人工智能素養和健康信息素養雙重驅動的AIGC健康信息采納研究

中圖分類號：G351.1 文獻標識碼：A DOI：10.11968/tsyqb.1003-6938.2025048

Research on the Adoption of AlGC Health Information Driven by Dual Factors of Al Literacy and Health Information Literacy

Abstract Exploring the relationships，mechanisms，andconfigurational paths between artficial intellgence literacy， health information literacy，andAIGChealth informationadoption is fundamental foroptimizing human-AIinteraction processes and standardizing information behaviors.This paper employs multi-stage experiments，structural equation modeling，andconfigurationalanalysistoexaminetheinfluenceofartificialintelligence literacy，ealthinformationliteacy，andAIGChealth informationadoption.Researchfindingsindicatethatartificial intellgenceliteracyandhalthinformation literacy have apositive impactonthe adoptionof AIGChealth information，and perceivedsystemqualityand perceived informationqualityare important influencing paths，which further expand the information adoption model.At the same time，perceived knowledge consensus can also drive trust and the adoptionof AIGC health information by acting on perceivedsystemqualityand perceived informationquality，whichreflects the multi-sourceinformationverificationrelationshipof individuals towardsAI-generated content.Inaddition，configurationanalysisreveals that，apartfromthe trust-system dominant configurationadoption mode ledbytrustand perceived systemquality，thereare twootheradoptionmodes，namelythe ethics-orientedconfigurationand theevaluation-orientedconfiguration.Thisalso providesa directional basis for regulating the adoption behavior of AIGC health information.

Key Words AI literacy; AIGC; health information literacy; information behavior; human-AI interaction

數智時代，數據要素賦能生成式人工智能加速演化。從人工智能作為工具（AIasaTool）到智能體（AIasanAgent），生成式人工智能知識“涌現\"能力不斷提升，并在智慧醫療、健康咨詢等領域迅速普及，AIGC成為驅動網絡健康信息繁榮發展的重要形式[]。同時生成式人工智能的\"涌現\"邏輯，也使其在透明度、溯源性、可解釋性方面天然存在人智信任的異質關系[2]，尤其面對健康信息等要求較高的現實情景，復雜的AIGC信息采納機制愈加錯綜復雜，這無疑對用戶的個體素養提出了更高要求[3-4]。一方面，人工智能技術與應用持續迭代，要求個體不斷提升人工智能素養，掌握生成式人工智能的技術、倫理知識，合理評判人工智能生成內容[5-6]；另一方面，AIGC環境下信息繁榮與虛假信息交織，這也對個體處理健康信息的意識和能力提出了新標準[7-8]。因此，人工智能素養和健康信息素養無疑已成為提升個體AIGC健康信息采納能力的關鍵因素。

回顧以往文獻，“信息和系統感知\"主導是信息采納行為研究的普遍性視角，即信息和系統往往作為探究用戶健康信息采納的重要切口，大多數學者依托信息采納模型[9-10]、技術接受模型[1]、使用與滿意模型[2]，分析感知有用性、感知易用性、信源可信度、信息質量和用戶期望對信息采納的積極影響[9，12-13]。但是，鮮有研究從個體主觀視角出發，探究“個體素養\"驅動信息行為現象的存在。而剖析個體素養與信息采納的關系，對深化“人工智能\"行動下的信息行為研究具有重要意義。根據已有的研究不難看出，個體、信息和系統均是影響信息采納的重要主體，感知知識共識和信任在其中扮演著重要角色，但學界對此關注仍然不足[14]。即使有少數關注個體信息素養的研究，也多將信息質量作為驅動用戶信息采納的主要路徑，將個體健康信息素養、信息素養作為調節個體情感變化的相關變量進行探討[15-17]。根據社會認知理論，素養作為個體認知、能力驅動影響感知行為的基礎，是AIGC環境下人智交互過程的主觀反映，對信息采納具有重要作用[18]。而以往研究尚未將人工智能素養、健康信息素養作為主要驅動因素進行觀察。

從“信息和系統感知”主導，到人工智能素養、健康信息素養雙重驅動，二者作用于個體信息采納行為的關系如何，無疑是新穎且具有意義的重要問題。因此，本研究嘗試探究以下問題：人工智能素養和健康信息素養影響能否促進AIGC健康信息采納行為；若可以，其具體的影響機制是什么，不同要素的組態作用效果怎么樣？具體而言，本研究嘗試通過多階段實驗法、結構方程模型與組態分析法，以三個實驗分析人工智能素養和健康信息素養雙重驅動AIGC健康信息采納的作用關系。在理論上，聚焦人工智能素養和健康信息素養，可以豐富以往關于個體素養驅動信息采納的理論基礎；在實踐上，探究人工智能環境下AIGC健康信息采納行為，可以進一步規范用戶信息行為，并為生成式人工智能在健康信息領域的應用實踐提供一定建議和支撐。

1相關概念與研究假設

1.1 相關概念

（1）人工智能素養

隨著智能技術的成熟，人工智能已成為知識組織與知識服務的重要選擇，關于人工智能素養的呼聲也日益提升[5]，聯合國教科文組織更是強調人工智能素養是個體適應社會人工智能發展的關鍵能力[19]尤其是在會話式搜索、人工智能問診等專業性的人工智能應用情境下，面對多源異構的信息，人工智能素養無疑是影響個體利用、優化、評價人工智能生成內容的關鍵能力[3?，F有研究對人工智能素養也提出諸多分類框架，如Wang等將人工智能素養分為AI意識、AI使用、AI評估和AI倫理2；蔡迎春等則通過引入KSAVE模型，將人工智能素養分為知識維度、技能維度和態度價值觀倫理維度[19]。雖然這些分類的方式有所不同，但整體均聚焦于AI技術理解、運用、生產以及評估能力方面，將人工智能素養視為表征個體智能化認知水平、關系個體信息行為的重要變量。

人工智能素養作為數智社會個體應用智能化技術的重要技能，對生成式人工智能輸出效果、人智交互體驗具有重要影響，是個體優化、重塑信息行為的基礎2。因為人工智能素養較高的個體，往往傾向于提煉出更精準的提示詞命令，進而獲得更高準確度和質量效果的生成式人工智能內容輸出[22]。以往有關人工智能素養與用戶信息行為的研究多從社會信息學角度出發，探索人工智能素養賦能用戶信息行為的理論可能[6.23-24]。但通過定量分析挖掘人智交互過程，剖析其對用戶信息行為影響機制的研究仍顯匱乏。尤其是AI素養包括倫理、評估、意識等多個維度，具體不同維度對用戶信息行為有何影響，以及維度之間的組態作用關系如何還有待探索。

（2）健康信息素養

根據以往研究對健康信息素養的定義，其不僅包含醫學常識和信息檢索技能，更是個人態度和價值觀等多維度的體現[25]。就內涵而言，健康信息素養既是信息素養與健康素養的有效融合，又更突出個體處理健康信息的主觀能動性[26]。因此，健康信息素養與信息行為本身具有天然的聯系。學者們已聚焦健康信息素養和健康信息行為進行了廣泛的探索[27-28]。具體而言，在意識層面主要針對環境的客觀因素與個體的主觀意識對健康信息需求進行剖析[29-30]；在行為層面針對健康信息搜尋、傳播、選擇、甄別、分享、利用等行為也進行了情景化地挖掘[31-32]。這些以往研究聚焦于以“信息和系統感知”為核心的驅動關系，探索了素養對用戶信息行為的調節作用，為理解健康信息素養在人智交互過程的作用、角色提供了理論基礎[15，17]。但個體素養是人智交互過程的主觀反映，將健康信息素養作為個體信息行為的外部調節要素，對個體素養的主觀驅動性意識不足，有待進一步探索[15]。

1.2 研究假設

根據社會認知理論，素養作為個體認知、能力驅動影響感知行為的基礎，是AIGC環境下人智交互過程的主觀反映。AI素養表征為個體對人工智能系統使用的認知水平，而健康信息素養是個體對健康信息處理能力的重要表現，因此本研究嘗試假設人工智能素養和健康信息素養對個體感知系統質量和感知信息質量具有顯著影響。且以往研究也發現信任和是AIGC信息采納的重要過程變量，感知知識共識是人智交互過程形成認知共鳴的重要體現[3]。

（1）人工智能素養與感知系統質量

人工智能素養是指個體利用、使用人工智能應用的能力，感知系統質量是個體對人工智能系統質量的主觀感受。人工智能素養與感知系統質量本質都是人工智能系統使用關系的體現。其中，人工智能素養是個體使用人工智能應用的基礎能力，隨著人工智能素養提升，人智交互過程將更流暢通順；感知系統質量是人工智能系統應用的主觀體驗，是個體在人智交互過程后對人工智能系統的主觀理解和判斷[19-20]。隨著人工智能素養不斷提升，個體使用人工智能應用的能力提升，服務失敗現象也會逐漸減少，因為人工智能素養較高的用戶更容易通過更換提示詞、優化語句以提升自身智能系統的使用體驗[3-34]，因此，本研究提出以下假設：

H1：人工智能素養對感知系統質量具有積極影響。

（2）健康信息素養與感知信息質量

健康信息素養是指個體檢索、識別和使用健康信息的能力，而感知信息質量則是個體對AIGC健康信息的主觀感受，二者均與健康信息的使用與判斷密切相關[15.35]。不同的是健康信息素養側重于映射個體尋找、利用健康信息的能力，感知信息質量更傾向于表征個體對健康信息的主觀判斷。隨著個體的健康信息素養的不斷提升，個體更傾向于構建合適的提示詞挖掘人工智能系統的健康信息，也更傾向于挖掘出高質量的健康信息，感知信息質量也將隨之不斷提升，健康信息素養與感知信息質量密不可分[36-37]。因此，本研究提出以下假設：

H2：健康信息素養對感知信息質量具有積極影響。

（3）感知知識共識與感知系統質量、感知信息質量

根據以往研究的定義，感知知識共識可以理解為個體對AIGC生成健康信息內容感受到共識知識。吳丹和張晨陽認為感知知識共識在個體判斷信息是否準確、是否可利用時具有重要的作用，其可以有效促進個體的信息采納行為[38]；盧新元等在對話式搜索引擎的相關研究中也表明知識對比是人工智能生成內容信息有用性和系統有用性的重要判斷依據[3]。具體而言，感知知識共識一方面可以提高個體對AIGC信息的質量感知，提升AIGC健康信息準確性、正確性的感知;另一方面也可以進一步提高個體對生成式人工智能系統能力的主觀判斷[39]。因此，本研究嘗試提出以下假設：

H3：感知知識共識對感知系統質量具有積極影響。

H4：感知知識共識對感知信息質量具有積極

影響。

（4）感知系統質量、感知信息質量與信任

根據AIGC的定義，AIGC具有技術和內容的雙重特征[40]，因此AIGC信任主要包括兩方面：一是對AIGC技術信任，主要體現在對生成式人工智能系統的準確度、透明性等質量功能信任；二是對AIGC內容信任，具體表現為生成式人工智能系統可以輸出高質量、高準確性的內容信息[41-42]。因此系統和內容與AIGC信任具有天然的聯系，以往研究也根據信源可信度和信息質量出發，探究了其對信任的積極影響。且由于感知系統質量和感知信息質量本身就是人工智能持續使用的重要前因變量，對AIGC信任具有積極影響，個體更傾向于采納生成式人工智能系統質量較高的大語言模型系統。值得注意的是，以往研究還表明感知信息質量對用戶的持續使用行為也具有積極影響，這種持續使用行為與用戶信任也密切相關[41]。因此，本研究嘗試提出以下假設：

H5：感知系統質量對信任具有積極影響。

H6：感知信息質量對信任具有積極影響。

（5）信任與AIGC健康信息采納

AIGC健康信息采納是指用戶采納AIGC健康信息的行為，以往研究表明信任與AIGC健康信息采納密切相關。在AIGC情境下，生成式人工智能知識“涌現\"的不確定性更突出了信任的作用。以往研究也多從信任角度出發，挖掘信息采納的影響，如唐旭麗等以健康知識社區為例，分析了健康信息素養對信息采納的影響，發現健康信息素養和信任對信息采納具有積極的影響作用[i5；初彥伯等從環境、個體和信息三個角度出發，進一步證明了信任對信息采納的關鍵作用[43]。因此，本研究嘗試提出以下假設：

H7：信任對AIGC健康信息采納具有積極影響。

1.3研究設計

針對人工智能素養和健康信息素養對個體信息采納是否具有積極影響，其影響機制如何，組態作用效果怎么樣等問題，本研究嘗試通過三次實驗進行逐一分析。在研究方法上，實驗一嘗試通過多階段實驗，對人工智能素養和健康信息素養是否對AIGC信息采納具有影響進行分析；實驗二嘗試通過模擬情景實驗具體分析人工智能素養和健康信息素養對

AIGC健康信息采納的影響機制；實驗三嘗試通過模糊集定性比較分析法（fsQCA）的方法剖析人工智能素養和健康信息素養對AIGC健康信息采納的組態關系。這種多方法結合的研究設計可以有效規避相關性對影響機制的干擾，同時也可以挖掘不同要素相互作用內在的邏輯。在研究視角上，實驗一聚焦于個體多階段行為的對比分析，強調個體不同人工智能素養和健康信息素養水平下信息采納行為的差異；實驗二和實驗三則主要針對群體行為進行調查分析，這種通過個體行為和群體行為的多視角分析，可以有效規避研究視角的局限。在研究目的上，實驗一主要針對H1、H2進行分析；實驗二在檢驗實驗一結論的基礎上，對H3、H4、H5、H6進行了全面探索;實驗三進一步挖掘了不同影響因素的組態作用。因此，本研究通過多種研究方法、多種數據來源對問題進行層層解析，對問題具有一定的解釋性（具體假設見圖1）。

圖1研究假設圖

2研究實驗

2.1 實驗一

（1）研究設計

本研究嘗試通過三階段實驗調查探究人工智能素養和健康信息素養與AIGC健康信息采納之間的關系。具體而言，第一階段（第一天）有償招募被試用戶100名，并對其人工智能素養、健康信息素養以及AIGC健康信息采納進行測量。第二階段（第二天）嘗試對被試進行人工智能知識教育（包括AI的基本原理、道德倫理、提示詞構建技巧等內容）和健康信息的知識教育（包括健康信息評估、檢索等內容）刺激，學習時長不低于10分鐘，主要目的是通過知識教育提高被試的人工智能素養和健康信息素養。選擇第二天進行材料刺激是考慮刺激與后測時間距離較近容易導致“霍桑效應”，且可以給被試提供足夠的學習吸收時間。第三階段（一周后）嘗試對被試樣本的人工智能素養、健康信息素養和AIGC健康信息采納進行測量。根據艾賓浩斯遺忘曲線，學習刺激后個體的短期記憶會不斷遺忘，一周左右將會形成較為穩定的記憶，且間隔效應也認為一周是認知干預研究中常見的“有效間隔周期”，可以確保AI素養的變化是測量的長期效果而非短暫反應[44-45]。因此，本研究選用一周作為時間間隔期限。

為保障此次研究的可行性，提高整體信效度，在設計方面，所有變量測量均參考以往成熟的量表題項。具體而言，人工智能素養的量表參考周瓊等的研究[33]，健康信息素養的量表參考代沁泉和 Yu 等的研究[25，46]，感知系統質量和感知信息質量參考Huo等的研究[39]，AIGC健康信息采納行為的量表參考Prasanna和Huggins的研究[47]，通過李克特7點量表進行測量。在第三階段測試，共計回收有效樣本83份，因此本次多階段實驗調查的有效率為 83% 。對被試數據進行信效度分析，結果表明Cronbach's α 復合信度和平均方差提取分別大于0.7、0.7和0.5，標準因子載荷大于0.7，VIF和AVE矩陣均滿足無共線性和收斂效度要求，因此研究具有較好的信效度[48]。

（2）數據分析

為探究人工智能素養和健康信息素養是否可以影響AIGC健康信息采納，本研究嘗試對第一階段和第三階段AIGC健康信息采納行為的數據進行比較分析。首先對比分析了第一階段和第三階段人工智能素養和健康信息素養的差異（變量所有題項的平均值），以檢測第二階段的知識學習刺激是否有效。通過配對樣本T檢驗，發現第一階段和第三階段的人工智能素養 （_{t=2.076，plt;0.05} 、健康信息素養（t=3.043，plt;0.01） 存在顯著差異，即表明第二階段的材料刺激有效，充分提高了被試個體的人工智能素養和健康信息素養。同時，第一階段和第三階段的AIGC健康信息采納行為也具有顯著的差異（ M1= 5.56，113=5.83，1=3.122，plt;0.01） ，因此，人工智能素養和健康信息素養對AIGC健康信息采納具有積極的影響。其次對感知信息質量和感知系統質量進行比較分析，以進一步解析人工智能素養和健康信息素養對AIGC健康信息采納的影響關系，發現感知信息質量 M1=4.90，M3=5.26，t=2.519，plt;0.05） 和感知系統質量 （M1=5.45，M3=5.68，t=2.239，plt;0.05） 在第一階段和第三階段的觀測值存在顯著差異，這可能是導致AIGC健康信息采納存在差異的原因。由此，以第一階段數據和第三階段數據進行綜合測算（ Π_n= 166），進一步嘗試檢驗其影響路徑關系。通過回歸分析，發現人工智能素養 （β-0.501，t=7.557，plt;0.001 和健康信息素養（ ?（3=0.256，t=3.985，plt;0.001） 對AIGC健康信息采納具有積極影響，即 H1，H2 成立。同時，人工智能素養對感知系統質量具有積極影響（ β= 0.694，t=10.652，plt;0.001? ，感知系統質量對AIGC健康信息采納具有積極影響 （β=0.385，t=3.950，plt; 0.001）；且健康信息素養對感知信息質量具有積極影響 （β=0.560，t=9.999，plt;0.001） ，感知信息質量對AIGC健康信息采納也具有積極影響（ β=0.378，1= 4.596，plt;0.001 ）。最后，根據上述分析，推測二者可能存在相應的中介關系。通過Bootstrapping檢驗隨機抽取5000次，發現感知系統質量在人工智能素養和AIGC健康信息采納的置信區間為[0.115，0.432]，感知信息質量在健康信息素養和AIGC健康信息采納的置信區間為[0.120，0.316]，即可能存在的中介關系成立[49]。

（3）研究結果

本研究發現人工智能素養和健康信息素養對AIGC健康信息采納具有積極影響，同時感知系統質量和感知信息質量對其具有顯著的中介關系。本研究將人工智能素養、健康信息素養與AIGC健康信息采納行為相結合，深化和擴展了人工智能素養、健康信息素養的內涵與作用關系，同時也豐富了AIGC環境下用戶信息采納行為的相關研究。但是人工智能素養和健康信息素養影響AIGC健康信息采納的具體機制是什么，本研究并未對該問題進行系統的揭示，且以往研究表明，感知知識共識和信任在驅動AIGC健康信息采納過程中也具有重要作用，此次并未對其進行有效測量，雖然將個體素養、系統質量、信息質量進行了驗證性分析，但其內在關聯關系與作用機制也未有效反應，這些問題均有待進一步探索。

2.2 實驗二

（1）研究設計

針對人工智能素養和健康信息素養影響AIGC健康信息采納的機制問題，本研究嘗試通過模擬情景實驗法進行問卷調查。在問卷設計方面，首先邀請被試回憶近期使用生成式人工智能應用的相關情節，并嘗試描述其交互過程（設置最低時間30秒）。其次通過量表對相關變量進行測量，所有測量題項均參考以往成熟的量表，其中人工智能素養、健康信息素養、感知系統質量、感知信息質量與信息采納行為與實驗一的量表一致，感知知識共識參考Xiao等的研究[50]，信任參考Cazier等的研究[51]，考慮到人工智能素養的指標較多，因此本研究通過其二階構念的平均值表示一階構念，所有題項均采用李克特7點量表進行測量，從1（非常不同意）到7（非常同意），最后測量所有被試的人口統計學特征。

本研究通過Credamo（見數）平臺進行問卷發放，共計回收調查問卷443份，通過問卷完成時間（去除時間小于100秒與大于500秒的問卷）甄選性問題進行篩選，共計獲得有效問卷326份，有效問卷數量大于觀測變量10倍，表明數量合理。問卷調查的人口統計學特征分析表明男性占比 44.5% ，女性占比 55.5% ，本科、專科學歷占比最多 （54.2% ）。此外，本研究對量表的信效度進行了檢驗（見表1），結果表明Cronbach's ∝ 、復合信度和平均方差提取值分別大于0.7、0.7和0.5，標準因子載荷大于0.7，即題項的信效度較好，同時各變量AVE的平方根均超過了其與相關變量的乘積，表明各變量滿足收斂效度要求。此外，方差膨脹因子對潛在變量之間的多重共線性進行了檢驗，其評分結果均小于3，說明變量之間不存在多重共線性。

（2）數據分析

本研究通過PLS-SEM的方法對其影響機制進行分析（見圖2），因為以往研究表明PLS-SEM在探索性模型和影響因素較多的復雜模型中具有一定優勢。首先，人工智能素養對感知系統質量具有積極影響 （β=0.289，t=4.366，plt;0.001） ，健康信息素養對感知信息質量也具有積極影響（ βββ=0.280，t=5.039，plt; 0.001），這進一步證明了實驗一的相關結論，即 H1 、

表1相關變量的信效度分析

H2成立。其次，數據分析表明，感知知識共識對感知系統質量 （β=0.311，t=4.283，plt;0.001） 和感知信息質量 ?β_β=0.360，t=6.868，plt;0.001 具有積極的促進作用，證明H3、H4成立；感知系統質量（ β=0.242，t= 4.352， plt;0.001 ）和感知信息質量 （β=0.501，tan9.737 ，plt;0.001 ）對信任具有積極影響，即H5、H6成立；信任（β=0.642，t=18.615，plt;0.001 對信息采納具有積極影響，即H7成立。最后，通過Bootstrap檢驗對研究樣本進行5000次隨機抽取分析（分析結果見表2），檢驗結果顯示，所有可能存在的中介關系置信區間均不包含0，即其連續中介關系顯著成立。

（3）研究結果

本研究發現人工智能素養和健康信息素養作為個體健康信息行為的基礎，是驅動AIGC健康信息采納的兩條重要路徑，其中人工智能素養對感知系統質量具有積極影響，健康信息素養對感知信息質量具有積極影響，且感知知識共識也是個體認知驅動感知系統質量和感知信息質量的關鍵變量。此外，信任在感知系統質量和感知信息質量驅動AIGC健康信息采納的過程是相同的，這與先前研究結果一致。同時，本研究還對可能存在的中介關系逐一進行了驗證，所有連續中間關系均成立，這進一步表明由人工智能素養和健康信息素養驅動健康信息采納的雙重路徑機制穩健有效。但是，本研究將個體素養作為信息行為的基礎，把系統質量和信息質量作為個體感知的驅動路徑，未能反映個體素養、系統與信息的復雜組合機制，通過組態分析進一步挖掘驅動AIGC健康信息采納的構型關系無疑是必要的。

圖2結構方程模型分析

表2可能的鏈式中介關系檢驗

注：*表示 plt;0.05 ，**表示 plt;0.01 ，***表示 plt;0.001，ns 表示不顯著 （p?0.05） ）

2.3 實驗三

（1）研究設計

本研究嘗試通過模擬情景實驗進一步探索人工智能素養和健康信息素養雙重驅動AIGC健康信息采納的組態機制是什么。具體的實驗流程與測量過程與實驗二一致，健康信息素養、感知信息質量、感知系統質量、感知知識共識、信任、信息采納的測量題項也與實驗二相同。不同之處是，實驗三嘗試參考Wang等的相關研究[2，將人工智能素養分為AI意識、AI使用、AI評估和AI倫理四個維度，以進一步解析個體素養與信息、系統的內在作用機制。具體而言，AI意識是指個體在使用人工智能應用時，識別和理解人工智能技術的能力；AI使用指的是能熟練應用和利用人工智能技術；AI評估指的是分析、選擇和批判性評估人工智能應用及生成內容的能力；AI倫理則是指能夠意識到使用人工智能技術責任和風險的能力。本研究通過問卷星平臺進行問卷調查，共計回收問卷483份，其中有效問卷384份，有效率為 79.5% ，且通過進一步數據分析發現，人工智能素養的信效度良好。

（2）必要條件與組態分析

本研究嘗試通過fsQCA分析人工智能素養和健康信息素養驅動AIGC健康信息采納的必要條件與組態關系。首先，將AIAW（AI意識）、AIUS（AI使用）AIEV（AI評估）AIET（AI倫理）HIL（健康信息素養）PS（感知系統質量）PI（感知信息質量）、PK（感知知識共識）以及TR（信任）作為前因變量，將IA（信息采納）作為結果變量進行分析。其次，對所有變量進行校準，參考Ragin的相關研究[52]，對變量的題項進行平均值處理，并以 5% 、 50% 和 95% 的標準進行數據校準，以提高研究結果的可解釋性。必要條件分析結果表明，所有單項前因變量的一致性均低于0.9，覆蓋度均小于0.8，即所有前因變量均不是導致結果變量的必要性條件，也不是充分條件。因此，需要對各個前因變量之間的構型進行組態分析。

組態分析的第一步是構建真值表，為保證評估的最小觀測值，避免假陽性錯誤，參考DUL的方法，嘗試將案例頻數閾值定位3，將原始一致性閾值定位0.85，因為一致性閾值為0.85時，PRI值處于自然斷點，可以減少真值表的充分條件[53]。通過對真值表進行標準化分析（見表3），得到復雜解、中間解和簡約解。因為研究變量較多，為避免結果冗余，通過比較簡約解和中間解以確定組態的核心條件和中間條件，整體解的一致性和每個解決方案的一致性均大于0.75的閾值。前因條件歸類，確定了三個構型模式（S1、S2、S3）和對應的八個具體構型 （S1a，S1b，S1c， S 1d.S2a.S2b.S3a.S3b）_c 具體包括： ① 信任主導的信息采納行為。信任為該類解的核心存在條件，感知系統質量是非核心存在條件的共識，原始覆蓋度介于0.24～0.38。該類解具體包括S1a（～AIAW*～AIUS*～AIEV*～HIL*PS*～PI*～PK*TR）原始覆蓋度為0.2403，能解釋 24.03% 的案例，S1b（AIAW*AIEV*AIET*HIL*PS^?PI^?PK^?TR 原始覆蓋度為0.3738，能解釋 37.38% 的案例，S1c（AIAW*AIUS*AIET*HIL*PS*PI*PK*TR）原始覆蓋度為0.3716，能解釋 37.16% 的案例，S1d（AIAW*AIUS*AIEV*HIL*PS*PI*PK*TR）原始覆蓋度為0.3791，能解釋 37.91% 的案例。 ②AI 評估主導的信息采納行為。AI評估為該類解的核心存在條件，AI倫理為其核心不存在條件，原始覆蓋度介于 0.18～0.19 該類解具體包括 S2a （～AIAW*AIUS*AIEV*～AIET*HIL^*～PS^*～PI^*～PK^*～TR， 原始覆蓋度為0.1838，能解釋 18.38% 的案例， .S2b（AIAW^*～AIUS^*AIEV^*～AIET^* （204號HIL*PS*～PI*PK*～TR）原始覆蓋度為0.1806，能解釋18.06% 的案例。 ③AI 倫理主導的信息采納行為。AI倫理為該類解的核心存在條件，AI評估為其核心不存在條件，原始覆蓋度介于 0.18～0.19 該類解具體包括 S3a （AIAW*～AIUS*～AIEV*AIET*～HIL*～PS*～PI*～PK*TR）原始覆蓋度為0.1927，能解釋 19.27% 的案例，S3b（～AIAW*AIUS*～AIEV*AIET*HIL*～PS*～PI*～PK*TR）原始覆蓋度為0.1859，能解釋 18.59% 的案例。

表3組態分析結果

注：大黑圈，和大白圈〇表示核心條件的存在或不存在；小黑圈 ? 和小白圈○表示邊緣條件的存在或不存在；空白表示可以存在，亦可以不存在。

（3）穩健性檢驗

本研究借鑒DUL的穩健性檢驗方法，使用NCA的R語言包進一步檢驗必要條件，與先前fsQCA分析的結果進行對比，以保證研究結論的穩健性[54]。先前文獻表明，當NCA分析中變量的效應大?。╠）超過0.1，且顯著存在，即可認為該變量是必要條件。NCA分析結果表明不存在效應大小大于0.1的變量（見表4），即該研究不存在必要條件，這與fsQCA的分析結果一致。因此，fsQCA的分析結論穩健。

（4）研究結果

本研究采用fsQCA進行必要條件與組態分析，并通過NCA穩健性檢驗，發現存在三類驅動AIGC健康信息采納的構型模式。具體包括以信任主導的信息采納行為、人工智能評估能力主導的信息采納行為和人工智能倫理主導的信息采納行為，并歸納出以下定理。定理一：信任-系統主導構型采納模式。AIGC健康信息采納主要可以由信任驅動，感知系統質量輔助，即當由信任和感知系統質量存在時，人工智能素養和健康信息素養是不必要存在的。定理二：評估導向構型采納模式。AIGC健康信息采納可以由AI評估存在、AI倫理缺失驅動，即使感知信息質量和信任不存在，個體也會選擇采納AIGC健康信息，這種情況下的AIGC健康信息采納容易導致一定倫理問題。定理三：倫理導向構型采納模式。AIGC健康信息采納可以由AI倫理存在、AI評估缺失驅動，即使信息質量和系統質量存在一定問題，個體仍會存在盲目信任、過度依賴人工智能問題，該模式下采納的信息往往也存在真實性、適用性等問題。這些驅動AIGC健康信息采納的組態構型也為進一步規范AIGC健康信息采納行為提供了策略依據。

表4校準后數據的NCA分析結果

3結論與討論

3.1 研究結論

首先，實驗一采用多階段實驗檢驗了人工智能素養、健康信息素養與AIGC健康信息采納的作用關系，發現人工智能素養對感知系統質量具有積極影響，健康信息素養對感知信息質量具有積極影響，且感知系統質量和感知信息質量均可以顯著提升個體的AIGC健康信息采納意愿。這一發現驗證了“認知能力\"作為信息行為驅動因素的重要作用，也為后續研究提供了實證基礎。其次，實驗二通過結構方程模型進一步對人工智能素養和健康信息素養雙重驅動AIGC健康信息采納的影響機制進行探索，發現AIGC健康信息采納與信任密切相關，且信任主要由感知信息質量與感知系統質量決定，這與以往的研究結果一致。同時，創新性地引入感知知識共識作為認知共鳴機制，發現其對感知信息質量和感知系統質量均有正向影響。最后，實驗三采用fsQCA分析了人工智能素養和健康信息素養驅動AIGC健康信息采納的組態模式，發現了驅動AIGC健康信息采納的三種主要模式（歸納為定理一、定理二與定理三），即在信任-系統主導構型采納外，還包含倫理導向構型和評估導向構型兩種采納模式。信任-系統主導構型采納模式下用戶憑借人工智能系統質量驅動AIGC健康信息采納，是AI系統質量賦能用戶AIGC（技術、內容）信任的重要行為表征。但不管是倫理導向構型采納模式，抑或是評估導向構型采納模式，以AI倫理或AI評估單一主導的AIGC健康信息采納行為往往容易陷入信息倫理、質量與適用性的多重困境。

3.2理論啟示

一是從個體素養出發，探究人工智能素養、健康信息素養與AIGC健康信息采納行為的影響機制，能夠豐富AIGC信息采納行為相關研究。以往研究多從信息和系統的角度出發，探究個體信息采納的前因關系與影響機制，但忽略了對個體認知能力的關注，而個體認知能力是人智交互的底層基礎，對個體信息采納行為具有重要的意義[14]。因此，從個體素養出發，探究人工智能素養和健康信息素養對信息采納的影響機制，尤其是聚焦于AIGC健康信息領域，可以進一步豐富AIGC健康信息采納的相關研究。

二是對傳統的信息采納模型進一步進行了有效擴展。傳統的信息采納模型僅聚焦于信源可信度（系統質量）和信息質量兩方面[，通過切入人工智能素養與感知系統質量的關系，可以豐富信源可信度的前因關系；通過挖掘健康信息素養與感知信息質量的關系，可以擴展信息質量的前因關系?；诖?，本研究還進一步分析了感知知識共識對信息采納的影響，雖然在以往研究中有學者發現AI信息和系統的比較行為會影響用戶對信息或系統的采納，但在定量研究中并未證明，而本研究則對該結論進行了有效呼應[3]。

三是從多維度視角挖掘了人工智能素養、健康信息素養雙重驅動信息采納的組態關系。隨著人工智能素養的呼聲日益提升，尤其是人工智能素養的維度劃分愈發詳盡，僅僅分析人工智能素養與用戶信息行為的關系似乎難以彌合當前理論的空缺。因此，本研究多維度探索了人工智能素養、健康信息素養與信息采納的關系，并將個體因素（人工智能素養、健康信息素養）信息因素（感知信息質量）和系統因素（感知系統質量）納入同一研究框架，對驅動AIGC健康信息采納的相關組態構型歸納解析，促進了對人工智能素養、健康信息素養與AIGC健康信息采納行為的理解。

3.3實踐啟示

基于上述結論，本研究從平臺設計、用戶分層、內容監管三個維度提出以下實踐建議：一是強化個體對人工智能系統質量的感知能力。人工智能系統感知質量對于信任具有積極的影響，在驅動AIGC健康信息采納的組態構型中，感知系統質量也具有積極地作用，尤其是在感知系統質量與信任驅動信任-系統主導構型采納模式中。因此平臺企業應該嘗試通過多種方式提高系統感知質量，如通過優化人工智能系統的UI設計，提高AI系統的擬人化、透明度和信息溯源關系，改善人智交互體驗，提升個體對人工智能系統的感知質量。

二是對于AI評價能力較強、AI倫理維度較弱的個體，要強化個體信息篩選過程。雖然存在AI評價能力、缺失AI倫理的主要構型可以驅動個體AIGC健康信息采納，但是這種評估導向構型采納模式容易忽略人工智能倫理問題。因此，平臺企業對于AI倫理素養意識較低的用戶，如老年群體、少年兒童，應該進一步加強信息篩查機制，通過弱勢群體信息二次篩檢、敏感信息溯源等方式，推動符合多肖像特征的AI弱勢群體個性化服務，規避不符合AI倫理的信息流通及被錯誤地采納利用。

三是對于AI倫理能力較強、AI評估能力較弱的個體，要進一步積極提高個體信息識別能力，如提高專業信息識別能力，避免虛假信息的錯誤采納。存在AI倫理、缺失AI評估的構型關系中，個體更傾向于采納AIGC健康信息內容，尤其是受教育程度較低的用戶，該群體難以評估AIGC健康信息內容的真假，認為人工智能生成內容若沒有倫理問題，其可用性普遍較高，導致其信息采納率過高。因此平臺要進一步強調生成式人工智能知識涌現的不可預測性，降低個體的心理預期與行為依賴，避免對生成式人工智能盲目信任。

3.4不足與展望

本研究仍存在一些不足之處。首先，不同研究對人工智能素養的分類各有差異，這可能導致不同視角的研究對組態分析結果的解釋并不一致，未來研究可以從多角度進行探索。其次，現有研究尚未探討不同組態構型對具體信息采納行為的影響。未來研究可基于本研究的具體構型，進一步分析其在虛假信息識別、人智協同創作等方面的效果差異。最后，本研究在樣本規模方面也存在一定局限。尤其是實驗一的有效樣本量僅為83份，這可能對模型解釋效果產生一定影響，未來研究可進一步擴大樣本規模，以提升研究結果的穩健性。

參考文獻：

[1］陸泉，彭雪瑩.人智協同對慢性病預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.

[2]張進澳，盧新元，孫冰悅，等.人智協同知識創新機制的建模與仿真——基于模擬實驗的系統動力學分析[J].情報理論 與實踐，2024，47（12）：143-153，96.

[3］盧新元，張進澳，雷曉鵬.人工智能生成內容環境下用戶信息行為研究——以對話式搜索引擎為例[J].情報理論與實 踐，2023，46（12）：84-92.

[4]儲節旺，羅怡帆，李佳軒.AIGC對信息生成方式及用戶信息行為的影響[J].圖書情報工作，2023，67（24）：13-23.

[5］黃如花，石樂怡，吳應強，等.全球視野下我國人工智能素養教育內容框架的構建[J].圖書情報知識，2024，41（3）： 27-37.

[6]ALLENLK，KENDEOUP.ED-AILit：An Interdisciplinary Framework forAI LiteracyinEducation[J].Policy Insights from theBehavioral and Brain Sciences，2024，11（1）：3-10.

[7]陳瓊，趙宇翔，宋士杰，等.在線健康信息搜尋中信息過載研究綜述[J].情報學報，2022，41（4）：424-436.

[8]黃如花，馮婕，黃雨婷，等.公眾信息素養教育：全球進展及我國的對策[J].中國圖書館學報，2020，46（3）：50-72.

[9]ZHAO H，WANGJ，ZHANG HInfluenceofsocialsupportonindividual healthknowledge adoptioninonline diabeteommunities：the mediating role betweencognitionandemotion[J].AslibJournalof Information Management，2O22，74（6）：1048- 1069.

[10]SUSSMANS W，SIEGALWS.Informational Influence inOrganizations：An Integrated Approachto Knowledge Adoption[J]. Information Systems Research，2003，14（1）：47-65.

[11]CHUST，CHUDKW，HOKKW.Usinginfographicsindisseminatinghealthylifestyleinformationonsocialmediais likely to increase uptake and sharing[J].Health Information and Libraries Journal，2O24，41（3）：246-266.

[12]ZHOUF，TONG Y，TAN SLS，etal.Using emotions tocastlight intothe“black-box”ofuseradaptation andcontinueduse of health information system[J].Information amp; Management，2O24，61（2）：103880.

[13]姚樂野，張鈺鑫，吳茜.用戶人格特質對互聯網信息采納行為的影響研究[J].圖書情報工作，2022，66（24）：30-38.

[14]WANGR，WUC，WANG X，etal.E-TourismInformationLiteracyandItsRoleinDriving TouristSatisfaction WithOnline Travel Information：A Qualitative Comparative Analysis[J].Journal of Travel Research，2O24，63（4）：904-922.

[15］唐旭麗，張斌，張巖.在線健康社區用戶的信息采納意愿研究——基于健康素養和信任的視角[J].信息資源管理學 報，2018，8（3）：102-112.

[16]LIUC，XIANGL，YILImpact of immersion experience onencountering informationadoption：experimental evidence fromAI virtual live streamingunder the algorithmic recommendation[J].Library Hi Tech，2024.

[17]付少雄，孫嵐，鄧勝利，等.應對理論視角下短視頻用戶虛假健康信息采納的動因研究[J].情報資料工作，2023，44（6）： 100-110.

[18]徐娟，黃奇，袁勤儉.社會認知理論及其在信息系統研究中的應用與展望[J].現代情報，2020，40（6）：145-153.

[19］蔡迎春，張靜蓓，虞晨琳，等.數智時代的人工智能素養：內涵、框架與實施路徑[J].中國圖書館學報，2024，50（4）：71-84.

[20]WANGB，RAUPLP，YUANT.Measuringusercompetence inusingartificialinteligene：validityandreliabilityfrtifiial intelligence literacy scale[J].Behaviouramp; Information Technology，2O23，42（9）：1324-1337.

[21]LIMBERGL，SUNDINO，TALJAS.Three TheoreticalPerspectivesonInformationLiteracyJ].Human IT：JournalforInfotion Technology Studiesasa Human Science，2012，11（2）：93-130.

[22]張貴香，賈君枝.生成式AI時代下的提示素養培育研究[J].大學圖書館學報，2024，42（6）：63-71.

[23］宋士杰，趙宇翔，朱慶華.從ELIZA到ChatGPT：人智交互體驗中的AI生成內容（AIGC）可信度評價[J].情報資料工作， 2023，44（4）：35-42.

[24]AGGARWAL A，TAMCC，WUD，etal.Artificial Inteligence-Based Chatbots forPromoting HealthBehavioral Changes：SystematicReview[J].Journal of Medical Internet Research，2O23，25（1）：e40789.

[25]代沁泉，熊回香，沈舒悅，等.數字移民健康信息素養能力評價與提升策略[J].圖書館論壇，2024，44（2）：135-144.

[26]HASHMIFS，SOROYASH，MAHMOODK.Assessing theimpactofhealthinformationorientationandhealth inforationliteracyon patients'engagement with health information[J].Journal of Information Science，2024.

[27]朱慶華，楊夢晴，趙宇翔，等.健康信息行為研究：溯源、范疇與展望[J].中國圖書館學報，2022，48（2）：94-107.

[28]FOYCMImpactsofeducationalinterventionsoflibrarianinstructiononhealth informationseekingatitudesandbehaviorin an employee wellness program[J].Journal of the Medical Library Association，2024，112（2）：107-116.

[29］沈彥琪，宋小康，朱慶華.在線健康信息替代搜尋對老年人健康素養的影響研究——基于社會認知理論[J].現代情 報，2024，44（10）：115-125.

[30］毛太田，馬家偉.基于模糊ISM-MICMAC的健康信息規避行為影響因素與關聯路徑研究[J].情報資料工作，2023，44 （2）：84-92.

[31］易明，周陽，張庭瑋.力學視角下在線健康社區知識共創群體動力分析[J].圖書情報知識，2024，41（5）：138-149.

[32]ZHANG Y，LIU JDeconstructing proxy health information-seeking behavior：A systematic review[J].Library amp; Information Science Research，2023，45（3）：101250.

[33]周瓊，徐亞蘋，蔡迎春.高校學生人工智能素養能力現狀及影響因素多維分析[J].圖書情報知識，2024，41（3）：38-48.

[34]BENBYAH，STRICHF，TAMMT.Navigating Generative Artificial Intellgence Promisesand PerilsforKnowledge and Creative Work[J].Journal of the Association for Information Systems，2024，25（1）：23-36.

[35]SUN XF.Developingand Validating aModelfor AssessingAutonomous VehiclesAcceptaneJ].International Journalof Human-Computer Interaction，2024，40（18）：5503-5516.

[36]MANNANM，AHAMEDR，ZAMANSB.Consumers’wilingnesto purchaseonline mental health services[J]JoualofServices Marketing，2019，33（5）：557-571.

[37］吳丹，張晨陽.“新冠肺炎\"患者健康信息素養調查研究[J].圖書館雜志，2020，39（7）：70-82.

[38］陳旖旎，周曉英，岳麗欣，等.移動UGC社區用戶健康信息采納行為意愿的影響因素[J].圖書情報知識，2022，39（5）： 82-95.

[39]HUO C，ZHANG M，MA F.Factors influencing people's health knowledge adoption in social media：The mediating fetof trust and the moderating effectof health threat[J].Library Hi Tech，2O18，36（1）：129-151.

[40]李白楊，白云，詹希旎，等.人工智能生成內容（AIGC）的技術特征與形態演進[J].圖書情報知識，2023，40（1）：66-74.

[41］毛太田，湯涂，馬家偉，等.人工智能生成內容（AIGC）用戶采納意愿影響因素識別研究——以ChatGPT為例[J].情報 科學，2024，42（7）：126-136.

[42]DUARTE R de B，CORREIA F，ARRIAGA P，et al.AI Trust：Can Explainable AI Enhance Warranted Trust[J].Human Behavior and Emerging Technologies，2023，2023（1）：4637678.

[43]初彥伯，王萍，胡姝姝.社交媒體健康信息用戶信任形成機理研究［J].現代情報，2025，45（1）：97-111.

[44]［德]赫爾曼·艾賓浩斯，王迪菲.記憶的奧秘[M].北京：北京理工大學出版社，2013.

[45]CepedaNJ，VulE，RoherD，etal.Spacingefectsinlarng：Atmporalidgelineofoptialretention[J]sychlogicalscience，2008，19（11） ：1095-1102.

[46]YUX，LUOM，WUS，etal.Developingaquestionnaire toevaluate thehealth informationliteracyin China[J].Frontiers in Public Health，2023，11：1068648.

[47]PRASANNAR，HUGGINS TJ.Factors affctingtheacceptanceofinformationsystems supporting emergencyoperationscentres[J].Computers in Human Behavior，2016，57：168-181.

[48]HAIR JF，RISHERJJ，SARSTEDT M，etal.When touseand how to report he resultsof PLS-SEM[J].European Business Review，2019，31（1）：2-24.

[49]ZHANGJ，LUX，ZHENGW，etal.It’sbeter than nothing：The influenceofservicefailures onuserreusage intention inAI chatbot[J].Electronic Commerce Research and Applications，2024，67：101421.

[50]XIAOL，MOUJ，HUANGLExplringtheantecedentsofsocialnetwork servicefatigue：asocio-technical perspective[J]Industrial Managementamp; Data Systems，2019，119（9）：2006-2032.

[51]CAZIERJA，SHAO BB M，LOUIS RD St.Sharing information and building trust through value congruence[J].Information Systems Frontiers，2007，9（5）：515-529.

[52]Ragin C C.Redesigning social inquiry：Fuzzy sets and beyond[M].Chicago：Universityof Chicago press，2009.

[53]DUY，KIMPHOnesizedoesnotfital：Strategyconfigurations，complexenvironments，andnewventure performance in emerging economies[J].Journal of Business Research，2021，124：272-285.

[54]DULJNecessaryConditionAnalysis （NCA））：Logicand Methodologyof“NecessarybutNotSuficient”CausalityJ.Organizational Research Methods，2016，19（1）：10-52.

作者簡介：張進澳（2000-），男，碩士研究生，研究方向：人智交互、智慧圖書館；盧新元（1973-），男，、教授，研究方向：AIGC、用戶行為；王杜榮（1999-），女，博士研究生，研究方向：用戶信息行為、人智交互；蔡星星（1998-），女，碩士研究生，研究方向：人智交互、智慧圖書館。