数字健康应用的接受度
医疗健康 / mHealth
将技术接受模型（TAM）扩展应用于数字健康应用。除了经典的 TAM 变量 Perceived Ease of Use 与 Perceived Usefulness 外，我们将 Health Consciousness 作为领域特定的动机变量，并将 Perceived Risk 作为负向的隐私路径建模：一种少见且边界清晰的 f² 效应。
- N
- 380
- LVs
- 6
- 效应
- PR → BI 为负
克隆需要免费的 OpenPLS 账户。
理论背景
Davis（1989）提出了 TAM 模型，至今仍是被广泛采用的接受度模型，其两个核心决定因素为感知有用性（PU）与感知易用性（PEOU）。二者共同塑造态度，并进一步影响意向。
在 mHealth 应用中，经典 TAM 已不足以覆盖：Sun 等（2013）将 Health Consciousness（正向）与 Perceived Risk（负向）作为领域特定的扩展变量纳入模型。在医疗场景中，隐私尤为关键，因为需要共享敏感数据。
该模型在方法学上格外有意思，因为其中包含一条明显的负向路径（PR → BI）。这类效应在 PLS-SEM 教学中很有价值：它表明符号、显著性与 f² 效应量需要分别解释。
结构模型
经典 TAM 链路（PEOU → PU → Attitude → Intention），叠加两个领域特定的前因变量：Health Consciousness 为正向，Perceived Risk 为负向。
感知易用性
对操作该应用便捷度的感知。
感知有用性
预期带来的健康相关有用性。
健康意识
健康意识与个人责任感。
感知风险
对隐私及数据滥用风险的感知。
态度
对该应用的总体态度。
行为意图
持续使用该应用的意向。
研究假设
| H1 | PEOU → PU | + | 易用性提升感知有用性。 |
| H2 | PU → ATT | + | 有用性改善对该应用的态度。 |
| H3 | HC → ATT | + | 健康意识强化正向态度。 |
| H4 | PR → ATT | - | 感知数据风险削弱态度。 |
| H5 | PU → BI | + | 有用性直接提升使用意向。 |
| H6 | ATT → BI | + | 正向态度带来使用意向。 |
研究方法与数据
N = 380 份合成回答，覆盖 20 个反映型指标（七点 Likert 量表）。效应量经过校准，使负向的 PR 路径既显著又比正向驱动因素更小，符合真实 mHealth 研究的典型表现（Sun 等，2013；Cocosila 与 Archer，2010）。
预期结果
- R²(BI) ≈ 0.52
- 五个决定因素共同解释了意向约 52 % 的方差，对扩展型 TAM 而言已相当扎实。
- PR → BI ≈ −0.18
- 一条明显为负但幅度适中的路径。这是讨论负向效应的经典教学示例：需要分别报告符号、显著性与效应量。
- f²(PR)
- Perceived Risk 的 f² 效应量通常处于小到中等区间（≈ 0.06），非常适合用来讨论 Cohen 提出的阈值。
60 秒复现
- 1
克隆项目
在您的 OpenPLS 工作区中点击一下，即可创建一份完全可编辑的副本：模型、指标和数据集全部关联完毕，开箱即用。
- 2
运行计算
OpenPLS 会在数秒内求解外权重、路径系数、R²、HTMT、SRMR 以及 Bootstrap 置信区间。
- 3
与预期指标对比
下文记录的关键指标来自已发表的原始研究。您计算出的数值应落在 Bootstrap 95 % 置信区间之内。
参考文献
- Davis, F. D. (1989). Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology. MIS Quarterly, 13(3), 319–340. doi.org/10.2307/249008
- Sun, Y., Wang, N., Guo, X., & Peng, Z. (2013). Understanding the acceptance of mobile health services: A comparison and integration of alternative models. Journal of Electronic Commerce Research, 14(2), 183–200. www.jecr.org/node/313
- Cocosila, M., & Archer, N. (2010). Adoption of mobile ICT for health promotion: an empirical investigation. Electronic Markets, 20(3), 241–250. doi.org/10.1007/s12525-010-0042-y