楊選輝 嚴(yán)章寬

關(guān)鍵詞：在線健康社區(qū)；算法回避；CAC范式；算法焦慮

隨著互聯(lián)網(wǎng)與傳統(tǒng)醫(yī)療行業(yè)的融合程度逐漸提高，在線醫(yī)療健康服務(wù)得到了充分的發(fā)展，截至2022年6月，我國(guó)在線醫(yī)療健康用戶達(dá)到3．O億人，占全體網(wǎng)民數(shù)量的28.5%。在線健康社區(qū)（0n-line Health Community，OHC）作為在線醫(yī)療健康服務(wù)的主要形式之一，通過(guò)社區(qū)向用戶提供在線問(wèn)診與咨詢(xún)、個(gè)人健康管理和健康信息獲取等服務(wù)，能夠有效地節(jié)約用戶成本、優(yōu)化醫(yī)療資源分配以及滿足民眾多樣化的健康服務(wù)需求。

為了提高使用效率和緩解信息冗余或過(guò)載等問(wèn)題，多數(shù)在線健康社區(qū)仿照社交媒體采用推薦算法技術(shù)和大數(shù)據(jù)分析技術(shù)，針對(duì)不同的用戶提供不同的信息，直接實(shí)現(xiàn)信息需求與信息呈現(xiàn)之間的無(wú)縫對(duì)接，使得社區(qū)內(nèi)容價(jià)值最大化。然而，互聯(lián)網(wǎng)環(huán)境下用戶普遍存在對(duì)算法推薦潛在危害的擔(dān)憂。根據(jù)《算法應(yīng)用的用戶感知調(diào)查與分析報(bào)告（2021）》顯示，79.39%的用戶擔(dān)心算法會(huì)損害自身權(quán)益，如隱私侵犯、數(shù)據(jù)泄露等。一些學(xué)者的研究發(fā)現(xiàn)，許多用戶會(huì)通過(guò)“算法回避”行為來(lái)規(guī)避潛在風(fēng)險(xiǎn)，即主動(dòng)地拒絕使用該平臺(tái)或關(guān)閉平臺(tái)的算法推薦功能，但是推薦算法在用戶參與在線健康社區(qū)的各個(gè)方面都扮演著至關(guān)重要的角色，如精準(zhǔn)醫(yī)患匹配、精選健康建議、推送健康信息和推薦健康產(chǎn)品等常用功能，都需要依托推薦算法技術(shù)來(lái)實(shí)現(xiàn)。如果用戶經(jīng)常采用回避推薦算法行為，會(huì)大大降低用戶對(duì)有效健康信息的獲取效率，降低醫(yī)生和患者之間的有效適配，削弱了在線健康社區(qū)的現(xiàn)實(shí)作用，不利于健康社區(qū)為用戶提供持續(xù)、有針對(duì)性的價(jià)值服務(wù)。同時(shí)，還因?yàn)橥扑]算法功能的關(guān)閉導(dǎo)致系統(tǒng)不能正常提供個(gè)性化推薦服務(wù)，從而削弱了平臺(tái)的競(jìng)爭(zhēng)力，大大影響了運(yùn)營(yíng)者的積極性。因此，了解用戶算法回避行為的影響因素，消除用戶的使用顧慮，促進(jìn)算法推薦技術(shù)規(guī)范健康發(fā)展是信息時(shí)代發(fā)展的迫切需要，對(duì)維護(hù)正常積極的傳播秩序具有重大意義。本研究以明晰在線健康社區(qū)用戶的算法回避行為的影響因素和內(nèi)在機(jī)理為目標(biāo)，結(jié)合前人研究與相關(guān)理論進(jìn)行實(shí)證分析，并提出優(yōu)化在線健康社區(qū)算法服務(wù)及規(guī)范算法監(jiān)管的對(duì)策與建議，具有一定的現(xiàn)實(shí)意義。

1研究現(xiàn)狀

1.1在線健康社區(qū)用戶行為研究現(xiàn)狀

在線健康社區(qū)的用戶具有多元化的構(gòu)成，其行為具有多樣化。學(xué)者們針對(duì)不同的主體及其不同類(lèi)型的行為展開(kāi)了研究，其研究主要聚焦于行為的形成機(jī)制與影響因素。張軍等基于知識(shí)協(xié)同建構(gòu)理論，構(gòu)建用戶交互行為網(wǎng)絡(luò)和知識(shí)網(wǎng)絡(luò)，對(duì)于不同類(lèi)型用戶及其分享的特征進(jìn)行了一定的總結(jié)與討論。Sharma S等通過(guò)研究發(fā)現(xiàn)，人們從在線健康社區(qū)尋求信息支持的需求是人們采納在線健康社區(qū)的主要原因之一。

由于健康數(shù)據(jù)的私密性較高，在線健康社區(qū)的隱私問(wèn)題更具敏感性，學(xué)者們認(rèn)為，該情境下與隱私相關(guān)的問(wèn)題具有研究的必要性。邱均平等利用“用戶一在線健康社區(qū)一政府”三方演化博弈模型，通過(guò)求解不同情境下的演化穩(wěn)定策略，來(lái)探究在線健康社區(qū)用戶的隱私披露行為及其演化規(guī)律。Yin P等從隱私風(fēng)險(xiǎn)感知的角度，探究平臺(tái)、醫(yī)生等特征如何影響用戶風(fēng)險(xiǎn)感知進(jìn)而影響其隱私披露行為。

1.2信息系統(tǒng)采納意愿與行為研究現(xiàn)狀

算法回避行為在表現(xiàn)上類(lèi)似于采納行為的反面，即“不采納”，也類(lèi)似于采納后的“中斷使用”，可見(jiàn)算法回避行為與采納行為有著密切的關(guān)系，因此，有必要梳理當(dāng)前信息系統(tǒng)采納意愿與行為研究現(xiàn)狀。目前，信息系統(tǒng)的采納意愿與行為研究主要集中于分析探討具體的影響因素和形成機(jī)理，從研究框架來(lái)看，以采用現(xiàn)有的成熟理論模型為主，具體包括技術(shù)接受模型（TAM）、整合技術(shù)接受與使用模型（UTAUT）、計(jì)劃行為理論（TBP）等，這些理論在探討采納行為的影響因素以及形成機(jī)制方面都相對(duì)全面且成熟，具有很好的解釋力，在實(shí)際的研究中，學(xué)者們以這些理論為基礎(chǔ)，結(jié)合具體的情境選取相應(yīng)的因素或加以拓展運(yùn)用。陳美等以UTA-UT為基礎(chǔ)，結(jié)合開(kāi)放政府?dāng)?shù)據(jù)的特點(diǎn)將感知風(fēng)險(xiǎn)加入研究模型中：Tahamtan I等通過(guò)結(jié)合定性研究結(jié)果與TAM模型，探討了在醫(yī)療工作環(huán)境中引入智能手機(jī)的采納意愿的影響因素。從具體的影響因素來(lái)看，采納意愿及行為的研究通常以考察積極因素為主，通過(guò)驗(yàn)證積極因素發(fā)揮的積極作用來(lái)闡釋采納意愿和行為的形成機(jī)制。例如，李君君等對(duì)移動(dòng)數(shù)字閱讀的持續(xù)采納研究中，確定了感知有用性、感知易用性、感知愉悅等積極因素；Gupta A等對(duì)數(shù)字錢(qián)包采納意愿的研究中以期望確認(rèn)模型為框架，主要考察感知有用性、自我效能感等積極因素的作用。

1.3算法回避行為相關(guān)研究現(xiàn)狀

目前對(duì)算法回避行為尚無(wú)統(tǒng)一的定義，不同學(xué)者間對(duì)用戶的這一行為有不同的描述，例如，張萌將用戶的拒絕下載、拒絕點(diǎn)擊、快速劃走、卸載應(yīng)用的行為概括為用戶對(duì)算法的“空間隔絕”：Xie X等則將用戶對(duì)算法的回避行為作為用戶對(duì)算法進(jìn)行抵抗的一個(gè)維度予以考察。本研究基于前人研究，將算法回避行為歸納為：用戶基于主觀意愿回避算法推薦服務(wù)所采取的完全或部分退出算法推薦服務(wù)的行為，具體表現(xiàn)包括主動(dòng)關(guān)閉算法推薦功能、避免使用算法推薦軟件或是卸載算法推薦軟件等行為。

目前，尚無(wú)關(guān)于算法回避行為的專(zhuān)題性研究，對(duì)算法回避行為的表現(xiàn)、形成機(jī)制以及影響因素等方面的討論，散見(jiàn)于算法交互（Human - AlgorithmInteraction，HAI）話題的相關(guān)研究中。例如，晏齊宏在用戶算法感知對(duì)反饋行為的影響機(jī)制的研究中，認(rèn)為用戶的算法回避行為是一種消極的反饋，用戶的算法意識(shí)以及推薦算法的應(yīng)用場(chǎng)景都會(huì)對(duì)用戶是否選擇回避產(chǎn)生影響。Siles I等通過(guò)對(duì)音樂(lè)服務(wù)平臺(tái)Spotify上的青少年用戶的研究發(fā)現(xiàn)，當(dāng)推薦算法在未經(jīng)用戶允許時(shí)進(jìn)行推薦，用戶會(huì)產(chǎn)生一些抵觸情緒并試圖禁用推薦功能。

綜上，現(xiàn)有研究較少關(guān)注到在線健康社區(qū)用戶的消極使用行為，特別是因?yàn)椴扇∷惴ɑ乇芏l(fā)的消極使用行為更是缺乏專(zhuān)題性的研究。由于在線健康社區(qū)情境下，使用算法推薦功能是用戶日常的主要使用場(chǎng)景之一．算法回避行為的出現(xiàn)不利于在線健康社區(qū)的正向發(fā)展，并會(huì)嚴(yán)重影響到社區(qū)對(duì)用戶的服務(wù)效果，因此，需要深入分析其形成機(jī)理和影響因素，同時(shí)，研究算法回避行為也能夠?yàn)楸Ｗo(hù)在線健康社區(qū)用戶的隱私提供新的視角。

2模型構(gòu)建與研究假設(shè)

2.1模型構(gòu)建

本研究將“認(rèn)知一情感一行為意愿”范式（Cognition-Affect-Conation Pattern，CAC）作為基石出理論框架，CAC范式是認(rèn)知心理學(xué)領(lǐng)域的重要結(jié)論之一，該范式認(rèn)為人的行為由認(rèn)知一情感一行為意愿這一路徑產(chǎn)生。其中，認(rèn)知要素是人的既有知識(shí)、以往經(jīng)驗(yàn)和對(duì)事物的個(gè)人體會(huì)：情感要素是在認(rèn)知基礎(chǔ)上所形成的理性或非理性的情緒反饋：行為意愿要素則是在“認(rèn)知一情感”過(guò)程中所形成的行為傾向。可見(jiàn)，CAC范式提供了一個(gè)多層次視角來(lái)理解用戶行為意愿的形成機(jī)制，與本研究的目的相吻合。

認(rèn)知要素方面，通過(guò)主觀和客觀兩方面選取。主觀角度的認(rèn)知要素選取隱私關(guān)注和感知威脅，隱私關(guān)注被定義為用戶對(duì)待關(guān)于自己的信息的態(tài)度，具體來(lái)說(shuō)，是指用戶關(guān)注和在意自身信息是否被合理地收集、使用的程度，感知威脅指的是個(gè)體對(duì)技術(shù)的威脅所感知到的危險(xiǎn)程度，二者反映的是用戶對(duì)算法的運(yùn)作原理、使用后果的帶有消極性質(zhì)的內(nèi)在認(rèn)知和主觀想象：客觀角度的認(rèn)知要素則選取了感知侵?jǐn)_和系統(tǒng)功能過(guò)載，感知侵?jǐn)_指用戶在自身原有行為或認(rèn)知?dú)v程受算法推薦內(nèi)容的干擾而被迫中斷時(shí)所產(chǎn)生的心理感受，系統(tǒng)功能過(guò)載是指用戶對(duì)技術(shù)功能的感知，可以定義為技術(shù)或服務(wù)所提供的功能超過(guò)用戶需求的感知，這兩個(gè)因素是算法具體的消極表現(xiàn)在用戶認(rèn)知中的反映。

情感要素方面選取算法焦慮因素，算法焦慮是用戶因算法服務(wù)的一些負(fù)面體驗(yàn)而產(chǎn)生的負(fù)面情緒狀態(tài)，包括憂慮、擔(dān)心、慌張、不安等，已成為算法環(huán)境中突出的情感問(wèn)題，同時(shí)，有學(xué)者認(rèn)為焦慮情緒是一切心理問(wèn)題的核心和關(guān)鍵，故本研究以算法焦慮作為情感因素予以考察。此外，若算法焦慮與算法回避行為的因果關(guān)系得到驗(yàn)證，為探究這一關(guān)系能否被積極認(rèn)知所削弱，本研究從感性和理性?xún)蓚€(gè)角度，選取了感知信任和感知可解釋性?xún)蓚€(gè)因素作為調(diào)節(jié)變量加入模型中。其中，算法可解釋性是算法結(jié)果可以被人類(lèi)使用者所理解的程度，感知可解釋性則是指用戶對(duì)算法這一特性的感知，信任則是個(gè)體對(duì)其他個(gè)體或組織的樂(lè)觀期望．

綜上，本研究所構(gòu)建的理論模型如圖1所示。

2.2假設(shè)提出

2.2.1算法焦慮與算法回避行為

焦慮會(huì)使個(gè)體主動(dòng)地尋求擺脫焦慮狀態(tài)，現(xiàn)有研究也已證明，用戶的算法焦慮會(huì)使用戶通過(guò)降低算法服務(wù)的使用頻率的方式來(lái)緩解自身焦慮狀態(tài)。在本研究情境下，當(dāng)在線健康社區(qū)用戶使用推薦算法功能過(guò)程中，由于算法推薦內(nèi)容的打擾或?qū)λ惴ǐ@取自身數(shù)據(jù)的擔(dān)憂等因素產(chǎn)生負(fù)面體驗(yàn)時(shí)，用戶的算法焦慮情緒就會(huì)被觸發(fā)，而當(dāng)算法焦慮積累到一定程度日寸，用戶則會(huì)選擇回避推薦算法以減少自身焦慮?；谏鲜稣撌觯狙芯刻岢鲆韵录僭O(shè)：

H1：算法焦慮正向影響算法回避行為

2.2.2隱私關(guān)注與算法焦慮

隱私關(guān)注對(duì)用戶的負(fù)面情感有顯著的正向影響，已得到實(shí)證研究的證明，例如，陳昊等的研究證實(shí)社交媒體中用戶的隱私關(guān)注會(huì)引發(fā)消極的情感響應(yīng)。周濤等的研究驗(yàn)證了在線知識(shí)社區(qū)用戶的隱私關(guān)注會(huì)顯著地正向影響用戶的焦慮情緒。由于在線健康社區(qū)用戶的數(shù)據(jù)常與疾病、健康和身體狀況相關(guān)，更具私密性和敏感性，而算法是一項(xiàng)基于用戶數(shù)據(jù)提供服務(wù)的技術(shù)，因此，有理由推測(cè)在線健康社區(qū)用戶的隱私關(guān)注也會(huì)引起用戶對(duì)于算法的焦慮情緒?；谏鲜稣撌觯狙芯刻岢鲆韵录僭O(shè)：

H2：隱私關(guān)注正向影響算法焦慮

2.2.3感知威脅與算法焦慮

現(xiàn)有研究驗(yàn)證了個(gè)體對(duì)威脅的感知會(huì)導(dǎo)致焦慮等負(fù)面情緒的產(chǎn)生，并且會(huì)隨之觸發(fā)個(gè)體的消極行為。根據(jù)技術(shù)威脅規(guī)避理論，由于信息時(shí)代技術(shù)對(duì)用戶權(quán)益的侵害頻發(fā)，使得在線健康社區(qū)用戶很容易認(rèn)為推薦算法這項(xiàng)具有黑箱性質(zhì)的技術(shù)具有威脅性，同時(shí)，由于現(xiàn)今環(huán)境下大眾算法素養(yǎng)的缺乏，在線健康社區(qū)用戶對(duì)于算法技術(shù)缺乏了解，其感知威脅和負(fù)面情感的形成都較為敏感?；谏鲜稣撌觯狙芯刻岢鲆韵录僭O(shè)：

H3：感知威脅正向影響算法焦慮

2.2.4感知侵?jǐn)_與算法焦慮

感知侵?jǐn)_的概念最初常用于研究廣告對(duì)個(gè)體的干擾，Lee J等的研究認(rèn)為，侵?jǐn)_性是個(gè)性化的信息，必然會(huì)帶來(lái)負(fù)面感知，現(xiàn)有研究也表明，在算法推薦服務(wù)中不良推薦可能會(huì)導(dǎo)致感知侵?jǐn)_，并且感知侵?jǐn)_會(huì)使用戶產(chǎn)生負(fù)面情感體驗(yàn)，并進(jìn)一步削弱用戶的使用意愿。在線健康社區(qū)的情境中，用戶對(duì)算法服務(wù)推薦的信息接受處于被動(dòng)狀態(tài)，當(dāng)用戶主動(dòng)在社區(qū)中進(jìn)行查詢(xún)健康信息等行為時(shí)，推薦的其他信息內(nèi)容會(huì)對(duì)用戶原本的行為目的形成干擾，從而引發(fā)用戶對(duì)算法服務(wù)的負(fù)面情緒?；谏鲜稣撌?，本研究提出以下假設(shè)：

H4：感知侵?jǐn)_正向影響算法焦慮

2.2.5系統(tǒng)功能過(guò)載與算法焦慮

實(shí)證研究發(fā)現(xiàn)，系統(tǒng)功能過(guò)載會(huì)顯著影響用戶情感狀態(tài)，使用戶產(chǎn)生低落等負(fù)面情緒。在線健康社區(qū)中的算法服務(wù)的作用以輔助性為主，例如，算法可以提高用戶獲取健康信息和醫(yī)療支持的效率，但并非用戶參與社區(qū)互動(dòng)的主要功能。由于算法的泛用性強(qiáng)，社區(qū)運(yùn)營(yíng)者很容易濫用算法，造成系統(tǒng)功能過(guò)載，主要形式為算法推薦場(chǎng)景過(guò)多、推送消息過(guò)多、個(gè)性化程度過(guò)高引起不適等，都會(huì)導(dǎo)致用戶產(chǎn)生算法焦慮?；谏鲜稣撌觯狙芯刻岢鲆韵录僭O(shè)：

H5：系統(tǒng)功能過(guò)載正向影響算法焦慮

2.2.6感知可解釋性與感知信任的調(diào)節(jié)作用

算法服務(wù)若要達(dá)到一定的可解釋性，要求其在達(dá)到個(gè)性化的基礎(chǔ)上還能使用戶得到進(jìn)一步的人性化體驗(yàn)，提高用戶對(duì)算法服務(wù)的感知可解釋性，可以消除用戶對(duì)算法服務(wù)的偏見(jiàn)，改善用戶對(duì)算法的情感態(tài)度，并提高用戶對(duì)算法服務(wù)的使用意愿：信任則意味著愿意承擔(dān)風(fēng)險(xiǎn)的主觀意愿，當(dāng)用戶建立起對(duì)服務(wù)和平臺(tái)的信任后，也會(huì)減少對(duì)其他負(fù)面體驗(yàn)的關(guān)注，從而呈現(xiàn)出較正面的情感態(tài)度和積極的使用態(tài)度。可以推測(cè)，在線健康社區(qū)情境中，一定程度的感知可解釋性和感知信任可以削弱算法焦慮對(duì)算法回避行為的影響?；谏鲜稣撌觯狙芯刻岢鲆韵录僭O(shè)：

H6：感知可解釋性對(duì)算法焦慮與算法回避行為之間具有負(fù)向調(diào)節(jié)作用

H7：感知信任對(duì)算法焦慮與算法回避行為之間具有負(fù)向調(diào)節(jié)作用

3問(wèn)卷設(shè)計(jì)與數(shù)據(jù)收集

3.1問(wèn)卷設(shè)計(jì)

本研究所使用的問(wèn)卷分為基本信息和主體量表兩個(gè)部分?；拘畔⒉糠职ㄔ诰€健康社區(qū)用戶的年齡、性別、職業(yè)、學(xué)歷、身體健康狀況和在線健康社區(qū)使用經(jīng)驗(yàn)：主體量表部分用以測(cè)量理論模型中相關(guān)因素與算法回避行為，依據(jù)前人研究中成熟量表編制并基于實(shí)際研究情境進(jìn)行調(diào)整，采用Lik-ert 5點(diǎn)式量表進(jìn)行測(cè)量，1表示“非常不符合”，5表示“非常符合”。正式發(fā)放問(wèn)卷前，通過(guò)發(fā)放問(wèn)卷進(jìn)行小樣本前測(cè)以修改調(diào)整問(wèn)卷，最終形成正式問(wèn)卷，如表1所示。

3.2數(shù)據(jù)收集

本研究采用在線調(diào)研的方式收集數(shù)據(jù)，調(diào)研時(shí)間為2022年11月-12月，共回收問(wèn)卷393份?；厥胀瓿珊蠡谙率龊Y選標(biāo)準(zhǔn)剔除無(wú)效問(wèn)卷：一是剔除未使用過(guò)在線健康社區(qū)的樣本：二是剔除填寫(xiě)態(tài)度差的樣本，如答題時(shí)間小于60秒、量表選擇同一選項(xiàng)以及陷阱題未通過(guò)的3類(lèi)樣本。最終獲得有效問(wèn)卷350份，問(wèn)卷有效率為89.1%。

樣本具體的人口統(tǒng)計(jì)學(xué)特征如表2所示，其中男女比例約為4：6．身體健康狀況良好的樣本占比為73.4%，26～35歲樣本占比為54.0%，本科及以上用戶占77.4%，并且使用經(jīng)驗(yàn)在1～5年的用戶居多，上述幾項(xiàng)特征顯示本研究樣本特征與實(shí)際用戶畫(huà)像基本吻合。

4數(shù)據(jù)分析

本研究通過(guò)SEM-ANN-NCA三階段數(shù)據(jù)分析方法對(duì)問(wèn)卷數(shù)據(jù)進(jìn)行分析。基于偏最小二乘法的結(jié)構(gòu)方程模型（Partial

Least

Square -Structural

EquationModelling，PLS-SEM）是一種基于多元線性回歸的分析方法，通過(guò)創(chuàng)建路徑模型來(lái)分析前因變量與結(jié)果變量之間的關(guān)系，在行為意愿的因果關(guān)系研究或預(yù)測(cè)方面已相對(duì)成熟。

然而PLS-SEM只能分析因素之間的線性關(guān)系，本研究引入人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）的分析方法，在PLS-SEM結(jié)果的基礎(chǔ)上對(duì)非線性關(guān)系進(jìn)行捕捉，可以更加貼合現(xiàn)實(shí)情況。同時(shí)，PLS-SEM是一種基于充分性邏輯的分析方法，基于充分性的分析結(jié)果提出現(xiàn)實(shí)建議缺乏說(shuō)服力，據(jù)此，本研究引入必要條件分析（Necessary Condi-tion Analysis，NCA）來(lái)驗(yàn)證影響因素中是否存在必要條件，以完善本研究的邏輯性和科學(xué)性。

4.1基于偏最小二乘法的結(jié)構(gòu)方程模型分析

4.1.1信效度檢驗(yàn)

首先，信度通過(guò)Cronbach'sa、rho-a和組合信度（Composite Reliability，CR）3個(gè)指標(biāo)進(jìn)行檢驗(yàn)，由表3可知，本研究中所有變量的Cronbach'sa、tho_a和CR均大于門(mén)檻值0.7，表示本研究所使用量表具有良好的信度。其次，收斂效度通過(guò)因子載荷與平均提取方差值（Average Variance Extracted，AVE）檢驗(yàn)，由表3可知，本研究中各題項(xiàng)的因子載荷均在0.7以上，且所有變量的AVE值均大于0.5，表明本研究所使用量表具有良好的收斂效度。最后，區(qū)分效度通過(guò)Fornell-Larker標(biāo)準(zhǔn)進(jìn)行檢驗(yàn)，即AVE值平方根大于各變量的相關(guān)系數(shù)，則表示區(qū)分效度良好，表4結(jié)果顯示，各變量AVE值平方根均大于相關(guān)系數(shù)，表明本研究所用量表具有良好的區(qū)分效度。

4.1.2假設(shè)檢驗(yàn)

假設(shè)檢驗(yàn)結(jié)果如圖2及表5所示。直接效應(yīng)方面，在線健康社區(qū)用戶的隱私關(guān)注（B=0. 420，p<0. OOI）、感知侵?jǐn)_（B=0. 391，p<0. 001）、感知威脅（B=0. 108，p<0. 05）和系統(tǒng)功能過(guò)載（B=0.101，p<0.01）對(duì)算法焦慮起到不同程度的顯著正向影響，同時(shí)，算法焦慮對(duì)于用戶的算法回避行為也有顯著的正向影響（B=0.613，p<0.001），因此，假設(shè)H1～H5均得到支持：調(diào)節(jié)效應(yīng)方面，感知信任（B=0.031，p=0.536）和感知可解釋性（B=0.049，p=0.389）在算法焦慮與算法回避行為之間不存在顯著的調(diào)節(jié)效應(yīng)，因此，本研究結(jié)果不能支持假設(shè)H6與H7。

4.1.3模型預(yù)測(cè)能力評(píng)估

由于PLS-SEM被視為一種“因果預(yù)測(cè)”的分析方法，因此，還需對(duì)模型的預(yù)測(cè)能力進(jìn)行評(píng)估。模型預(yù)測(cè)能力通過(guò)R2值以及PLSpredict進(jìn)行評(píng)估。R2反映模型內(nèi)生變量的樣本內(nèi)預(yù)測(cè)能力，也稱(chēng)為解釋能力，0.26、0.13和0.02分別為強(qiáng)、中和弱樣本內(nèi)預(yù)測(cè)能力的門(mén)檻值。由表6可知，內(nèi)生變量的R2均在0.26以上，因此，本研究所構(gòu)建模型具有較強(qiáng)的樣本內(nèi)預(yù)測(cè)能力。PLSpredict通過(guò)兩個(gè)標(biāo)準(zhǔn)反映模型的樣本外預(yù)測(cè)能力，一是Q2大于0，二是PLSpredict的均方根誤差（Root Mean SquareError，RMSE）全部低于、大部分低于、少部分低于、全部高于LM的RMSE的4種情況，分別對(duì)應(yīng)高、中、低或無(wú)預(yù)測(cè)能力。由表6可知，全部?jī)?nèi)生變量的Q2值均大于0，且PLSpredict RMSE僅有一項(xiàng)大于LM RMSE，因此，本研究所構(gòu)建模型具有中等的樣本外預(yù)測(cè)能力。綜上，本研究所構(gòu)建模型總體擁有較好的預(yù)測(cè)能力。

4.2人工神經(jīng)網(wǎng)絡(luò)分析

在PLS-SEM結(jié)果的基礎(chǔ)上進(jìn)行ANN分析，步驟如下：

第一，構(gòu)建ANN模型。將具有顯著影響的路徑作為輸入神經(jīng)元，構(gòu)建出以算法焦慮作為輸出的ANN模型，如圖3所示。以Sigmoid函數(shù)為輸入層和隱藏層的激活函數(shù)，為每個(gè)ANN模型生成了10個(gè)網(wǎng)絡(luò)，并使用10倍交叉驗(yàn)證例程來(lái)避免過(guò)度擬合，即其中90%的數(shù)據(jù)用于訓(xùn)練，10%用于測(cè)試。

第二，進(jìn)行模型預(yù)測(cè)準(zhǔn)確性評(píng)估以確保結(jié)果的科學(xué)性和有效性。通過(guò)訓(xùn)練和測(cè)試過(guò)程的RMSE結(jié)果來(lái)評(píng)估模型預(yù)測(cè)準(zhǔn)確性，由表7可知，訓(xùn)練和測(cè)試的RMSE均值都在0.1以下，相對(duì)較小，表示本研究所構(gòu)建ANN模型具有高水平的預(yù)測(cè)準(zhǔn)確性。

第三，通過(guò)敏感性分析獲得變量的相對(duì)重要性。通過(guò)敏感性分析可以獲得ANN模型中變量的重要性，將相對(duì)重要性均值最高者作為100%，計(jì)算所有變量的標(biāo)準(zhǔn)化重要性，結(jié)果如表8所示。

4.3 要條件分析

NCA方法通過(guò)在x-y散點(diǎn)圖中繪制上限線（Ceiling Line）來(lái)判斷x條件的必要性，通過(guò)上限線劃分觀測(cè)值區(qū)與無(wú)觀測(cè)值區(qū)，若上限線之上存在空白區(qū)域，則表明某一條件對(duì)結(jié)果具有必要性，上限線圖如圖4所示。由于本研究使用李克特量表收集數(shù)據(jù)，因此，后續(xù)分析中選擇適用于連續(xù)變量的上限分析方法CR-FDH。NCA方法判斷條件的必要性的數(shù)值標(biāo)準(zhǔn)有兩方面：一是效應(yīng)量（d）不低于0.1；二是蒙特卡洛仿真置換檢驗(yàn)（Monte Carlo slm-ulations of Permutation Tests）（Permutation=10000）顯示效應(yīng)量達(dá)到顯著水平（P<0.05），其中，效應(yīng)量通過(guò)空白區(qū)域的大小除以總面積的大小來(lái)計(jì)算。

由表9可知，本研究理論模型中的變量關(guān)系均符合上述兩個(gè)條件，表明隱私關(guān)注、感知侵?jǐn)_、感知威脅和系統(tǒng)功能過(guò)載都是算法焦慮的必要條件，且算法焦慮也是算法回避行為的必要條件。此外，NCA方法還通過(guò)瓶頸水平分析來(lái)產(chǎn)生某一特定結(jié)果所需條件的必要水平，瓶頸水平表提供了一種更加詳細(xì)的動(dòng)態(tài)評(píng)估，具體結(jié)果如表10所示。

5結(jié)果討論

基于上述SEM-ANN-NCA三階段分析結(jié)果，可以得到以下結(jié)論。

第一，PLS-SEM分析結(jié)果顯示，在線健康社區(qū)用戶參與的認(rèn)知層面中，隱私關(guān)注、感知侵?jǐn)_、感知威脅和系統(tǒng)功能過(guò)載會(huì)引發(fā)用戶的算法焦慮情感，這4種認(rèn)知要素反映的推薦算法服務(wù)的負(fù)面體驗(yàn)在實(shí)際生活中確實(shí)存在不可忽視的負(fù)面影響，因此，平臺(tái)亟需從這4個(gè)方面人手優(yōu)化算法服務(wù)以提高用戶使用體驗(yàn)。在情感層面，在上述4種認(rèn)知影響的基礎(chǔ)上，算法焦慮會(huì)進(jìn)一步觸發(fā)用戶的算法回避行為，與前人研究保持一致。這說(shuō)明算法焦慮作為負(fù)面體驗(yàn)和負(fù)面認(rèn)知的情感結(jié)果，累積到一定程度會(huì)導(dǎo)致用戶本能地產(chǎn)生回避行為以避免焦慮情緒的產(chǎn)生。

此外，在線健康社區(qū)用戶的感知信任和感知可解釋性并不能夠調(diào)節(jié)由算法焦慮導(dǎo)致的算法回避行為。這可能是因?yàn)樗惴ń箲]導(dǎo)致算法回避行為是一種啟發(fā)式的思維過(guò)程，是以往的知識(shí)經(jīng)驗(yàn)發(fā)揮直覺(jué)性作用的思維過(guò)程，依賴(lài)于用戶的算法素養(yǎng)水平，因此，用戶對(duì)平臺(tái)的信任程度和對(duì)算法可解釋性的評(píng)估，在用戶普遍缺乏算法素養(yǎng)的情況下所能發(fā)揮的作用有限。

第二，ANN結(jié)果顯示，感知侵?jǐn)_和隱私關(guān)注兩個(gè)因素的重要性要明顯高于系統(tǒng)功能過(guò)載和感知威脅兩個(gè)因素，這可能是因?yàn)楝F(xiàn)今網(wǎng)絡(luò)環(huán)境中算法功能過(guò)載和算法技術(shù)威脅普遍存在的情況下，在線健康社區(qū)用戶既希望得到健康信息及醫(yī)療支持，又希望個(gè)人數(shù)據(jù)和隱私安全能夠得到保護(hù)，導(dǎo)致感知侵?jǐn)_和隱私關(guān)注的作用要明顯高于另外兩方面。

第三，NCA結(jié)果顯示，隱私關(guān)注、感知侵?jǐn)_、感知威脅和系統(tǒng)功能過(guò)載均是引發(fā)在線健康社區(qū)用戶算法焦慮的必要條件，且算法焦慮也是產(chǎn)生算法回避行為的必要條件。這表明隱私關(guān)注、感知侵?jǐn)_、感知威脅和系統(tǒng)功能過(guò)載4種認(rèn)知要素不僅會(huì)觸發(fā)在線健康社區(qū)用戶的算法焦慮，并且這4種認(rèn)知要素會(huì)限制算法焦慮的提高，同理，用戶的算法焦慮水平也會(huì)限制算法回避行為的產(chǎn)生。因此，NCA的結(jié)果佐證了從削弱用戶的負(fù)面認(rèn)知的角度出發(fā)來(lái)降低算法焦慮，從而減少算法回避行為的這一策略的合理性。

6結(jié)語(yǔ)

6.1理論貢獻(xiàn)

本文基于CAC范式，從認(rèn)知和情感兩個(gè)層次剖析了在線健康社區(qū)用戶算法回避行為的影響因素與形成機(jī)制，通過(guò)SEM-ANN-NCA三階段的數(shù)據(jù)分析方法，對(duì)在線健康社區(qū)用戶的算法回避行為進(jìn)行了實(shí)證分析。本研究的理論貢獻(xiàn)主要體現(xiàn)在以下方面：

首先，本研究從推薦算法視角拓展了在線健康社區(qū)用戶行為的研究情境。如前文提及的張軍等、邱均平等和Yin P等，通常從平臺(tái)特征、信息特征和個(gè)人心理等方面研究在線健康社區(qū)用戶行為的形成機(jī)理，少有涉及算法對(duì)用戶行為影響的探討。本研究通過(guò)分析在線健康社區(qū)用戶使用算法服務(wù)時(shí)的負(fù)面體驗(yàn)與算法回避行為的關(guān)系，對(duì)在線健康社區(qū)用戶的特定行為進(jìn)行了全面詮釋?zhuān)瑥乃惴ń嵌蓉S富和完善了現(xiàn)有在線健康社區(qū)用戶行為研究的相關(guān)理論。此外，相比其他用戶，在線健康社區(qū)用戶更關(guān)注推薦算法帶來(lái)的利與弊，更希望提升防范化解算法推薦安全風(fēng)險(xiǎn)的能力，更希望促進(jìn)算法推薦技術(shù)規(guī)范健康發(fā)展，因此，本研究將推薦算法運(yùn)用到在線健康社區(qū)情景更具有理論價(jià)值。

其次，本研究通過(guò)CAC范式構(gòu)建了在線健康社區(qū)情境下的用戶算法回避行為影響因素模型，并展開(kāi)了詳細(xì)的定量研究。而以往研究中對(duì)于算法回避行為的討論局限于理論層面，缺乏量化研究，如Ettlinger N[的研究通過(guò)基于哲學(xué)視角探討了人們對(duì)通過(guò)算法回避等行為來(lái)反抗算法的現(xiàn)象，Siles I等通過(guò)質(zhì)性研究方法分析了音樂(lè)推薦算法情境下青少年回避算法的動(dòng)機(jī)。本研究通過(guò)實(shí)證研究完整展現(xiàn)了一種具體情境下算法回避行為的形成機(jī)制，相比前人研究更加的具體、細(xì)化，能夠?yàn)楹罄m(xù)的算法回避行為運(yùn)用于不同的情景研究提供參考和借鑒。

6.2建議與對(duì)策

根據(jù)本研究的結(jié)論，提出以下建議與對(duì)策：

1）將以人為中心的理念引入算法設(shè)計(jì)當(dāng)中。以人為中心的設(shè)計(jì)理念強(qiáng)調(diào)圍繞用戶的興趣、能力和需求來(lái)設(shè)計(jì)算法，通過(guò)開(kāi)發(fā)可解釋算法、可視化算法運(yùn)行過(guò)程等方式，增強(qiáng)在線健康社區(qū)算法服務(wù)的透明性和可理解性。同時(shí)，以人為中心的設(shè)計(jì)理念要求算法設(shè)計(jì)者具有跨學(xué)科的知識(shí)與能力，在實(shí)際的算法設(shè)計(jì)過(guò)程中，需要聚集用戶體驗(yàn)設(shè)計(jì)師、視覺(jué)設(shè)計(jì)師、交互設(shè)計(jì)師和信息設(shè)計(jì)師來(lái)共同提供最佳的用戶體驗(yàn)，還需結(jié)合健康醫(yī)療行業(yè)的相關(guān)知識(shí)提供最貼合在線健康社區(qū)用戶需求的算法設(shè)計(jì)，減少系統(tǒng)功能過(guò)載的出現(xiàn)和用戶的感知侵?jǐn)_。

2）培養(yǎng)并提高用戶的算法素養(yǎng)。算法素養(yǎng)指用戶能夠意識(shí)到算法的存在并了解其工作原理，能夠擁有評(píng)估、應(yīng)對(duì)算法的能力。算法素養(yǎng)教育可以消除用戶對(duì)算法的偏見(jiàn)，幫助用戶正確認(rèn)識(shí)算法，避免因羊群效應(yīng)和普遍性的認(rèn)知偏差而產(chǎn)生的算法回避行為。在線健康社區(qū)運(yùn)營(yíng)者可以通過(guò)建立專(zhuān)門(mén)的網(wǎng)站或以新人指南、內(nèi)容推薦的形式向用戶推送相關(guān)內(nèi)容，以宣傳普及算法基礎(chǔ)知識(shí)和相關(guān)法規(guī)，將利用算法基本原理操作算法服務(wù)的相關(guān)技能傳授給用戶，提高用戶保護(hù)自身隱私與數(shù)據(jù)安全的能力，以滿足用戶隱私關(guān)注帶來(lái)的保護(hù)隱私的心理需求。

3）增強(qiáng)用戶在數(shù)據(jù)和隱私安全方面的自主權(quán)。一方面，保證用戶對(duì)自身數(shù)據(jù)利用的知情權(quán)，在規(guī)范對(duì)數(shù)據(jù)的獲取、存儲(chǔ)與使用的基礎(chǔ)上，如實(shí)告知用戶推薦算法所使用數(shù)據(jù)的內(nèi)容與方式：另一方面，提高用戶對(duì)自身信息和數(shù)據(jù)的控制權(quán)，在社區(qū)內(nèi)提供關(guān)閉算法、停止獲取個(gè)人信息和刪除數(shù)據(jù)等功能。具體來(lái)說(shuō)，需要完善目前的“授權(quán)同意”機(jī)制，向用戶提供算法收集的不同數(shù)據(jù)類(lèi)別的詳細(xì)說(shuō)明，并提供細(xì)化的授權(quán)選項(xiàng)，避免使用“同意或退出”的非黑即白的授權(quán)模式，從而削弱用戶的感知威脅以及隱私關(guān)注。

6.3局限與展望

雖然本研究在理論和實(shí)踐層面都取得了一定的成果，但仍存在一定局限性。首先，本研究采用問(wèn)卷調(diào)查獲取數(shù)據(jù)，其測(cè)量范圍相對(duì)有限；其次，本研究對(duì)在線健康社區(qū)用戶群體并未進(jìn)行細(xì)化區(qū)分。因此，后續(xù)研究可以從上述局限著手，考慮對(duì)在線健康社區(qū)內(nèi)的用戶行為數(shù)據(jù)和文本數(shù)據(jù)等進(jìn)行分析研究，從實(shí)際使用數(shù)據(jù)的角度補(bǔ)充和驗(yàn)證，同日寸，也可擴(kuò)大樣本范圍并細(xì)化樣本群體，考察不同的用戶群體對(duì)于算法的態(tài)度以及算法回避行為方面是否存在差異。