中文版电子健康素养量表在我国社区老年人群中的信效度初步分析

周寒寒， 王静， 李岩

电子健康素养(e-Health Literacy)指的是在电子资源上搜索、理解和评估健康信息的能力，以及运用获得的信息处理、解决健康问题的能力[1]。随着信息技术的迅速发展，电子健康素养对健康的作用日益显著，关于老年人的电子健康素养问题也逐渐得到了学界关注。对老年人电子健康素养水平进行科学评估，是明确老年人电子健康素养现状及开发干预措施的重要前提。电子健康素养量表(e-Health Literacy Scale, e-HEALS)是Norman等于2006年编制的第一个电子健康素养的评估工具[1]，在国外被应用于青少年[2-3]及慢性病群体[4-6]中。国内郭帅军等[7]探讨了e-HEALS汉化及适用性，其研究表明e-HEALS汉化量表在我国青少年中具有较好的信效度;臧格[8]、袁凤娟[9]等则分别将e-HEALS应用于国内中老年血液透析患者、糖尿病患者中。对于e-HEALS应用于我国社区老年人群中的性能分析则鲜有报道。本文对e-HEALS在我国社区老年人群中的信效度进行了初步分析，以期为今后社区老年人电子健康素养评估工具应用提供参考。

1 对象与方法

1.1 研究对象

2017年6月至9月，以整群抽样方法在江苏省苏南、苏中、苏北各抽取一个市，在每个市抽取一个社区或村庄，以社区或村庄的老人为调查对象。纳入标准：①具有认知行为能力 ；②年龄≥60岁；③自愿参与本次调查。排除标准：①由于听力、视力等原因无法完成问卷调查；②无法提供完整资料者。利用EpiCalc 2000软件进行样本量估算，参考相似主题的其他文献[10-11]，设定rate=0.1，power=0.9，检验水准设为0.05，经计算需要样本量约为110人，考虑到无效问卷以及结构方程模型对于样本量的要求，本研究实际纳入样本量228例，其中男119例，女109例；年龄60～87岁，平均年龄(69.64±6.55)岁；其社会经济地位(SES)得分为(4.50±1.93)；独居者占25.9%；自评健康状况为好或很好者占80.3%；有53.1%的研究对象患有慢性病。

1.2 研究工具

1.2.1 电子健康素养量表 量表共包括8个条目[1]，即网络健康信息与服务的应用能力测试(第1～5项)、评判能力测试(第6、7项)和决策能力测试(第8项)，各条目均采用Likert 5级评分法，“1”代表“非常不相符”， “5”代表“非常相符”。得分越高代表自我感知电子健康素养越高。

1.2.2 网络健康信息搜寻行为问卷 参照Manafo等[12]对于网络信息搜寻行为的评估方法，自行设计社区老年人网络健康信息搜寻行为问卷，共有4个条目，内容为假设腹泻发生后对于网络信息搜寻途径、内容、内容判断及决策的过程，各条目均Likert 4级评分法，“1”代表“完全不具备这种能力”， “4”代表“完全具备这种能力”，问卷的Cronbahc’s α为0.994，提示条目的内在一致性较好。

1.3 资料收集

使用电子健康素养量表和网络健康信息搜寻行为问卷，对被调查者采用结构式访谈，由研究者本人及经过统一培训的调查员完成。调查员在正式调查前接受2小时的统一培训。资料收集时首先向被调查者解释调查目的，并取得被调查者的知情同意，然后利用结构式会谈完成资料收集。

1.4 统计学方法

使用SPSS 24.0和AMOS 20.0软件进行统计处理。为考虑实现交叉验证(cross validation)，将现有数据随机分拆为两部分(数据集A、B)，其中数据集A用于探索性因子分析(Exploratory Factor Analysis, EFA)，数据集B行验证性因子分析(Confirmatory Factor Analysis, CFA)以检视数据集A所提取的因子结构。利用Pearson相关分析考察e-HEALS总得分及各因子得分与网络健康信息搜寻行为问卷得分的关系。以P<0.05为检验水准。

2 结果

2.1 中文版e-HEALS的因子结构分析

利用数据集A(n=117)行e-HEALS的探索性因子，其分析结果显示，数据适宜行探索性因子分析(KMO=0.897, Barlett’s球形检验χ2=2 270.292,P=0.000)；利用主成份分析法，根据特征根及碎石图(Scree plot)判断共形成单一因子结构，其可以解释e-HEALS总变异的93.095%，各条目的因子载荷均大于0.9，见表1。

利用数据集B(n=111)行验证性因子分析，结果显示初始模型拟合不理想，在根据修正指数(modification indics)调整了e1与e2、e2与e3、e3与e5、e4与e5、e5与e6、e1与e4等6对误差项相关后，模型拟合尚可；利用数据集B进行二阶拟合，其模型拟合不理想，见表2。

表1 中文版e-HEALS各条目载荷情况

表2 中文版e-HEALS验证性因子分析初始模型及修正模型拟合情况

2.2 中文版e-HEALS的效标关联效度分析

中文版e-HEALS得分与网络健康信息搜寻行为问卷得分(1.26±0.65)相关系数为0.639(P<0.001)。

2.3 中文版e-HEALS的信度分析

利用数据集B分析，中文版e-HEALS的Cronbahc’s α为0.986，各条目删除后的Cronbahc’s α为0.983～0.986，提示无条目有必要删除。将全部条目前后折半后，其相关系数为0.911(P<0.001)，按斯皮尔曼-布朗(Spearman-Brown)公式校正后，其折半信度因子为0.953。

3 讨论

电子健康素养量表(e-HEALS)是Norman和Skinner在其提出的电子健康素养概念的基础上编制的第一个电子健康素养的评估工具[1]，其主要评估被试者在寻求、应用网络健康知识时的自我感知技能。e-HEALS已应用于意大利大学生群体、荷兰关节炎患者、西班牙大学生群体、韩国青少年、日本中年人群、土耳其成人群体等，其在中国人群中的应用包括了中国大陆大学生群体[7]、慢性病患者[8-9]，以及中国台湾儿童群体[13]等，是目前电子健康素养测量中应用最广泛的一个工具。

本研究信度分析结果显示，中文版e-HEALS在社区老年人群应用时，其Cronbahc’s α为0.986，表明量表条目的内在一致性较好，各条目删除后的Cronbahc’s α为0.983～0.986，表明在内在一致性层面上无条目有删除的必要，量表的折半信度因子为0.953，也表明了量表各项目的内在一致性较佳。

在e-HEALS的结构效度方面，De Caro等[14]在意大利大学生群体、van der Vaart等[15]对荷兰关节炎患者、Paramio等[16]对西班牙大学生群体、Chung等[17]对韩国青少年的研究显示不同语言版本的e-HEALS均为单一维度结构。但在这些研究中，除了Paramio等的研究外，其他均是利用探索性因子分析得出的结论。Paramio等在EFA基础上，利用CFA的方法分析了e-HEALS的维度，亦提示其为单维结构，但拟合的结果并不理想(CFI=0.84, IFI=0.84, TLI=0.78, RMSEA=0.17, SRMR=0.08)，在对5对误差项进行相关的模拟修正后，CFA结果方尚可[15](CFI=0.97, IFI=0.97, TLI=0.94, RMSEA=0.08, SRMR=0.05)。本研究的CFA结果也表现如此，虽然EFA结果提示了单维但CFA初始模型拟合结果显示并不理想(CFI=0.803, IFI=0.804, TLI=0.724, NFI=0.796, RMSEA=0.424)，在根据修正指数(modification indics)调整了e1与e2、e2与e3、e3与e5、e4与e5、e5与e6、e1与e4等6对误差项相关后，模型拟合情况尚可(CFI=0.930, IFI=0.930, TLI=0.859, NFI=0.924, RMSEA=0.303)。Stellefson等[18]对于基于电话方式e-HEALS在老年人群中的性能检验发现其为三维度的二阶结构。基于此，本研究尝试对e-HEALS进行二阶拟合，结果显示二阶模型拟合并不理想(CFI=0.880,IFI=0.881,TLI=0.814,NFI=0.873,RMSEA=0.348)。上述结果表明中文版e-HEALS的维度划分倾向于单维结构但其结构效度并不很理想。

e-HEALS的测量方法实质是一种被调查者自我感知的素养水平(self-perceived e-health literacy)，其是影响被试网络健康信息搜寻行为的重要变量[12]。因此本研究尝试利用e-HEALS得分与网络健康信息搜寻行为的相关性以说明其效标关联效度。结果显示，中文版e-HEALS得分与网络健康信息搜寻行为问卷得分相关系数为0.639(P=0.000)，表明了中文版e-HEALS在社区老年人群中应用时具有较好的效标关联效度。

综上分析，中文版e-HEALS在我国社区老年人群中应用中表现出较好的信度和效标关联效度，其维度划分倾向于单维结构，而三因子及二阶模型的结构效度并没有得到支持，这也是下一步中文版e-HEALS性能分析需要解决的问题。