在線健康社區(qū)用戶隱私披露行為影響因素研究

李瑋祎，徐中陽，孟知謙

（1.杭州醫(yī)學(xué)院護(hù)理學(xué)院，浙江 杭州 310000；2.杭州醫(yī)學(xué)院圖書館，浙江 杭州 310000；3.北京百瑞宏霖生物技術(shù)有限公司，北京 100000）

近年來，“丁香醫(yī)生”“春雨醫(yī)生”等兼具醫(yī)療和社交雙重價值的在線健康社區(qū)（online health communities，OHCs）受到了國內(nèi)用戶的青睞。截止2020 年，國內(nèi)移動醫(yī)療行業(yè)用戶已經(jīng)超過6 億人[1]。在線健康社區(qū)用戶規(guī)模的快速增長同樣引起了國內(nèi)外學(xué)者對用戶信息行為領(lǐng)域的廣泛關(guān)注。隱私披露行為（privacy disclosure behavior，PDB）是指用戶主動向在線健康社區(qū)中的注冊衛(wèi)生技術(shù)人員或其他用戶披露自身的職業(yè)、既往病史以及治療經(jīng)歷等隱私信息的行為[2]。用戶主動披露個人的隱私信息，不僅能獲得更有效的治療方案，而且能得到其他用戶的信息支持和情感支持，還能幫助其他患有相同疾病的用戶，但同樣存在隱私泄露的風(fēng)險[3-5]。如何在保證隱私安全的情況下促進(jìn)用戶的隱私披露行為是社區(qū)管理者和相關(guān)研究者共同關(guān)注的問題。鑒于此，本研究采用隱私計算理論，以中青年用戶群體為研究對象，構(gòu)建在線健康社區(qū)隱私披露行為的影響因素模型，旨在為完善在線健康社區(qū)提供參考。

1 理論基礎(chǔ)與研究假設(shè)

1.1 隱私計算理論 隱私計算理論（privacy computing theory，PCT）是指用戶在披露個人隱私前會衡量自身的預(yù)期收益與可能帶來的風(fēng)險，如果預(yù)期收益大于風(fēng)險時，用戶會選擇披露個人隱私；反之，用戶不會選擇披露個人隱私[6]。隱私計算理論具有良好的應(yīng)用價值，目前被廣泛應(yīng)用于互聯(lián)網(wǎng)環(huán)境下的用戶隱私披露行為研究[7]。張敏等[8]采用隱私計算理論構(gòu)建了模型，證實(shí)了用戶具備一定的隱私計算能力，在使用在線健康社區(qū)的醫(yī)療健康服務(wù)前會評估自身披露隱私帶來的風(fēng)險和預(yù)期效益，再根據(jù)評估結(jié)果進(jìn)行決策。王喻超[9]的綜合隱私計算理論、社會交換理論以及信任理論構(gòu)建了虛擬健康社區(qū)用戶健康信息因素披露意愿的影響隱私模型。本研究采用隱私計算理論，從感知收益和感知風(fēng)險兩方面深入分析用戶隱私披露行為的影響因素。

1.2 研究假設(shè)

1.2.1 感知收益 感知收益（perceived benefits，PB）是指用戶向在線健康社區(qū)披露個人隱私時能夠感受到的回報和收益[10]。Zhang X 等[11]的研究指出，用戶使用在線健康社區(qū)過程中獲得感知收益主要包括信息支持、情感支持等。Wang T 等[12]的研究顯示，感知收益會對用戶的隱私披露行為產(chǎn)生顯著的正向影響。本研究認(rèn)為，用戶使用在線健康社區(qū)時能夠通過向醫(yī)生或其他用戶披露個人隱私從而獲得醫(yī)生的治療建議、其他用戶的治療經(jīng)歷等醫(yī)療健康服務(wù)或醫(yī)療健康信息。因此，本研究認(rèn)為感知收益的影響因素為在線健康社區(qū)的服務(wù)質(zhì)量（service quality，SQ）和信息質(zhì)量（information quality，IQ）。綜合上述研究，本研究提出以下假設(shè)：H1：服務(wù)質(zhì)量顯著正向影響感知收益；H2：信息質(zhì)量顯著正向影響感知收益；H3：感知收益顯著正向影響隱私披露行為。

1.2.2 感知風(fēng)險 感知風(fēng)險（perceived risk，PR）是指用戶向在線健康社區(qū)披露個人隱私時可能產(chǎn)生的風(fēng)險[13]。王文韜等[14]采用質(zhì)性研究方法分析了在線健康社區(qū)知識轉(zhuǎn)移粘滯行為后指出，感知風(fēng)險主要包括環(huán)境風(fēng)險程度、知識了解程度以及后果可控程度等。張坤等[15]采用質(zhì)性研究方法對電子健康網(wǎng)站中的隱私披露行為的影響因素研究后指出，用戶的感知風(fēng)險主要包括隱私關(guān)注、信息泄露以及信息失真等。本研究認(rèn)為用戶的感知風(fēng)險主要來源于兩個方面，一方面是環(huán)境因素，如使用的平臺是否發(fā)生過隱私泄露事件；另一方面是用戶的個人習(xí)慣，如在披露隱私后是否會存在憂慮心理。因此，本研究認(rèn)為感知風(fēng)險的影響因素為隱私泄露（privacy disclosure，PD）和隱私關(guān)注（privacy concerns，PC）。綜合上述研究，本研究提出以下假設(shè)：H4：隱私泄露顯著正向影響感知風(fēng)險；H5：隱私關(guān)注顯著正向影響感知風(fēng)險；H6：用戶的感知風(fēng)險顯著負(fù)向影響隱私披露行為。

1.3 理論模型 基于上述理論與研究假設(shè)，可得在線健康社區(qū)用戶隱私披露行為影響因素模型，見圖1。

圖1 在線健康社區(qū)用戶隱私披露行為影響因素模型

2 研究方法

2.1 問卷設(shè)計 本研究采用問卷調(diào)查獲取數(shù)據(jù)，為保證本研究編制的調(diào)查問卷具有良好的信度和效度，本研究充分參考成熟的量表，并根據(jù)本研究實(shí)際情景加以調(diào)整，形成初步量表。問卷主要包括：①用戶人口統(tǒng)計變量，包括性別、學(xué)歷、職業(yè)以及在線健康社區(qū)使用經(jīng)驗(yàn)；②隱私披露行為影響因素變量，包括服務(wù)質(zhì)量、信息質(zhì)量等8 個變量，每個變量均由4 個題項測量，采用李克特5 級量表形式，從“非常不同意”至“非常同意”分別記為1～5 分。在正式調(diào)查前，邀請具備醫(yī)學(xué)信息學(xué)背景的3 位高校教師以及5 位在線健康社區(qū)用戶進(jìn)行了預(yù)調(diào)查，根據(jù)反饋對題項表述、順序等方面進(jìn)行進(jìn)一步完善，最終得到正式量表，見表1。

表1 變量、題項及來源

表1（續(xù)）

2.2 數(shù)據(jù)收集與處理 選取“春雨醫(yī)生”“微醫(yī)網(wǎng)”以及“好大夫在線”等3 個國內(nèi)主流在線健康社區(qū)的30～39 歲中青年用戶為研究對象。于2021 年5 月13 日-2021 年7 月17 日，采用線上線下相結(jié)合的方式發(fā)放問卷，線上問卷采用問卷星制作，在以上5個在線健康社區(qū)注冊后向目標(biāo)用戶發(fā)放，線下問卷則在杭州市內(nèi)各醫(yī)院附近路口選取目標(biāo)用戶發(fā)放，共回收問卷300 份，剔除填寫時間過短、選項存在規(guī)律等無效問卷后共得到226 份有效問卷，有效回收率為75.33%。具體樣本特征如下：①性別：男116人，女110 人；②學(xué)歷：高中及以下44 人，專科84人，本科73 人，碩士及以上25 人；③職業(yè)：機(jī)關(guān)單位人員30 人、事業(yè)單位人員56 人，企業(yè)人員128 人，其他12 人；④使用經(jīng)驗(yàn)：1 年及以下126 人，2～3 年65 人，3 年以上35 人。將所得問卷數(shù)據(jù)分別導(dǎo)入SPSS 26.0 和AMOS 22.0 后進(jìn)行下一階段的分析。

3 結(jié)果

3.1 信度與效度分析 本研究所得數(shù)據(jù)的信度與效度見表2、表3。信度主要由Cronbach's α 和組合信度（composite reliability，CR）檢驗(yàn)。由表2 可得，潛變量的Cronbach's α 和CR 均大于0.7，可見數(shù)據(jù)具有良好的信度。效度主要由聚合效度與區(qū)分效度組成，聚合效度由各測量變量的因子載荷和平均萃取方差（average variance extracted，AVE）檢驗(yàn)，區(qū)分效度由平均萃取方差的平方根與相關(guān)系數(shù)檢驗(yàn)，見表3。所有測量變量的因子載荷均大于區(qū)分效度由均大于0.6，潛變量的AVE 均大于0.5，數(shù)據(jù)具有良好的聚合效度。表3 中對角線上為AVE 的算術(shù)平方根，對角線下是與其余變量的相關(guān)系數(shù)，所有變量的AVE的算術(shù)平方根均大于與其他變量的相關(guān)系數(shù)，本研究具有良好的區(qū)分效度。

表2 信度與聚合效度分析

表3 區(qū)分效度分析

3.2 假設(shè)檢驗(yàn) 本研究采用AMOS 22.0 檢驗(yàn)?zāi)Ｐ偷倪m配性以及研究假設(shè)是否成立，檢驗(yàn)結(jié)果見表4、圖2。由表4 可知，模型各擬合指標(biāo)均達(dá)到要求，具有良好的擬合效果。由圖2 可知，服務(wù)質(zhì)量、信息質(zhì)量對感知收益均有正向影響（βSQ=0.259，PSQ＜0.001；βIQ=0.718，PIQ＜0.001），假設(shè)H1、H2 成立。感知收益對隱私披露行為有正向影響（βPB=0.860，PPB＜0.001），假設(shè)H3 成立。隱私泄露、隱私關(guān)注對感知風(fēng)險均有負(fù)向影響（βPD=0.523，PPD＜0.001；βPC=0.718，PPC＜0.001），假設(shè)H4、H5 成立。感知風(fēng)險對隱私披露行為有負(fù)向影響，但影響不顯著（βPR=-0.041，PPR＞0.01），假設(shè)H6 不成立。

表4 模型擬合程度檢驗(yàn)結(jié)果

圖2 模型假設(shè)檢驗(yàn)結(jié)果

4 討論

基于上述分析可得以下結(jié)論：①在感知收益上，信息質(zhì)量與服務(wù)質(zhì)量均對感知收益有正向影響且信息質(zhì)量的影響程度相對較大。可見，相對于醫(yī)療健康服務(wù)，中青年用戶更傾向于獲取醫(yī)療健康信息。其主要原因在于，相對于青年用戶群體，中青年用戶群體的在線健康社區(qū)使用經(jīng)驗(yàn)較少，因此不愿意嘗試相對復(fù)雜的功能，而是更傾向于使用簡單的功能來直接獲取自身所需的醫(yī)療健康信息，如各醫(yī)院專家門診信息、慢性病預(yù)防信息等；②在感知風(fēng)險上，隱私泄露和隱私關(guān)注對感知風(fēng)險均有正向影響且二者影響程度相差不大。可見，部分中青年用戶具有良好的隱私習(xí)慣，能夠關(guān)注平臺使用環(huán)境中是否存在隱私泄露的風(fēng)險；同時，部分中青年用戶還具有隱私關(guān)注，對于個人隱私披露心存顧慮，這些對于保護(hù)個人隱私均有一定幫助；③在隱私披露行為上，感知收益對隱私披露行為具有正向影響且影響程度較大，而感知風(fēng)險對于隱私披露行為具有負(fù)向影響且影響程度較小。可見，對于中青年用戶而言，隱私披露的行為主要取決于從平臺獲取的感知收益，盡管感知風(fēng)險同樣存在，但與感知收益基本沒有可比性。其主要原因在于，部分用戶的隱私保護(hù)意識不足，無法正確認(rèn)識自身隱私的價值，認(rèn)為隱私價值過低，因此低估了隱私披露的風(fēng)險。對此，為了完善在線健康社區(qū)，促進(jìn)用戶隱私披露行為，社區(qū)管理者應(yīng)當(dāng)從以下方面加以改進(jìn)：①提升社區(qū)的信息質(zhì)量：社區(qū)可以從權(quán)威性、時效性等多個方面提升醫(yī)療健康信息質(zhì)量，如加強(qiáng)信息發(fā)布前的審核，同時在網(wǎng)頁中設(shè)置舉報鏈接，形成醫(yī)療健康信息從發(fā)布前到發(fā)布后形成完整的管理鏈，以提升權(quán)威性；②完善社區(qū)的隱私保護(hù)措施：一方面，社區(qū)可以完善隱私保護(hù)條例，通過制定懲罰措施進(jìn)一步規(guī)范社區(qū)的衛(wèi)生技術(shù)人員和其他工作人員對用戶個人隱私信息的使用；另一方面，社區(qū)可以加強(qiáng)個人隱私保護(hù)的宣傳，提升用戶的隱私保護(hù)意識。