基于压力交易理论视角下护士医疗人工智能采纳意愿研究

相微笑　李鲜苗

摘要：目的试图探索影响护士对于医疗人工智能采纳意愿的因素，为提高护士采纳意愿、推广和改善医疗人工智能提供参考。方法对安徽省合肥市和淮南市的263名在职护士进行问卷调研，以压力交易理论为基础，构建了以阻碍性评估和挑战性评估作为中介变量的双重路径模型。结果辅助型AI、自主型AI对护士采纳意愿存在正向影响，阻碍性评估和挑战性评估在辅助型AI与采纳意愿之间起中介作用；挑战性评估在自主型AI与采纳意愿之间起中介作用。结论应重视自主型AI的研发与改善，医院管理者应关注护士对医疗人工智能的认知评估。

关键词：医疗人工智能，采纳意愿，压力交易理论

中图分类号：TP391

文献标识码：A

文章编号：1674-9545（2023）03-0117-（07）

DOI：10.19717/j.cnki.jjun.2023.03.023

1问题提出

人工智能（artificial intelligence，AI）于1956年起源于美国^[1]，当时其本质是一种通过分析现有数据和自我学习而建立的算法。医学人工智能是指通过机器学习、表征学习、深度学习等智能算法和技术，应用辅助诊断、风险预测、疾病分诊、健康管理、医院管理等一系列功能^[2]。在2020年初的COVID-19疫情中，人工智能算法结合胸部计算机断层扫描结果、临床症状、接触史和实验室测试，能够快速诊断出COVID-19阳性患者^[3]。虽然医疗人工智能具有诊断准确率高、提高医护人员工作效率等特点，但在高速发展的同时，也逐渐出现了一些阻碍人工智能被普遍接受的现有障碍，如算法缺乏透明度、数据安全风险、责任分担不明确^[4]。欠发达地区的医务工作者担忧未来会被人工智能取代 ^[5]。我国的医疗服务水平在经过多年的改革后显著提高，但优质的医疗资源并不能得到均衡的分配，医疗服务水平在区域之间、城乡之间存在一定差距^[6]。醫疗人工智能的出现可以提高基层医护人员的诊疗能力，缩小区域间差距^[7]。因此现阶段研究医护人员对医疗人工智能的采纳意愿是十分迫切且必要的。

医护人员和患者是医疗人工智能的最终用户，直接或间接地决定着人工智能的实施。目前对于医疗信息技术采纳意愿的研究中，在技术方面主要包括临床信息系统、移动医疗、电子病历和电子健康记录等医疗信息系统及服务^[8-10]。另外，根据研究视角的不同，可将医疗人工智能采纳意愿的研究分为三类：医疗机构、患者，医护人员。其中，患者和医护人员是研究人员的主要研究对象。目前对医护人员采纳意愿的研究主要是基于单一的技术接受理论（TAM）和整合技术接受模型（UTAUT）^[11-12]，这些理论模型主要考虑技术的可用性和实用性，而鲜考虑到用户的认知和心理特征等因素。医疗人工智能技术的使用改变了医护人员的工作模式，对他们的知识储备也提出了更高的要求，使医护人员的工作任务面临更大的不确定性，这将影响医护人员在工作过程中的认知。另外，关于医护人员接受人工智能的微观过程机制和医疗场景的研究还很有限，现有研究大多关注宏观的医疗人工智能的治理，如产业发展现状、风险与伦理、相关法律政策等。护士在医学从业人员中占据很大一部分比重，是医疗人工智能核心用户之一，其对于医疗AI的感知与态度问题是完善、调整人工智能技术的关键因素，对发挥人工智能技术在医疗领域的应用价值具有重要的意义。因此，文章以护士为研究对象，根据压力交易理论和资源保存理论试图探索护士医疗人工智能采纳意愿的影响机制。

1.1自主型AI与辅助型AI对采纳意愿的影响

自主型医疗AI指的是独立完成在线诊断、回答问题和使用数据库进行病例分析的人工智能机器人。在独立诊断和治疗的医疗人工智能下，所产生的结果的可解释性有限，在监督技术中对大型数据集有高度依赖^[13]。辅助型医疗AI是指用于完成日常辅助任务的人工智能机器人，如指导方式、医院的咨询、图像捕捉和识别、手术中的辅助支持、防疫信息等。辅助型医疗AI在一些领域的应用已经比较成熟，例如口腔医学，它可以显著提高手术的精度、安全性和治疗效果^[14]。采纳意愿在该研究中是指护士愿意使用、学习并向其他人推荐医疗人工智能的意愿。根据资源保存理论的观点，个体具有保持、保护和获取其认为有价值的资源的倾向，因此无论是潜在的还是实际的资源损失都会引发个体的紧张和压力^[15]。医疗人工智能作为医疗领域内新兴的技术，在一定程度上影响着护士的工作模式、工作效率以及职业发展，因此合理认为，医疗AI是护士工作过程中的一个新增的压力源。Longoni等人（2019）认为，任务特征与技术接受度密切相关，人们对人工智能技术的接受或抗拒可能与他们使用的任务场景和特征有关^[16]。基于此，文章根据医疗人工智能的应用场景分为辅助性医疗AI与自主型医疗AI，试图探索这两种不同的应用场景是否会对护士的采纳意愿产生不同的影响机制。当医疗AI被护士认为是一种具有价值的资源时，个体便会倾向于学习并利用该资源，以达到提高自身价值的目的，也就是说，护士对医疗AI的价值认可度越高则采纳意愿就会越高。

综上，该研究提出以下假设：①H1a：辅助型AI正向影响采纳意愿；②H1b：自主型AI正向影响采纳意愿。

1.2阻碍型评估与挑战型评估的中介作用

评估被认为是连接压力源和压力结果的心理机制。Webster等研究证明了挑战性和阻碍性评估在压力源和压力结果之间充当部分中介的作用^[17]。Lepine等验证了压力评估在压力源和工作绩效之间的机制作用^[18]。同样，江宇晖等验证了员工个人的评估策略在时间压力和员工创造力关系之间的中介作用^[19]。

压力交易理论的核心思想是：压力评估是连接压力源和压力结果的重要机制。人们首先评估压力源，并在评估的基础上做出应对行为^[20]。该本研究中，护士通过对两种医疗AI进行评估进而影响采纳意愿。压力交易理论和相关研究表明^[21]，挑战性评估与阻碍性评估并不是互相排斥的，即个体对同一种压力源，既可以做出挑战性评估，也可以做出阻碍性评估。由此认为，辅助型AI与自主型AI既可以被护士评估为挑战，也可以被评估为阻碍。也就是说，一方面，医疗人工智能对于护士而言是一种有益的工具，使用医疗人工智能能够使护士产生成就感和提升工作效率，同时也能给护士带来赞誉、升职、奖金等一系列收获^[22]，从而促进个体的成长和发展。从这个角度来看，医疗AI可能会被个体评估为挑战。而另一方面，医疗AI的使用并不能给护士带来有益的结果，反而面临工作能力的质疑和工作内容的替代，增加了护士的心理成本。当个体很难确定投入的时间和精力是否会得到回报时，通常会出现阻碍性评估^[23]。因此，也可以被视为阻碍。

挑战性评估和阻碍性评估能够产生不同的结果。压力交易理论与相关研究表明，挑战性评估能够促进个体对于潜在的达成目标和高成就感的期望，因此一般会使员工产生有利的情绪、态度和行为结果，而阻碍性评估则基于潜在的失败和伤害，通常会对员工产生不利影响^[24]。 基于此，该研究认为辅助型AI与自主型AI会通过挑战型评估和阻碍性评估影响护士的采纳意愿。

综上，该研究提出以下假设：①H2a：辅助型AI会通过挑战性评估影响采纳意愿。②H2b：辅助型AI会通过阻碍性评估影响采纳意愿。③H3a：自主型AI会通过挑战性评估影响采纳意愿。④H3b：自主型AI会通过阻碍性评估影响采纳意愿。

综上，文章的研究模型如图1所示。

2研究对象与方法

2.1研究对象

该研究采用问卷调查的方法。2022年7月-2022年9月对合肥市和淮南市的医院的護士发放问卷，调研对象的标准包括拥有护士资格证书、所在科室选择使用医疗AI。共发放了400份问卷，回收307份，回收率为76.8%。筛选不完整和明显不合格的问卷后，有效问卷共计263份。

2.2研究工具

选用具有高信效度和使用广泛的成熟量表对变量进行测量。对于国外测量量表，遵循了“翻译-回译”程序以确保在国内情景中能够有效使用。并在咨询相关从业人员的建议下对题项进行了适当的修改，量表采用Likert五点法进行测量，1-5表示从“非常不同意”到“非常同意”。

（1）辅助型AI和自主型AI。结合Bigman & Gray^[25]与Huo等^[26]在医学人工智能领域基于场景的调查问卷。辅助型AI题目包括“AI会提升我在医疗诊治过程中的效率”等，共计5个题项；自主型AI题目包括“AI会自主行动，无需我的指令”等，共计5个题项。

（2）挑战性评估和阻碍性评估。选择Lepine等^[18]2016年所开发的量表，共8个题项。挑战性评估包括“医疗人工智能的使用帮助我学到很多（新知识）”等，共计4个题项。阻碍性评估包括“医疗人工智能的使用会影响我达成原有工作目标”等，共计4个题项。

（3）采纳意愿。结合 Bhattacherjee等人^[27]2001年开发的量表，共3个题项。包括“我愿意学习与使用医疗AI 技术”等。

2.3信度检验

在进行假设模型验证之前，对变量进行信度检验。通过计算变量的克朗巴赫 α系数，模型中变量的信度均大于0.8（见表1）。

3结果与分析

所有数据采用SPSS 23.0进行描述性统计分析、相关性分析、回归分析，使用SPSS process macro 3.5（MODEL 4）检验中介效应，采用Amos 23.0进行验证性因子分析。数据分析结果如下。

3.1描述性统计分析

描述性统计结果显示，此次调查大多数参与者是女性（74.5%），其中92.8%的参与者年龄小于41岁，本科及以上学历大约占1/3（31.6%），68.4%的参与者工龄大于一年，所在科室集中在影像和实验室，详见表2。

3.2效度检验

验证性因子分析结果表明，五因素模型的拟合结果是χ²/df=2.510， NFI=0.929，RFI=0.917，IFI=0.956，CFI=0.956，RMSEA=0.076，单因素CFA的各项拟合指数较差，结果是χ²/df=18.334，NFI=0.440， RFI=0.378，IFI=0.453，CFI=0.451， RMSEA=0.261），五因素模型明显优于其他模型，说明该研究共同方法偏差得到较好的控制（见表3）。

3.3相关性分析

由表4可知，辅助型AI和自主性AI与采纳意愿显著正相关，辅助型AI、自主型AI与挑战性评估显著正相关，挑战性评估与采纳意愿显著正相关。辅助型AI、自主型AI与阻碍性评估显著负相关，阻碍型评估与采纳意愿显著负相关，该结果为后续进行中介作用检验奠定了基础。

3.4假设检验

文章采用层次回归分析检验不同变量之间的关系。由表5中模型2和模型3得出辅助型AI、自主型AI对挑战性评估有正向影响；由模型5和模型6得出辅助型AI、自主型AI对阻碍性评估有负向影响；由模型8和模型9得出辅助型AI与采纳意愿呈显著正相关，与此同时，自主型AI与采纳意愿存在显著正相关关系，因此假设H1a、H1b得到支持。由模型10、模型11、模型12和模型13可以得出挑战性评估与阻碍性评估在辅助型AI、自主型AI与采纳意愿之间的中介效应得到了初步的检验。

對于包含多个自变量多个中介变量条件下的间接效应的检验，一般采用多元多重中介效应的检验方法。因此，该研究利用SPSS插件Process宏程序，使用bootstrap方法重复抽样5000次检验。中介效应检验结果见表6。

由表6中的结果可知，辅助型AI与采纳意愿的总效应为0.522，95%的置信区间为[0.397，0.631]，不包括0，总效应显著。辅助型AI与采纳意愿的总间接效应为0.302，95%的置信区间为[0.190，0.420]，不包括0，总间接效应显著。此外，中介路径1的间接效应值为0.275。95%的置信区间为[0.172，0.388]，不包括0，挑战性评估的中介效应显著。假设H2a成立。中介路径2的间接效应值为0.027。95%的置信区间为[0.003，0.061]，不包括0，阻碍性评估的中介效应显著。假设H2b成立。

自主型AI与采纳意愿的总效应为0.297，95%的置信区间为[0.193，0.392]，不包括0，总效应显著。自主型AI与采纳意愿的总间接效应为0.213，95%的置信区间为[0.129，0.296]，不包括0，总间接效应显著。此外，中介路径3的间接效应值为0.173。95%的置信区间为[0.105，0.242]，不包括0，挑战性评估的中介效应显著。假设H3a成立。中介路径4的间接效应值为0.041。95%的置信区间为[-0.001，0.082]，包括0，阻碍性评估的中介效应不显著。因此，假设H3b没有得到支持。

4讨论

与研究假设一致，辅助型AI和自主型AI对护士采纳意愿有显著的正向影响（H1a、H1b），另外，辅助型AI还会通过挑战性评估间接影响采纳意愿（H2a），同时，也通过阻碍性评估间接影响采纳意愿（H2b）。自主型AI会通过挑战性评估间接对采纳意愿产生正向影响（H3a）。上述发现符合压力交易理论的相关研究结论，即护士对医疗AI采纳意愿的评估过程，是根据自身意义建构而对客观压力形成的重要性判定。

然而，数据分析结果并没有支持H3b，即阻碍型评估在自主型AI和采纳意愿之间不存在明显的中介效应。对此，文章认为这样的结果也符合压力交易理论的相关研究^[28]。工作需求分成阻碍性压力源和挑战性压力源这两大类。并且挑战性的工作需求通常会被个体评估为挑战，而阻碍性的工作需求通常被评估为阻碍，但某些工作需求在不同程度上，既可以被评估为挑战，也可以被评估为阻碍。因此，对于护士来讲，自主型AI可能更接近于一种挑战性压力源，因而通常评估为挑战。

5启示

该研究初步探索了影响护士对于医疗人工智能采纳意愿的过程，所以在此提出以下实践意义。

首先，医疗AI开发者应该更加关注自主型医疗AI的研发。文章的研究结果表明护士对于自主型AI偏向评估为挑战，当护士认为自主型AI的挑战性越高时，则护士对医疗AI的采纳意愿就越高，自主型AI的完善对于采纳意愿的提高有重要的意义。为了确保临床护理的有效性，开发人员必须认识到不同角色和任务的医护人员的不同需求。提供有效的策略和优化的响应，以满足不同场景下不同用户的需求，并提供可用于临床护理决策的内容。这包括确保系统提供的信息内容与临床护理实践一致，并确保系统的设计和开发符合医疗行业的标准和规范。系统应该建立合理的警告和提醒频率^[29]。另外开发者也应该注重辅助型AI的用户体验，如果系统不可用、反应迟钝或不灵活，就会影响用户的使用意愿。因此必须提高操作的简洁性和灵敏性，确保提供信息的准确性。

其次，医院管理者应该调整管理策略，鼓励护士使用医疗AI，关注护士的职业发展需求，为相关护士提供技术培训和学习的机会，增强护士对医疗人工智能信任和了解，防止因为信息壁垒而导致的抗拒使用。另外，医院管理者应重视医疗AI的服务质量，安排专业的工程师定期维护，定期组织更新维护数据库，增强网络信号强度，确保网络顺畅，加强互联网信息安全，防止隐私数据泄露或损坏。并排除不安全因素，做好应急处置预案，避免因智能系统崩溃而造成重大安全事故。从而降低护士因对医疗人工智能的不信任感和不完全感而导致的阻碍性评估。最后，医院管理者也应该关注护士使用医疗人工智能后的情绪状态，及时反馈，记录护士的使用体验，根据反馈信息做出智能系统的改善以及修正相关管理办法，降低护士对于医疗AI的阻碍性评估。

最后，政府一方面要加大对医疗人工智能的宣传，增强医护人员对医疗人工智能的认可度，提高医护人员的工作效率和服务质量。另外，要对医疗AI的研发提供资金支持，加快医疗AI的推广和普及，从而缩小城乡医疗卫生服务的质量差距。另一方面必须制定一个完整的法律体系。基于“无害"原则，对人工智能从实验室到临床应用的每一步都要制定严格和谨慎的规则，法律体系必须是灵活的，必须跟上时代的步伐，不能一成不变。政府需要对现行法规进行更新研究，及时消除新出现的法律歧义或不妥之处，并完善法律条款。

参考文献：

[1]Jiang L，Wu Z，Xu X，et al. Opportunities and challenges of crtificial intelligence in the medical field： current application， emerging problems， and problem-solving strategies[J]. Journal of International Medical Research，2021，49（3）：1.

[2]He J，Baxter S L，Xu J，et al. The practical implementation of artificial intelligence technologies in medicine[J].Nature Medicine，2019，25（1）：30.

[3]Mei X，Lee H C，Diao K Y，et al. Artificial intelligence-enabled rapid diagnosis of patients with COVID-19. [J]. Nature Medicine ，2020，26（8）：1224.

[4]Longoni C，Bonezzi A，Morewedge CK. Resistance to medical artificial intelligence[J]. Journal of Consumer Research，2019，46（4）：629.

[5]Abdullah R，Fakieh B. Health care employees perceptions of the use of artificial intelligence applications：survey study[J].Journal of Medical Internet Research，2020，22（5）：1.

[6]鄭继承.我国医疗卫生资源配置的均衡性研究[J].中国卫生资源，2019，22（5）：362．

[7]赵嘉莹，高鹏，朱勇俊，等．人工智能的应用将改进中国基层医疗卫生服务效能[J]．中国全科医学，2017，（34）：6．

[8]Liu Y，Chen Y，Tzeng GH. Identification of key factors in consumers adoption behavior of intelligent medical terminals based on a hybrid modified MADM model for product improvement[J]. International Journal of Medical Informatics，2017，105（4）：68.

[9]张敏，罗梅芬，聂瑞，等.信息生态视域下移动医疗APP用户持续采纳意愿分析[J]. 数据分析与知识发现，2017，1（4）：46.

[10]Spatar D，Kok O，Basoglu N，et al. Adoption factors of electronic health record systems[J]. Technology in Society，2019，58（1）：101144.

[11]Davis FD. Perceived usefulness，perceived ease of use，and user acceptance of information technology[J]. MIS Quarterly，1989，13（3）：319.

[12]Venkatesh V，Morris MG，Davis GB，et al. User Acceptance of Information Technology： Toward a Unified View[J]. MIS Quarterly，2003，27（3）：425.

[13]Yousefirizi F，Decazes P，Amyar A，et al.AI-Based detection，classification and prediction/prognosis in medical imaging： towards radiophenomics[J]. PET Clinics，2022，17（1）：183.

[14]Chen YW，Stanley K，Att W. Artificial intelligence in dentistry： current applications and future perspectives[J]. Quintessence International，2020，51（5）：248.

[15]Hobfoll S E. Conservation of resources：a new attempt at conceptualizing stress[J]. American Psychologist，1989，44（3）：513.

[16]Longoni C，Bonezzi A，Morewedge CK. Resistance to medical artificial intelligence[J]. Journal of Consumer Research，2019，46（4）：629.

[17]Webster JR，Beehr TA，Love K. Extending the challenge–hindrance model of occupational stress： the role of appraisal[J]. Journal of Vocational Behavior，2011，79（2）：505.

[18]LePine MA，Zhang Y，Crawford ER，et al. Turning their pain to gain：charismatic leader influence on follower stress appraisal and job performance[J]. Academy of Management Journal，2016，59（3）：1036.

[19]江宇晖，尚玉钒，李瑜佳.时间压力是扼杀还是激发个体创造力.领导语言框架的调节作用[J].科学学与科学技术管理，2019，40（7）：121.

[20]Lepine JA，Podsakoff NP，Lepine MA. A meta-analytic test of the challenge stressor-hindrance stressor framework： an explanation for inconsistent relationships among stressors and performance[J].Academy of Management Journal，2005，48（5）：764.

[21]Searle BJ，Auton JC. The merits of measuring challenge and hindrance appraisals[J]. Anxiety， Stress & Coping，2015，28（2）：121.

[22]张文勤，汪冬冬.挑战—抑制性压力对工作投入与反生产力行为的影响——领导方式的调节作用[J].軟科学，2017，31（11）：75．

[23]Crawford ER，LePine JA，Rich BL. Linking job demands and resources to employee engagement and burnout：a theoretical extension and meta-analytic test[J]. Journal of Applied Psychology，2010，95（5）：834.

[24]Skinner N，Brewer N. The dynamics of threat and challenge appraisals prior to stressful achievement events[J]. Journal of Personality and Social Psychology，2002，83（3）：678.

[25]Bigman YE，Gray K. People are averse to machines making moral decisions[J]. Cognition，2018，181（3）：21.

[26]Huo W，Zheng G，Yan J，et al. Interacting with medical artificial intelligence：integrating self-responsibility attribution，human–computer trust，and personality[J]. Computers in Human Behavior，2022，132（4）：107253.

[27]Bhattacherjee A. Understanding information systems continuance：an expectation-confirmation model[J]. MIS Quarterly，2001，25（3）：351.

[28]陈畅，张喆，贾明.组织延展性目标对员工情绪耗竭的影响机制研究：基于压力交易理论的视角[J].管理工程学报，2019，33（3）：1.

[29]卢雯，陈湘玉.护理临床决策支持系统使用意愿的影响因素研究[J].护理学报，2023，30（5）：18.

（责任编辑 胡安娜）