摘 要： ［目的／ 意義］ 醫(yī)生通過發(fā)布健康科普文章進(jìn)行主動知識貢獻(xiàn)， 對提升在線健康社區(qū)公共衛(wèi)生知識水平具有重要作用。研究該行為對患者擇醫(yī)行為影響， 有助于緩解醫(yī)患信息不對稱問題， 并提升醫(yī)生經(jīng)濟(jì)收益與社會形象。［方法／ 過程］ 本研究基于信息系統(tǒng)成功模型（ＩＳＳＭ）， 從使用情況、信息質(zhì)量和服務(wù)質(zhì)量３ 個維度構(gòu)建主動知識貢獻(xiàn)對患者擇醫(yī)影響模型。通過收集好大夫平臺醫(yī)生面板數(shù)據(jù)， 采用傾向得分匹配—雙重差分（ＰＳＭＤＩＤ）方法， 量化醫(yī)生文章發(fā)布行為、數(shù)量及類型對新增咨詢患者影響， 分析職稱和口碑調(diào)節(jié)作用。［結(jié)果／ 結(jié)論］研究表明， 醫(yī)生主動知識貢獻(xiàn)明顯推動患者擇醫(yī)行為。轉(zhuǎn)載、精選、付費及視頻文章轉(zhuǎn)化效果尤為顯著， 凸顯信息質(zhì)量與媒介豐富度重要性。同時， 高級職稱醫(yī)生存在邊際效應(yīng)遞減現(xiàn)象， 而高在線口碑有正向調(diào)節(jié)作用。此外， 慢性病領(lǐng)域主動知識貢獻(xiàn)效果顯著優(yōu)于其他疾病。本研究不僅拓展了醫(yī)生主動知識貢獻(xiàn)行為的理論研究， 還為在線健康社區(qū)優(yōu)化運營策略提供了實踐指導(dǎo)。

關(guān)鍵詞： 在線健康社區(qū)； 知識貢獻(xiàn)； 擇醫(yī)行為； 信息系統(tǒng)成功模型； 傾向得分匹配—雙重差分

ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１００８－０８２１．２０２５．０５．０１５

〔中圖分類號〕Ｇ２５２. ０ 〔文獻(xiàn)標(biāo)識碼〕Ａ 〔文章編號〕１００８－０８２１ （２０２５） ０５－０１６７－１１

在《“健康中國２０３０” 規(guī)劃綱要》［１］ 的推動下，遠(yuǎn)程醫(yī)療和互聯(lián)網(wǎng)醫(yī)療迅速發(fā)展， 通過在線咨詢和遠(yuǎn)程診斷有效減少了患者對實地就醫(yī)的依賴， 緩解了醫(yī)療資源緊張與分布不均的問題［２－３］ 。在線健康社區(qū)（Ｏｎｌｉｎｅ Ｈｅａｌｔｈ Ｃｏｍｍｕｎｉｔｉｅｓ， ＯＨＣ） 突破了傳統(tǒng)醫(yī)療的時空限制， 為患者提供了便捷的線上問診渠道， 同時為醫(yī)生帶來了提升口碑、拓展服務(wù)和增加收入的機(jī)會［４］ 。ＯＨＣ 平臺可以通過ＶＩＰ 服務(wù)、家庭醫(yī)生計劃及公開問診記錄等方式吸引用戶［５］ ， 但醫(yī)生在自主選擇營銷策略方面的靈活性有限。當(dāng)前，醫(yī)生通過平臺自媒體頻道（科普號）發(fā)布健康科普文章提升曝光度和信任度， 進(jìn)而吸引更多付費咨詢，已成為一種廣泛應(yīng)用的策略［６］ ， 并在多個ＯＨＣ 平臺（如春雨醫(yī)生、微醫(yī)）取得廣泛應(yīng)用。截至２０２４ 年３月， 已有２７. ６％的好大夫平臺注冊醫(yī)生開通自媒體頻道并發(fā)布了健康科普文章。

發(fā)布健康科普文章已成為醫(yī)生主動知識貢獻(xiàn)的主要方式， 但其對患者擇醫(yī)行為的具體影響尚未得到充分研究?，F(xiàn)有文獻(xiàn)多集中于文章發(fā)布數(shù)量的單一因素分析， 缺乏對文章類別、醫(yī)生職稱、口碑等多維度因素的綜合討論。此外， 針對ＯＨＣ 平臺從文章發(fā)布到患者付費擇醫(yī)過程中， 涉及的信息質(zhì)量和服務(wù)質(zhì)量等信息系統(tǒng)成功模型因素仍存在研究空白。大多數(shù)研究將醫(yī)生視為整體樣本， 忽略了不同活躍度醫(yī)生在知識貢獻(xiàn)與就診服務(wù)方面的差異， 這可能引發(fā)內(nèi)生性偏誤， 削弱結(jié)論的可靠性和有效性。

為彌補上述不足， 本文以ＯＨＣ 為研究場景， 基于信息系統(tǒng)成功模型， 從使用情況、信息質(zhì)量和服務(wù)質(zhì)量３ 個維度， 系統(tǒng)化評估醫(yī)生發(fā)布文章行為的效果。通過傾向得分匹配—雙重差分法［７］ ， 利用好大夫平臺９４１ ０２６名醫(yī)生的連續(xù)６ 個月數(shù)據(jù)， 深入分析醫(yī)生發(fā)布健康科普文章對患者付費咨詢轉(zhuǎn)化的影響。研究結(jié)合信號理論與邊際效應(yīng)理論， 探討了醫(yī)生職稱與在線口碑在這一過程中所起的調(diào)節(jié)作用， 并比較了不同疾病領(lǐng)域的異質(zhì)性效果。研究不僅為ＯＨＣ 平臺的管理和服務(wù)提供實踐指導(dǎo)， 還為用戶行為優(yōu)化提供理論依據(jù)， 進(jìn)一步拓寬了信息系統(tǒng)成功模型的應(yīng)用場景， 豐富了主動知識貢獻(xiàn)對患者行為影響的理論研究。

１ 文獻(xiàn)綜述

１. １ ＩＳＳＭ 模型在在線信息系統(tǒng)中的應(yīng)用研究

ＩＳＳＭ 模型在在線信息系統(tǒng)中的應(yīng)用研究信息系統(tǒng)成功模型（Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ ＳｕｃｃｅｓｓＭｏｄｅｌ， ＩＳＳＭ）自１９９２ 年由ＤｅＬｏｎｅ Ｗ Ｈ 等提出以來，已成為評估信息系統(tǒng)效果與成功的經(jīng)典框架［８］ 。該模型通過信息質(zhì)量、服務(wù)質(zhì)量、用戶滿意度、使用情況和凈效益等多個維度， 綜合衡量信息系統(tǒng)的成功與影響。醫(yī)生通過ＯＨＣ 平臺自媒體發(fā)布健康科普內(nèi)容， 涵蓋內(nèi)容生成、信息共享、互動交流及專業(yè)咨詢， 符合使用ＩＳＳＭ 模型評估其效能的條件。

ＩＳＳＭ 已被廣泛應(yīng)用于多個信息資源平臺， 如知識付費、移動閱讀和政務(wù)服務(wù)平臺等。徐愷英等［９］通過分析圖書館移動閱讀用戶的接納行為， 發(fā)現(xiàn)感知易用性、感知有用性及信息與環(huán)境質(zhì)量對用戶使用態(tài)度有正向影響。金小璞等［１０］ 在知識付費平臺的研究中， 強(qiáng)調(diào)信息質(zhì)量和服務(wù)質(zhì)量在提升用戶滿意度中的重要性。龐宇等［１１］ 指出， 一些政務(wù)服務(wù)平臺在信息質(zhì)量和服務(wù)質(zhì)量方面的不足。曹晶等［１２］ 通過用戶滿意度調(diào)查， 分析了國家文獻(xiàn)信息資源保障平臺的質(zhì)量、實用價值及用戶期望等因素。

本文選擇ＩＳＳＭ 作為理論框架有兩大原因： 其一， 在線健康社區(qū)中， 醫(yī)生發(fā)布的內(nèi)容與患者信息采納過程緊密相關(guān)， 適合用ＩＳＳＭ 模型進(jìn)行評估；其二， 醫(yī)生的知識貢獻(xiàn)行為具有復(fù)雜的轉(zhuǎn)化機(jī)制，ＩＳＳＭ 能夠捕捉多維度的影響因素， 減少潛在的結(jié)果偏差， 提供更全面的解釋框架。

１. ２ 醫(yī)生主動知識貢獻(xiàn)對患者采納的轉(zhuǎn)化效能研究

國內(nèi)外學(xué)者廣泛研究了ＯＨＣ 醫(yī)生主動知識貢獻(xiàn)對患者付費采納的影響， 涉及經(jīng)濟(jì)收益、轉(zhuǎn)化曲線形式、調(diào)節(jié)變量及對其他醫(yī)生的影響等方面。Ｇｕｏ ＸＴ 等［１３］ 通過定量分析， 展示了醫(yī)生的知識貢獻(xiàn)行為如何通過推動患者付費采納來產(chǎn)生經(jīng)濟(jì)收益。雷麗彩等［１４］ 發(fā)現(xiàn)， 醫(yī)生主動知識貢獻(xiàn)與患者付費采納之間存在顯著的線性關(guān)系。Ｍｅｎｇ Ｆ Ｂ 等［１５］ 進(jìn)一步指出， 二者呈現(xiàn)Ｕ 型關(guān)系， 即隨著知識貢獻(xiàn)數(shù)量的增加， 在一定階段會出現(xiàn)邊際遞增效應(yīng)。此外， 醫(yī)生的主動分享不僅提高了自身的付費采納率， 還增加了同科室醫(yī)生的知名度［１６］ 。Ｚｈａｎｇ Ｘ 等［１７］ 的研究表明， 不同疾病類別和地區(qū)的醫(yī)療資源可及性顯著影響了患者對知識分享的響應(yīng)效果。地區(qū)醫(yī)療資源的差異及患者健康意識的不同， 可能導(dǎo)致各地區(qū)對醫(yī)生知識分享行為的反應(yīng)不一致［１８］ 。

然而， 現(xiàn)有研究多關(guān)注知識貢獻(xiàn)的數(shù)量， 未充分考慮健康文章的多媒體屬性和信息可獲得性等因素。結(jié)合ＩＳＳＭ 模型理論基礎(chǔ)， 使用情況、信息質(zhì)量和服務(wù)質(zhì)量等維度對患者的知識采納行為產(chǎn)生重要影響， 值得進(jìn)一步探索。

２ 研究模型與假設(shè)提出

在信息系統(tǒng)成功模型（ＩＳＳＭ）框架下， 使用情況、信息質(zhì)量和服務(wù)質(zhì)量是衡量信息系統(tǒng)成功的關(guān)鍵因素， 直接影響系統(tǒng)的凈收益。研究模型框架如圖１ 所示。

２. １ 使用情況對患者知識采納的影響

醫(yī)生主動知識貢獻(xiàn)的使用情況包括其行為與數(shù)量。ＯＨＣ 自媒體頻道為醫(yī)生提供展示專業(yè)知識與患者互動的機(jī)會， 從而幫助雙方建立信任。祝琳琳等［１９］ 指出， 患者對健康產(chǎn)品的信任來自對在線信息的認(rèn)知和情感信任， 直接影響他們對醫(yī)生的評價和付費咨詢決策。醫(yī)生發(fā)布的科普文章不僅提供了醫(yī)學(xué)信息， 還緩解了信息不對稱， 增強(qiáng)了患者信任，提升付費咨詢的可能性［２０］ 。也有研究強(qiáng)調(diào)發(fā)表數(shù)量在患者決策中的重要性［２１－２２］ 。根據(jù)ＩＳＳＭ 框架［２３］ ，使用情況是用戶行為決策的關(guān)鍵因素， 驗證了醫(yī)生發(fā)布自媒體文章對患者知識采納的積極影響。基于此， 提出假設(shè)：

假設(shè)１： 醫(yī)生主動知識貢獻(xiàn)行為對患者擇醫(yī)有正面影響假設(shè)

２： 醫(yī)生主動知識貢獻(xiàn)數(shù)量對患者擇醫(yī)有正面影響

２. ２ 信息質(zhì)量對患者知識采納的影響

信息質(zhì)量涵蓋準(zhǔn)確性、可靠性、豐富性、及時性和相關(guān)性， 直接影響用戶行為和滿意度［２４］ 。高質(zhì)量信息不僅增強(qiáng)患者對醫(yī)生的信任， 還能降低其決策風(fēng)險， 提升付費咨詢意愿［２５］ 。Ｍｅｎｇ Ｆ Ｂ 等［１５］ 指出， 信息的廣度與深度對醫(yī)生自媒體系統(tǒng)成功至關(guān)重要， 并且直接影響用戶付費轉(zhuǎn)化行為。ＤｅＬｏｎｅ ＷＨ 等提出的擴(kuò)展ＩＳＳＭ 模型也強(qiáng)調(diào)信息質(zhì)量是系統(tǒng)成功的基礎(chǔ)， 尤其在醫(yī)療信息不對稱環(huán)境中， 影響了患者滿意度和擇醫(yī)決策［２６－２７］ 。

研究表明， 醫(yī)療技術(shù)和職稱較高醫(yī)生的文章更容易獲得轉(zhuǎn)載， 并且相較于一般文章對患者具有更強(qiáng)吸引［２８］ 。相較而言， 普通醫(yī)生的原創(chuàng)文章創(chuàng)作質(zhì)量較低， 影響患者擇醫(yī)決策［２９］ 。此外， 文章的呈現(xiàn)位置也影響患者觀感。醫(yī)生標(biāo)注的精選文章通常處于頁面頂端， 吸引患者關(guān)注［３０］ ， 而非精選文章位置靠后， 不容易被患者發(fā)現(xiàn)。含有視頻的文章相較于純文本， 展現(xiàn)醫(yī)生觀點時更加直觀、易于了解， 尤其對復(fù)雜深奧的醫(yī)學(xué)內(nèi)容， 視頻文章可以幫助患者理解［３１］ 。少數(shù)文章付費后才能觀看， 付費行為也是一種信息篩選機(jī)制， 只有對自己產(chǎn)出較為自信的醫(yī)生才會選擇付費解鎖方式發(fā)布文章。Ｃａｉ Ｓ 等［３２］ 發(fā)現(xiàn)， 患者對付費內(nèi)容有較高的期望， 且更愿意為優(yōu)質(zhì)信息付費， 付費行為也同時強(qiáng)化了醫(yī)患之間的互動與信任關(guān)系。

基于此， 提出假設(shè)：

假設(shè)３： 轉(zhuǎn)載文章與原創(chuàng)文章均對患者擇醫(yī)有正面影響， 且轉(zhuǎn)載文章效果更大

假設(shè)４： 精選文章與非精選文章均對患者擇醫(yī)有正面影響， 且精選文章效果更大

假設(shè)５： 免費文章與付費文章均對患者擇醫(yī)有正面影響， 且付費文章效果更大

假設(shè)６： 文本文章與視頻文章均對患者擇醫(yī)有正面影響， 且視頻文章效果更大

２. ３ 服務(wù)質(zhì)量對患者知識采納的調(diào)節(jié)影響

信息系統(tǒng)中服務(wù)質(zhì)量對用戶滿意度與忠誠度有著重要影響［３３］ 。楊雨嬌等［３４］ 指出， 服務(wù)質(zhì)量是提高信息服務(wù)效果的關(guān)鍵條件。ＯＨＣ 醫(yī)生的線下職稱和在線口碑評分直觀體現(xiàn)其服務(wù)質(zhì)量， 前者代表了醫(yī)生的專業(yè)能力， 后者反映了患者的就醫(yī)體驗。醫(yī)生職稱是一種稀缺信號［３５］ ， 只有少數(shù)醫(yī)生才具有高級職稱， 患者可以憑借這一信號選擇相對優(yōu)質(zhì)醫(yī)生。但是， 隨著醫(yī)生持續(xù)發(fā)布新文章， 職稱信號對患者擇醫(yī)的邊際效應(yīng)也會不斷減少［３６］ 。高級職稱醫(yī)生也可能會使用更為復(fù)雜、深奧的醫(yī)學(xué)術(shù)語， 影響患者閱讀文章體驗［１９］ ， 從而削弱患者繼續(xù)咨詢醫(yī)生的意愿?；诖耍?提出假設(shè)：

假設(shè)７： 線下職稱在知識貢獻(xiàn)對患者擇醫(yī)中產(chǎn)生負(fù)向調(diào)節(jié)作用

在線口碑評分體現(xiàn)了醫(yī)生在服務(wù)質(zhì)量、溝通技巧和專業(yè)能力等方面的綜合能力。Ｇｕｏ Ｓ Ｓ 等［３７］ 的研究表明， 在線口碑作為消費者決策中的重要信號，顯著增強(qiáng)了患者對醫(yī)生的信任。在線口碑評分直接反映了患者就診后對醫(yī)生服務(wù)質(zhì)量的綜合評價， 評分越高， 越能彰顯醫(yī)生的優(yōu)質(zhì)服務(wù)［３８－３９］ ?；诖?，提出假設(shè)：

假設(shè)８： 在線口碑在知識貢獻(xiàn)對患者擇醫(yī)中產(chǎn)生正向調(diào)節(jié)作用

３ 數(shù)據(jù)與研究方法

３. １ 數(shù)據(jù)采集

本研究基于好大夫在線平臺的大規(guī)模醫(yī)生行為數(shù)據(jù)， 分析醫(yī)生在自媒體平臺上的發(fā)布行為對付費咨詢量的影響。作為國內(nèi)領(lǐng)先的醫(yī)療健康平臺， 好大夫在線擁有９０ 萬注冊醫(yī)生， 自２０１５ 年推出付費咨詢服務(wù)以來， 有效降低了患者的線下就醫(yī)成本，同時提升了醫(yī)生的社會形象和收入。平臺的封閉互動環(huán)境為精確捕捉醫(yī)生發(fā)布行為與患者付費咨詢轉(zhuǎn)化的關(guān)系提供了有利條件。通過多級數(shù)據(jù)爬取， 本研究系統(tǒng)收集了２０２３ 年８ 月—２０２４ 年２ 月９４１ ０２６名醫(yī)生的相關(guān)數(shù)據(jù)， 確保數(shù)據(jù)的準(zhǔn)確性和代表性。

３. ２ 變量測量

表１ 介紹了自變量、因變量及控制變量的名稱與定義， 并標(biāo)注了各變量在ＩＳＳＭ 框架下的分類。

自變量涵蓋了使用情況和信息質(zhì)量兩個維度。在使用情況中， ＢｏｏｌＡｒｔｉｃｌｅ 衡量醫(yī)生是否發(fā)布新文章， 揭示持續(xù)知識貢獻(xiàn)對患者選擇的影響， Ａｒｔｉｃｌｅ則衡量文章數(shù)量， 分析內(nèi)容輸出密度對患者決策的作用。信息質(zhì)量通過文章內(nèi)容衡量， 變量包括原創(chuàng)文章（ＯｒｉｇｉｎＡｒｔｉｃｌｅ） 和轉(zhuǎn)載文章（ＲｅｐｏｓｔｅｄＡｒｔｉｃｌｅ），分別代表個性化知識貢獻(xiàn)與權(quán)威信息傳播。精選文章（ＦｅａｔｕｒｅｄＡｒｔｉｃｌｅ） 與非精選文章（ＲｅｇｕｌａｒＡｒｔｉｃｌｅ）區(qū)分了醫(yī)生主觀判斷的信息質(zhì)量高低， 視頻（Ｖｉｄｅｏ?Ａｒｔｉｃｌｅ）和文本（ＴｅｘｔＡｒｔｉｃｌｅ）文章則反映不同的呈現(xiàn)形式。此外， 免費（ＦｒｅｅＡｒｔｉｃｌｅ）和付費（ＰａｉｄＡｒｔｉｃｌｅ）文章用來考察信息獲取成本對患者行為的影響。

因變量為系統(tǒng)凈收益， 通過Ｃｏｎｓｕｌｔ 衡量， 代表醫(yī)生新增的付費患者數(shù)量， 反映醫(yī)生通過自媒體提升經(jīng)濟(jì)效益的效果。調(diào)節(jié)變量包括醫(yī)生職稱（ＰｒｏｆＴｉ?ｔｌｅ）和在線口碑評分（Ｓｃｏｒｅ）， 分別代表醫(yī)生的專業(yè)資歷與患者對其服務(wù)質(zhì)量的評價， 這兩者分別調(diào)節(jié)醫(yī)生知識貢獻(xiàn)對患者擇醫(yī)行為的影響。

控制變量涵蓋醫(yī)生性別（Ｇｅｎｄｅｒ）、是否在三甲醫(yī)院工作（ＴｏｐＨｏｓｐ）、科室類別（Ｄｅｐａｒｔｍｅｎｔ）、平臺注冊時長（ＲｅｇｉｓｔｅｒＴｉｍｅ）、歷史文章發(fā)布量（ＨｉｓｔＡｒｔｉ?ｃｌｅ）、歷史付費咨詢量（ＨｉｓｔＣｏｎｓｕｌｔ）、主頁訪問量（Ｖｉｓｉｔ）及患者禮物數(shù)量（Ｇｉｆｔ）。

３. ３ 研究方法

本研究采用傾向得分匹配—雙重差分（Ｐｒｏｐｅｎ?ｓｉｔｙ Ｓｃｏｒｅ Ｍａｔｃｈｉｎｇ－Ｄｉｆｆｅｒｅｎｃｅ－ｉｎ－Ｄｉｆｆｅｒｅｎｃｅｓ， ＰＳＭＤＩＤ）方法， 通過準(zhǔn)實驗設(shè)計量化醫(yī)生主動知識貢獻(xiàn)對患者擇醫(yī)行為的影響。ＰＳＭ 用于減少處理組與對照組之間的系統(tǒng)性差異， 避免因醫(yī)生活躍度差異導(dǎo)致的結(jié)果偏差［４０］ 。僅使用ＤＩＤ 模型可能會高估文章發(fā)布對付費咨詢量的影響， 因此本研究結(jié)合ＰＳＭ 匹配， 再通過ＤＩＤ 模型控制時間變化中的未觀測因素，以提高結(jié)果的準(zhǔn)確性。

在ＰＳＭ 匹配過程中， 基于醫(yī)生性別、職稱、醫(yī)院等級、科室、平臺注冊時長等協(xié)變量計算傾向得分， 并采用１ ∶３ 最近鄰匹配法， 確保傾向得分差異控制在０. ０５ 以內(nèi)［４１］ 。匹配后， 通過ＤＩＤ 模型分析文章發(fā)布前后的變化， 評估其對付費咨詢量的影響。結(jié)合ＰＳＭ－ＤＩＤ 方法有效解決了自選擇偏差問題， 并動態(tài)計算因果關(guān)系的變化， 確保結(jié)果的穩(wěn)健性。在穩(wěn)健性檢驗中， 采用１ ∶１ 最近鄰匹配法， 結(jié)果仍保持一致。

實驗的主模型形式如式（１） 所示：

Ｃｏｎｓｕｌｔｉｔ ＝β０ ＋β１Ａｒｔｉｃｌｅｉｔ ＋ＢＸｉｔ ＋αｉ ＋τｔ ＋εｉｔ （１）

其中， ｉ 表示醫(yī)生個體， ｔ 表示時間點， Ｃｏｎｓｕｌｔｉｔ表示醫(yī)生ｉ 在時間ｔ 的付費咨詢患者數(shù)量； β０ 為常數(shù)項， Ａｒｔｉｃｌｅｉｔ為醫(yī)生ｉ 在時間ｔ 發(fā)布的文章數(shù)量。Ｘｉｔ包括表１ 所列控制變量， 個體固定效應(yīng)αｉ 和時間固定效應(yīng)τｔ 也納入模型。為減少偏差， 計數(shù)類變量進(jìn)行了對數(shù)化處理。核心系數(shù)β１ 衡量醫(yī)生發(fā)布文章對付費咨詢量的邊際影響， 是本研究的重點分析對象。

該模型驗證了假設(shè)２， 并進(jìn)一步使用表１ 中的其他自變量替換Ａｒｔｉｃｌｅ 進(jìn)行驗證： ＢｏｏｌＡｒｔｉｃｌｅ 驗證假設(shè)１， ＯｒｉｇｉｎＡｒｔｉｃｌｅ 和ＲｅｐｏｓｔｅｄＡｒｔｉｃｌｅ 驗證假設(shè)３，ＦｅａｔｕｒｅｄＡｒｔｉｃｌｅ 和ＲｅｇｕｌａｒＡｒｔｉｃｌｅ 驗證假設(shè)４， ＦｒｅｅＡｒｔ?ｉｃｌｅ 和ＰａｉｄＡｒｔｉｃｌｅ 驗證假設(shè)５， ＶｉｄｅｏＡｒｔｉｃｌｅ 和ＴｅｘｔＡｒ?ｔｉｃｌｅ 驗證假設(shè)６。此外， 研究還分析了醫(yī)生職稱和在線口碑評分的調(diào)節(jié)作用。通過分組回歸和交互項分析， 職稱作為分類變量被引入式（１）， 以Ｖａｒ. ×ＰｒｏｆＴｉｔｌｅ 代替Ａｒｔｉｃｌｅ， 評估不同職稱醫(yī)生發(fā)布文章對付費咨詢量的影響（Ｖａｒ. 為假設(shè)１ 至假設(shè)６ 的自變量）， 驗證假設(shè)７。在線口碑評分作為連續(xù)變量，通過Ｖａｒ. ×Ｓｃｏｒｅ 代替Ａｒｔｉｃｌｅ 測量其調(diào)節(jié)作用， 驗證假設(shè)８。

４ 實驗結(jié)果

４. １ 平行趨勢檢驗

圖２ 展示了處理組與對照組在發(fā)布文章前后付費咨詢患者數(shù)量的變化趨勢。通過事件研究法驗證了平行趨勢假設(shè)， 并量化了醫(yī)生主動知識貢獻(xiàn)對反應(yīng)性知識貢獻(xiàn)的動態(tài)影響。為避免阿什費爾特效應(yīng)［４２］（樣本自選擇問題）的干擾， 研究采用了Ｌｕｏ Ｃ等［４３］ 的方法， 將處理前一期（－１ 期）數(shù)據(jù)作為基準(zhǔn)，有效避免了短期波動影響， 確保了處理前趨勢的穩(wěn)定性， 使動態(tài)分析結(jié)果更加可靠。

在處理前的多個期數(shù)（－９ 期至－１ 期）， 處理組與對照組的付費咨詢患者數(shù)量變化趨勢保持平行，驗證了平行趨勢假設(shè)。這表明兩組間的差異主要由時間不變的因素引起， 而非外部干擾， 進(jìn)一步支持了ＰＳＭ－ＤＩＤ 方法進(jìn)行因果推斷的合理性。處理發(fā)生后（醫(yī)生開始知識貢獻(xiàn)）， 處理組與對照組的付費咨詢患者數(shù)量差異顯著擴(kuò)大， 且在后續(xù)期數(shù)中持續(xù)擴(kuò)大。值得注意的是， 從處理當(dāng)期起， 知識貢獻(xiàn)的影響系數(shù)及９５％置信區(qū)間顯著高于０， 表明醫(yī)生的知識貢獻(xiàn)對患者擇醫(yī)行為立即產(chǎn)生了積極影響。隨著時間推移， 該效果進(jìn)一步增強(qiáng)， 醫(yī)生發(fā)布健康科普文章在短期和長期上均能提升患者付費咨詢數(shù)量。

４. ２ ＰＳＭ－ＤＩＤ 回歸結(jié)果

表２ 展示了醫(yī)生通過發(fā)布自媒體文章對新增付費患者咨詢量的整體轉(zhuǎn)化影響。列（１） 為基準(zhǔn)模型，控制了醫(yī)生個體和時間固定效應(yīng)， 初步分析了自變量與因變量之間的關(guān)系。列（２） 和列（３） 在加入控制變量后， 進(jìn)一步探討了醫(yī)生發(fā)布文章行為和數(shù)量對付費咨詢量的影響。結(jié)果顯示， 醫(yī)生發(fā)布文章行為的系數(shù)為１９. ８４２（ｐ＜０. ０１）， 文章數(shù)量的系數(shù)為０. ８７２（ｐ＜０. ０１）， 表明發(fā)布文章行為和數(shù)量均顯著增加了付費咨詢量。每發(fā)布１ 篇文章， 平均新增０. ８７２ 位付費咨詢患者， 驗證了假設(shè)１ 和假設(shè)２。

在信息質(zhì)量的分析中， 列（４） ～（７） 分別檢驗了假設(shè)３～６。列（４） 顯示， 轉(zhuǎn)載文章的系數(shù)為３.７８５（ｐ＜０. １０）， 原創(chuàng)文章的系數(shù)為０. ８４１（ｐ＜０. ０１）， 表明轉(zhuǎn)載文章的轉(zhuǎn)化效果優(yōu)于原創(chuàng)文章， 支持假設(shè)３。列（５） 顯示， 精選文章的系數(shù)為１５. ９４１（ｐ＜０. ０１），顯著高于非精選文章的０. ８１５（ｐ＜０. ０１）， 驗證了假設(shè)４， 表明精選文章更具吸引力。列（６） 中， 付費文章系數(shù)為８. ５８１（ｐ＜０. ０５）， 顯著高于免費文章的０. ８５３（ｐ＜０. ０１）， 驗證了假設(shè)５， 說明付費文章雖限制部分患者的訪問， 但其高質(zhì)量內(nèi)容吸引了更為黏性的患者群體。此外， 視頻文章的系數(shù)為１. １１７（ｐ＜０. ０１）， 高于文本文章的０. ６４６（ｐ＜０. ０１）， 驗證了假設(shè)６， 表明視頻文章因其多媒體特性， 更能有效傳達(dá)復(fù)雜醫(yī)療信息。

所有結(jié)果通過１ ０００次Ｂｏｏｔｓｔｒａｐ 方法驗證， 增強(qiáng)了模型的穩(wěn)健性和可信度。結(jié)果表明， 醫(yī)生發(fā)布的自媒體文章在多個維度上顯著影響了患者的付費咨詢行為， 信息質(zhì)量的提升顯著提高了文章的轉(zhuǎn)化效果。

表３ 展示了醫(yī)生服務(wù)質(zhì)量（線下職稱和在線口碑評分）對其自媒體文章發(fā)布的調(diào)節(jié)效應(yīng)。Ｐａｎｅｌ Ａ重點分析醫(yī)生職稱對發(fā)布文章數(shù)量的調(diào)節(jié)作用，Ｐａｎｅｌ Ｂ 探討在線口碑評分的調(diào)節(jié)作用。

在Ｐａｎｅｌ Ａ 中， 列（２） 顯示其他醫(yī)師組（ＰｒｏｆＴ?ｉｔｌｅ＝１）發(fā)布文章對患者擇醫(yī)有輕微負(fù)面影響（－０.６６０，低， 患者對其文章的關(guān)注度不高。主治醫(yī)師組（ＰｒｏｆＴ?ｉｔｌｅ＝２）對擇醫(yī)的影響最為顯著， 系數(shù)為１. １９６（ｐ＜０. ０１）， 表明主治醫(yī)師通過發(fā)布文章提升了其專業(yè)聲譽， 彌補了職稱較低的劣勢［４４］ 。主任醫(yī)師和副主任醫(yī)師組（ＰｒｏｆＴｉｔｌｅ ＝ ３，４）的影響同樣顯著（系數(shù)分別為０. ７３８ 和０. ８７９）， 但邊際效應(yīng)較主治醫(yī)師組弱， 顯示隨著職稱的提升， 知識貢獻(xiàn)的邊際效應(yīng)逐漸減弱。這表明線下職稱在知識貢獻(xiàn)對患者擇醫(yī)的影響中具有負(fù)向調(diào)節(jié)作用。然而， 列（１０） 顯示，高級職稱醫(yī)生在發(fā)布視頻等高質(zhì)量內(nèi)容時并未出現(xiàn)邊際效應(yīng)遞減， 表明職稱并非唯一調(diào)節(jié)因素。總體而言， 假設(shè)７ 基本成立。

Ｐａｎｅｌ Ｂ 分析了在線口碑評分的調(diào)節(jié)作用， 結(jié)果顯示在線口碑評分對醫(yī)生知識貢獻(xiàn)有顯著的正向調(diào)節(jié)作用。在線口碑每增加１ 分， 醫(yī)生發(fā)布文章的效果平均增加２. ９３０（ｐ＜０. ０１）。這一正向效應(yīng)在大多數(shù)知識貢獻(xiàn)類型中得到了驗證， 但在精選文章和付費文章上有所不同， 可能是因為精選文章強(qiáng)調(diào)質(zhì)量而非數(shù)量， 付費文章的讀者更依賴核心群體， 對口碑評分的依賴較低?？傮w而言， 在線口碑對知識貢獻(xiàn)在患者擇醫(yī)中的影響起到正向調(diào)節(jié)作用， 驗證了假設(shè)８ 的成立。

４. ３ 科室異質(zhì)性

在線健康科普知識通常圍繞特定疾病展開［４５］ ，基于夏蘇迪等［４６］ 的劃分方法， 本節(jié)分析了不同科室醫(yī)生的主動知識貢獻(xiàn)對患者擇醫(yī)行為的影響。表４結(jié)果顯示， 不同科室醫(yī)生的貢獻(xiàn)效果存在顯著差異。內(nèi)分泌科（列４）和心血管內(nèi)科（列５）的醫(yī)生貢獻(xiàn)效果最顯著， 因慢性?。ㄈ缣悄虿『透哐獕海┬枰L期管理， 患者對相關(guān)健康科普的依賴較高［４７］ 。相反， 感染內(nèi)科（列３）和胸外科（列１）的效果不明顯， 表明患者在面對感染性和外科疾病時更傾向于線下就診。骨外科（列２）的效果介于兩者之間， 因其既涉及急性問題如骨折， 也有需長期管理的疾病。精神心理科（列６）效果不顯著， 可能是因為患者更依賴個性化心理輔導(dǎo)， 通用科普對其擇醫(yī)決策影響較小。

４. ４ 穩(wěn)健性檢驗

穩(wěn)健性檢驗旨在確保研究結(jié)果在不同條件下依然具備統(tǒng)計意義和廣泛適用性。本研究通過調(diào)整模型設(shè)置、數(shù)據(jù)子集及分析方法， 進(jìn)一步驗證了假設(shè)的穩(wěn)健性。首先， 通過縮減樣本范圍［４８］ ， 剔除歷史發(fā)布文章數(shù)量前１％的醫(yī)生數(shù)據(jù)， 重新進(jìn)行ＰＳＭ匹配和模型估計。其次， 鑒于患者付費咨詢量為計數(shù)變量， 本研究采用負(fù)二項回歸模型替代ＯＬＳ， 以處理數(shù)據(jù)的過度離散性。此外， 為檢驗知識貢獻(xiàn)的短期效應(yīng)［４］ ， 本研究將數(shù)據(jù)時間范圍縮短至２０２３年８—１０ 月， 分析文章發(fā)布后的即時影響。３ 個穩(wěn)健性檢驗結(jié)果與主要結(jié)論一致。

５ 結(jié)果討論

５. １ 主要發(fā)現(xiàn)

本文基于信息系統(tǒng)成功模型， 構(gòu)建醫(yī)生主動知識貢獻(xiàn)對患者擇醫(yī)影響框架模型， 并采用傾向得分匹配—雙重差分法， 以醫(yī)生發(fā)布健康科普文章為例，實證分析該系統(tǒng)使用情況、信息質(zhì)量和服務(wù)質(zhì)量３個因素對患者付費咨詢的轉(zhuǎn)化效果。具體發(fā)現(xiàn)如下：

１） 醫(yī)生主動知識貢獻(xiàn)顯著促進(jìn)患者擇醫(yī)。實驗結(jié)果表明， 醫(yī)生平均每發(fā)布一篇健康科普文章，可新增０. ８７２ 位在線問診患者。醫(yī)生的主動知識貢獻(xiàn)行為拓寬健康信息可及性的同時， 還直接增進(jìn)了醫(yī)患間信任關(guān)系。這一發(fā)現(xiàn)與現(xiàn)有研究［２２，４９］ 一致，表明醫(yī)生的知識貢獻(xiàn)在推動大眾健康教育的同時，還為其帶來了經(jīng)濟(jì)收益。

２） 文章類型影響知識貢獻(xiàn)效果。不同類型的文章對轉(zhuǎn)化效果存在顯著差異。研究發(fā)現(xiàn)， 轉(zhuǎn)載、精選、付費及視頻文章的效果優(yōu)于原創(chuàng)、非精選、免費及文本類文章。這說明高質(zhì)量、易理解的內(nèi)容更能贏得患者信任， 促進(jìn)付費咨詢［１５］ 。

３） 線下職稱與在線口碑的相反調(diào)節(jié)效應(yīng)。醫(yī)生職稱和在線口碑對知識貢獻(xiàn)效果的調(diào)節(jié)作用相反。

高級職稱雖然是一種稀缺信號， 但其對患者擇醫(yī)影響的邊際效應(yīng)遞減［１５，５０］ 。在線口碑評分是根據(jù)患者就診反饋體現(xiàn)的醫(yī)生綜合服務(wù)質(zhì)量， 能放大醫(yī)生知識貢獻(xiàn)對患者擇醫(yī)的影響。

４） 慢性病知識貢獻(xiàn)效果更顯著。慢性病相關(guān)的醫(yī)生知識貢獻(xiàn)效果顯著高于突發(fā)性疾病和精神類疾病。慢性病治療屬于長期健康管理， 醫(yī)生發(fā)布的健康文章可以培養(yǎng)醫(yī)患間情感與信任， 而突發(fā)性及精神類疾病患者更傾向線下就診或個性化治療。

５. ２ 理論貢獻(xiàn)

本研究理論貢獻(xiàn)如下： ①拓展信息系統(tǒng)成功模型（ＩＳＳＭ）的應(yīng)用。將ＯＨＣ 醫(yī)生通過以發(fā)布健康文章為代表的主動知識貢獻(xiàn)行為對患者擇醫(yī)行為的影響視為一個自媒體系統(tǒng)， 從使用情況、信息質(zhì)量和服務(wù)質(zhì)量３ 個維度， 拓展了ＩＳＳＭ 在健康信息服務(wù)領(lǐng)域的應(yīng)用； ②細(xì)化在線健康服務(wù)質(zhì)量相關(guān)研究。醫(yī)生線下職稱和在線口碑評分的相反調(diào)節(jié)效應(yīng)說明知識貢獻(xiàn)者不同的服務(wù)質(zhì)量指標(biāo)的差異性， 在知識貢獻(xiàn)行為研究中需要建立差異化服務(wù)質(zhì)量模型； ③對知識貢獻(xiàn)行為研究提供因果推斷分析框架。本文通過采集面板數(shù)據(jù)， 使用傾向得分匹配—雙重差分（ＰＳＭ－ＤＩＤ）方法和穩(wěn)健性檢驗， 從因果而非關(guān)聯(lián)角度提供了一套衡量知識貢獻(xiàn)行為影響的流程。

５. ３ 實踐貢獻(xiàn)

本研究主要有３ 個方面的實踐貢獻(xiàn)： ①為激勵醫(yī)生知識貢獻(xiàn)提供量化依據(jù)。結(jié)果顯示， 平均每篇科普文章可為醫(yī)生新增０ ８７２ 位付費咨詢患者。這一發(fā)現(xiàn)為醫(yī)生評估知識創(chuàng)作的投資回報收益提供了具體數(shù)據(jù)參考， 同時也為平臺制定激勵措施提供了依據(jù)； ②為醫(yī)生和平臺制定差異化內(nèi)容策略提供指導(dǎo)。研究表明， 轉(zhuǎn)載、精選、視頻和付費文章相對于原創(chuàng)、非精選、文本和免費文章對患者付費咨詢轉(zhuǎn)化效果更好。其中， 視頻和付費文章展現(xiàn)更高的轉(zhuǎn)化效果。醫(yī)生在進(jìn)行知識創(chuàng)作時可以選擇合適的知識類型， 平臺也能制定差異化推薦策略； ③幫助醫(yī)生建設(shè)個人品牌。高級職稱醫(yī)生的知識貢獻(xiàn)存在邊際效應(yīng)遞減現(xiàn)象， 而在線口碑評分能夠放大知識貢獻(xiàn)的轉(zhuǎn)化效果。對致力于提高在線問診影響力的醫(yī)生而言， 相對于提升職稱更直接、重要的是提高為患者服務(wù)質(zhì)量， 維持較高在線口碑。

５. ４ 在線健康社區(qū)知識貢獻(xiàn)優(yōu)化策略

優(yōu)化各方知識貢獻(xiàn)對于提升在線健康社區(qū)整體服務(wù)質(zhì)量和推動其可持續(xù)發(fā)展至關(guān)重要。本文從監(jiān)管機(jī)構(gòu)、平臺和醫(yī)生３ 個方面提出優(yōu)化策略， 以期構(gòu)建規(guī)范、高效的知識貢獻(xiàn)體系， 促進(jìn)健康知識的傳播與應(yīng)用。

１） 監(jiān)管機(jī)構(gòu)應(yīng)構(gòu)建多層次監(jiān)督與評估體系， 推動健康數(shù)據(jù)共享與安全監(jiān)管。在“健康中國２０３０”戰(zhàn)略指導(dǎo)下， 確保傳播的健康信息符合規(guī)范、內(nèi)容準(zhǔn)確， 是監(jiān)管機(jī)構(gòu)的核心職責(zé)。監(jiān)管機(jī)構(gòu)應(yīng)該建立常規(guī)化監(jiān)督流程， 定期抽查平臺健康信息， 杜絕觀念不正確或內(nèi)容不準(zhǔn)確的信息傳播。監(jiān)管機(jī)構(gòu)也需制定并實施相關(guān)宣傳政策， 鼓勵醫(yī)生發(fā)布滿足人民健康需求的健康科普文章。

２） 平臺應(yīng)注重個性化推薦健康知識， 加強(qiáng)醫(yī)生內(nèi)容創(chuàng)作培訓(xùn)。作為掌握信息傳播渠道的平臺，在提供健康知識時應(yīng)注意結(jié)合患者個性需求與醫(yī)生情況， 不能只按照就診量、職稱等簡單指標(biāo)提供千篇一律的結(jié)果。同時， 個性化推薦也應(yīng)給予致力于小眾領(lǐng)域（比如細(xì)分疾?。┽t(yī)生更高權(quán)重， 滿足患者特定需求并激發(fā)醫(yī)生創(chuàng)作動力。作為醫(yī)生隱性知識外顯化的重要產(chǎn)物， 健康科普文章對醫(yī)生的創(chuàng)作與寫作能力提出了較大要求， 平臺應(yīng)以開辦寫作培訓(xùn)班、提供優(yōu)秀范本等方式， 指導(dǎo)醫(yī)生內(nèi)容創(chuàng)作。

３） 醫(yī)生應(yīng)養(yǎng)成知識貢獻(xiàn)習(xí)慣， 根據(jù)自身職稱、口碑、專業(yè)類型調(diào)整知識貢獻(xiàn)策略。鑒于主動知識貢獻(xiàn)對影響患者擇醫(yī)的積極效果， 醫(yī)生應(yīng)養(yǎng)成知識貢獻(xiàn)習(xí)慣， 將其作為一種常態(tài)化宣傳方式， 定期發(fā)布滿足患者需求的內(nèi)容。細(xì)化到醫(yī)生個體， 也需要根據(jù)自身職稱、口碑、專業(yè)類型調(diào)整知識貢獻(xiàn)策略。比如， 口碑較差的醫(yī)生需先提升服務(wù)水平， 注重患者反饋意見， 從而最大化其知識貢獻(xiàn)效果； 治療慢性病的醫(yī)生需要更加重視主動知識貢獻(xiàn)。

５. ５ 研究局限與未來展望

本研究基于面板數(shù)據(jù)并采用了因果推斷方法，實證結(jié)果具有較高的可信度， 但仍存在部分局限。第一， 數(shù)據(jù)僅使用好大夫在線單一渠道， 未來研究可擴(kuò)展到更多平臺， 以提高結(jié)論的普適性。在此過程中本研究提出的模型與流程均具備通用性， 可以直接運用到其他平臺。第二， 本研究中醫(yī)生主動知識貢獻(xiàn)行為選取發(fā)布健康科普文章作為代表， 未來研究可以擴(kuò)展到其他知識貢獻(xiàn)類別， 如科普講座直播、開展健康管理課程等。

參考文獻(xiàn)

［１］ 中華人民共和國中央人民政府． 中共中央 國務(wù)院印發(fā)《“健康中國２０３０” 規(guī)劃綱要》［ＥＢ／ ＯＬ］． ［２０２４－１０－１８］． ｈｔｔｐ：／ ／ ｗｗｗ．ｇｏｖ．ｃｎ／ ｚｈｅｎｇｃｅ／２０１６－１０／２５／ ｃｏｎｔｅｎｔ＿５１２４１７４．ｈｔｍ．

［２］ 翟冉冉， 韓正彪． 在線健康社區(qū)用戶信息交互的驅(qū)動因素研究［Ｊ］． 圖書情報工作， ２０２４， ６８ （３）： １５－２６．

［３］ 易明， 劉繼月， 傅航． 共生視角下的在線健康社區(qū)知識共創(chuàng)演化機(jī)理研究［Ｊ］． 情報理論與實踐， ２０２４， ４７ （９）： １３４－１４６．

［４］ Ｍａ Ｘ Ｍ， Ｚｈａｎｇ Ｐ Ｆ， Ｍｅｎｇ Ｆ Ｂ， ｅｔ ａｌ． Ｈｏｗ Ｄｏｅｓ ＰｈｙｓｉｃｉａｎｓＥｄｕｃａｔｉｏｎａｌ Ｋｎｏｗｌｅｄｇｅ － Ｓｈａｒｉｎｇ Ｉｎｆｌｕｅｎｃｅ Ｐａｔｉｅｎｔｓ Ｅｎｇａｇｅｍｅｎｔ？Ａｎ Ｅｍｐｉｒｉｃａｌ Ｅｘａｍｉｎａｔｉｏｎ ｉｎ Ｏｎｌｉｎｅ Ｈｅａｌｔｈ Ｃｏｍｍｕｎｉｔｉｅｓ ［Ｊ］． Ｆｒｏｎ?ｔｉｅｒｓ ｉｎ Ｐｕｂｌｉｃ Ｈｅａｌｔｈ， ２０２２， １０： １０３６３３２．

［５］ 尤劍， 余先明， 孟猛， 等． 全球健康信息采納行為研究熱點與前沿分析［Ｊ］． 現(xiàn)代情報， ２０２４， ４４ （６）： １６８－１７６．

［６］ 熊回香， 向瀛泓， 孟璇， 等． 在線健康社區(qū)中基于用戶評論挖掘的醫(yī)生服務(wù)評價研究［Ｊ］． 情報科學(xué)， ２０２４， ４２ （８）： １１８－１２５， １６３．

［７］ 蔡俊， 楊嵐， 周亞虹． ＰＳＭ－ＤＩＤ 在政策評價中的應(yīng)用現(xiàn)狀與改進(jìn)方法［Ｊ］． 管理科學(xué)學(xué)報， ２０２４， ２７ （２）： ３０－４８．

［８］ 王晰巍， 羅然， 劉宇桐， 等． 智慧圖書館在線聊天機(jī)器人使用行為影響因素及實證研究［ Ｊ］． 情報學(xué)報， ２０２３， ４２ （ ２）：２１７－２３０．

［９］ 徐愷英， 崔偉， 洪旭東， 等． 圖書館移動閱讀用戶接納行為影響因素研究［Ｊ］． 圖書情報工作， ２０１７， ６１ （１５）： ４３－５０．

［１０］ 金小璞， 徐芳， 畢新． 知識付費平臺用戶滿意度調(diào)查與提升策略［Ｊ］． 情報理論與實踐， ２０２１， ４４ （５）： １４６－１５２．

［１１］ 龐宇， 張玲． 地方政府一體化在線政務(wù)服務(wù)平臺效能提升路徑探究———以“京、滬、蘇、浙” 在線服務(wù)平臺為例［Ｊ］． 北京行政學(xué)院學(xué)報， ２０２２ （４）： ３４－４２．

［１２］ 曹晶， 葉繼元， 朱強(qiáng)． 國家文獻(xiàn)信息資源保障平臺的用戶滿意度實證研究［Ｊ］． 圖書館學(xué)研究， ２０２３ （９）： ５１－６１．

［１３］ Ｇｕｏ Ｘ Ｔ， Ｇｕｏ Ｓ Ｓ， Ｖｏｇｅｌ Ｄ， ｅｔ ａｌ． Ｏｎｌｉｎｅ Ｈｅａｌｔｈｃａｒｅ Ｃｏｍｍｕ?ｎｉｔｙ Ｉｎｔｅｒａｃｔｉｏｎ Ｄｙｎａｍｉｃｓ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｍａｎａｇｅｍｅｎｔ Ｓｃｉｅｎｃｅ ａｎｄＥｎｇｉｎｅｅｒｉｎｇ， ２０１６， １ （１）： ５８－７４．

［１４］ 雷麗彩， 陳新雨． 在線醫(yī)療社區(qū)患者擇醫(yī)行為： 平臺認(rèn)證和信息瀏覽行為的影響機(jī)制［Ｊ］． 管理科學(xué)， ２０２３， ３６ （５）： ７１－８４．

［１５］ Ｍｅｎｇ Ｆ Ｂ， Ｌｉｕ Ｙ Ｘ， Ｚｈａｎｇ Ｘ Ｆ， ｅｔ ａｌ． Ｇｅｎｅｒａｌ Ｋｎｏｗｌｅｄｇｅ－Ｓｈａｒｉｎｇ ａｎｄ Ｐａｔｉｅｎｔ Ｅｎｇａｇｅｍｅｎｔ ｉｎ Ｏｎｌｉｎｅ Ｈｅａｌｔｈ Ｃｏｍｍｕｎｉｔｉｅｓ：Ａｎ Ｉｎｖｅｒｔｅｄ Ｕ－Ｓｈａｐｅｄ Ｒｅｌａｔｉｏｎｓｈｉｐ ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ＫｎｏｗｌｅｄｇｅＭａｎａｇｅｍｅｎｔ， ２０２４， ２８ （３）： ７６３－７８８．

［１６］ Ｗａｎｇ Ｊ， Ｙａｏ Ｔ， Ｗａｎｇ Ｙ Ｎ． Ｐａｔｉｅｎｔ Ｅｎｇａｇｅｍｅｎｔ ａｓ Ｃｏｎｔｒｉｂｕｔｏｒｓ ｉｎＯｎｌｉｎｅ Ｈｅａｌｔｈ Ｃｏｍｍｕｎｉｔｉｅｓ： Ｔｈｅ Ｍｅｄｉａｔｉｏｎ ｏｆ Ｐｅｅｒ Ｉｎｖｏｌｖｅｍｅｎｔ ａｎｄＭｏｄｅｒａｔｉｏｎ ｏｆ Ｃｏｍｍｕｎｉｔｙ Ｓｔａｔｕｓ ［Ｊ］． Ｂｅｈａｖｉｏｒａｌ Ｓｃｉｅｎｃｅｓ， ２０２３， １３（２）： １５２．

［１７］ Ｚｈａｎｇ Ｘ， Ｌｉｕ Ｓ． Ｕｎｄｅｒｓｔａｎｄｉｎｇ Ｒｅｌａｔｉｏｎｓｈｉｐ Ｃｏｍｍｉｔｍｅｎｔ ａｎｄＣｏｎｔｉｎｕｏｕｓ Ｋｎｏｗｌｅｄｇｅ Ｓｈａｒｉｎｇ ｉｎ Ｏｎｌｉｎｅ Ｈｅａｌｔｈ Ｃｏｍｍｕｎｉｔｉｅｓ： ＡＳｏｃｉａｌ Ｅｘｃｈａｎｇｅ Ｐｅｒｓｐｅｃｔｉｖｅ ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｋｎｏｗｌｅｄｇｅ Ｍａｎａｇｅ?ｍｅｎｔ， ２０２２， ２６ （３）： ５９２－６１４．

［１８］ Ａｂｉｄｉｎ Ｚ， Ｈｉｄａｙａｎｔｏ Ａ Ｎ， Ｉｎａｎ Ｄ Ｉ， ｅｔ ａｌ． Ｋｎｏｗｌｅｄｇｅ Ｓｈａｒｉｎｇａｎｄ Ｃｏｍｍｕｎｉｔｙ Ｐｒｏｍｏｔｉｏｎ ｉｎ Ｏｎｌｉｎｅ Ｈｅａｌｔｈ Ｃｏｍｍｕｎｉｔｉｅｓ： Ｅｘａｍｉ?ｎｉｎｇ ｔｈｅ Ｒｅｌａｔｉｏｎｓｈｉｐ ｂｅｔｗｅｅｎ Ｓｏｃｉａｌ Ｓｕｐｐｏｒｔ， Ｃｏｍｍｕｎｉｔｙ Ｃｏｍｍｉｔ?ｍｅｎｔ， ａｎｄ Ｔｒｕｓｔ Ｔｒａｎｓｆｅｒ ［ Ｍ］． Ｌｅｃｔｕｒｅ Ｎｏｔｅｓ ｉｎ Ｃｏｍｐｕｔｅｒ Ｓｃｉ?ｅｎｃｅ． Ｃｈａｍ： Ｓｐｒｉｎｇｅｒ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｐｕｂｌｉｓｈｉｎｇ， ２０２０： ３－１５．

［１９］ 祝琳琳， 李賀， 田聰淼， 等． 價值—態(tài)度—行為模型下面向健康產(chǎn)品的選擇意愿影響研究［Ｊ］． 圖書情報工作， ２０２４， ６８（１）： １２７－１３６．

［２０］ 劉蕤， 余佳琪． 在線醫(yī)療社區(qū)中醫(yī)生知識貢獻(xiàn)行為的影響因素研究———基于ＳＥＭ 與ｆｓＱＣＡ 方法［Ｊ］． 情報科學(xué)， ２０２２， ４０（３）： ４５－５４， ６２．

［２１］ Ｐａｎａｈｉ Ｓ， Ｗａｔｓｏｎ Ｊ， Ｐａｒｔｒｉｄｇｅ Ｈ． Ｓｏｃｉａｌ Ｍｅｄｉａ ａｎｄ Ｐｈｙｓｉｃｉａｎｓ：Ｅｘｐｌｏｒｉｎｇ ｔｈｅ Ｂｅｎｅｆｉｔｓ ａｎｄ Ｃｈａｌｌｅｎｇｅｓ ［Ｊ］． Ｈｅａｌｔｈ Ｉｎｆｏｒｍａｔｉｃｓ Ｊｏｕｒ?ｎａｌ， ２０１６， ２２ （２）： ９９－１１２．

［２２］ Ｔａｎ Ｓ Ｓ Ｌ， Ｇｏｏｎａｗａｒｄｅｎｅ Ｎ． Ｉｎｔｅｒｎｅｔ Ｈｅａｌｔｈ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｅｅｋｉｎｇａｎｄ ｔｈｅ Ｐａｔｉｅｎｔ－Ｐｈｙｓｉｃｉａｎ Ｒｅｌａｔｉｏｎｓｈｉｐ： Ａ Ｓｙｓｔｅｍａｔｉｃ Ｒｅｖｉｅｗ ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｍｅｄｉｃａｌ Ｉｎｔｅｒｎｅｔ Ｒｅｓｅａｒｃｈ， ２０１７， １９ （１）： ｅ９．

［２３］ Ａｌｍａｉａｈ Ｍ Ａ， Ａｌ－Ｒａｈｍｉ Ａ Ｍ， Ａｌｔｕｒｉｓｅ Ｆ， ｅｔ ａｌ． Ｆａｃｔｏｒｓ Ｉｎｆｌｕ?ｅｎｃｉｎｇ ｔｈｅ Ａｄｏｐｔｉｏｎ ｏｆ Ｉｎｔｅｒｎｅｔ Ｂａｎｋｉｎｇ： Ａｎ Ｉｎｔｅｇｒａｔｉｏｎ ｏｆ ＩＳＳＭａｎｄ ＵＴＡＵＴ ｗｉｔｈ Ｐｒｉｃｅ Ｖａｌｕｅ ａｎｄ Ｐｅｒｃｅｉｖｅｄ Ｒｉｓｋ ［Ｊ］． Ｆｒｏｎｔｉｅｒｓ ｉｎＰｓｙｃｈｏｌｏｇｙ， ２０２２， １３： ９１９１９８．

［２４］ 金燕， 胡香， 楊瑞仙， 等． 在線健康平臺的信息質(zhì)量治理現(xiàn)狀及提升策略研究［Ｊ］． 現(xiàn)代情報， ２０２３， ４３ （８）： ７９－９０．

［２５］ 馮翠翠， 易明， 莫富傳． 知識共創(chuàng)視域下健康信息用戶依從意愿的影響機(jī)制研究［Ｊ］． 情報科學(xué)， ２０２３， ４１ （１）： ３６－４８．

［２６］ Ｂｌｕｔ Ｍ， Ｗａｎｇ Ｃ． Ｔｅｃｈｎｏｌｏｇｙ Ｒｅａｄｉｎｅｓｓ： Ａ Ｍｅｔａ－Ａｎａｌｙｓｉｓ ｏｆＣｏｎｃｅｐｔｕａｌｉｚａｔｉｏｎｓ ｏｆ ｔｈｅ Ｃｏｎｓｔｒｕｃｔ ａｎｄ Ｉｔｓ Ｉｍｐａｃｔ ｏｎ ＴｅｃｈｎｏｌｏｇｙＵｓａｇｅ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ａｃａｄｅｍｙ ｏｆ Ｍａｒｋｅｔｉｎｇ Ｓｃｉｅｎｃｅ， ２０２０，４８ （４）： ６４９－６６９．

［２７］ Ｄｅｌｏｎｅ Ｗ Ｈ， ＭｃＬｅａｎ Ｅ Ｒ． Ｔｈｅ ＤｅＬｏｎｅ ａｎｄ ＭｃＬｅａｎ Ｍｏｄｅｌ ｏｆＩｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ Ｓｕｃｃｅｓｓ： Ａ Ｔｅｎ－Ｙｅａｒ Ｕｐｄａｔｅ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆＭａｎａｇｅｍｅｎｔ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ， ２００３， １９ （４）： ９－３０．

［２８］ Ｓｏｒｏｙａ Ｓ Ｈ， Ｆａｒｏｏｑ Ａ， Ｍａｈｍｏｏｄ Ｋ， ｅｔ ａｌ． Ｆｒｏｍ ＩｎｆｏｒｍａｔｉｏｎＳｅｅｋｉｎｇ ｔｏ Ｉｎｆｏｒｍａｔｉｏｎ Ａｖｏｉｄａｎｃｅ： Ｕｎｄｅｒｓｔａｎｄｉｎｇ ｔｈｅ Ｈｅａｌｔｈ Ｉｎｆｏｒ?ｍａｔｉｏｎ Ｂｅｈａｖｉｏｒ Ｄｕｒｉｎｇ ａ Ｇｌｏｂａｌ Ｈｅａｌｔｈ Ｃｒｉｓｉｓ ［ Ｊ］． ＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇ ＆ Ｍａｎａｇｅｍｅｎｔ， ２０２１， ５８ （２）： １０２４４０．

［２９］ Ｌａａｔｏ Ｓ， Ｉｓｌａｍ Ａ Ｋ Ｍ Ｎ， Ｉｓｌａｍ Ｍ Ｎ， ｅｔ ａｌ． Ｗｈａｔ Ｄｒｉｖｅｓ Ｕｎｖｅｒ?ｉｆｉｅｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｈａｒｉｎｇ ａｎｄ Ｃｙｂｅｒｃｈｏｎｄｒｉａ Ｄｕｒｉｎｇ ｔｈｅ ＣＯＶＩＤ－１９Ｐａｎｄｅｍｉｃ？ ［Ｊ］． Ｅｕｒｏｐｅａｎ Ｊｏｕｒｎａｌ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ， ２０２０，２９ （３）： ２８８－３０５．

［３０］ 李欣穎． 基于信息質(zhì)量理論的短視頻平臺用戶購買意向研究［Ｊ］． 情報科學(xué)， ２０２３， ４１ （１１）： １０３－１１０．

［３１］ 付少雄， 朱夢蝶， 鄧勝利， 等． 在線平臺競爭功能組合對創(chuàng)作者內(nèi)容采納的影響研究———來自視頻彈幕類平臺的實證檢驗［Ｊ］． 圖書情報知識， ２０２４， ４１ （１）： ２５－３４．

［３２］ Ｃａｉ Ｓ， Ｌｕｏ Ｑ Ｆ， Ｆｕ Ｘ， ｅｔ ａｌ． Ｗｈａｔ Ｄｒｉｖｅｓ ｔｈｅ Ｓａｌｅｓ ｏｆ ＰａｉｄＫｎｏｗｌｅｄｇｅ Ｐｒｏｄｕｃｔｓ？ Ａ Ｔｗｏ－Ｐｈａｓｅ Ａｐｐｒｏａｃｈ ［Ｊ］． Ｉｎｆｏｒｍａｔｉｏｎ ＆Ｍａｎａｇｅｍｅｎｔ， ２０２０， ５７ （５）： １０３２６４．

［３３］ 魏潔， 楊正玲． 患者、醫(yī)生和系統(tǒng)產(chǎn)生內(nèi)容對患者擇醫(yī)行為的影響［Ｊ］． 管理科學(xué)， ２０２２， ３５ （４）： ４４－５６．

［３４］ 楊雨嬌， 袁勤儉． 信息生態(tài)理論其在信息系統(tǒng)研究領(lǐng)域的應(yīng)用及展望［Ｊ］． 現(xiàn)代情報， ２０２２， ４２ （５）： １４０－１４８．

［３５］ Ｓｐｅｎｃｅ Ｍ． Ｓｉｇｎａｌｉｎｇ ｉｎ Ｒｅｔｒｏｓｐｅｃｔ ａｎｄ ｔｈｅ Ｉｎｆｏｒｍａｔｉｏｎａｌ Ｓｔｒｕｃｔｕｒｅｏｆ Ｍａｒｋｅｔｓ ［ Ｊ］． Ａｍｅｒｉｃａｎ Ｅｃｏｎｏｍｉｃ Ｒｅｖｉｅｗ， ２００２， ９２ （ ３）：４３４－４５９．

［３６］ 占南， 毛夢佳． 壓力源—應(yīng)變—結(jié)果視角下個人信息回避行為研究———基于混合方法的實證［Ｊ］． 現(xiàn)代情報， ２０２４， ４４ （１１）：３７－５１．

［３７］ Ｇｕｏ Ｓ Ｓ， Ｇｕｏ Ｘ Ｔ， Ｆａｎｇ Ｙ Ｌ， ｅｔ ａｌ． Ｈｏｗ Ｄｏｃｔｏｒｓ Ｇａｉｎ Ｓｏｃｉａｌａｎｄ Ｅｃｏｎｏｍｉｃ Ｒｅｔｕｒｎｓ ｉｎ Ｏｎｌｉｎｅ Ｈｅａｌｔｈ－Ｃａｒｅ Ｃｏｍｍｕｎｉｔｉｅｓ： Ａ Ｐｒｏ?ｆｅｓｓｉｏｎａｌ Ｃａｐｉｔａｌ Ｐｅｒｓｐｅｃｔｉｖｅ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｍａｎａｇｅｍｅｎｔ Ｉｎｆｏｒｍａ?ｔｉｏｎ Ｓｙｓｔｅｍｓ， ２０１７， ３４ （２）： ４８７－５１９．

［３８］ 唐坤孟， 李勝利， 張倩． 患者在線醫(yī)療團(tuán)隊服務(wù)選擇行為影響因素研究———以好大夫在線為例［Ｊ］． 圖書情報工作， ２０２１，６５ （１１）： ３３－４５．

［３９］ Ｍｉｒｚａｅｉ Ｔ， Ｅｓｍａｅｉｌｚａｄｅｈ Ｐ． Ｅｎｇａｇｅｍｅｎｔ ｉｎ Ｏｎｌｉｎｅ Ｈｅａｌｔｈ Ｃｏｍ?ｍｕｎｉｔｉｅｓ： Ｃｈａｎｎｅｌ Ｅｘｐａｎｓｉｏｎ ａｎｄ Ｓｏｃｉａｌ Ｅｘｃｈａｎｇｅｓ ［Ｊ］． Ｉｎｆｏｒｍａ?ｔｉｏｎ ＆ Ｍａｎａｇｅｍｅｎｔ， ２０２１， ５８ （１）： １０３４０４．

［４０］ 付少雄， 朱夢蝶， 鄭德俊， 等． 基于社會資本理論的在線醫(yī)療社區(qū)醫(yī)生知識貢獻(xiàn)行為動因研究［Ｊ］． 情報資料工作， ２０２２，４３ （３）： ６７－７４．

［４１］ Ｈｅ Ｓ， Ｈｏｌｌｅｎｂｅｃｋ Ｂ， Ｐｒｏｓｅｒｐｉｏ Ｄ． Ｔｈｅ Ｍａｒｋｅｔ ｆｏｒ Ｆａｋｅ Ｒｅｖｉｅｗｓ［Ｊ］． Ｍａｒｋｅｔｉｎｇ Ｓｃｉｅｎｃｅ， ２０２２， ４１ （５）： ８７１－１０２７．

［４２］ Ｃａｒｄ Ｄ． Ｄｅｓｉｇｎ － Ｂａｓｅｄ Ｒｅｓｅａｒｃｈ ｉｎ Ｅｍｐｉｒｉｃａｌ Ｍｉｃｒｏｅｃｏｎｏｍｉｃｓ［Ｊ］． Ａｍｅｒｉｃａｎ Ｅｃｏｎｏｍｉｃ Ｒｅｖｉｅｗ， ２０２２， １１２ （６）： １７７３－１７８１．

［４３］ Ｌｕｏ Ｃ， Ｑｉａｎｇ Ｗ， Ｌｅｅ Ｈ Ｆ． Ｄｏｅｓ ｔｈｅ Ｌｏｗ－Ｃａｒｂｏｎ Ｃｉｔｙ Ｐｉｌｏｔ Ｐｏｌｉ?ｃｙ Ｗｏｒｋ ｉｎ Ｃｈｉｎａ？ Ａ Ｃｏｍｐａｎｙ－Ｌｅｖｅｌ Ａｎａｌｙｓｉｓ Ｂａｓｅｄ ｏｎ ｔｈｅ ＰＳＭＤＩＤＭｏｄｅｌ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔａｌ Ｍａｎａｇｅｍｅｎｔ， ２０２３， ３３７：１１７７２５．

［４４］ Ｓｉｎｇｈ Ｓ Ｋ， Ｍａｚｚｕｃｃｈｅｌｌｉ Ａ， Ｖｅｓｓａｌ Ｓ Ｒ， ｅｔ ａｌ． Ｋｎｏｗｌｅｄｇｅ－ＢａｓｅｄＨＲＭ Ｐｒａｃｔｉｃｅｓ ａｎｄ Ｉｎｎｏｖａｔｉｏｎ Ｐｅｒｆｏｒｍａｎｃｅ： Ｒｏｌｅ ｏｆ Ｓｏｃｉａｌ Ｃａｐｉｔａｌａｎｄ Ｋｎｏｗｌｅｄｇｅ Ｓｈａｒｉｎｇ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｍａｎａｇｅｍｅｎｔ，２０２１， ２７ （１）： １００８３０．

［４５］ 夏蘇迪， 鄧勝利， 汪璠． 在線醫(yī)療社區(qū)健康科普知識供需匹配研究［Ｊ］． 現(xiàn)代情報， ２０２３， ４３ （７）： ３８－４７．

［４６］ 夏蘇迪， 鄧勝利， 錢倩文， 等． 價值共創(chuàng)視角下在線醫(yī)療社區(qū)醫(yī)生群組劃分與特征分析［Ｊ］． 現(xiàn)代情報， ２０２４， ４４ （２）：９２－１０６．

［４７］ 陸泉， 彭雪瑩． 人智協(xié)同對慢性病預(yù)防知識采納效率與效果的影響研究———以阿爾茨海默癥為例［ Ｊ］． 情報理論與實踐，２０２３， ４６ （１２）： １０４－１１２．

［４８］ Ｄｕｆｌｏ Ｅ． Ｆｉｅｌｄ Ｅｘｐｅｒｉｍｅｎｔｓ ａｎｄ ｔｈｅ Ｐｒａｃｔｉｃｅ ｏｆ Ｐｏｌｉｃｙ ［ Ｊ］． Ａ?ｍｅｒｉｃａｎ Ｅｃｏｎｏｍｉｃ Ｒｅｖｉｅｗ， ２０２０， １１０ （７）： １９５２－１９７３．

［４９］ Ｍｅｎｇ Ｆ Ｂ， Ｚｈａｎｇ Ｘ Ｆ， Ｌｉｕ Ｌ Ｂ， ｅｔ ａｌ． Ｃｏｎｖｅｒｔｉｎｇ Ｒｅａｄｅｒｓ ｔｏＰａｔｉｅｎｔｓ？ Ｆｒｏｍ Ｆｒｅｅ ｔｏ Ｐａｉｄ Ｋｎｏｗｌｅｄｇｅ－Ｓｈａｒｉｎｇ ｉｎ Ｏｎｌｉｎｅ ＨｅａｌｔｈＣｏｍｍｕｎｉｔｉｅｓ ［Ｊ］． Ｉｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ ＆ Ｍａｎａｇｅｍｅｎｔ， ２０２１，５８ （３）： １０２４９０．

［５０］ Ｚｈａｎｇ Ｘ Ｆ， Ｇｕｏ Ｆ， Ｘｕ Ｔ Ｘ， ｅｔ ａｌ． Ｗｈａｔ Ｍｏｔｉｖａｔｅｓ Ｐｈｙｓｉｃｉａｎｓｔｏ Ｓｈａｒｅ Ｆｒｅｅ Ｈｅａｌｔｈ Ｉｎｆｏｒｍａｔｉｏｎ ｏｎ Ｏｎｌｉｎｅ Ｈｅａｌｔｈ Ｐｌａｔｆｏｒｍｓ？ ［Ｊ］．Ｉｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ ＆ Ｍａｎａｇｅｍｅｎｔ， ２０２０， ５７ （２）： １０２１６６．

（責(zé)任編輯： 郭沫含）

基金項目： 國家自然科學(xué)基金重點項目“國家區(qū)域發(fā)展戰(zhàn)略下的創(chuàng)新生態(tài)系統(tǒng)發(fā)展理論與政策研究” （項目編號： ７２０３４００２）； 國家自然科學(xué)基金面上項目“基于科學(xué)共同體知識大圖的隱性合作關(guān)系發(fā)現(xiàn)與深度挖掘” （項目編號： ７２０７４１７２）。