從搜索引擎式到對話式： 基于ＣＯＭ－Ｂ 模型的從搜索引擎式到對話式： 基于ＣＯＭ－Ｂ 模型的

摘 要： ［目的／ 意義］ 從搜索引擎搜索到對話式搜索的轉移， 已經成為用戶信息搜尋的趨勢， 探究用戶搜尋轉移行為的影響因素， 構建全面的行為轉移分析框架， 提高用戶信息搜尋轉移行為的成功率， 從而為信息檢索系統和對話式搜索平臺的優化提供理論基礎。［方法／ 過程］ 基于能力、機會、動機和行為（ＣＯＭ－Ｂ） 模型構建用戶信息搜尋轉移行為影響因素模型， 采用結構方程模型對４１３ 份橫斷面調查問卷進行數據分析， 討論影響信息搜尋轉移行為的障礙因素和促進因素。［結果／ 結論］ 心理能力與身體能力、物理機會與社會機會、自主動機與反思性動機是影響信息搜尋轉移行為的積極因素， 政策支持不足、對話式搜索系統的可用性低是用戶信息搜尋轉移的阻礙因素， 能力和機會能夠正向影響信息搜尋轉移動機。

關鍵詞： ＣＯＭ－Ｂ 模型； 行為改變輪； 信息搜尋； 替代性搜索

ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１００８－０８２１．２０２５．０５．００７

〔中圖分類號〕Ｇ２５２. ０； Ｇ２５２. ７ 〔文獻標識碼〕Ａ 〔文章編號〕１００８－０８２１ （２０２５） ０５－００６６－１１

在互聯網信息爆炸的時代， 用戶對信息獲取準確性和及時性的需求愈發強烈。傳統搜索引擎通過關鍵詞匹配的工作原理， 對大量的網絡文檔進行索引， 并根據用戶輸入的檢索關鍵詞進行匹配， 最后返回與關鍵詞相關的所有文檔。通過搜索引擎檢索，用戶需要花費時間篩選返回的所有信息［１］ 。隨著人工智能技術的不斷發展， ＣｈａｔＧＰＴ、文心一言、盤古等基于生成式人工智能的大模型不斷涌現， 對話式搜索成為用戶與其交互的主要形式， ＣｈａｔＧＰＴ 作為全球用戶最多的對話式信息檢索系統， 月活躍用戶數量已經超過１ ８ 億。對話式搜索憑借強大的數據處理能力和人性化的交互能力， 加速用戶信息搜索的過程， 大幅提高了信息搜索結果的準確性， 已經成為部分用戶進行信息搜尋的一種首選方式。人工智能支持的對話式搜索正在逐漸取代傳統引擎搜索，成為更便捷的信息搜索方式［２］ ， 用戶從傳統的搜索引擎向生成式ＡＩ 轉移成為一種趨勢［３］ 。

轉移行為（Ｓｗｉｔｃｈｉｎｇ Ｂｅｈａｖｉｏｒ）通常指的是用戶從一個產品、服務、設備或技術（系統）轉移到另一個的行為和過程［４］ 。轉移行為是全球信息檢索系統服務商面臨的一個棘手的挑戰。如今， 信息檢索系統的市場競爭非常激烈。對于傳統信息檢索系統服務商， 轉移行為意味著用戶流失， 進而導致傳統信息系統服務商的績效和盈利能力下降［５］ 。對于對話式信息檢索系統服務商而言， 如何吸引新用戶是企業關注的問題。研究用戶在信息搜尋過程中轉移行為的影響因素， 有利于對話式信息檢索系統服務商深入了解導致用戶從傳統搜索引擎轉向對話式檢索系統的動因， 服務商能夠更準確地識別并滿足用戶需求， 吸引傳統搜索引擎用戶采納并使用對話式檢索系統， 促進系統服務的優化、用戶基礎的擴展乃至市場份額的增長， 從而在激烈的市場競爭中獲得優勢。

能力、機會、動機和行為（Ｃａｐａｂｉｌｉｔｙ， Ｏｐｐｏｒｔｕ?ｎｉｔｙ， Ｍｏｔｉｖａｔｉｏｎ－Ｂｅｈａｖｉｏｕｒ， ＣＯＭ－Ｂ）模型是行為改變輪的核心， 由能力、機會、動機和行為４ 個部分構成， 信息檢索行為的改變受到用戶能力（身體能力和心理能力）、機會（物理機會和社會機會）和改變動機（反思性動機和自動動機）的影響。同時， ＣＯＭＢ模型能夠綜合評估用戶信息搜尋轉移的能力、動機和機會。基于此， 本研究借助ＣＯＭ－Ｂ 模型挖掘影響用戶信息搜尋從引擎式搜索向對話式搜索轉移的因素， 為提高用戶信息搜尋轉移行為的成功率、設計信息搜尋轉移干預措施、提升用戶對話式搜索系統的使用效果提供理論基礎， 為服務商提供科學、有效的人工智能檢索指導建議。

１ 相關研究

１. １ 信息搜尋轉移行為

轉移行為是指用戶停止或減少使用當前產品、服務、設備或技術（系統）， 而使用具有替代性的產品、服務、設備或系統替換全部或大部分需求的行為。國外研究認為， 用戶開始使用具有替代性功能的產品服務時， 轉移行為就已經開始［４］ 。轉移行為主要分為三類： 一是不同媒介間的轉移， 如用戶從實體會員卡轉向移動Ａｐｐ［６］ 、從現金轉向在線支付系統等； 二是同一媒介同類型產品間的轉移， 如使用的社交媒體轉移等［７］ ； 三是同一媒介不同類型產品的轉移， 如消費者從電子商務平臺轉向社交媒體平臺購物等。本文探究用戶從搜索引擎向對話式ＡＩ的轉移行為， 是同一媒介下不同類型產品的轉移，屬于第三類。

信息搜尋轉移行為是指個體在進行信息搜索過程中， 由于各種原因（如信息過載、信息源不可靠或信息需求變化）導致原有搜索路徑受阻或效率降低時， 主動或被動地改變搜索策略， 轉向其他信息源或搜索系統的行為［８］ 。在互聯網發展的初期， 搜索引擎是信息搜尋的重要工具。但隨著互聯網上信息數量的迅速增加， 信息膨脹導致用戶在搜索和獲取有用信息時面臨更大的挑戰。搜索結果的準確性降低、大量冗余和低質量的信息充斥搜索結果， 使得用戶很難在短時間內找到所需的精確信息［９］ 。這種情況尤其在用戶檢索特定問題或專業領域信息時更為明顯。一方面， 信息獲取的難度增加， 隨著信息量的迅速增長， 用戶在尋找特定信息時需要花費更多時間和精力進行篩選； 另一方面， 真實信息的辨別難度加大， 信息膨脹使得高質量信息在大量數據中淹沒， 用戶需要更高的搜索技巧和信息素養來找到真正有用的信息。此外， 大量未經證實、描述夸張的信息在互聯網上肆意傳播， 容易使用戶產生焦慮、心理抗拒與網絡疑病癥等負面心理狀態［１０－１１］ ，從而導致用戶體驗下降， 過多的信息選擇還可能導致決策困難、信息過載［１２］ 、信息規避［１３］ 和信息疲勞［１４］ 等一系列現實問題。

對話式搜索在解決信息膨脹對信息檢索的負面影響方面展現了潛力。首先， 對話式搜索系統提升信息過濾和篩選能力， ＡＩ 算法通過自然語言處理技術能夠分析、標注和過濾大量的信息， 自動識別和優先展示高質量和相關的內容， 從而提高搜索結果的精準度和有效性［１５］ ， 并減輕用戶信息檢索過程中信息過載帶來的心理壓力。其次， 對話式搜索系統能夠通過深度學習和自然語言處理技術， 從海量數據中提取有價值的洞察和趨勢， 幫助用戶快速找到所需信息， 減少搜索時間和精力的浪費， 提高工作效率和檢索滿意度［１６］ 。因此， 生成式人工智能的快速迭代， 對人們的信息生活產生了巨大影響， 用戶從搜索引擎搜索到對話式搜索這一搜尋行為的轉變成為一種趨勢［１７］ 。

當前， 已有學者開展信息搜尋轉移行為研究。周濤等［３］ 基于推—拉—錨理論構建信息搜尋轉移的模型， 發現用戶滿意度、感知價值、社會影響決定用戶的轉移意向。邱均平等［８］ 基于推—拉—錨理論探究用戶從學術網站到ＡＩＧＣ 平臺轉移的影響因素，研究發現感知不方便性、感知焦慮、準確度和感知定價優勢顯著正向影響用戶的轉移意向， 習慣顯著負向影響用戶的轉移意向。

１. ２ ＣＯＭ－Ｂ 模型

ＣＯＭ－Ｂ 模型（能力、機會、動機和行為模型）由Ｍｉｃｈｉｅ Ｓ 等［１８］ 于２０１１ 年首次提出， 是一個用于理解行為變化的框架， 強調行為是由能力、機會和動機的交互作用驅動的。

能力是指個人執行該行為的身體能力和心理能力， 包括采取行動所需的技能和知識， 如學習新知識和處理信息的能力。用戶在信息搜尋時需要具備一定的認知和實際操作能力。ＣＯＭ－Ｂ 模型強調用戶的心理和體能能力， 這決定了他們是否能夠有效地進行信息搜尋和使用新信息檢索系統。如果用戶具備足夠的能力， 他們更有可能從傳統搜索引擎搜索轉移到對話式搜索上來。用戶的轉移行為還受環境和社會機會的影響， 這包括物理機會（如設備或系統的可用性）以及社會機會（如他人的影響和支持）。ＣＯＭ－Ｂ 模型指出， 合適的機會能夠促進用戶行為的轉變。例如， 當用戶能夠使用對話式檢索系統且他人的支持更多時， 他們更有可能采用對話式搜索這一信息搜尋方式。動機是轉移行為發生的內在驅動力， 包括自主動機（情感支持）和反思性動機（計劃和意圖）。ＣＯＭ－Ｂ 模型認為， 強烈的動機能夠推動用戶改變原有的信息搜尋方式并嘗試新的信息搜尋方式。當用戶認識到對話式搜索方法更高效或能更好地滿足他們的需求時， 他們更有可能改變原先的信息搜尋方式。

ＣＯＭ－Ｂ 模型作為行為變化框架， 被廣泛應用于健康行為［１９］ 、消費者行為［２０］ 等多個領域， 用于分析和解釋行為變化。ＣＯＭ－Ｂ 模型用于促進健康行為， 如糖尿病管理和慢性心力衰竭患者的自我護理依從性［２１］ ； 該模型也被用于分析消費者行為， 幫助理解影響消費者決策的因素［２２］ ， 從而制定更有效的營銷策略。當前信息搜尋轉移行為多采用推—拉—錨理論進行解釋， ＣＯＭ－Ｂ 模型與推—拉—錨理論相比， 在信息搜尋轉移行為的研究中具有以下優勢： ①ＣＯＭ－Ｂ 模型從能力、機會和動機３ 個維度綜合考慮行為改變， 為理解信息搜尋轉移行為提供了一個更為全面的框架， 而推—拉—錨理論主要側重于態度、主觀規范和感知行為控制對行為意圖和行為的影響。②ＣＯＭ－Ｂ 模型直接關聯到行為改變輪， 提供了一套設計和評估行為改變干預措施的具體方法， 為后續信息搜尋轉移干預提供了理論支持， 而推—拉—錨理論更多地用于預測行為意圖和行為。

因此， 本研究采納ＣＯＭ－Ｂ 模型， 探究影響用戶在信息搜尋行為上從傳統的搜索引擎模式向基于人工智能的新興對話式模式轉變的關鍵因素， 力圖揭示用戶在信息搜尋方式選擇上的行為動因， 進而為理解用戶在信息檢索領域的轉移行為提供學術性的解釋與理論支撐。

２ 研究假設與理論模型

２. １ 能力因素維度

能力包含用戶所具有的知識和技能， 是影響動機的３ 個基本心理需求之一。在ＣＯＭ－Ｂ 模型中，能力（Ｃａｐａｂｉｌｉｔｙ）是一個核心組成部分， 包括身體能力和心理能力兩個方面。身體能力指的是個體進行某項活動所需的身體技能， 可以通過訓練或干預來提高， 心理能力則涉及個體進行必要的相關知識。

當不同信息搜尋用戶同時面對人工智能的新外部環境時， 用戶在認知、能力等方面的準備情況是影響用戶應對和適應新環境的重要因素， 用戶在感覺到自己有能力使用基于人工智能的對話式檢索系統進行信息搜尋時， 會更有動機去執行該任務。能力較強的用戶能夠更好地利用對話式搜索進行信息檢索， 從而提高對話式搜索的動機。高能力用戶在遇到復雜問題時， 更有可能求助于對話式檢索系統來獲取幫助。這些用戶通常能夠有效地向ＡＩ 提出明確的問題， 并理解對話式檢索系統提供的答案。先前研究發現， 人工智能使用能力強的用戶， 人工智能的使用意愿也更為強烈［２３］ 。高等教育研究也表明， 當學生認為自己精通某項技術時， 他們更有可能愿意在學習中使用該技術［２４］ 。同時， 當用戶對技術很了解時， 該用戶的使用意愿更強［２５］ 。因此， 本文提出假設：

Ｈ１： 能力正向影響用戶信息搜尋轉移的動機

Ｈ２： 能力正向影響用戶信息搜尋轉移行為

２. ２ 機會因素維度

機會通常被認為是用戶實施特定行為的環境因素［２６］ 。物理機會是指外力條件或可見的、可觸的條件。信息檢索行為研究指的是設備（如電腦、智能手機、平板電腦等）的功能對信息檢索行為的影響和支持程度。這包括設備的硬件性能（如處理器速度、內存大小等）、軟件支持（如操作系統、應用程序等）等方面。用戶只有在擁有能夠進行對話式檢索的設備和信息系統時， 才會有動機去使用這項功能。設備的可用性直接影響用戶對話式檢索的意愿和行為。用戶使用對話式搜索的動機不僅取決于其個人能力和設備可用性， 還受到其認為重要的人（如同事、朋友、親人等）的影響。社會機會指的是個體在信息檢索過程中得到的來自社會環境和他人的影響［２７］ 。這種支持可以是實質性的， 如提供信息資源、技術支持等； 也可以是情緒上的， 如鼓勵、理解和支持。社會機會對個體的信息搜尋轉移動機和行為有積極影響， 先前研究認為， 社會影響顯著影響用戶知識問答從知識社區轉移到生成式ＡＩ［２８］ 。當用戶感受到來自他人或政策的支持和鼓勵時， 會增強去使用對話式檢索系統的動機。因此， 本研究提出假設：

Ｈ３： 機會正向影響用戶信息搜尋轉移的動機

Ｈ４： 機會正向影響用戶信息搜尋轉移行為

２. ３ 動機因素維度

動機是用戶行為驅動極其重要的因素， 被定義為引導用戶實施特定行為、做出決定以及處理信息的驅動力。相關研究發現， 動機能夠影響用戶的信息采納行為［２９］ 、系統使用行為［３０］ 、隱私保護行為［３１］等。ＣＯＭ－Ｂ 模型中， 動機包含自主動機和反思性動機兩個因素。相關研究發現， 自主動機能夠正向影響用戶的信息行為意愿［３２］ 。自主動機包括個人激勵和情感支持。由于用戶選擇使用何種信息搜尋方式并不會給自身帶來物質和精神激勵， 因此本研究自主動機維度由情感支持來衡量。反思性動機是指對過去事件和自身經驗的反思產生的計劃和意圖。計劃意圖是用戶計劃或打算采用某項技術的程度［３３］ 。意向影響行為的原因可以從技術接受模型中得到解釋［３１］ ， 計劃意圖是用戶實際使用行為的直接前兆，信息搜尋轉移行為意圖強烈的用戶更有可能將其意圖轉化為實際行動。因此， 本文假設：

Ｈ５： 動機正向影響信息搜尋轉移行為

基于上述研究假設， 構建信息搜尋轉移行為影響因素理論模型， 如圖１ 所示。

３ 研究設計

３. １ 問卷開發

為保證問卷的信度和效度， 本研究設計的問卷各題項均是對成熟量表的改編。為幫助被試者對問卷內容的深入理解， 進而確保他們的回答能夠準確反映對核心概念的正確認識， 從而提高數據的質量和可靠性， 問卷先對“信息搜尋轉移行為” 和“對話式檢索” 兩個核心概念進行了清晰的闡釋。隨后，問卷主體部分劃分為能力（心理能力和身體能力）、動機（自主動機和反思性動機）、機會（物理機會和社會機會）以及信息搜尋轉移行為４ 個關鍵變量，旨在全面系統收集被試者在以上關鍵維度的信息。

３. ２ 問卷發放與回收

在正式發放問卷前， 發放９０ 份問卷進行預調研， 預調研結果顯示問卷滿足信度和效度要求。后通過問卷星進行正式調研， 正式調研時間為２０２４ 年４ 月５ 日—５ 月１ 日， 研究共收回４３３ 份問卷， 在排除極端作答、作答時間過短等無效問卷后， 共保留有效問卷４１３ 份， 有效問卷數量達到結構方程模型的調研問卷數量要求［４２］ 。本研究調查樣本性別均衡， 調查對象年齡覆蓋１５～７５ 歲， 如表２ 所示， 所有調查對象均有使用搜索引擎進行信息檢索的經歷，并對對話式檢索有一定的認知和接觸。

４ 模型檢驗與分析

４. １ 信效度分析

本研究采用克隆巴赫系數（Ｃｒｏｎｂａｃｈｓ α）與組合信度（Ｃｏｍｐｏｓｉｔｅ Ｒｅｌｉａｂｉｌｉｔｙ， ＣＲ）來評估量表的信度。根據表３ 的數據顯示， 所有構面的Ｃｒｏｎｂａｃｈｓ α 系數均超過０. ７， 表明問卷具有較高的信度和良好的內部一致性。ＫＭＯ 值為０. ８９１， 顯著高于０. ８， 如表４ 所示， 且Ｂａｒｔｌｅｔｔ 球形檢驗結果具有統計學顯著性， 表明數據適合進行因子分析。效度檢驗則主要通過平均方差萃?。ǎ粒觯澹颍幔纾?Ｖａｒｉａｎｃｅ Ｅｘｔｒａｃｔｅｄ，ＡＶＥ）及其平方根值與各變量之間的相關系數進行評估。根據表３， 各變量的ＡＶＥ 值及因子載荷系數均超過０. ５， 且各變量的ＡＶＥ 平方根值均大于其與其他因子之間的相關系數， 從而驗證了本研究的效度。

由于ＣＯＭ－Ｂ 模型中， 能力、機會、動機均涉及兩個自變量， 即能力包含心理能力和身體能力變量， 機會包含物理機會和社會機會兩個自變量， 動機包含自主動機和反思性動機兩個自變量， 因此本研究采用二階模型使結構模型更精簡， 減少結構模型的估計參數。表５ 顯示， 能力、機會和動機包含的自變量之間的相關性絕對值大于０. ４， 滿足組成二階模型的條件， 所以將心理能力和身體能力、物理機會和社會機會、自主動機和反思性動機分別組合成能力、機會和動機二階反映性結構方程模型。

４. ２ 模型路徑分析與假設驗證

路徑假設檢驗結果如表６ 所示， 用戶的能力正向影響信息搜尋轉移動機（β ＝ ０. ４２３， Ｐ ＝ ０. ０００），表示用戶的對話式搜索能力越強， 信息搜尋轉移的動機越強， 假設Ｈ１ 成立。用戶的能力正向影響信息搜尋轉移行為（β ＝ ０. ３４３， Ｐ ＝ ０. ０００）， 假設Ｈ２成立。機會正向影響信息搜尋轉移動機（β ＝０. ２８６，Ｐ＝０. ０００）， 假設Ｈ３ 成立。機會正向影響信息搜尋轉移行為（β ＝ ０. １１８， Ｐ ＝ ０. ０２９）， 假設Ｈ４ 成立。動機正向影響信息搜尋轉移行為（β ＝ ０. ２５４， Ｐ ＝０. ０００）， 假設Ｈ５ 成立。信息搜尋轉移行為影響因素模型中涉及兩個內生變量， 即動機和信息搜尋轉移行為， 其Ｒ２ 依次為４２. ３％和３９. ２％。本研究使用模型適配度指標（Ｇｏｏｄｎｅｓｓ ｏｆ Ｆｉｔ， ＧＯＦ）進行模型擬合優度檢驗， ＧＯＦ 值為０. ５９（＞０. ３６）［４０］ ， 說明信息搜尋轉移行為影響因素模型適配度良好， 如圖２所示。

４. ３ 中介效應分析

本文使用Ｓｍａｒｔｐｌｓ ４. １， 基于Ｂｏｏｔｓｔｒａｐｐｉｎｇ 法進行中介效應檢驗， 在９５％的置信水平下， 樣本選取５ ０００次， 結果如表７ 所示。在能力對信息搜尋轉移行為、機會對信息搜尋轉移行為的路徑中引入動機這一中介變量， 能力、機會到信息搜尋轉移行為的間接效應估計值在９５％置信區間不包含０， 符合中介效應成立的標準［４４］ ， 機會因素介入了能力、機會與信息搜尋轉移行為的關聯。

５ 結果與討論

本研究基于ＣＯＭ－Ｂ 模型探究影響用戶信息搜尋轉移行為的因素， 主要研究發現如下：

能力因素方面， 心理能力和身體能力正向影響信息搜尋轉移的動機和行為。過往研究發現， 能力是影響用戶持續使用某項新技術的關鍵要素， 相關知識越豐富、使用技能越熟練的用戶， 持續使用或參與的意愿越強烈［４５－４６］ 。心理能力涉及用戶對對話式搜索這一新信息搜尋方式的認知評價、信任水平以及對搜索結果的期望， 當用戶對對話式搜索系統持有積極態度， 更可能將其作為首選的信息獲取方式。身體能力則關乎用戶操作對話式搜索系統的技巧和經驗， 包括輸入查詢、理解系統反饋和利用搜索結果的能力。高效的人機交互能夠提升用戶的滿意度， 進而增強其向對話式檢索系統的轉移傾向。這兩者的結合構成了用戶行為轉移的能力基礎， 推動了用戶從傳統搜索引擎向對話式搜索系統的轉變。因此， 通過信息檢索素養培訓、對話式檢索科普和技術指導等干預措施來增強用戶對對話式檢索系統的認知和技術熟悉度， 可以促進其信息搜尋轉移行為的發生。

機會因素方面， 物理機會和社會機會對信息搜尋轉移行為具有正向影響。政策支持、設備和對話式搜索系統的可用性分別是用戶信息搜尋轉移的社會機會因素和物理機會因素。政策支持在新技術和新系統的推廣中起著重要作用， 許多相關研究中也發現了類似的結論［４７］ 。政策的制定和實施， 增強了用戶對對話式檢索系統的信任， 從而積極促進了用戶信息搜尋行為的轉移。同時， 國家政策支持人工智能技術和對話式搜索系統的發展， 這將提高對話式搜索系統的技術水平， 使其更加智能和實用。安全與隱私保障政策要求保護用戶在使用對話式搜索系統時的輸入信息和使用記錄， 增強了用戶的信任感和安全感， 從而提升用戶的使用意愿。國家出臺人工智能倫理和管理建議書， 為基于人工智能的對話式搜索系統的應用提供了倫理和治理框架， 確保技術的應用不會侵害用戶權益和社會公共利益。政策支持不僅能夠直接影響用戶的信息搜尋轉移意愿，還能通過提高對話式檢索系統技術的進步、提供安全和倫理保障， 進而提升用戶對話式檢索系統使用意愿。中國出臺《新一代人工智能發展規劃》《國家新一代人工智能標準體系建設指南》《生成式人工智能服務管理暫行辦法》等政策， 已經具有一定的政策支持和明確的產業指導， 但針對基于人工智能的對話式搜索系統和行為， 還未有針對性的政策支持， 政策制定者需深化對話式搜索對用戶信息獲取重要性的認識。

當前， 中國本土生成式人工智能技術正呈迅猛的發展態勢， 然而與國際上如ＧＰＴ 系列等先進生成式人工智能相比， 在復雜推理和交互性層面尚顯不足。但由于互聯網的監管和審查制度， 以及部分國外對話式搜索系統服務商、人工智能公司尚未在中國提供服務， 導致中國用戶不能使用ＣｈａｔＧＰＴ、Ｐｅｒｐｌｅｘｉｔｙ ＡＩ 等國外的對話式搜索系統， 對話式搜索系統的可用性成為阻礙信息搜尋行為的重要因素。我國需要加強本土對話式搜索系統的技術研發， 鼓勵和支持本土企業及研究機構在自然語言處理、機器學習等領域進行深入研究， 以提升對話式搜索系統的性能和用戶體驗， 逐步構建起自主可控、安全可靠、用戶友好的對話式搜索服務體系。

動機因素方面， 自主動機和反思性動機正向影響信息搜尋轉移行為。自主動機對使用行為或參與行為的積極預測作用在大量研究中已經得到驗證［４８－４９］ ，在自主動機的討論中， 最重要的因素是情感支持，得到情感支持越多的用戶轉移到對話式檢索的意愿越強烈， 與之前的研究結果一致［２０］ 。對話式搜索系統服務商在提升用戶轉移意愿的過程中， 應深入探索情緒智能的融入與應用， 以滿足用戶對情感支持的需求。情緒智能不僅涉及識別和表達情緒的能力， 更關乎于如何利用情緒信息來引導思考和行為。研究表明， 對話系統中的情緒智能可以顯著提升用戶的信息檢索體驗， 尤其是在提供情緒支持和進行心理咨詢等復雜任務中［５０］ 。對話式搜索系統服務商通過構建能夠理解并響應用戶情緒狀態的系統， 采用細粒度情感標簽捕捉用戶的即時心理狀態， 并運用混合策略生成更自然、更具同理心的回復。此外，通過開發共情對話系統， 利用常識知識庫生成模型捕捉用戶情感狀態， 并設計策略性回復以降低用戶的精神壓力， 也是提升用戶轉移意愿的有效途徑。反思性動機方面， 本研究主要討論用戶計劃、意圖對信息搜尋轉移行為的影響。意圖與行為關系的討論在眾多理論和模型中被反復驗證， 計劃行為理論和技術接受模型中， 行為意愿正向影響使用行為［５１－５２］ 。階段變化理論認為， 行為改變是一個具有階段性的過程， 共分為前意向階段、意向階段、準備階段、行動階段、維持階段， 意愿是任何行為改變的必需過程。反思性動機中還包含對結果的反思［５３］ ， 未來， 需要格外關注信息搜尋轉移的后果對轉移行為的影響。

５. １ 理論意義

ＣＯＭ－Ｂ 模型提供了一種系統化的方法來理解轉移變化。在用戶信息搜尋轉移行為中， ＣＯＭ－Ｂ 模型可以幫助研究者識別和分析影響行為改變的關鍵因素， 從而為制定有效的干預措施提供理論基礎，為信息檢索行為領域提供了新的研究視角。本文借助知識、技能、設備支持、社會支持、計劃意圖和情緒反應來解釋用戶信息搜尋轉移行為的障礙因素和促進因素的研究， 其理論意義主要體現在以下幾個方面：

５. １. １ 構建全面的行為分析框架

ＣＯＭ－Ｂ 模型通過將行為變化的３ 個核心要素———能力（Ｃａｐａｂｉｌｉｔｙ）、機會（Ｏｐｐｏｒｔｕｎｉｔｙ）和動機（Ｍｏｔｉｖａｔｉｏｎ）整合在一起， 提供了一個全面的行為分析框架。這一框架有助于系統地識別和理解用戶在信息檢索轉移過程中的各種障礙和促進因素。例如，用戶的能力包括其心理能力和身體能力， 機會則涉及社會機會和物理機會， 動機則反映用戶的自主動機和反思性動機。

５. １. ２ 促進行為轉移理論的發展

信息檢索轉移行為研究在近期受到相關學者關注， 國內學者使用推—拉—錨理論， 探究用戶信息檢索轉移意向的形成機理［３］ 。推—拉—錨理論側重于市場和用戶群體的行為改變， 通過推力（對當前產品不滿意）、拉力（其他產品的吸引力）和錨定力（習慣、轉移成本等）３ 個維度來解釋用戶轉移行為。ＣＯＭ－Ｂ 模型更注重個體層面的行為改變， 強調內部因素（如個體的能力和動機）以及外部機會的作用。本研究使用ＣＯＭ－Ｂ 模型探究信息檢索轉移行為的影響因素， ＣＯＭ－Ｂ 模型最初應用于健康行為領域， 通過將其引入信息檢索行為研究， 拓展該模型的應用范圍， 豐富行為科學和信息科學的理論體系。通過實證研究， 驗證ＣＯＭ－Ｂ 模型在信息搜尋轉移行為的適用性， 為行為轉移理論的發展提供新的證據和視角。

５. ２ 實踐意義

分析用戶在信息搜索轉移過程中的能力、機會和動機， 可以更好地理解和預測用戶行為， 指導用戶界面與交互設計， 提升用戶體驗與滿意度， 為信息檢索系統和對話式檢索平臺的設計與推廣提供實用建議。ＣＯＭ－Ｂ 模型幫助識別影響用戶信息搜尋轉移行為的障礙， 這些障礙包括技術技能欠缺、接觸對話式搜索系統的機會有限、缺乏足夠的動機來改變現有的檢索習慣。對話式信息檢索系統服務商為更好地吸引新用戶， 可以通過信息檢索素養培訓、技術指導等干預措施來增強用戶對話式檢索系統的認知和能力， 通過對話式檢索科普活動提供用戶接觸對話式檢索系統的機會， 促進人工智能技術的普及與應用。研究發現， 自主動機和反思性動機對信息搜尋轉移行為具有正向影響， 為對話式信息檢索系統的優化推廣提供了新的視角。在用戶界面、交互設計與系統推廣過程中， 應考慮激發用戶的自主動機， 不斷提升對話式檢索系統的算法水平， 通過加強算法的魯棒性和泛化能力， 提高生成內容的準確性和可信度， 以促進用戶從傳統搜索引擎向對話式系統的自然過渡。

５. ３ 研究不足與未來展望

雖然本研究取得了一些具有一定理論意義和實踐意義的發現， 但仍存在一些局限性有待進一步探索。

本研究探究了用戶心理能力、身體能力、物理機會、社會機會、自主動機和反思性動機因素對信息搜尋轉移行為的影響。相關研究發現， 信息質量、系統質量、服務質量、任務—技術匹配程度、轉移成本等也是影響用戶信息檢索行為的因素， 未來的研究可以關注其他可能潛在因素對用戶信息搜尋轉移行為的影響。

本研究調研對象的年齡主要分布在１５ ～５５ 歲（占調研總數的８７. ６％）， 老年人占比較少， 信息檢索行為相關研究認為， 老年人的信息搜索行為具有新的特點［５４］ ， 因此未來研究中需要格外關注特殊人群（如老年人）的信息搜尋轉移行為。

本研究為解釋用戶從搜索引擎檢索轉移到對話式搜索的橫斷面研究， 然而， 用戶轉移到對話式檢索進行信息檢索的滿意度和使用效果尚未探究。信息系統的研究人員認為， 隨著技術的發展、使用者特征和能力的改變， 信息檢索的接受度和滿意情況可能會隨著時間的推移而改變， 對話式檢索可能會導致抑制創造性思維、隱私侵犯等問題， 影響對話式搜索滿意度和使用效果的因素將在進一步研究中探索。

參考文獻

［１］ 黃崑， 羅士超， 李蕾， 等． 信息查詢與檢索中的挫折研究綜述［Ｊ］． 圖書情報工作， ２０２３， ６７ （５）： １４２－１５２．

［２］ 李梓奇， 姚立穎， 郭映彤， 等． 任務情境下用戶替代性信息搜尋行為模式研究［Ｊ］． 情報理論與實踐， ２０２４， ４７ （８）： １２－１９．

［３］ 周濤， 李松洮， 鄧勝利． 用戶信息搜尋轉移意向研究： 從搜索引擎到生成式ＡＩ ［Ｊ］． 圖書情報工作， ２０２４， ６８ （３）： ４９－５８．

［４］ Ｎｕｇｒｏｈｏ Ａ， Ｗａｎｇ Ｗ Ｔ． Ｃｏｎｓｕｍｅｒ Ｓｗｉｔｃｈｉｎｇ Ｂｅｈａｖｉｏｒ ｔｏ ａｎ Ａｕｇ?ｍｅｎｔｅｄ Ｒｅａｌｉｔｙ（ＡＲ） Ｂｅａｕｔｙ Ｐｒｏｄｕｃｔ Ａｐｐｌｉｃａｔｉｏｎ： Ｐｕｓｈ－Ｐｕｌｌ Ｍｏｏｒ?ｉｎｇ Ｔｈｅｏｒｙ Ｆｒａｍｅｗｏｒｋ ［Ｊ］． Ｃｏｍｐｕｔｅｒｓ ｉｎ Ｈｕｍａｎ Ｂｅｈａｖｉｏｒ， ２０２３，１４２： １０７６４６．

［５］ Ｎｊｉｔｅ Ｄ， Ｋｉｍ Ｗ Ｇ， Ｋｉｍ Ｌ Ｈ． Ｔｈｅｏｒｉｚｉｎｇ Ｃｏｎｓｕｍｅｒ Ｓｗｉｔｃｈｉｎｇ Ｂｅ?ｈａｖｉｏｒ： Ａ Ｇｅｎｅｒａｌ Ｓｙｓｔｅｍｓ Ｔｈｅｏｒｙ Ａｐｐｒｏａｃｈ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｑｕａｌ?ｉｔｙ Ａｓｓｕｒａｎｃｅ ｉｎ Ｈｏｓｐｉｔａｌｉｔｙ ＆ Ｔｏｕｒｉｓｍ， ２００８， ９ （３）： １８５－２１８．

［６］ Ｌｉ Ｃ Ｙ． Ｃｏｎｓｕｍｅｒ Ｂｅｈａｖｉｏｒ ｉｎ Ｓｗｉｔｃｈｉｎｇ Ｂｅｔｗｅｅｎ ＭｅｍｂｅｒｓｈｉｐＣａｒｄｓ ａｎｄ Ｍｏｂｉｌｅ Ａｐｐｌｉｃａｔｉｏｎｓ： Ｔｈｅ Ｃａｓｅ ｏｆ Ｓｔａｒｂｕｃｋｓ ［Ｊ］． Ｃｏｍ?ｐｕｔｅｒｓ ｉｎ Ｈｕｍａｎ Ｂｅｈａｖｉｏｒ， ２０１８， ８４： １７１－１８４．

［７］ Ｚｈａｎｇ Ｘ， Ｄｉｎｇ Ｘ Ｙ， Ｍａ Ｌ． Ｔｈｅ Ｉｎｆｌｕｅｎｃｅｓ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｏｖｅｒｌｏａｄａｎｄ Ｓｏｃｉａｌ Ｏｖｅｒｌｏａｄ ｏｎ Ｉｎｔｅｎｔｉｏｎ ｔｏ Ｓｗｉｔｃｈ ｉｎ Ｓｏｃｉａｌ Ｍｅｄｉａ ［Ｊ］． Ｂｅ?ｈａｖｉｏｕｒ ＆ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ， ２０２２， ４１ （２）： ２２８－２４１．

［８］ 邱均平， 宓秦澤， 徐中陽， 等． 高校學術用戶信息搜尋轉移行為影響因素［Ｊ］． 圖書館論壇， ２０２４， ４４ （１０）： １２１－１３０．

［９］ 蔡祖國， 李世杰． 市場信號如何提升競價排名機制的經濟效率？———基于搜索引擎平臺數據的實證分析［Ｊ］． 管理科學學報，２０２４， ２７ （３）： ３９－５７．

［１０］ 譚淼舸． 搜索引擎使用中的信息焦慮及其影響因素研究［Ｄ］．武漢： 華中科技大學， ２０２１．

［１１］ 馬海云， 薛翔． 用戶信息搜尋到信息規避的演化機制研究———以突發公共衛生事件領域為例［Ｊ］． 現代情報， ２０２４， ４４ （９）：１０７－１１８， １３０．

［１２］ 謝笑， 高鑫圓， 汪卓赟， 等． 數字囤積： 概念溯源、活動分析和研究展望［Ｊ］． 圖書情報工作， ２０２３， ６７ （２３）： １２４－１３７．

［１３］ 周濤， 謝瑩瑩， 鄧勝利． 社交媒體用戶信息規避行為研究———整合使能與抑制雙重視角［Ｊ］． 現代情報， ２０２４， ４４ （４）： ４２－５２．

［１４］ 甘春梅， 肖晨， 陳舒意， 等． 消極情感對社交網絡用戶間歇性中輟行為的影響機理： 基于一項混合研究［ Ｊ］． 信息資源管理學報， ２０２３， １３ （６）： １２５－１３２．

［１５］ 王靜靜， 葉鷹． 生成式ＡＩ 及其ＧＰＴ 類技術應用對信息管理與傳播的變革探析［Ｊ］． 中國圖書館學報， ２０２３， ４９ （６）： ４１－５０．

［１６］ 孫曉寧， 景雨田， 劉思琦， 等． 對話式搜索： 人智交互情境下主導未來的信息檢索新范式［Ｊ］． 情報理論與實踐， ２０２４， ４７（１０）： ６１－７３．

［１７］ 戚景琳， 韓正彪． 信息行為研究中的行為經濟學理論： 應用、貢獻和展望［Ｊ］． 情報資料工作， ２０２４， ４５ （３）： ３１－４０．

［１８］ Ｍｉｃｈｉｅ Ｓ， Ｓｔｒａｌｅｎ Ｍ Ｍ Ｖ， Ｗｅｓｔ Ｒ． Ｔｈｅ Ｂｅｈａｖｉｏｕｒ ＣｈａｎｇｅＷｈｅｅｌ： Ａ Ｎｅｗ Ｍｅｔｈｏｄ ｆｏｒ Ｃｈａｒａｃｔｅｒｉｓｉｎｇ ａｎｄ Ｄｅｓｉｇｎｉｎｇ ＢｅｈａｖｉｏｕｒＣｈａｎｇｅ Ｉｎｔｅｒｖｅｎｔｉｏｎｓ ［Ｊ］． Ｉｍｐｌｅｍｅｎｔａｔｉｏｎ Ｓｃｉｅｎｃｅ， ２０１１， ６： ４２．

［１９］ Ｗｉｌｌｍｏｔｔ Ｔ Ｊ， Ｐａｎｇ Ｂ， Ｒｕｎｄｌｅ－Ｔｈｉｅｌｅ Ｓ． Ｃａｐａｂｉｌｉｔｙ， Ｏｐｐｏｒｔｕ?ｎｉｔｙ， ａｎｄ Ｍｏｔｉｖａｔｉｏｎ： Ａｎ Ａｃｒｏｓｓ Ｃｏｎｔｅｘｔｓ Ｅｍｐｉｒｉｃａｌ Ｅｘａｍｉｎａｔｉｏｎｏｆ ｔｈｅ ＣＯＭ－Ｂ Ｍｏｄｅｌ ［Ｊ］． ＢＭＣ Ｐｕｂｌｉｃ Ｈｅａｌｔｈ， ２０２１， ２１ （１）：１０１４．

［２０］ Ｔｈｏｍｐｓｏｎ Ｌ Ｍ， Ｄｉａｚ－Ａｒｔｉｇａ Ａ， Ｗｅｉｎｓｔｅｉｎ Ｊ Ｒ， ｅｔ ａｌ． Ｄｅｓｉｇｎｉｎｇａ Ｂｅｈａｖｉｏｒａｌ Ｉｎｔｅｒｖｅｎｔｉｏｎ Ｕｓｉｎｇ ｔｈｅ ＣＯＭ－Ｂ Ｍｏｄｅｌ ａｎｄ ｔｈｅ Ｔｈｅｏｒｅｔｉ?ｃａｌ Ｄｏｍａｉｎｓ Ｆｒａｍｅｗｏｒｋ ｔｏ Ｐｒｏｍｏｔｅ Ｇａｓ Ｓｔｏｖｅ Ｕｓｅ ｉｎ Ｒｕｒａｌ Ｇｕａｔｅｍａ?ｌａ： Ａ Ｆｏｒｍａｔｉｖｅ Ｒｅｓｅａｒｃｈ Ｓｔｕｄｙ ［Ｊ］． ＢＭＣ Ｐｕｂｌｉｃ Ｈｅａｌｔｈ， ２０１８，１８ （１）： ２５３．

［２１］ Ｇｏｎｇ Ｇ Ｌ， Ｄｏｎｇ Ａ Ｈ， Ｚｈａｎｇ Ｚ Ｙ， ｅｔ ａｌ． Ｍｅｄｉｃａｔｉｏｎ Ａｄｈｅｒｅｎｃｅａｎｄ Ｐｒｅｄｉｃｔｉｖｅ Ｆａｃｔｏｒｓ Ａｍｏｎｇ Ｐａｔｉｅｎｔｓ ｗｉｔｈ Ｒｈｅｕｍａｔｏｉｄ Ａｒｔｈｒｉｔｉｓ：Ａ ＣＯＭ －Ｂ Ｍｏｄｅｌ Ｇｕｉｄｅｄ Ｓｔｒｕｃｔｕｒａｌ Ｅｑｕａｔｉｏｎ Ｍｏｄｅｌｉｎｇ Ａｎａｌｙｓｉｓ［Ｊ］． Ｐａｔｉｅｎｔ Ｅｄｕｃａｔｉｏｎ ａｎｄ Ｃｏｕｎｓｅｌｉｎｇ， ２０２４， １１９： １０８０８０．

［２２］ Ｂｉｓｈｏｐ Ｄ Ｔ， Ｂａｔｌｅｙ Ｐ， Ｗａｈｅｅｄ Ｈ， ｅｔ ａｌ． Ｂａｒｒｉｅｒｓ ａｎｄ Ｅｎａｂｌｅｒｓ ｆｏｒＣｙｃｌｉｎｇ： Ａ ＣＯＭ－Ｂ Ｓｕｒｖｅｙ Ｓｔｕｄｙ ｏｆ ＵＫ Ｓｃｈｏｏｌｃｈｉｌｄｒｅｎ ａｎｄ Ｔｈｅｉｒ Ｐａｒ?ｅｎｔｓ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｔｒａｎｓｐｏｒｔ ＆ Ｈｅａｌｔｈ， ２０２４， ３５： １０１７６５．

［２３］ Ｌａｂｒａｇｕｅ Ｌ Ｊ， Ａｇｕｉｌａｒ－Ｒｏｓａｌｅｓ Ｒ， Ｙｂｏａ Ｂ Ｃ， ｅｔ ａｌ． Ｆａｃｔｏｒｓ Ｉｎ?ｆｌｕｅｎｃｉｎｇ Ｓｔｕｄｅｎｔ Ｎｕｒｓｅｓ- Ｒｅａｄｉｎｅｓｓ ｔｏ Ａｄｏｐｔ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ（ ＡＩ） ｉｎ Ｔｈｅｉｒ Ｓｔｕｄｉｅｓ ａｎｄ Ｔｈｅｉｒ Ｐｅｒｃｅｉｖｅｄ Ｂａｒｒｉｅｒｓ ｔｏ Ａｃｃｅｓｓｉｎｇ ＡＩＴｅｃｈｎｏｌｏｇｙ： Ａ Ｃｒｏｓｓ－Ｓｅｃｔｉｏｎａｌ Ｓｔｕｄｙ ［Ｊ］． Ｎｕｒｓｅ Ｅｄｕｃａｔｉｏｎ Ｔｏｄａｙ，２０２３， １３０： １０５９４５．

［２４］ Ｏｋｕｏｎｇｈａｅ Ｏ， Ｉｇｂｉｎｏｖｉａ Ｍ Ｏ， Ａｄｅｂａｙｏ Ｊ Ｏ． ＴｅｃｈｎｏｌｏｇｉｃａｌＲｅａｄｉｎｅｓｓ ａｎｄ Ｃｏｍｐｕｔｅｒ Ｓｅｌｆ－Ｅｆｆｉｃａｃｙ ａｓ Ｐｒｅｄｉｃｔｏｒｓ ｏｆ Ｅ－ＬｅａｒｎｉｎｇＡｄｏｐｔｉｏｎ ｂｙ ＬＩＳ Ｓｔｕｄｅｎｔｓ ｉｎ Ｎｉｇｅｒｉａ ［Ｊ］． Ｌｉｂｒｉ， ２０２２， ７２ （１）：１３－２５．

［２５］ Ａｌ Ｓｈａｍｓｉ Ｊ Ｈ， Ａｌ－Ｅｍｒａｎ Ｍ， Ｓｈａａｌａｎ Ｋ． Ｕｎｄｅｒｓｔａｎｄｉｎｇ ＫｅｙＤｒｉｖｅｒｓ Ａｆｆｅｃｔｉｎｇ Ｓｔｕｄｅｎｔｓ Ｕｓｅ ｏｆ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ－Ｂａｓｅｄ ＶｏｉｃｅＡｓｓｉｓｔａｎｔｓ ［Ｊ］． Ｅｄｕｃａｔｉｏｎ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｉｅｓ， ２０２２， ２７（６）： ８０７１－８０９１．

［２６］ 華鈺文， 陳雅， 王錳， 等． 我國東部鄉村用戶對數字素養教育參與意愿研究———以江蘇省Ｚ 市為例［Ｊ］． 圖書情報工作，２０２３， ６７ （１５）： ５６－６６．

［２７］ 張一涵， 李凱， 沈洪洲， 等． 社會支持理論及其在信息系統研究領域的應用與展望［Ｊ］． 現代情報， ２０２３， ４３ （５）： １３５－１４５．

［２８］ 周濤， 吳曉穎， 鄧勝利． 用戶知識問答轉移行為研究： 從問答社區到生成式ＡＩ ［Ｊ］． 情報雜志， ２０２４， ４３ （２）： ２００－２０７．

［２９］ 魏華， 胡桂成， 高勁松． ＭＯＡ 框架下短視頻社交平臺用戶健康信息采納行為的前因組態研究［Ｊ］． 情報科學， ２０２３， ４１ （６）：１０３－１１２．

［３０］ 韓艷芳， 閆慧， 鄭光純， 等． 多任務情境下ＩＣＴ 使用行為發生機理研究［Ｊ］． 圖書與情報， ２０２３ （３）： ７１－８１．

［３１］ 郝偉文， 霍明奎． 組態視角下移動ＡＰＰ 用戶隱私保護行為影響因素研究［Ｊ］． 情報探索， ２０２３ （８）： ３０－３７．

［３２］ 韓麗． 自我決定理論視角下高校讀者閱讀意愿影響因素探究［Ｊ］． 圖書情報工作， ２０１８， ６２ （１４）： ２２－２８．

［３３］ 涂珺． 大學生健身信息搜尋行為影響因素研究［Ｄ］． 湘潭： 湘潭大學， ２０２２．

［３４］ 邊鵬． 技術接受模型研究綜述［Ｊ］． 圖書館學研究， ２０１２ （１）：２－６， １０．

［３５］ Ｗａｎｇ Ｂ Ｃ， Ｒａｕ Ｐ Ｌ Ｐ， Ｙｕａｎ Ｔ Ｙ． Ｍｅａｓｕｒｉｎｇ Ｕｓｅｒ Ｃｏｍｐｅｔｅｎｃｅｉｎ Ｕｓｉｎｇ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ： Ｖａｌｉｄｉｔｙ ａｎｄ Ｒｅｌｉａｂｉｌｉｔｙ ｏｆ ＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ Ｌｉｔｅｒａｃｙ Ｓｃａｌｅ ［Ｊ］． Ｂｅｈａｖｉｏｕｒ ＆ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌ?ｏｇｙ， ２０２３， ４２ （９）： １３２４－１３３７．

［３６］ Ｋａｒａｃａ Ｏ， ?ａｌ??ｋａｎ Ｓ Ａ， Ｄｅｍｉｒ Ｋ． Ｍｅｄｉｃａｌ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉ?ｇｅｎｃｅ Ｒｅａｄｉｎｅｓｓ Ｓｃａｌｅ ｆｏｒ Ｍｅｄｉｃａｌ Ｓｔｕｄｅｎｔｓ（ ＭＡＩＲＳ－ＭＳ） －Ｄｅｖｅｌ?ｏｐｍｅｎｔ， Ｖａｌｉｄｉｔｙ ａｎｄ Ｒｅｌｉａｂｉｌｉｔｙ Ｓｔｕｄｙ ［Ｊ］． ＢＭＣ Ｍｅｄｉｃａｌ Ｅｄｕｃａ?ｔｉｏｎ， ２０２１， ２１ （１）： １１２．

［３７］ 嚴三九， 陶冠男． 長三角新聞工作者ＣｈａｔＧＰＴ 使用意愿的影響因素———基于創新擴散理論［Ｊ］． 現代傳播（中國傳媒大學學報）， ２０２４， ４６ （３）： １３－２２．

［３８］ Ｄａｖｉｓ Ｆ Ｄ， Ｂａｇｏｚｚｉ Ｒ Ｐ， Ｗａｒｓｈａｗ Ｐ Ｒ． Ｕｓｅｒ Ａｃｃｅｐｔａｎｃｅ ｏｆ Ｃｏｍ?ｐｕｔｅｒ Ｔｅｃｈｎｏｌｏｇｙ： Ａ Ｃｏｍｐａｒｉｓｏｎ ｏｆ Ｔｗｏ Ｔｈｅｏｒｅｔｉｃａｌ Ｍｏｄｅｌｓ ［ Ｊ］．Ｍａｎａｇｅｍｅｎｔ Ｓｃｉｅｎｃｅ， １９８９， ３５ （８）： ９８２－１００３．

［３９］ Ａｂｄｕｌｌａｈ Ｆ， Ｗａｒｄ Ｒ， Ａｈｍｅｄ Ｅ． Ｉｎｖｅｓｔｉｇａｔｉｎｇ ｔｈｅ Ｉｎｆｌｕｅｎｃｅ ｏｆ ｔｈｅＭｏｓｔ Ｃｏｍｍｏｎｌｙ Ｕｓｅｄ Ｅｘｔｅｒｎａｌ Ｖａｒｉａｂｌｅｓ ｏｆ ＴＡＭ ｏｎ Ｓｔｕｄｅｎｔｓ Ｐｅｒ?ｃｅｉｖｅｄ Ｅａｓｅ ｏｆ Ｕｓｅ（ＰＥＯＵ） ａｎｄ Ｐｅｒｃｅｉｖｅｄ Ｕｓｅｆｕｌｎｅｓｓ（ＰＵ） ｏｆ ＥＰｏｒｔｆｏｌｉｏｓ［Ｊ］． Ｃｏｍｐｕｔｅｒｓ ｉｎ Ｈｕｍａｎ Ｂｅｈａｖｉｏｒ， ２０１６， ６３： ７５－９０．

［４０］ 萬君， 于悅， 謝美詩． ＰＰＭ 視角下付費知識問答平臺提問者的轉移行為研究［Ｊ］． 情報探索， ２０２２ （１）： １０６－１１４．

［４１］ Ｓｕｎ Ｙ Ｑ， Ｌｉｕ Ｄ Ｎ， Ｃｈｅｎ Ｓ Ｊ， ｅｔ ａｌ． Ｕｎｄｅｒｓｔａｎｄｉｎｇ ＵｓｅｒｓＳｗｉｔｃｈｉｎｇ Ｂｅｈａｖｉｏｒ ｏｆ Ｍｏｂｉｌｅ Ｉｎｓｔａｎｔ Ｍｅｓｓａｇｉｎｇ Ａｐｐｌｉｃａｔｉｏｎｓ： ＡｎＥｍｐｉｒｉｃａｌ Ｓｔｕｄｙ ｆｒｏｍ ｔｈｅ Ｐｅｒｓｐｅｃｔｉｖｅ ｏｆ Ｐｕｓｈ－Ｐｕｌｌ－Ｍｏｏｒｉｎｇ Ｆｒａｍｅ?ｗｏｒｋ ［Ｊ］． Ｃｏｍｐｕｔｅｒｓ ｉｎ Ｈｕｍａｎ Ｂｅｈａｖｉｏｒ， ２０１７， ７５： ７２７－７３８．

［４２］ Ｋｏｃｋ Ｎ． Ｃｏｍｍｏｎ Ｍｅｔｈｏｄ Ｂｉａｓ ｉｎ ＰＬＳ－ＳＥＭ： Ａ Ｆｕｌｌ ＣｏｌｌｉｎｅａｒｉｔｙＡｓｓｅｓｓｍｅｎｔ Ａｐｐｒｏａｃｈ ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ ｅ－Ｃｏｌｌａｂｏｒａｔｉｏｎ，２０１５， １１ （４）： １－１０．

［４３］ Ｔｅｎｅｎｈａｕｓ Ｍ， Ｖｉｎｚｉ Ｖ Ｅ， Ｃｈａｔｅｌｉｎ Ｙ Ｍ， ｅｔ ａｌ． ＰＬＳ Ｐａｔｈ Ｍｏｄ?ｅｌｉｎｇ ［Ｊ］． Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｓｔａｔｉｓｔｉｃｓ ａｎｄ Ｄａｔａ Ａｎａｌｙｓｉｓ， ２００５， ４８（１）： １５９－２０５．

［４４］ Ｚｈａｏ Ｘ Ｓ， Ｌｙｎｃｈ Ｊ Ｇ， Ｃｈｅｎ Ｑ Ｍ． Ｒｅｃｏｎｓｉｄｅｒｉｎｇ Ｂａｒｏｎ ａｎｄＫｅｎｎｙ： Ｍｙｔｈｓ ａｎｄ Ｔｒｕｔｈｓ Ａｂｏｕｔ Ｍｅｄｉａｔｉｏｎ Ａｎａｌｙｓｉｓ ［ Ｊ］． Ｊｏｕｒｎａｌｏｆ Ｃｏｎｓｕｍｅｒ Ｒｅｓｅａｒｃｈ， ２０１０， ３７ （２）： １９７－２０６．

［４５］ 朱夢蝶， 付少雄， 程為， 等． ＭＯＡ 視角下在線視頻社區用戶自我披露行為研究———以Ｂｉｌｉｂｉｌｉ 為例［ Ｊ］． 圖書與情報， ２０２３（５）： ５１－６１．

［４６］ 賈明霞， 熊回香． 虛擬學術社區知識交流與知識共享探究———基于整合Ｓ－Ｏ－Ｒ 模型與ＭＯＡ 理論［Ｊ］． 圖書館學研究， ２０２０（２）： ４３－５４．

［４７］ 魏艷， 明堅， 陳英耀， 等． 基于醫院管理者視角的醫學新技術轉化應用模式分析［Ｊ］． 中國醫院管理， ２０１８， ３８ （３）： ８－１１．

［４８］ 韓麗． 自我決定理論視角下高校讀者閱讀意愿影響因素探究［Ｊ］． 圖書情報工作， ２０１８， ６２ （１４）： ２２－２８．

［４９］ 耿瑞利， 申靜． 不同文化視域下社交網絡用戶知識共享行為動機研究［Ｊ］． 中國圖書館學報， ２０１９， ４５ （１）： ６０－８１．

［５０］ Ｔｕ Ｑ， Ｌｉ Ｙ， Ｃｕｉ Ｊ， ｅｔ ａｌ． ＭＩＳＣ： Ａ ＭＩｘｅｄ Ｓｔｒａｔｅｇｙ－Ａｗａｒｅ Ｍｏｄ?ｅｌ Ｉｎｔｅｇｒａｔｉｎｇ ＣＯＭＥＴ ｆｏｒ Ｅｍｏｔｉｏｎａｌ Ｓｕｐｐｏｒｔ Ｃｏｎｖｅｒｓａｔｉｏｎ ［Ｊ］． ａｒＸ?ｉｖ Ｐｒｅｐｒｉｎｔ ａｒＸｉｖ： ２２０３．１３５６０， ２０２２．

［５１］ 張培． 技術接受模型的理論演化與研究發展［Ｊ］． 情報科學，２０１７， ３５ （９）： １６５－１７１．

［５２］ 李月琳， 何鵬飛． 國內技術接受研究： 特征、問題與展望［Ｊ］．中國圖書館學報， ２０１７， ４３ （１）： ２９－４８．

［５３］ Ｆｌｏｏｄ Ｔ， ＭｃＬａｕｇｈｌｉｎ Ｍ， Ｈｕｇｈｅｓ Ｃ Ｍ， ｅｔ ａｌ． Ａｐｐｌｙｉｎｇ ｔｈｅ ＣＯＭ－ＢＢｅｈａｖｉｏｕｒ Ｍｏｄｅｌ ｔｏ Ｕｎｄｅｒｓｔａｎｄ Ｆａｃｔｏｒｓ Ｗｈｉｃｈ Ｉｍｐａｃｔ Ｓｃｈｏｏｌ Ｉｍｍｕｎ?ｉｓａｔｉｏｎ Ｎｕｒｓｅｓ Ａｔｔｉｔｕｄｅｓ Ｔｏｗａｒｄｓ Ｄｅｓｉｇｎｉｎｇ ａｎｄ Ｄｅｌｉｖｅｒｉｎｇ ａ ＨＰＶＥｄｕｃａｔｉｏｎａｌ Ｉｎｔｅｒｖｅｎｔｉｏｎ ｉｎ Ｐｏｓｔ－Ｐｒｉｍａｒｙ Ｓｃｈｏｏｌｓ ｆｏｒ １５－１７ Ｙｅａｒ ＯｌｄＳｔｕｄｅｎｔｓ ｉｎ Ｎｏｒｔｈｅｒｎ Ｉｒｅｌａｎｄ， ＵＫ ［Ｊ］． Ｖａｃｃｉｎｅ， ２０２３， ４１ （３８）：５６３０－５６３９．

［５４］ 吳丹， 李一喆． 老年人網絡健康信息檢索行為實驗研究［ Ｊ］．圖書情報工作， ２０１４， ５８ （１２）： １０２－１０８．

（責任編輯：郭沫含）