116 | 25.8 |
| 35-49岁 | 84 | 18.7 |
| 50-64岁 | 90 | 20.0 |
| 65岁及以上 | 36 | 8.0 |
| 总计 | 450 | 100,0 |
| 教育程度 | ||
| 小学教育 | 2 | 0.4 |
| 初中教育 | 6 | 1.3 |
| 高中教育 | 16 | 3.6 |
| 高中后非高等教育 | 8 | 1.8 |
| 学士学位 | 156 | 34.7 |
| 硕士学位 | 104 | 23.1 |
| 博士学位 | 144 | 32.0 |
| 工程学位 | 14 | 3.1 |
| 总计 | 450 | 100,0 |
| 职业 | ||
| 教师/教授 | 102 | 22.7% |
| 执行经理/主管 | 112 | 24.9% |
| 工人 | 46 | 10.2% |
| 工程师 | 22 | 4.9% |
| 无业 | 8 | 1.8% |
| 退休 | 18 | 4.0% |
| 总计 | 450 | 100,0 |
| AI知识水平 | ||
| 最低知识 | 78 | 17.3% |
| 基本知识 | 254 | 56.4% |
| 足够知识 | 98 | 21.8% |
| 优越知识 | 10 | 2.2% |
| 总计 | 450 | 100,0 |
【全文结束】