楊選輝 嚴章寬

關鍵詞：在線健康社區(qū)；算法回避；CAC范式；算法焦慮

隨著互聯網與傳統(tǒng)醫(yī)療行業(yè)的融合程度逐漸提高，在線醫(yī)療健康服務得到了充分的發(fā)展，截至2022年6月，我國在線醫(yī)療健康用戶達到3．O億人，占全體網民數量的28.5%。在線健康社區(qū)（0n-line Health Community，OHC）作為在線醫(yī)療健康服務的主要形式之一，通過社區(qū)向用戶提供在線問診與咨詢、個人健康管理和健康信息獲取等服務，能夠有效地節(jié)約用戶成本、優(yōu)化醫(yī)療資源分配以及滿足民眾多樣化的健康服務需求。

為了提高使用效率和緩解信息冗余或過載等問題，多數在線健康社區(qū)仿照社交媒體采用推薦算法技術和大數據分析技術，針對不同的用戶提供不同的信息，直接實現信息需求與信息呈現之間的無縫對接，使得社區(qū)內容價值最大化。然而，互聯網環(huán)境下用戶普遍存在對算法推薦潛在危害的擔憂。根據《算法應用的用戶感知調查與分析報告（2021）》顯示，79.39%的用戶擔心算法會損害自身權益，如隱私侵犯、數據泄露等。一些學者的研究發(fā)現，許多用戶會通過“算法回避”行為來規(guī)避潛在風險，即主動地拒絕使用該平臺或關閉平臺的算法推薦功能，但是推薦算法在用戶參與在線健康社區(qū)的各個方面都扮演著至關重要的角色，如精準醫(yī)患匹配、精選健康建議、推送健康信息和推薦健康產品等常用功能，都需要依托推薦算法技術來實現。如果用戶經常采用回避推薦算法行為，會大大降低用戶對有效健康信息的獲取效率，降低醫(yī)生和患者之間的有效適配，削弱了在線健康社區(qū)的現實作用，不利于健康社區(qū)為用戶提供持續(xù)、有針對性的價值服務。同時，還因為推薦算法功能的關閉導致系統(tǒng)不能正常提供個性化推薦服務，從而削弱了平臺的競爭力，大大影響了運營者的積極性。因此，了解用戶算法回避行為的影響因素，消除用戶的使用顧慮，促進算法推薦技術規(guī)范健康發(fā)展是信息時代發(fā)展的迫切需要，對維護正常積極的傳播秩序具有重大意義。本研究以明晰在線健康社區(qū)用戶的算法回避行為的影響因素和內在機理為目標，結合前人研究與相關理論進行實證分析，并提出優(yōu)化在線健康社區(qū)算法服務及規(guī)范算法監(jiān)管的對策與建議，具有一定的現實意義。

1研究現狀

1.1在線健康社區(qū)用戶行為研究現狀

在線健康社區(qū)的用戶具有多元化的構成，其行為具有多樣化。學者們針對不同的主體及其不同類型的行為展開了研究，其研究主要聚焦于行為的形成機制與影響因素。張軍等基于知識協同建構理論，構建用戶交互行為網絡和知識網絡，對于不同類型用戶及其分享的特征進行了一定的總結與討論。Sharma S等通過研究發(fā)現，人們從在線健康社區(qū)尋求信息支持的需求是人們采納在線健康社區(qū)的主要原因之一。

由于健康數據的私密性較高，在線健康社區(qū)的隱私問題更具敏感性，學者們認為，該情境下與隱私相關的問題具有研究的必要性。邱均平等利用“用戶一在線健康社區(qū)一政府”三方演化博弈模型，通過求解不同情境下的演化穩(wěn)定策略，來探究在線健康社區(qū)用戶的隱私披露行為及其演化規(guī)律。Yin P等從隱私風險感知的角度，探究平臺、醫(yī)生等特征如何影響用戶風險感知進而影響其隱私披露行為。

1.2信息系統(tǒng)采納意愿與行為研究現狀

算法回避行為在表現上類似于采納行為的反面，即“不采納”，也類似于采納后的“中斷使用”，可見算法回避行為與采納行為有著密切的關系，因此，有必要梳理當前信息系統(tǒng)采納意愿與行為研究現狀。目前，信息系統(tǒng)的采納意愿與行為研究主要集中于分析探討具體的影響因素和形成機理，從研究框架來看，以采用現有的成熟理論模型為主，具體包括技術接受模型（TAM）、整合技術接受與使用模型（UTAUT）、計劃行為理論（TBP）等，這些理論在探討采納行為的影響因素以及形成機制方面都相對全面且成熟，具有很好的解釋力，在實際的研究中，學者們以這些理論為基礎，結合具體的情境選取相應的因素或加以拓展運用。陳美等以UTA-UT為基礎，結合開放政府數據的特點將感知風險加入研究模型中：Tahamtan I等通過結合定性研究結果與TAM模型，探討了在醫(yī)療工作環(huán)境中引入智能手機的采納意愿的影響因素。從具體的影響因素來看，采納意愿及行為的研究通常以考察積極因素為主，通過驗證積極因素發(fā)揮的積極作用來闡釋采納意愿和行為的形成機制。例如，李君君等對移動數字閱讀的持續(xù)采納研究中，確定了感知有用性、感知易用性、感知愉悅等積極因素；Gupta A等對數字錢包采納意愿的研究中以期望確認模型為框架，主要考察感知有用性、自我效能感等積極因素的作用。

1.3算法回避行為相關研究現狀

目前對算法回避行為尚無統(tǒng)一的定義，不同學者間對用戶的這一行為有不同的描述，例如，張萌將用戶的拒絕下載、拒絕點擊、快速劃走、卸載應用的行為概括為用戶對算法的“空間隔絕”：Xie X等則將用戶對算法的回避行為作為用戶對算法進行抵抗的一個維度予以考察。本研究基于前人研究，將算法回避行為歸納為：用戶基于主觀意愿回避算法推薦服務所采取的完全或部分退出算法推薦服務的行為，具體表現包括主動關閉算法推薦功能、避免使用算法推薦軟件或是卸載算法推薦軟件等行為。

目前，尚無關于算法回避行為的專題性研究，對算法回避行為的表現、形成機制以及影響因素等方面的討論，散見于算法交互（Human - AlgorithmInteraction，HAI）話題的相關研究中。例如，晏齊宏在用戶算法感知對反饋行為的影響機制的研究中，認為用戶的算法回避行為是一種消極的反饋，用戶的算法意識以及推薦算法的應用場景都會對用戶是否選擇回避產生影響。Siles I等通過對音樂服務平臺Spotify上的青少年用戶的研究發(fā)現，當推薦算法在未經用戶允許時進行推薦，用戶會產生一些抵觸情緒并試圖禁用推薦功能。

綜上，現有研究較少關注到在線健康社區(qū)用戶的消極使用行為，特別是因為采取算法回避而引發(fā)的消極使用行為更是缺乏專題性的研究。由于在線健康社區(qū)情境下，使用算法推薦功能是用戶日常的主要使用場景之一．算法回避行為的出現不利于在線健康社區(qū)的正向發(fā)展，并會嚴重影響到社區(qū)對用戶的服務效果，因此，需要深入分析其形成機理和影響因素，同時，研究算法回避行為也能夠為保護在線健康社區(qū)用戶的隱私提供新的視角。

2模型構建與研究假設

2.1模型構建

本研究將“認知一情感一行為意愿”范式（Cognition-Affect-Conation Pattern，CAC）作為基石出理論框架，CAC范式是認知心理學領域的重要結論之一，該范式認為人的行為由認知一情感一行為意愿這一路徑產生。其中，認知要素是人的既有知識、以往經驗和對事物的個人體會：情感要素是在認知基礎上所形成的理性或非理性的情緒反饋：行為意愿要素則是在“認知一情感”過程中所形成的行為傾向?？梢?，CAC范式提供了一個多層次視角來理解用戶行為意愿的形成機制，與本研究的目的相吻合。

認知要素方面，通過主觀和客觀兩方面選取。主觀角度的認知要素選取隱私關注和感知威脅，隱私關注被定義為用戶對待關于自己的信息的態(tài)度，具體來說，是指用戶關注和在意自身信息是否被合理地收集、使用的程度，感知威脅指的是個體對技術的威脅所感知到的危險程度，二者反映的是用戶對算法的運作原理、使用后果的帶有消極性質的內在認知和主觀想象：客觀角度的認知要素則選取了感知侵擾和系統(tǒng)功能過載，感知侵擾指用戶在自身原有行為或認知歷程受算法推薦內容的干擾而被迫中斷時所產生的心理感受，系統(tǒng)功能過載是指用戶對技術功能的感知，可以定義為技術或服務所提供的功能超過用戶需求的感知，這兩個因素是算法具體的消極表現在用戶認知中的反映。

情感要素方面選取算法焦慮因素，算法焦慮是用戶因算法服務的一些負面體驗而產生的負面情緒狀態(tài)，包括憂慮、擔心、慌張、不安等，已成為算法環(huán)境中突出的情感問題，同時，有學者認為焦慮情緒是一切心理問題的核心和關鍵，故本研究以算法焦慮作為情感因素予以考察。此外，若算法焦慮與算法回避行為的因果關系得到驗證，為探究這一關系能否被積極認知所削弱，本研究從感性和理性兩個角度，選取了感知信任和感知可解釋性兩個因素作為調節(jié)變量加入模型中。其中，算法可解釋性是算法結果可以被人類使用者所理解的程度，感知可解釋性則是指用戶對算法這一特性的感知，信任則是個體對其他個體或組織的樂觀期望．

綜上，本研究所構建的理論模型如圖1所示。

2.2假設提出

2.2.1算法焦慮與算法回避行為

焦慮會使個體主動地尋求擺脫焦慮狀態(tài)，現有研究也已證明，用戶的算法焦慮會使用戶通過降低算法服務的使用頻率的方式來緩解自身焦慮狀態(tài)。在本研究情境下，當在線健康社區(qū)用戶使用推薦算法功能過程中，由于算法推薦內容的打擾或對算法獲取自身數據的擔憂等因素產生負面體驗時，用戶的算法焦慮情緒就會被觸發(fā)，而當算法焦慮積累到一定程度日寸，用戶則會選擇回避推薦算法以減少自身焦慮?；谏鲜稣撌觯狙芯刻岢鲆韵录僭O：

H1：算法焦慮正向影響算法回避行為

2.2.2隱私關注與算法焦慮

隱私關注對用戶的負面情感有顯著的正向影響，已得到實證研究的證明，例如，陳昊等的研究證實社交媒體中用戶的隱私關注會引發(fā)消極的情感響應。周濤等的研究驗證了在線知識社區(qū)用戶的隱私關注會顯著地正向影響用戶的焦慮情緒。由于在線健康社區(qū)用戶的數據常與疾病、健康和身體狀況相關，更具私密性和敏感性，而算法是一項基于用戶數據提供服務的技術，因此，有理由推測在線健康社區(qū)用戶的隱私關注也會引起用戶對于算法的焦慮情緒?；谏鲜稣撌?，本研究提出以下假設：

H2：隱私關注正向影響算法焦慮

2.2.3感知威脅與算法焦慮

現有研究驗證了個體對威脅的感知會導致焦慮等負面情緒的產生，并且會隨之觸發(fā)個體的消極行為。根據技術威脅規(guī)避理論，由于信息時代技術對用戶權益的侵害頻發(fā)，使得在線健康社區(qū)用戶很容易認為推薦算法這項具有黑箱性質的技術具有威脅性，同時，由于現今環(huán)境下大眾算法素養(yǎng)的缺乏，在線健康社區(qū)用戶對于算法技術缺乏了解，其感知威脅和負面情感的形成都較為敏感。基于上述論述，本研究提出以下假設：

H3：感知威脅正向影響算法焦慮

2.2.4感知侵擾與算法焦慮

感知侵擾的概念最初常用于研究廣告對個體的干擾，Lee J等的研究認為，侵擾性是個性化的信息，必然會帶來負面感知，現有研究也表明，在算法推薦服務中不良推薦可能會導致感知侵擾，并且感知侵擾會使用戶產生負面情感體驗，并進一步削弱用戶的使用意愿。在線健康社區(qū)的情境中，用戶對算法服務推薦的信息接受處于被動狀態(tài)，當用戶主動在社區(qū)中進行查詢健康信息等行為時，推薦的其他信息內容會對用戶原本的行為目的形成干擾，從而引發(fā)用戶對算法服務的負面情緒?；谏鲜稣撌?，本研究提出以下假設：

H4：感知侵擾正向影響算法焦慮

2.2.5系統(tǒng)功能過載與算法焦慮

實證研究發(fā)現，系統(tǒng)功能過載會顯著影響用戶情感狀態(tài)，使用戶產生低落等負面情緒。在線健康社區(qū)中的算法服務的作用以輔助性為主，例如，算法可以提高用戶獲取健康信息和醫(yī)療支持的效率，但并非用戶參與社區(qū)互動的主要功能。由于算法的泛用性強，社區(qū)運營者很容易濫用算法，造成系統(tǒng)功能過載，主要形式為算法推薦場景過多、推送消息過多、個性化程度過高引起不適等，都會導致用戶產生算法焦慮?；谏鲜稣撌?，本研究提出以下假設：

H5：系統(tǒng)功能過載正向影響算法焦慮

2.2.6感知可解釋性與感知信任的調節(jié)作用

算法服務若要達到一定的可解釋性，要求其在達到個性化的基礎上還能使用戶得到進一步的人性化體驗，提高用戶對算法服務的感知可解釋性，可以消除用戶對算法服務的偏見，改善用戶對算法的情感態(tài)度，并提高用戶對算法服務的使用意愿：信任則意味著愿意承擔風險的主觀意愿，當用戶建立起對服務和平臺的信任后，也會減少對其他負面體驗的關注，從而呈現出較正面的情感態(tài)度和積極的使用態(tài)度。可以推測，在線健康社區(qū)情境中，一定程度的感知可解釋性和感知信任可以削弱算法焦慮對算法回避行為的影響。基于上述論述，本研究提出以下假設：

H6：感知可解釋性對算法焦慮與算法回避行為之間具有負向調節(jié)作用

H7：感知信任對算法焦慮與算法回避行為之間具有負向調節(jié)作用

3問卷設計與數據收集

3.1問卷設計

本研究所使用的問卷分為基本信息和主體量表兩個部分?；拘畔⒉糠职ㄔ诰€健康社區(qū)用戶的年齡、性別、職業(yè)、學歷、身體健康狀況和在線健康社區(qū)使用經驗：主體量表部分用以測量理論模型中相關因素與算法回避行為，依據前人研究中成熟量表編制并基于實際研究情境進行調整，采用Lik-ert 5點式量表進行測量，1表示“非常不符合”，5表示“非常符合”。正式發(fā)放問卷前，通過發(fā)放問卷進行小樣本前測以修改調整問卷，最終形成正式問卷，如表1所示。

3.2數據收集

本研究采用在線調研的方式收集數據，調研時間為2022年11月-12月，共回收問卷393份?；厥胀瓿珊蠡谙率龊Y選標準剔除無效問卷：一是剔除未使用過在線健康社區(qū)的樣本：二是剔除填寫態(tài)度差的樣本，如答題時間小于60秒、量表選擇同一選項以及陷阱題未通過的3類樣本。最終獲得有效問卷350份，問卷有效率為89.1%。

樣本具體的人口統(tǒng)計學特征如表2所示，其中男女比例約為4：6．身體健康狀況良好的樣本占比為73.4%，26～35歲樣本占比為54.0%，本科及以上用戶占77.4%，并且使用經驗在1～5年的用戶居多，上述幾項特征顯示本研究樣本特征與實際用戶畫像基本吻合。

4數據分析

本研究通過SEM-ANN-NCA三階段數據分析方法對問卷數據進行分析?；谄钚《朔ǖ慕Y構方程模型（Partial

Least

Square -Structural

EquationModelling，PLS-SEM）是一種基于多元線性回歸的分析方法，通過創(chuàng)建路徑模型來分析前因變量與結果變量之間的關系，在行為意愿的因果關系研究或預測方面已相對成熟。

然而PLS-SEM只能分析因素之間的線性關系，本研究引入人工神經網絡（Artificial Neural Network，ANN）的分析方法，在PLS-SEM結果的基礎上對非線性關系進行捕捉，可以更加貼合現實情況。同時，PLS-SEM是一種基于充分性邏輯的分析方法，基于充分性的分析結果提出現實建議缺乏說服力，據此，本研究引入必要條件分析（Necessary Condi-tion Analysis，NCA）來驗證影響因素中是否存在必要條件，以完善本研究的邏輯性和科學性。

4.1基于偏最小二乘法的結構方程模型分析

4.1.1信效度檢驗

首先，信度通過Cronbach'sa、rho-a和組合信度（Composite Reliability，CR）3個指標進行檢驗，由表3可知，本研究中所有變量的Cronbach'sa、tho_a和CR均大于門檻值0.7，表示本研究所使用量表具有良好的信度。其次，收斂效度通過因子載荷與平均提取方差值（Average Variance Extracted，AVE）檢驗，由表3可知，本研究中各題項的因子載荷均在0.7以上，且所有變量的AVE值均大于0.5，表明本研究所使用量表具有良好的收斂效度。最后，區(qū)分效度通過Fornell-Larker標準進行檢驗，即AVE值平方根大于各變量的相關系數，則表示區(qū)分效度良好，表4結果顯示，各變量AVE值平方根均大于相關系數，表明本研究所用量表具有良好的區(qū)分效度。

4.1.2假設檢驗

假設檢驗結果如圖2及表5所示。直接效應方面，在線健康社區(qū)用戶的隱私關注（B=0. 420，p<0. OOI）、感知侵擾（B=0. 391，p<0. 001）、感知威脅（B=0. 108，p<0. 05）和系統(tǒng)功能過載（B=0.101，p<0.01）對算法焦慮起到不同程度的顯著正向影響，同時，算法焦慮對于用戶的算法回避行為也有顯著的正向影響（B=0.613，p<0.001），因此，假設H1～H5均得到支持：調節(jié)效應方面，感知信任（B=0.031，p=0.536）和感知可解釋性（B=0.049，p=0.389）在算法焦慮與算法回避行為之間不存在顯著的調節(jié)效應，因此，本研究結果不能支持假設H6與H7。

4.1.3模型預測能力評估

由于PLS-SEM被視為一種“因果預測”的分析方法，因此，還需對模型的預測能力進行評估。模型預測能力通過R2值以及PLSpredict進行評估。R2反映模型內生變量的樣本內預測能力，也稱為解釋能力，0.26、0.13和0.02分別為強、中和弱樣本內預測能力的門檻值。由表6可知，內生變量的R2均在0.26以上，因此，本研究所構建模型具有較強的樣本內預測能力。PLSpredict通過兩個標準反映模型的樣本外預測能力，一是Q2大于0，二是PLSpredict的均方根誤差（Root Mean SquareError，RMSE）全部低于、大部分低于、少部分低于、全部高于LM的RMSE的4種情況，分別對應高、中、低或無預測能力。由表6可知，全部內生變量的Q2值均大于0，且PLSpredict RMSE僅有一項大于LM RMSE，因此，本研究所構建模型具有中等的樣本外預測能力。綜上，本研究所構建模型總體擁有較好的預測能力。

4.2人工神經網絡分析

在PLS-SEM結果的基礎上進行ANN分析，步驟如下：

第一，構建ANN模型。將具有顯著影響的路徑作為輸入神經元，構建出以算法焦慮作為輸出的ANN模型，如圖3所示。以Sigmoid函數為輸入層和隱藏層的激活函數，為每個ANN模型生成了10個網絡，并使用10倍交叉驗證例程來避免過度擬合，即其中90%的數據用于訓練，10%用于測試。

第二，進行模型預測準確性評估以確保結果的科學性和有效性。通過訓練和測試過程的RMSE結果來評估模型預測準確性，由表7可知，訓練和測試的RMSE均值都在0.1以下，相對較小，表示本研究所構建ANN模型具有高水平的預測準確性。

第三，通過敏感性分析獲得變量的相對重要性。通過敏感性分析可以獲得ANN模型中變量的重要性，將相對重要性均值最高者作為100%，計算所有變量的標準化重要性，結果如表8所示。

4.3 要條件分析

NCA方法通過在x-y散點圖中繪制上限線（Ceiling Line）來判斷x條件的必要性，通過上限線劃分觀測值區(qū)與無觀測值區(qū)，若上限線之上存在空白區(qū)域，則表明某一條件對結果具有必要性，上限線圖如圖4所示。由于本研究使用李克特量表收集數據，因此，后續(xù)分析中選擇適用于連續(xù)變量的上限分析方法CR-FDH。NCA方法判斷條件的必要性的數值標準有兩方面：一是效應量（d）不低于0.1；二是蒙特卡洛仿真置換檢驗（Monte Carlo slm-ulations of Permutation Tests）（Permutation=10000）顯示效應量達到顯著水平（P<0.05），其中，效應量通過空白區(qū)域的大小除以總面積的大小來計算。

由表9可知，本研究理論模型中的變量關系均符合上述兩個條件，表明隱私關注、感知侵擾、感知威脅和系統(tǒng)功能過載都是算法焦慮的必要條件，且算法焦慮也是算法回避行為的必要條件。此外，NCA方法還通過瓶頸水平分析來產生某一特定結果所需條件的必要水平，瓶頸水平表提供了一種更加詳細的動態(tài)評估，具體結果如表10所示。

5結果討論

基于上述SEM-ANN-NCA三階段分析結果，可以得到以下結論。

第一，PLS-SEM分析結果顯示，在線健康社區(qū)用戶參與的認知層面中，隱私關注、感知侵擾、感知威脅和系統(tǒng)功能過載會引發(fā)用戶的算法焦慮情感，這4種認知要素反映的推薦算法服務的負面體驗在實際生活中確實存在不可忽視的負面影響，因此，平臺亟需從這4個方面人手優(yōu)化算法服務以提高用戶使用體驗。在情感層面，在上述4種認知影響的基礎上，算法焦慮會進一步觸發(fā)用戶的算法回避行為，與前人研究保持一致。這說明算法焦慮作為負面體驗和負面認知的情感結果，累積到一定程度會導致用戶本能地產生回避行為以避免焦慮情緒的產生。

此外，在線健康社區(qū)用戶的感知信任和感知可解釋性并不能夠調節(jié)由算法焦慮導致的算法回避行為。這可能是因為算法焦慮導致算法回避行為是一種啟發(fā)式的思維過程，是以往的知識經驗發(fā)揮直覺性作用的思維過程，依賴于用戶的算法素養(yǎng)水平，因此，用戶對平臺的信任程度和對算法可解釋性的評估，在用戶普遍缺乏算法素養(yǎng)的情況下所能發(fā)揮的作用有限。

第二，ANN結果顯示，感知侵擾和隱私關注兩個因素的重要性要明顯高于系統(tǒng)功能過載和感知威脅兩個因素，這可能是因為現今網絡環(huán)境中算法功能過載和算法技術威脅普遍存在的情況下，在線健康社區(qū)用戶既希望得到健康信息及醫(yī)療支持，又希望個人數據和隱私安全能夠得到保護，導致感知侵擾和隱私關注的作用要明顯高于另外兩方面。

第三，NCA結果顯示，隱私關注、感知侵擾、感知威脅和系統(tǒng)功能過載均是引發(fā)在線健康社區(qū)用戶算法焦慮的必要條件，且算法焦慮也是產生算法回避行為的必要條件。這表明隱私關注、感知侵擾、感知威脅和系統(tǒng)功能過載4種認知要素不僅會觸發(fā)在線健康社區(qū)用戶的算法焦慮，并且這4種認知要素會限制算法焦慮的提高，同理，用戶的算法焦慮水平也會限制算法回避行為的產生。因此，NCA的結果佐證了從削弱用戶的負面認知的角度出發(fā)來降低算法焦慮，從而減少算法回避行為的這一策略的合理性。

6結語

6.1理論貢獻

本文基于CAC范式，從認知和情感兩個層次剖析了在線健康社區(qū)用戶算法回避行為的影響因素與形成機制，通過SEM-ANN-NCA三階段的數據分析方法，對在線健康社區(qū)用戶的算法回避行為進行了實證分析。本研究的理論貢獻主要體現在以下方面：

首先，本研究從推薦算法視角拓展了在線健康社區(qū)用戶行為的研究情境。如前文提及的張軍等、邱均平等和Yin P等，通常從平臺特征、信息特征和個人心理等方面研究在線健康社區(qū)用戶行為的形成機理，少有涉及算法對用戶行為影響的探討。本研究通過分析在線健康社區(qū)用戶使用算法服務時的負面體驗與算法回避行為的關系，對在線健康社區(qū)用戶的特定行為進行了全面詮釋，從算法角度豐富和完善了現有在線健康社區(qū)用戶行為研究的相關理論。此外，相比其他用戶，在線健康社區(qū)用戶更關注推薦算法帶來的利與弊，更希望提升防范化解算法推薦安全風險的能力，更希望促進算法推薦技術規(guī)范健康發(fā)展，因此，本研究將推薦算法運用到在線健康社區(qū)情景更具有理論價值。

其次，本研究通過CAC范式構建了在線健康社區(qū)情境下的用戶算法回避行為影響因素模型，并展開了詳細的定量研究。而以往研究中對于算法回避行為的討論局限于理論層面，缺乏量化研究，如Ettlinger N[的研究通過基于哲學視角探討了人們對通過算法回避等行為來反抗算法的現象，Siles I等通過質性研究方法分析了音樂推薦算法情境下青少年回避算法的動機。本研究通過實證研究完整展現了一種具體情境下算法回避行為的形成機制，相比前人研究更加的具體、細化，能夠為后續(xù)的算法回避行為運用于不同的情景研究提供參考和借鑒。

6.2建議與對策

根據本研究的結論，提出以下建議與對策：

1）將以人為中心的理念引入算法設計當中。以人為中心的設計理念強調圍繞用戶的興趣、能力和需求來設計算法，通過開發(fā)可解釋算法、可視化算法運行過程等方式，增強在線健康社區(qū)算法服務的透明性和可理解性。同時，以人為中心的設計理念要求算法設計者具有跨學科的知識與能力，在實際的算法設計過程中，需要聚集用戶體驗設計師、視覺設計師、交互設計師和信息設計師來共同提供最佳的用戶體驗，還需結合健康醫(yī)療行業(yè)的相關知識提供最貼合在線健康社區(qū)用戶需求的算法設計，減少系統(tǒng)功能過載的出現和用戶的感知侵擾。

2）培養(yǎng)并提高用戶的算法素養(yǎng)。算法素養(yǎng)指用戶能夠意識到算法的存在并了解其工作原理，能夠擁有評估、應對算法的能力。算法素養(yǎng)教育可以消除用戶對算法的偏見，幫助用戶正確認識算法，避免因羊群效應和普遍性的認知偏差而產生的算法回避行為。在線健康社區(qū)運營者可以通過建立專門的網站或以新人指南、內容推薦的形式向用戶推送相關內容，以宣傳普及算法基礎知識和相關法規(guī)，將利用算法基本原理操作算法服務的相關技能傳授給用戶，提高用戶保護自身隱私與數據安全的能力，以滿足用戶隱私關注帶來的保護隱私的心理需求。

3）增強用戶在數據和隱私安全方面的自主權。一方面，保證用戶對自身數據利用的知情權，在規(guī)范對數據的獲取、存儲與使用的基礎上，如實告知用戶推薦算法所使用數據的內容與方式：另一方面，提高用戶對自身信息和數據的控制權，在社區(qū)內提供關閉算法、停止獲取個人信息和刪除數據等功能。具體來說，需要完善目前的“授權同意”機制，向用戶提供算法收集的不同數據類別的詳細說明，并提供細化的授權選項，避免使用“同意或退出”的非黑即白的授權模式，從而削弱用戶的感知威脅以及隱私關注。

6.3局限與展望

雖然本研究在理論和實踐層面都取得了一定的成果，但仍存在一定局限性。首先，本研究采用問卷調查獲取數據，其測量范圍相對有限；其次，本研究對在線健康社區(qū)用戶群體并未進行細化區(qū)分。因此，后續(xù)研究可以從上述局限著手，考慮對在線健康社區(qū)內的用戶行為數據和文本數據等進行分析研究，從實際使用數據的角度補充和驗證，同日寸，也可擴大樣本范圍并細化樣本群體，考察不同的用戶群體對于算法的態(tài)度以及算法回避行為方面是否存在差異。