文献：Su, J., Wang, Y., Liu, H., Zhang, Z., Wang, Z., & Li, Z. (2025). Investigating the factors influencing users’ adoption of artificial intelligence health assistants based on an extended UTAUT model. Scientific Reports, 15, Article 18215. DOI 10.1038/s41598-025-01897-0。

研究问题：AI 健康助手（能解读自然语言指令、提供健康管理建议的智能体）正快速进入医疗健康领域——从慢性病自我管理到心理健康聊天机器人（如 Woebot）。但普通用户对 AI 健康助手的接受意愿仍缺乏实证研究。论文要回答：哪些因素影响用户使用 AI 健康助手的意愿？信任与风险感知在其中起什么作用？

论证思路：基于技术接受与使用的统一理论（UTAUT），扩展加入**感知信任（PT）与感知风险（PR）**两个变量，在线招募 373 名中国普通用户，用协方差结构方程模型（CB-SEM）检验假设。

一、理论框架

UTAUT 的核心构念：绩效期望（PE）、努力期望（EE）、社会影响（SI）、促进条件（FC） → 行为意愿（BI）。本研究在此基础上加入：

• 感知信任（PT）：用户对 AI 健康助手可靠性的信任——同时影响绩效期望、努力期望与行为意愿；
• 感知风险（PR）：使用带来的隐私、健康风险担忧——负向影响行为意愿。

二、样本与方法

• 样本：在线招募 373 名中国普通用户（19–39 岁占 80.7%）
• 分析：CB-SEM；模型拟合良好（原文 Table 6）：χ²/df = 1.443、CFI = 0.984、TLI = 0.981、NFI = 0.950、RMSEA = 0.035、SRMR = 0.037——全部优于推荐阈值。

三、核心发现

1. 原 UTAUT 结构稳健（原文 Table 7）

2. 关键结论

• 绩效期望最强（β = 0.693）——用户最看重 AI 健康助手“有没有用”；
• 促进条件不显著——与多数 UTAUT 研究不同，这里“基础设施支持”并未显著影响采纳意愿，可能因为 AI 健康助手多为手机 App，使用门槛低；
• 感知信任是核心枢纽：对绩效期望（0.905）、努力期望（0.903）、行为意愿（0.583）均为强正向，同时显著降低感知风险（−0.648）——信任既直接促进采纳，又通过“化解风险担忧”间接促进；
• 感知风险负向但较弱（−0.127）——用户虽有风险顾虑，但不足以主导采纳决策。

模型解释力：PE、EE、SI、PT、PR 共同解释了行为意愿 88.7% 的方差；PT 单独解释了 PE 的 81.9%、EE 的 81.6%、PR 的 42.1%。

四、实践启示

对开发者：建立用户信任是重中之重——信任同时驱动“有用感”、“易用感”并压制风险担忧。清晰说明数据用途、提供可靠的健康建议来源、透明化 AI 的能力边界，都能增强信任。

对运营者：绩效期望是最强预测因子，应突出 AI 健康助手的实际价值（如健康数据跟踪、个性化建议、慢性病管理）；社会影响也有作用，可借助口碑与社交传播。

对政策制定者：感知风险虽影响较弱但仍显著，健康类 AI 产品的隐私保护与安全监管是底线要求。

精读笔记

核心论点：普通用户采纳 AI 健康助手，“有用”（绩效期望）是首要驱动力，但信任是更深层的引擎——它同时提升有用感/易用感、化解风险担忧、并直接促进采纳。

方法要点：

• 扩展 UTAUT（+ 信任 + 风险）在健康 AI 场景验证成立，为后续研究提供可复用框架
• CB-SEM + 完整拟合指标报告，方法严谨
• R² 分解（BI 88.7%）展示了模型的解释强度

局限与边界：

• 样本以 19–39 岁年轻用户为主（80.7%），中老年用户（健康管理主要人群）覆盖不足
• 在线招募，可能存在自选偏差
• 行为意愿 ≠ 实际使用行为，纵向使用数据缺失

可延伸方向：

• 聚焦老年用户群体，比较代际差异
• 加入实际使用行为数据，检验意愿 → 行为的转化
• 结合生成式 AI 大模型助手（如医疗版 GPT），重测模型在新情境下的适用性

原文地址

• DOI：10.1038/s41598-025-01897-0
• 期刊：Scientific Reports（Nature Portfolio），2025 年 5 月
• 图表来源：原文 Figure 1、Figure 2、Table 6、Table 7（开放获取）