醫護人員AI意識對AI采納和抗拒的影響機制

關鍵詞：AI意識，AI采納，AI抗拒，人機信任，認知威脅中圖分類號：TP391文獻標志碼：A文章編號：1674-9545（2025）03-0020-（08）DOI：10.19717/j. cnki. jjun.2025.03.004

人工智能技術（Artificialintelligence，AI）的應用在金融、教育、醫療及居民生活等領域產生非常廣泛的影響[1]。醫療人工智能（Medical arti-ficialintelligence，MAI）是指人工智能（例如，機器學習、表示學習、深度學習和其他智能算法和技術）在輔助診斷、風險預測、分診、健康和醫院管理等醫療場景中的應用[2]。研究證實，人工智能可以提供強大的工具來自動執行任務，并支持和告知臨床醫生、流行病學家和政策制定者在人群和個體水平上促進健康的最有效策略[4]，其優勢獲廣泛認可并逐漸被醫護者采納。然而，新技術帶來新要求，超過 70% 的護士和護生不了解AI，醫護者的知識和技術能力不足，會產生專業認知威脅與抗拒行為。

AI采納指員工愿意接受、監督、管理和配合AI服務[3]，感知有用性、感知易用性、感知享樂性[4]和人類對醫療人工智能及其自己的信心[1]會正向影響醫療AI的接受度。AI抗拒是指個體抵觸使用AI，用戶的多種體驗會影響其抗拒行為[5]。現有研究多關注個體心理感知對采納和抗拒行為的單一影響[。AI意識指員工對人工智能、智能機器人、算法等新興信息技術在未來可能取代某個員工當前工作的意識，它反映了對員工有害的不確定情況[]。不過很少有學者研究其對醫療AI采納和抗拒行為影響的路徑機制[8]

認知評價理論認為，個體評價事物有利會產生正性情緒并采取積極行為，不利則產生負性情緒并采取消極行為[9]。因此，個體評價MAI時，認為醫療AI技術有利會通過人機信任積極采納，認為不利會通過認知威脅抗拒。

綜上，本研究基于計劃行為理論和認知評價理論，以機會評估和威脅評估為中介變量，XAI為調節變量，探究AI意識對醫護者采納和抗拒行為的影響機制。

1研究假設

1.1AI意識與技術采納和抗拒行為

AI意識是指員工對新興信息技術（如人工智能、智能機器人和算法）取代自己未來職業的看法[10]。已有研究證實意識會影響個體行為[1]。因此，本文推測AI意識是影響醫護工作者對AI技術采納行為和抗拒行為產生應當考慮的重要因素。AI采納是指用戶在服務中使用人工智能的意愿[12]，而AI抗拒指個體對使用人工智能有抵觸情緒[13]

計劃行為理論提出，行為意向是預測和解釋個體行為的最好方式。據此，本文推測AI意識作為一種行為意向是預測和解釋醫護工作者對AI技術采納和抗拒行為的最好方式。AI意識是醫護人員對人工智能取代自己未來職業的一種看法，當醫護人員認為醫療人工智能不會取代自己工作時，他們認為醫療人工智能有能力，就會采納AI；當醫護人員認為醫療人工智能會取代自己工作時，有學者認為AI意識會對員工行為產生積極和消極的雙重作用[14]。當醫護工作者將AI意識視為一種挑戰性的壓力源，他們會有更高的組織承諾[14]，并積極提升自己的專業能力[15]，這種想法會促使他們接受醫療人工智能。因此，AI意識正向影響AI采納行為。當醫護工作者將AI意識視為一種阻礙性的壓力源時，員工會產生消極行為[14]，即抗拒 AI 。因此，研究前推測AI意識正向影響AI抗拒行為。

綜上，本文合理推測：AI意識對于醫療人工智能技術被采納或抗拒行為存在正向影響。本研究提出以下假設： ①H1a ：AI意識正向影響技術采納行為。 ②H1b ：AI意識正向影響技術抗拒行為。

1.2人機信任的中介作用

人機信任指人們對人工智能系統的信任程度和愿意采取行動的程度[9]。通過醫療人工智能成像和人工智能分診[16]，AI可以減輕醫務人員的工作量，并給他們帶來高水平的工作激情[17]。雖然AI可以帶來很多好處，但是當人們面臨AI可能取代自己的工作時，他們會評價AI是否值得信任[18-19]，以此來決定自己最終決定采納技術還是抗拒技術。

根據認知評價理論，情緒產生于人們對環境和刺激事件的評價，當人們對環境的評價為“有利”，或對威脅和挑戰有足夠的應付能力及手段時，就會有正性情緒的產生[20]，從而表現出積極的行為反應。AI意識具有激勵屬性，會給員工帶來高水平的工作投入和組織承諾[18]，同時，為了緩解人工智能帶來的焦慮感，員工會積極提升自身的專業能力[15]。因此，研究前推測AI意識可以正向影響醫護人員對醫療人工智能做出有利的評價，從而產生正向情緒，即人機信任，進而選擇采納人工智能技術，本文推測人機信任正向影響AI采納。相反，醫護人員選擇信任醫療人工智能技術，那么他們就不會對人工智能產生抗拒。

因此，本文推測人機信任負向影響AI抗拒。

綜上，本研究提出合理假設： ①H2a ：人機信任在AI意識和AI采納之間起中介作用。 ②H2b 人機信任在AI意識和AI抗拒之間起中介作用。

1.3認知威脅的中介作用

認知威脅起源于社會心理學，主要指個體對某個客觀事物形成的認知評價，影響著個體隨后的行為反應[18]。本文中，認知威脅特指醫護工作者專業能力和地位等方面的認知威脅。目前，社會存在與AI使用相關的潛在威脅，包括數字監考和侵犯隱私、取代人類勞動和產生失業、強化偏見和歧視等，影響了人工智能作為黑盒的認知[19]。上述威脅不僅可能減少人工智能使用的潛在好處，甚至可能產生非常負面的影響[4]。因此，在醫護人員決定采納還是抗拒AI之前，他們會評估AI是否會給自己的專業帶來威脅。

根據認知評價理論，環境、個體認知和行為共同決定了人的具體情緒的產生以及每一個具體情緒所帶來的結果。情緒產生于人們對環境和刺激事件的評價，當人們對環境的評價為“不利的”，或對威脅和挑戰沒有足夠的應付能力及手段時，就會有負向情緒的產生，從而表現消極的行為反應[9]。當醫護人員意識到醫療人工智能會輕易地取代他們的工作時，他們會有強烈的職業不安全感，會認為醫療人工智能給自己帶來了威脅[15]，即認知威脅。因此AI意識會正向影響認知威脅。認知威脅代表醫護人員對使用醫療人工智能的評價是“不利”的，分兩種情況。當個體認為對威脅和挑戰有足夠的應付能力及手段時，便會選擇積極應對[9]，即采納人工智能。因此，認知威脅會正向影響AI采納；當個體認為自己對威脅和挑戰沒有足夠的應付能力及手段時，可能會選擇消極應對，即抗拒醫療人工智能技術，因此，威脅評估會正向影響AI抗拒。綜上，該研究提出合理假設： ⑤H3a ：AI認知威脅在AI意識與AI采納行為之間起中介作用。 ⑥?⑥ ：認知威脅在AI意識與AI抗拒行為之間起中介作用。

圖1理論模型

2研究對象與方法

2.1研究對象

本研究調查于2023年5月—7月進行，調查對象為三甲醫院的醫護者，本研究對被調查者的要求是： ① 擁有初級職稱、中級職稱和執業助理醫師職稱的醫生及護士群體； ② 他（她）們目前正在接觸并使用醫療AI技術，所在科室工作至少工作6個月；為消除共同方法偏差的影響（Podsa-koff等，2003），采用二階段的調研，兩次調研時間間隔3個月。第一階段調查始于2023年5月，完成調研的對象留下手機號碼后四位作為匹配代碼，共發放問卷404份，剔除不完整問卷和無效問卷后，剩余有效問卷370份。第二階段在7月份進行，對完成第一階段調研的對象進行問卷發放。篩選不完整和明顯不合格的問卷后，對兩次問卷進行配對，有效問卷共計297份，回收有效率為 73.51% 。

2.2研究工具

本研究所用的量表均來自國外的成熟量表，測量題項最初為英文書寫，為避免在使用過程出現文化語言等差異，本文對所選量表采用翻譯-回譯的方法，并且根據所研究的醫療場景問題進行適當改動。在問卷正式發放之前邀請3名護士長對問卷專業術語和邏輯一致性進行檢查。該量表采用Likert-5級量表，從“1”－“5”表示“非常不同意”－“非常同意”，得分越高表明對題項的同意度越高。

（1）AI意識量表：梁學棟等人涉及的量表[20]，代表項目是“鑒于醫療人工智能在工作場所被廣泛使用，我將關注我在醫療行業的未來”，共計4個題項。在本研究中量表的Cronbach's ∝ 系數為0.788。

（2）人機信量表：Gulati等人提出的人機信任量表[20]，代表項目是“我相信醫療人工智能能夠完全滿足我工作上的需求和偏好”，在我們的研究中量表的Cronbach's ∝ 系數為0.801。

（3）認知威脅量表：Highhouse等人提出威脅評估量表[21]，代表項目是“我擔心在使用醫療人工智能后，醫生的職業地位可能會降低”，在本研究中量表的Cronbach's ∝ 系數為 0.869 。

（4）AI采納量表：Venkatesh（2003）等人提出AI采納量表，代表項目是“如果我可以選擇性地采納醫療人工智能的診斷建議，我將樂于接受它”，在本研究中量表的Cronbach's α 系數為0.742。

（5）AI抗拒量表：Eun等人提出AI抗拒量表[23]，代表項目是“總的來說，我不希望醫療人工智能改變我目前的工作方式”，在本研究中量表的Cronbach's ∝ 系數為0.864。

2.3數據分析

本研究使用 Amos26.0 和BIMSPSS26.0對數據進行分析。首先使用SPSS對問卷題項的信度進行檢驗，再對醫護人員特征進行描述性統計分析，并使用Pearson相關分析法分析研究變量（AI意識、人機信任、認知威脅、AI采納和AI抗拒）之間的相關性。其次，采用Harman單因素檢驗和Amos進行驗證性因子（CFA）分析檢驗測量模型。最后，本文先用多元線性回歸分析對結構方程模型的中介作用和調節作用進行檢驗，之后使用SPSSProcessmacro4.1驗證人機信任和認知威脅的中介作用。

3結果與分析

3.1描述性統計分析

描述性統計結果顯示，此次調查參與者大多數是女性（ 6.4% ，其中 98.7% 的參與者年齡 lt;41 歲，具有大學本科學歷的占比為 67.3% ，研究生以上學歷的有 6.4% ，臨床經驗 ^lt;1 年的占比為 1.0% ，臨床經驗1～5年的占比為 73.7% ，詳見表1。

表1人口變量描述性統計表（ Δ[N=297 ）

3.2效度檢驗

采用Harman單因素檢驗發現，在因子不旋轉的情況下共提取5個特征值 gt;1 的特征值，第1個公因子對總變量的解釋率為 30.019% ，不超過40% ，表明研究數據不存在明顯的共同方法偏差。

本研究采用驗證性因子分析（CFA）檢驗變量之間的區分效度。結果表明，五因子模型的擬合度最好（ χ²/df=2.220 ， CFI=0.936 ， IFI=0.937， TLI=0.921 ， RMSEA=0.064） ，且各項指數都優于其他模型，說明本研究各變量之間具有較好的區分效度，詳見表2。

表2驗證性因子分析

注： N=297 ， AC=AI 意識、 HMT= 人機信任、 PT= 專業認知威脅、 ATA=AI 技術采納、 ATR=AI 技術抗拒。

3.3相關性分析

本研究各變量之間的平均值、標準差和相關性見表3。由表3可知，AI意識與人機信任（ δr= 0.429， plt;0.01 ）、認知威脅（ Δr=0.457 ， plt; 0.01）、AI采納（ r=0.430 ， plt;0.01 ）和AI抗拒（ r=170 ， plt;0.01 ）顯著正相關。假設H1a和假設H1b 得到驗證。人機信任與AI采納（ r=0.461 ， p lt;0.01 ）和AI抗拒（ r=-0.117 ， plt;0.01 ）顯著正相關，認知威脅與AI采納（ r=0.202 ， plt;0.01 ）和AI抗拒（ r=0.350 ， plt;0.01 ）均顯著正相關，為進一步檢驗人機信任和認知威脅在AI意識與AI采納和AI抗拒之間的中介作用奠定了基礎。

表3均值、標準差及變量間相關系數

注： N=297 ， * 為 plt;0.05 ；**為 plt;0.01 ，斜對角 =AVE 值的平方根。

3.4假設檢驗

文章采用層次回歸分析檢驗不同變量之間的關系。由表4和表5可知，在控制醫護人員的年齡、性別、地區、學歷和工齡之后，AI意識對人機信任（模型 ∴β=0.444 ， plt;0.001 ）、認知威脅（模型4， β=0.451 ， plt;0.001 ）、AI采納（模型6，β=0.429 plt;0.001 ）和AI抗拒（模型10， β= 0. 175， plt;0.01 ）有顯著的正向影響。因此，假設la、1b得到驗證。

對比表4中模型6、模型7和模型8，初步驗證人機信任在AI意識與AI采納之間存在中介作用，但是人機信任在AI意識和AI采納之間不存在中介作用。同樣地，對比表5中模型10、模型11和模型12，初步驗證認知威脅在AI意識與AI抗拒之間存在中介作用，但是人機信任在AI意識和AI抗拒之間不存在中介作用。

表4層次回歸分析

注： *plt;0.01 ，**lt;0.005，***ρlt;0.001。

表5層次回歸分析

注：* plt;0.01 ，** plt;0.05 ，*** plt;0.001 。

由表6可知，AI意識對AI采納的總效應為0.462， 95% 的置信區間為［0.349，0.576]，不包含0，總效應顯著。AI意識對AI采納的總間接效應為0.137， 95% 的置信區間為[0.039，0.238]，不包含0，總間接效應顯著。此外，中介路徑1是AI意識 $$ 人機信任 采納，檢驗了人機信任在AI意識與AI采納之間的中介作用。中介路徑1的間接效應值為0.180， 95% 的置信區間為［0.098，0.267]，不包含0，人機信任在AI意識和AI采納之間的中介效應顯著，假設 H2a 得到驗證。同理，中介路徑2是醫療AI意識 $$ 認知威脅 Λ?AI 采納，檢驗了認知威脅在AI意識與AI采納之間的中介作用。中介路徑2的間接效應值為-0. 043， 95% 的置信區間［-0.105，0.021]，包含0。認知威脅在AI意識與AI采納之間的中介效應不顯著，假設H3a不成立。

AI意識對AI抗拒的總效應為205， 95% 的置信區間為[0.072，0.337]，不包含0，總效應顯著。AI意識對AI抗拒的間接效應為0.167， 95% 的置信區間為［0.072，0.267]，不包含0。此外，中介路徑3是AI意識 $$ 人機信任 抗拒，檢驗了人機信任在AI意識與AI抗拒之間的中介作用。中介路徑3的間接效應值為-0.011， 95% 的置信區間為［-0.084，0.063]，包含0。人機信任在AI意識與AI抗拒之間的中介效應不顯著，假設H2b不成立。同理，中介路徑4是醫療AI意識 $$ 認知威脅 抗拒，檢驗了認知威脅在AI意識與AI抗拒之間的中介作用。中介路徑4的間接效應值為0.179， 95% 的置信區間為[0.094，0.272]，不包含0，認知威脅在AI意識與AI抗拒之間的中介效應顯著，假設H3b得到驗證。

表6中介效應檢驗結果

4結論和啟示

4.1研究結論

本文基于計劃行為理論和認知評價理論，探討醫護人員AI意識影響技術采納和抗拒的路徑機制，得出以下結論：

（1）AI意識對AI采納和AI抗拒有顯著正向影響，支持假設H1a和 H1b 。AI意識具有挑戰性和阻礙性兩種不同的屬性[14]。當AI意識被視為一種挑戰性的壓力源，他們會采納人工智能；當AI意識被視為阻礙性的壓力源時，會認為AI對自己的工作造成了威脅，他們會抗拒 AI 。Marikyan等人（2019）也強調有必要深入研究可能影響消費者采納或拒絕人工智能技術的情感和心理因素，特別關注采納階段的認知過程，包括采納前階段[24]。本研究一定程度上回應了以上學者，以醫護人員的心理因素，即AI意識的視角，解答了為何醫療AI技術的接受和抗拒行為呈現差異性的問題，AI意識有助于醫護人員接受醫療人工智能。

（2）人機信任在AI意識和AI采納之間起中介作用，假設2a成立。AI意識的激勵屬性意味著將AI意識視為一種具有挑戰性的壓力源，給醫護人員帶來高水平的工作投入和組織承諾[14]，他們就會接受人工智能來激發自己的潛能，促使醫護人員做出有利評價，那么醫護人員就會產生正向情緒，即人機信任，從而采取積極的行為，即采納人工智能。

認知威脅在AI意識和AI抗拒之間起中介作用。AI意識的損耗屬性意味著醫護人員認為醫療人工智能會取代他們的工作[14]，因此會產生認知威脅。當醫護人員認為醫療人工智能會對他們的專業產生威脅時，他們會產生消極行為[9]，即抗拒AI技術。該研究結論通過引入人機信任和認知威脅作為中介變量，解答了為何AI意識會產生正面和負面雙重效應的認知路徑，對醫療AI技術的使用與推廣存在積極和消極的影響。

4.2管理啟示

醫院及人工智能技術開發商需要關注醫護人員的AI意識以提升他們對醫療人工智能的接受度、最大程度上減少他們對醫療人工智能的抗拒。在應用和推廣AI的過程中，醫療機構的管理者和醫療AI的開發者關注員工的內部認知態度和情感狀態[24]。為了緩解員工的不安感，醫療機構的管理者應當鼓勵醫務人員參與到人工智能的開發，并且醫療人工智能的研發人員應當及時反饋醫務人員的建議，以提高醫療人員對醫療AI的接受度[24]。政府應當建立與公眾、醫療專業人員和利益相關方的有效溝通渠道，聽取他們的意見和擔憂，并積極參與共同決策和政策制定，以提高醫務人員的參與感，這樣可以提升醫護人員對醫療人工智能技術的接受度，一定程度上減少醫護人員對醫療人工智能的抗拒心理。

通過提高醫療人工智能系統的可解釋性來增強人機信任，讓人們能夠了解該技術的工作原理和決策過程同時，AI技術開發商可以邀請醫療專家觀看AI制作的過程，加深技術上的了解，這樣可以讓醫護人員能夠更好地理解醫療人工智能的優點和局限性，對醫療AI產生信任，從而影響自己最終采納和抗拒醫療人工智能的行為。與此同時，政府應該加強對醫護者有關醫療AI相關知識與技能的培訓，注重提高醫護群體的自我效能感，減少其專業認知威脅，以增強醫療AI技術的應用與推廣，解決人口老齡化，緩解醫療資源緊張，滿足人們的醫療健康需求具有重要的現實意義。

最后，政府和醫院應該制定和實施完善的醫務人員薪酬激勵和福利保障政策。AI意識具有激勵屬性，可以給員工帶來高水平的組織承諾，激發員工的工作激情[14]。醫療機構的管理者如果給醫務員工設置一定的激勵政策，能夠進一步放大AI意識的激勵作用，促進員工提升自己的專業能力，以接受醫療人工智能。政府如果完善醫務人員的工作福利保障政策，緩解他們可能失業的不安感，能夠進一步縮小AI意識的阻礙作用，促進員工客觀承認醫療AI的能力，以減少他們對醫療AI的抗拒。

參考文獻：

[1]Chong L，Zhang G，Goucher-Lambert K，et al.“Human confidence in artificial inteligence and in themselves：the evolution and impact of confidence on adoption of AI advice”[J]. Computers in Human Behavior，2022（4） ：127.

[2]Jianxing H，Jie，X，etal.The practical implementationof artificial intelligence technologies inmedicine.[J].Nature medicine，2019（1）：30.

[3]Antonio M，AIda S. Artificial intelligence and its impact on the domAIns of universal health coverage， health emergencies and health promotion：An overview of systematic reviews[J].International journal of medical informatics，2022（166） ：104855.

[4]Sienkiewicz-Malyjurek K.WhetherAIadoption challenges matter for public managers？ The case of Polish cities[J]. Government Information Quarterly，2023（4） ：4066.

[5]Liu CF，Chen ZC，Kuo SC，et al. DoesAIexplAInability aect physicians‘ intention to useAI？ [J]. International Journal of Medical Informatics，2022（168） ：104884. of Marketing，2023（87） ：10.

[7]Dang J，Liu L.Robots are friends as well as foes：Ambivalent atitudes toward mindful andmindlessAIrobots in the United States and China[J].Computers in Human Behavior，2021（115）：106612.

[8]Prentice C， Weaven S，et al. LinkingAIquality performance and customer engagement ： the moderating effct ofAIpreference[J]. International Journal of Hospitality Management，2O2O（13） ：10663.

[9]劉婷婷，劉箴，許輝煌，等.基于情緒認知評價理論的虛擬人情緒模型研究[J].心理科學，2020， 43（1） ：53.

[10]HAIyan K，Yue Y，Yehuda B，et al. Influences of artificial inteligence （AI） awareness on career competency and job burnout[J]. International Journal of Contemporary Hospitality Management， 2021，33（2） ：717.

[11]Ruhi L，Geti S.Social media influencers for online purchase behaviour：mediation by brand consciousness[J]. Journal of Content，Community and Communication，2021（193） ：1911.

[12]Gursoy D，Lu L，et al. Consumers Acceptance of Artificially Inteligent Device Use in Service Delivery[J]. International Journal of Information Management，2019（49） ：157.

[13] Carmela D，Dario R. Do not put the blame on me： asymmetric responses to service outcome with autonomous vehicles versus human agents[J]. Journal of Consumer Behavior（published online August 5），2022（5） ：37.

[14] Dng L. Employees’ challenge-hindranceapprAIsals toward STARA awareness and competitive productivity ：A micro-level case[J]. International Journal of Contemporary Hospitality Management， 2021（33） ：2950.

[15] Wang W，Chen L，Xiong M，et al. Accelerating AI adoption with responsible AI signals and employee engagement mechanisms in health care[J]，Inf.Syst. Front，2O21（21） ：1.

[16]Jiaoyang L，Cheng Zh，et al. Patients’emotional bonding with MHealth apps： An atachment perspective on patients’use of MHealth applications[J]. International Journal of Information Management，2020（17） ：51.

[17]Jonas K，Diehl M.Effects of attitudinal ambivalence on information processing and atitude-intention consistency.[J]. Journal of Experimental Social Psychology，1997（2） ：190.

[18]陳倩倩，陳義濤.智能語音產品人機信任的實證考察——基于人際吸引的中介作用[J].技術 經濟與管理研究，2021（8）：31.

[19]Sun T Q，Medaglia R.Mapping the challenges of Artificial Intellgence in the public sector：evidence from public healthcare[J]. Government Information Quarterly ，2O19（2） ：368.

[20] Madsen M，Gregor S. Measuring human-computer trust. In Proceedings of the 11th Australasian [C]. Conference on Information Systems，Brisbane，Australia，6 - 8 December，2Oo0（53） ：6.

[21]Highhouse S，Yuce，P. Perspectives，perceptions，and risk-taking behavior[J]. Organizational Behavior and Human Decision Processes，1996（2） ：159.

[20] Xuedong L，Gengxuan G，Lingli Sh，et al. Investigating the double-edged sword effect ofAIawareness on employee's service innovative behavior[J]. Tourism Management，2022（92） ：104564

[22] Venkatesh V，Morris MG，Davis GB，et al. User acceptance of information technology： Toward a unified view[J].MISQ，2003（27） ：425.

[23]Eun HeeP，Karl W，Lan Cao，etal. Why do family members rejectaiin health care？ Competing effects of emotions[J]. Journal of Management Information Systems，2O22（3） ：765.

[24]Weiwei H，Guanghui Z，Jiaqi Y，et al. Interacting with medical artificial intelligence： Integrating self -responsibility atribution，human - computer trust，and personality [J]. Computers in Human Behavior，2022（10） ：107253.

Mechanisms of Healthcare Workers’ AI Awareness on AI Adoption and Resistance

YANG Shan，LI Xianmiao （Anhui University of Science and Technology，College of Economics and Management， Huainan， Anhui ，China）

ABSTRACTObjective An attmpt to explore the pathways by which AI awarenessinfluences technology adoptionandresistance inorder to enhanceadoption intentionsas wellas reduce resistanceto healthcare AI technologyMethodBasedonthetheoryof plannedbehaviorandcognitiveapprAIsaltheory，thearticleanalysed3OO healthcare workers questionnairesusing Structural Equation Modeling toexplorethe mechanismof theinfluenceofAIawareness onAIadoption and AI resistance.Result AI awareness positively influenced AI adoption and AI resistance，opportunity assessment partiallymediatedbetweenAIawarenessandAIadoption，and threat assessment fullymediated between AIawarenessand AI resistance.Inaddition，interpretabilityhadapositivelymoderatedrelationshipbetweenAIawarenessandthreatassessment.Conclusion Hospital administrators should target the development of AI awarenessamong healthcare workers.

KEYWORDS AI awareness，AI adoption，AI resistance，human-computer confidence，cognitive Threat

（責任編輯 羅江龍）