风险图形中的动画随机性、角色、运动和个性化

简介

健康风险沟通本身就是一个具有挑战性的命题。人们的风险感知受到强大的认知和情感偏见的影响[1，2]而且往往与实际风险不相符[3.-5]，即使向他们提供准确的风险估计[6］．换句话说，风险低的人可能会觉得自己处于相当大的风险中，而风险高的人可能不会这样认为。

实际风险和感知风险之间缺乏一致性，部分原因可能是理解障碍，例如卫生素养较低，或者就数字交流而言，计算能力较低[7，8］．无论受教育程度和专业知识水平如何，许多人，特别是那些算术能力差的人，在解读健康风险沟通中的数字方面存在困难[9，10]并证明对比例的有偏见的解释[11，12］．

图标数组(或象形文字)是图形显示，通常有100或1000个图标排列在行和列中，其中每个图标代表感兴趣的总体中的一个单位。研究表明，它们可以帮助人们克服误解的自然倾向。13]对于算术能力较低的人来说，与其他图形类型和文本或数字相比，最大限度地提高理解能力[14-18］．然而，尽管有这些优点，它们仍然不能促进完全理解。19］．

这种理解的关键挑战之一是充分传达风险统计固有的不确定性。在这项研究中，我们旨在解决偶然或一阶不确定性的问题，这是一个根深蒂固的概念问题，也是沟通风险时的一个关键挑战。一阶不确定性源于未来事件的“基本不确定性”[20.］．我们将这种不确定性的沟通操作为由2个相关的挑战组成:传达事件的随机性，帮助人们了解基于人口的统计数据如何映射到个人情况。

随机性在概念上具有挑战性，特别是对于那些几乎没有受过统计学训练的人来说。例如，许多人认为他们的iPod的shuffle功能实际上并不是随机选择歌曲，因为算法可能会连续播放同一张专辑中的几首歌曲，或者用户可能在预期的时间范围内没有听到一首新歌。即使算法方面的这些行为在随机排序中是完全合理的，这些感知仍然存在。21］．在健康传播方面，以前的工作表明，在象形文字中使用随机分散的事件可能有助于更好地传达基于人群的风险估计中固有的随机性;然而，这项工作也表明，人们可能会发现这种图形令人困惑，可能会发现估计不太确定，并且当风险随机分散在显示中时，可能会更难解释风险的大小[22-28］．我们的研究小组之前在2个并排的图标数组中测试了同时动画随机性的方法，并发现，类似地，许多显示随机性的方法都会导致混乱，但至少有一种方法是有希望的[29］．

除了解释背景随机性的意义的挑战之外，人们还很难将基于人口的统计数据(通常是比例)映射到个人情况(通常是整数)上。不管他们有多普通，一个家庭终究不可能有2.3个孩子[30.］．当涉及到健康风险时，将副作用发生的概率为16%，并且在人群中随机分布的信息应用到个体是否有副作用的二元经验中，在概念上可能很难。尽管在健康风险沟通方面关注这一问题的工作少于随机性，但一种游戏化设计——参与者点击数组中隐藏的图标，以显示该事件是否发生在人群中的每个人身上——显示出了希望，在帮助人们了解风险方面有积极的趋势[31］．

在这项研究中，我们考虑了另一种潜在的方法来帮助人们理解基于人口的统计数据对个人风险的意义:使用虚拟形象。人们认为虚拟形象代表个人，并对其做出相应的反应;例如，通过给予更有亲和力的角色更多信任[32]或外表更专业的人[33］．此外，人们认为他们的化身代表着他们[34-36]并已被证明对自己在各种在线应用中的虚拟形象有强烈的认同感[37-39］．这种将角色融入身份的现象被称为Proteus效应，社交游戏玩家表现出的性别角色行为更倾向于他们角色的性别，而不是他们的实际性别认同。40]在实验研究中，在模拟中被分配到更高或更有吸引力的角色的人，随后在面对面的互动中表现出更自信或更亲密的行为[41］．

在这项研究中，我们评估了4个特定的风险图形设计因素，处理随机性的显示和虚拟形象的使用，原则上可能更好地传达这些具有挑战性的概念——事件的随机性和基于人群的统计数据如何应用于个人——目的是帮助人们更好地理解健康风险的本质。

除了这些实验因素，我们还研究了3个计划的个体因素的潜在调节作用:(1)个体的实际风险水平，(2)他或她的计算能力，以及(3)她或他是否认识经历过相关负面健康事件的人。这些因素都可能通过调节风险信息的个人显著性或人们理解风险数字的方式，影响人们对不同风险图形的反应。

关于第一个调节因子，据我们所知，没有文献关于在不同风险水平下对相同风险图形格式的不同反应。然而，接受低风险评估的人对特定风险展示格式的反应可能与接受高风险评估的人不同，这似乎是合理的。关于第二种调节因子，不同的风险图表格式在不同的计算能力水平的人身上产生了不同的反应[15］．最重要的是，我们小组之前的一项研究为这项研究奠定了基础，除其他发现外，该研究还表明，互动元素与计算能力强的人的理解能力较低有关，但与计算能力弱的人的理解能力较低无关。29］．关于第三个主持人，我们推测，个人对所呈现的负面健康结果的熟悉程度(例如，认识经历过严重后果的人)可能提供了一个具体的个人例子，说明统计概率如何映射到个人情况，从而使风险更加突出。人们对与他们更容易想到的事件相关的风险更敏感。42或者有更强烈的情感[43(例如，由于个人损失)。

我们进一步调查了另外两个潜在调节因子的影响，它们的重要性来自于我们观察到的数据:人们是否知道他们的(1)血压和(2)胆固醇，从而能够从这些值的潜在范围的下拉菜单中进行选择。虽然参与者获得风险评估并不需要这些信息，但输入更多与个人健康相关的信息很可能会增加风险信息的显著性。

最终，我们的目标是提高对风险估计的理解，在本研究中，我们将其作为主观风险感知和客观风险估计之间的一致性，以及对风险估计的准确回忆。因此，我们调查了以下具体的研究问题:(1)哪些设计因素可能有助于增加风险感知与实际风险之间的一致性，(2)哪些设计因素可能有助于鼓励与健康生活相关的行动的意图，以及(3)是否有任何设计因素影响风险数字的回忆?第一部分和第三部分特别强调了我们提高理解能力的主要目标;第二部分讨论了这些设计因素适用于不同目的的问题。

方法

招聘

我们从国际抽样调查(SSI)管理的互联网用户小组中随机抽取了35至74岁的美国成年人样本，按性别、年龄和种族分层，以确保人口多样性与美国人口比例相似，参与在线调查。发送给每个阶层的电子邮件邀请的数量是动态调整的，以保持人口平衡，尽管不同的回复率。完成该实验以及同一调查中包含的另一项不相关的交叉随机研究的参与者参加了一项即时获胜比赛和由SSI管理的每月抽奖，以获得适度的奖品。该研究被密歇根大学健康科学和行为科学机构审查委员会视为匿名调查研究。在点击开始研究之前，所有参与者都查看了一份同意页，其中他们被告知，调查将涉及了解他们个人患心脏病和中风的风险，如果他们不想了解自己的风险，就不应该参加研究。在调查结束时，为参与者提供了一份资源清单，以了解更多关于心血管健康和预防心血管疾病的方法。

实验设计

为了探索我们的研究问题，我们选择了一般心血管疾病的临床背景，因为有一个可靠的简单模型[44该研究主要基于外行人可能知道的信息，估计了一个人在未来10年内患一般心血管疾病的风险。也就是说，如果血脂结果未知，它允许输入身高和体重。它具有广泛的适用性，并返回大范围的风险数字，从而为研究风险沟通方法提供了富有成效的背景。该模型最初是为临床用途开发的，并使用血压作为预测指标之一。在我们的研究中，因为我们在外行的调查中部署了这个模型，我们考虑到人们可能不知道自己的血压。当人们指出这种情况时，我们做了保守的假设。如果这些参与者回答说他们没有服用任何治疗高血压的药物，我们就会使用患者年龄的平均血压来分配可能的最低模型点数(即最低风险)。如果他们回答说他们正在服用治疗高血压的药物，我们就从男性的潜在范围(0 - 5)和女性的潜在范围(-1 - 7)中给他们分配2个模型分(得分越高意味着风险越高)。这相当于治疗后收缩压在120至129毫米汞柱之间。

模型返回的估计值范围从小于1%到大于30%不等。下限和上限之间的风险估计值以整数百分比的值返回。换句话说，绝大多数的风险估计是4%或21%这样的数字，但在范围的上限和下限的结果不是简单的整数。对于风险图形，我们在图例和介绍文本中将这些不太具体的值描述为“小于1%”和“大于30%”，并在100个数组中分别使用1个和31个事件矩形。同样，在我们的分析中，我们分别使用。999和31作为这些情况的保守估计值。在整个实验过程中，我们使用了更熟悉的术语“心脏病和中风”，而不是“一般心血管疾病”。

该模型只适用于没有经历过一般心血管疾病的人，因此我们筛选出了那些有心血管疾病史的人(448/4124,11%)。其余的参与者被要求输入他们的信息来计算他们的个人风险估计，随后他们在一个动画风险图形中查看，这些图形是从4个风险图形设计因素创建的10个可能版本中随机分配的(参见风险图形设计部分)。我们只提供了绝对数字，没有提供预期风险水平的任何背景。换句话说，在我们评估参与者的风险认知之前，我们没有给参与者任何关于他们的风险比他们的年龄和性别所预期的更高或更低的迹象。

风险图形设计

对于所有的设计，我们使用了矩形图标的10×10矩阵，并将图标数组的构造动画化(如之前测试的[29])，以便在视觉上逐个介绍每个事件矩形。这个动画向观看风险图表的人传达了几个概念。首先，它强调了100个人口中事件的离散性，因此是可计数的。这是自然频率和图标数组格式的优点。其次，它是一个关于个人风险大小的时间信号。一个被给予“100分之一”风险估计的人只需要短暂地等待代表风险事件的1个事件矩形出现，然后继续前进。相比之下，风险为“30 / 100”的人必须等待30倍的时间才能将动画添加到所有事件矩形中。信号在多媒体中常用来吸引人们对重要思想和元素的注意。45，46］．

为了传达2个关键概念(即事件的潜在随机性和基于人口的统计数据到个人的映射)，我们在图形中使用了2个主要的实验设计因素。第一个是动画随机性，这一因素在之前与其他设计因素结合探索时显示出了前景。29］．使用随机设计因子随机分配到图形的参与者观察到，事件矩形在标准条件下一次出现一个，但在整个阵列的随机空间位置。一旦所有的事件矩形出现，动画就结束了，所有随机分散的事件矩形都变成了标准的分组显示。这种解决的目的是避免在先前对图标阵列中随机分散事件的研究中观察到的理解问题[22-29］．

第二个主要设计因素是角色的使用。我们设计这个因素是为了给出更明确的信号，说明这种风险如何适用于单个个体。包含标准头像的图形有一个通用的头像形状动画，它会掉入图标数组并消失，然后在动画结束时出现一个问号。带着问号的消失和重新出现是为了表达我们不知道这100个事件中的哪一个会适用于一个人。在角色设计因素中，我们还有2个其他嵌套因素。第一个(角色移动)是指在角色被放入数组后，它将在数组中移动，随机落在事件矩形或非事件矩形上，以进一步强调风险统计中固有的随机性如何适用于单个个体。第二个嵌套因素(颜色选择)旨在帮助参与者与虚拟形象进行识别，让参与者有机会从网络颜色调色板中选择不同的颜色，而不是默认的标准网络黑色(#000000)。

这些因素创建了一个2×2阶乘设计，嵌套在另一个2×2阶乘设计中。看到图1说明实验设计的图表，和图2用于示例图形的静态图像。看到多媒体附件1要查看带有随机因子和不移动默认颜色头像的图形的视频(.mp4版本)(请参阅多媒体附件2同一视频的。avi格式)。

‎ 查看此图

‎ 查看此图

技术

我们在ActionScript 3.0中编写了风险图形和角色颜色选择器，并将它们集成到用Ruby on Rails编写的自定义调查系统中。通过JavaScript动态设置图标数组中的事件矩形数量，使用调查系统中实现的模型算法计算出参与者的风险数。

措施

独立变量

有4个独立的二分类变量。随机变量描述事件矩形是否在象形文字中随机分散(随机条件)，或者它们是否在页面底部组合在一起(标准条件)。avatar变量描述了在风险图中是否使用了一个avatar。角色移动变量表示随着动画的进行，角色是否在象形文字中随机移动，是否随机落在事件矩形上。颜色选择变量指的是参与者是否被要求为角色选择一种他们认为最能代表自己的颜色。

主要的结果

本研究的主要结果变量，风险感知，由3个问题创建，所有问题在查看风险图表后立即在同一页上一起提出。这些问题旨在捕捉人们对风险数字和图形展示的即时反应。我们首先让参与者回答这个问题:“你觉得这种风险有多大?”在李克特(Likert) 10分制量表上，左侧锚点“极小”，右侧锚点“极大”。然后我们让人们指出，“你对未来10年患心脏病或中风的几率有多担心?”李克特(Likert) 10分制量表，左为“完全不担心”，右为“非常担心”。10点李克特量表的值被分配为0-9，但调查回应没有数字标记，这意味着参与者看不到任何数字，只有一个水平的视觉数组等间距的单选按钮。最后，我们问他们:“你觉得你在未来10年内患心脏病或中风的可能性有多大?”我们在水平滑块上进行了评估。滑块记录了0(标签为“极不可能”)到100(标签为“极不可能”)之间的整数值。参与者只能看到滑块的视觉位置，而不能看到代表他们反应的数值。因为我们想要捕捉参与者的主观风险意识，所以我们使用了这种测量方法，而不是要求他们对风险进行数字估计。 We surmised that if we asked for a numeric estimate, many participants would simply return the risk estimate they had been given. We further suspected that this would be most likely to occur among participants with higher numeracy; thus, this measure could bias the potential effects of numeracy on the subjective feeling of being at risk. To combine these 3 measures with equal weight accorded to each, we rescaled the likelihood question by multiplying values by 9/100. We then averaged responses to the 3 questions (Cronbach alpha=.88) to calculate risk perception.

二次结果

在这项研究中，我们考虑了3个次要结果变量:2个行为意图测量和一个回忆任务。

行为意图都集中在一页纸上。参与者得到的文本是:“有一些方法可以改善你的心脏健康，降低心脏病和中风的风险。在接下来的30天里，你做以下事情的可能性有多大?”接下来是一份4到5项潜在行动的清单:戒烟(仅针对那些在风险计算器中表示自己上个月曾吸烟的参与者);每天锻炼30 - 60分钟，每周至少锻炼5天;饮食要低盐、低脂肪，每天至少吃5到10份水果和蔬菜;开始一个减肥计划;还有预约看医生看看你的心脏健康状况。根据李克特量表(Likert scale)的10分制收集每个行为的回答，左边是“完全不可能”，右边是“极有可能”。同样，他们的回答也没有标注数字，这意味着参与者看不到任何数字，只有一个水平的视觉数组，由等间距的单选按钮组成。 Participants were not provided with details about these behaviors beyond their verbal label, nor were they given any information about the extent to which engaging in such behaviors might lower their risk. At the conclusion of the survey, after the study was complete, participants were provided with links to webpages by reputable sources about healthy lifestyles for reducing cardiovascular risk. (See also多媒体在这项研究中进行了一项关于“心脏年龄”信息对行为意图的影响的小型次要研究的结果。)

前4个行为陈述(3个是非吸烟者)是心血管健康干预的典型行为结果。我们将其平均，形成生活方式意愿量表(不吸烟者:Cronbach alpha=.68;吸烟者:Cronbach alpha=.70)。我们添加了最后一个变量，看医生，因为我们假设，看医生寻求个性化咨询的意愿，是衡量一个简短的在线风险计算器效果的更合适的方法。换句话说，增加对自身风险的了解可能不足以促使行为改变，但它可能会促使人们通过医疗咨询寻求更多信息。

在调查的最后一页上收集回忆(参与者在收到风险评估后已经收到了14到22页)，通过询问参与者，“请根据您对本研究早期风险计算器给您的数字的记忆回答以下问题。如果你不确定，请尽你最大的猜测。请不要回头检查你的答案。如果有100个像你一样的人，他们中有多少人会在未来10年内患心脏病或中风?”参与者在一个文本框中输入他们的召回值。为了分析实验因素和调节因素对回忆的影响，我们将因变量回忆定义为回忆估值与正确值之间的绝对差值。然而，为了最大限度地提高读者在列出本文中关于召回的描述性结果时的清晰度，我们将正确召回定义为在风险估计的任何方向上5个百分点以内的召回风险。

版主

我们计划在我们的模型中包含3个可能调节参与者反应的属性。首先，我们考虑了参与者实际估计的心血管疾病10年风险(实际风险)的影响。我们在分析中使用了原始的准连续变量，但为了便于读者理解本文中的描述性统计数据，我们根据参与者的风险是否低于中位数风险(8%)来呈现数据。我们进一步区分了风险估计范围两端的参与者，模型为他们提供了不太精确的数字风险估计。因此，报告的风险级别为极低风险(<1%)、较低风险(1%-7%)、较高风险(8-30%)和极高风险(>30%)。我们强调，这些标签没有展示给研究参与者，也没有用于分析;它们只是为了让读者理解。我们进一步指出，由于极低风险组的参与者很少(n=7;看到表1)，在本文的结果部分，我们只报告了后3个风险级别的平均值:低风险、高风险和极高风险。

我们收集了2个自我报告的个体差异测量，之所以选择它们，是因为它们对个体对心血管疾病风险数字和图表的不同呈现方式的反应具有潜在的调节作用。参与者完成了一项经过验证的计算能力测试，即主观计算能力量表(Subjective numeracy Scale)，该量表询问人们对数字的信心程度，以及他们有多喜欢以数字形式呈现信息。47，48］．我们还特别问了参与者一个问题，“你认识死于心脏病或中风的人吗?”，以评估他们对心血管疾病潜在影响的熟悉程度。我们假设，熟悉度将提供一个具体的个人例子，说明统计概率如何映射到个人情况。

除了这些计划中的调节外，我们在数据中注意到，相当一部分参与者表示他们不知道自己的血压和/或胆固醇。考虑到此类个人信息的输入可能会影响风险的显著性，我们还在分析中加入了2个额外变量，已知血压和已知胆固醇。对于后者，我们将知道自己总胆固醇或高密度脂蛋白(HDL)胆固醇的一种或两种胆固醇的参与者归类为知道自己胆固醇的人。

统计分析

通过嵌套因子方差分析检验风险图因素和个体差异测量对结果的影响。分析了所有主要影响，以及所有可能的相互作用。对于主要结果，我们使用的alpha水平为0.05。对于3个次要结果，为了控制I型错误，我们应用Bonferroni校正，得到0.017的alpha水平。所有测试都是双尾的。为了呈现结果，我们付出F统计数据和P值，以及平均值，以提供观察到的差异大小的感觉。探索性相关性计算为Pearson相关性。数据在R版本2.15.2中输入和分析[49]使用包psy，版本1.1 [50]，计算Cronbach alpha分数，以及包车，2.0-18版本[51]用于进行Levene方差齐性检验。由于实际风险小于1%或大于30%的参与者在文本中没有给出确切的数字(尽管他们在图表中得到了事件矩形的确切数量)，我们对有和没有这些参与者的所有结果进行了分析，以探索潜在风险模型的上限和下限对我们的发现的影响。

结果

研究参与者

在收到邀请邮件并点击调查链接的4859人中，4124人(85%)完成了调查。其中，3676人(89%)符合这项研究的条件，这意味着他们的年龄在35岁到74岁之间，既没有被诊断出患有心脏病，也没有中风。为了进行分析，我们纳入了完成完整调查的参与者，其中包括本研究、第二项不相关的研究、人口统计学问题和其他个体差异测量。完成完整调查的中位时间为16分钟，四分位间距(IQR)为11分钟。我们排除了在6分钟内完成完整调查的参与者，因为这个速度表明他们可能没有注意到内容。因此，最终的分析样本包括3630人的回复(99%的合格受访者)。

参与者在性别、年龄、民族、种族和教育水平方面各不相同。一般心血管疾病的中位10年风险为8% (IQR为11%)。看到表1有关研究参与者特征的详细资料。这些特征在不同的图形之间没有明显的变化(所有P> . 05)。

主要结果:风险感知

我们首先通过皮尔逊相关性探索了实际风险和风险感知之间的关系，并按设计因素的所有可能组合进行分层，如图所示表2．我们观察到，在随机条件下相关值似乎比在标准条件下更大，而且不移动的虚拟形象似乎也可能增加相关性。

测试风险图形因素和调节因子对风险感知的影响，我们观察到实际风险和随机变量之间的相互作用，它们与风险感知的关联。加入随机性元素会让低风险者感觉更小，高风险者感觉更大，高风险者感觉更大表3）.

我们观察到头像设计因素的主要影响，当使用头像时，整体风险感知略高，以及头像和熟悉度之间的另一种相互作用。这种相互作用表明，对于那些认识死于心血管疾病的人的人来说，使用虚拟形象与风险感知的增加有关，但对于那些缺乏这种熟悉的人来说，虚拟形象显著增加了他们的风险感知。

正如预期的那样，所有3个计划的调节都有显著的主效应，风险感知随着实际风险的增加而增加，随着计算能力的增加而降低。那些认识死于心血管疾病的人(熟悉程度)会认为他们的风险更大。任何额外的调节因子(已知血压和已知胆固醇)对风险感知都没有显著的主要影响。然而，在这一结果的已知血压和实际风险之间存在显著的相互作用。在风险较低的参与者中，了解自己的血压与较低的风险感知相关，而对于风险较高的参与者，在一定程度上，风险极高的参与者则相反。我们还观察到已知血压和计算能力之间的相互作用。对于计算能力较强的参与者，知道自己的血压似乎不会影响风险感知，而对于计算能力较低的参与者，知道自己的血压与较高的风险感知有关。

最后，我们观察到已知血压、头像和颜色选择与这一结果之间的相互作用。在那些知道自己血压的人当中，使用普通的头像会让他们有更高的风险感知，而使用个性化头像则没有观察到额外的风险感知增加。然而，在那些不知道自己血压的人当中，一个普通的头像与风险感知的小幅下降有关，而一个个性化的头像与风险感知的小幅上升有关。

当我们对中间两组参与者进行这些分析时，删除了风险估计小于1%或大于30%的所有参与者。调查结果总体上保持相似;然而，观察到的实际风险和随机风险之间的相互作用不再显著(F₃₂₉₁= 2.58,P=.10)也没有观察到avatar的主要效果(F₃₂₉₁= 3.62,P= 0。06)。

二次结果

生活方式的意图

在研究不同变量对生活方式意图的影响时，我们观察到随机因素具有主要影响:接受随机分散事件的参与者不太可能在接下来的30天内表明对健康行为的意图表4）.

此外，几乎所有的调节变量都有显著的主效应。研究发现，实际风险较低的参与者、计算能力较强的参与者以及知道自己血压和胆固醇水平的参与者更倾向于健康的生活方式。

在这一结果上未观察到显著的相互作用。当我们在去除风险估计小于1%或大于30%的所有参与者后，在参与者亚组中进行这些分析时，所有发现都是相似的。

看医生的意图

我们观察到实际风险和虚拟形象之间存在显著的相互作用，其中虚拟形象的使用似乎增加了传播，使风险较低的人不太可能计划去看医生，而风险较高的人更有可能去看医生表5）.

与医疗数据有关的3个调节变量都在预期方向上对参与者在未来30天内看医生的意愿产生了显著的主要影响。实际风险较高的参与者表明了更强烈的意图，那些知道自己血压和胆固醇的人也是如此。

我们还观察到计算能力、头像和颜色选择之间的另一种相互作用。在算术能力较强的人群中，通过颜色选择的个性化与看医生的意愿有所增加有关，而在算术能力较低的人群中，没有观察到这种差异。

当我们在去除所有风险估计<1%或>30%的参与者后，在参与者亚组中进行这些分析时，先前描述的所有结果保持相似;然而，在完整数据集的分析中没有达到显著性的交互作用(P=.06)在受限数据集中显著。具体而言，在受限集内，我们观察到实际风险与已知血压之间的相互作用(F₃₂₇₃= 6.73,P= . 01)。在那些不知道自己血压的人群中，看医生的意愿在风险水平上是相似的，而对于那些知道自己血压的人来说，风险增加与看医生意愿增加相关(血压未知:平均4.2 (SD 3.0)风险较低，平均4.1 (SD 3.2)风险较高;已知血压:低风险(SD 3.0)平均4.5，高风险(SD 2.9)平均5.4)。

回忆

我们观察到随机风险和实际风险与回忆之间的相互作用。在随机条件下，风险较低的参与者的正确回忆略有增加，风险较高的参与者的正确回忆略有下降，风险极高的参与者的正确回忆下降幅度更大表6）.

计算能力的差异也与记忆力的差异有关。计算能力较低的参与者更难以准确地回忆起他们的风险估计。我们还观察到对已知血压有类似的主要影响。了解自己血压的参与者也更能回忆起自己的风险估计。

在删除了文本中收到不太精确估计的参与者(即那些收到“小于1%”或“超过30%”的估计，但仍然收到具有离散事件矩形数量的风险图表的参与者)后，重新运行这些分析，我们发现调节变量的主要影响仍然相似，但随机风险和实际风险之间的相互作用不再显著(F₃₂₆₀= 4.73,P= 03)。随机、角色和角色移动之间也存在复杂的交互作用，但在更大的数据集(F₃₅₄₄= 5.16,P=.02)，但在受限集(F₃₂₆₀= 6.27,P= . 01)。在这次互动中，我们观察到，在标准条件下，虚拟形象的出现与正确回忆率的下降有关，移动虚拟形象时更是如此(正确回忆率:没有虚拟形象时85%，不移动虚拟形象时82%，移动虚拟形象时78%)。另一方面，在随机条件下，无论头像是否在图像中随机移动，正确的回忆率从一开始就稍低，并保持相对一致(正确的回忆率:没有头像时80%，不移动头像时80%，移动头像时79%)。表7通过研究臂展示参与者的回忆。

讨论

主要结果

我们的研究结果证明了几个关键的发现。首先，与我们之前的工作一致[29]，通过对图标数组中的事件矩形进行动画化，使其在整个数组中随机分散出现一个，然后将它们固定在数组的底部，我们能够在不牺牲对风险估计理解的总体指示的情况下传达事件的随机性。此外，这一设计因素有助于增加实际风险和风险感知之间的一致性，风险较低的人认为自己风险较低，而风险较高的人认为自己风险较高。这表明，这种生动的随机性可能有助于人们更好地理解他们的个人风险。有色矩形的随机分散可能会增强小风险的稀缺性，也可能会增强大风险的严重性(例如，“到处都是彩色块!”)，这一发现尤其值得注意，因为我们没有向参与者提供任何关于他们的风险是低还是高的指示。

动画随机性的观察效果是由8%的参与者的效果强度驱动的，这些参与者处于非常高的风险中，其风险估计在文本中显示为“超过30%”。这些参与者必须等待31个事件矩形一个接一个地随机出现在图形中，他们不知道下一个事件矩形会出现在哪里，也不知道这个过程何时会停止。文本语句的不确定性、事件矩形的随机定位以及事件矩形出现数量的不确定性可能会相互叠加，并导致处于危险中的感觉增强。由于健康风险模型通常仅在某些边界条件下在数学上收敛，并且/或生成风险估计范围而不是点估计，这种动画随机性与一次出现一个事件的时间信号相结合的设计技术可能广泛适用。尽管如此，还需要进一步的研究来确定它在一系列情况下的有效性。

我们进一步注意到，尽管动画随机性对回忆没有主要影响，但风险较高的人准确回忆风险估计的能力有小幅下降，而风险较低的人则有小幅上升。与前面讨论的相互作用一样，这种关系是由那些风险非常高的人的影响强度驱动的，这些人没有得到文本中精确的数字风险估计，因此在回忆风险图中事件矩形的数量方面具有更大的挑战性。这种额外的困难可能是导致这组人记忆力较低的原因。我们进一步推测，那些被风险评估安抚的人可能会更容易记住这个数字，而那些被警告的人可能不太可能记住确切的数字，因为恐惧等分散注意力的情绪。

尽管总体上受欢迎的发现是，活跃的随机性可能有助于更好地将风险认知与实际风险相结合，但我们注意到，在生活方式可预防疾病的研究背景下，强调消极结果的偶然性和随机分布导致可能预防此类事件的行为意图降低。直观地描述随机性可能会使人们关注机会在健康结果中的作用，使他们注意到一个人的行为并不能完全决定一个人的健康结果。我们注意到，我们没有对改变风险估计的健康行为的潜力进行可视化描述。这样做可能会减少动画随机性对健康行为意图的负面影响。进一步的研究将是必要的，以充分理解我们的发现的这一方面。此类研究应探索健康行为的潜在调节因子的作用，如对生活方式改变的有效性的信念，以及对健康的自我效能感和宿命论。

最终，这些发现表明，明确显示随机性的价值可能取决于一个人的目标是说服还是告知。在劝说人们改变生活方式等有说服力的情况下，帮助人们理解随机性可能没有那么有用。然而，在主要目的是提供信息的情况下，它可能更有用;例如，在对偏好敏感的决策中，或者在告知人们副作用的风险时。重要的是，旨在充分告知人们，可以说比旨在说服他们更合乎道德。这一设计因素将需要在其他环境中进行测试，也可能需要一些解包来确定设计选择的影响，这些设计选择在实验条件下没有变化，例如更高的风险需要更长的时间才能出现。

其次，使用虚拟角色提高了整体风险感知，特别是对于那些不认识任何在这种情况下经历过严重后果的人来说。因此，虚拟形象在引起人们对与罕见或隐藏疾病相关的风险的注意方面可能特别有用。这种互动，再加上在不熟悉的情况下，熟悉度的主要效果与虚拟角色的效果相似，这表明虚拟角色实现了我们的设计目标，即帮助人们更好地掌握基于人口的统计数据如何应用于个人。这一结论得到了一个事实的支持，即使用虚拟形象显著地改变了人们看医生的意愿，风险较低和较高的人在未来30天内看医生的意愿分别较低和较高。

然而，与角色呈现相关的其他设计因素却呈现出不同的结果。让角色在风险图中随机移动似乎会让大多数参与者感到困惑。让人们选择头像的颜色可能会增加那些算术能力强的人对头像的认同感，因为当他们被鼓励选择颜色时，他们更有可能表示要去看医生。我们推测，那些具有较高算术能力的人可能更好地理解风险图表，因此，添加一个额外的元素来吸引他们的注意力可能是有帮助的。相比之下，额外的因素可能会给那些算术能力较低的人增加一定程度的困惑或不知所措。允许人们选择自己头像的颜色似乎也弥补了那些不知道自己血压的参与者对个人魅力的丧失，从而略微鼓励了他们采取健康生活方式的行为，并去看医生。然而，对于那些知道自己血压的人来说，它往往会产生相反的效果。综上所述，这些结果表明，当风险显著性可能较低时，使用个性化的虚拟形象可能会帮助人们感觉风险适用于他们自己。然而，这些影响很小;此外，如果风险显著性较高，这种基本的个性化尝试可能会适得其反。 Therefore, using color choice as a method of personalization, although efficient and quick, appears to be insufficient to allow all people to identify with their avatar and may even lead to undesirable results. Further research will be required to investigate the effects of different forms of personalization.

第三，我们注意到所有3个计划的调节因素都有显著的影响。例如，风险较高的人认为自己的风险更高，并表示在未来30天内更愿意去看医生;计算能力得分较低的人，总体风险认知较高，对健康行为的意愿较低，记忆力较低，认识死于心血管疾病的人的参与者，风险认知较高。我们还观察到，风险较高的人倾向于表现出较低的健康行为意愿。后一项发现——高风险人群在未来30天内戒烟、锻炼和健康饮食的意愿较低——可能反映了那些风险较低的人群可能已经在从事这些行为，因此很容易表明在未来30天内对这些行为有更高的意愿。这也与消极反馈如何让人气馁，而积极反馈如何在成功孕育成功周期中激励人们的发现相一致。52］．这些发现支持在考虑如何为那些风险较高、计算能力较低以及对病情或多或少熟悉的人设计更好的风险沟通时需要额外注意。我们强调，许多观察到的与实际风险的相互作用是由处于最高风险水平的参与者驱动的，这表明风险沟通方法应该在所有可能的风险值范围内进行测试，以确保研究捕捉到相关发现。

对知道或不知道自己血压和/或胆固醇的参与者的分析表明，这些因素是重要的调节因素，尤其是血压和/或胆固醇。知道自己血压的人在实际风险和感知风险之间有更大的一致性，总体上更倾向于健康的生活方式和看医生，并且更准确地回忆起他们的风险估计。后一项发现可能反映了一种潜在的回忆数字的能力;然而，在这种情况下，我们期望看到与计算能力的相互作用，这是不存在的。在风险感知和行为意图方面，计算能力确实与一个人的血压知识相互作用。对于计算能力较强的人来说，无论他们是否知道自己的血压，他们的风险认知都是一致的，而对于那些计算能力较低的人来说，他们总体上较高的风险认知随着他们对血压的了解而进一步增加。此外，对于那些计算能力较低的人来说，知道自己的血压在增加行为意图方面比那些计算能力较高的人更有影响力。我们推测，计算能力较低的人可能更重视他们的血压值。与血压的结果类似，了解自己胆固醇水平的人更有可能在未来30天内采取健康行为并去看医生。这些发现支持了这样一种观点，即风险评估在更个性化的情况下可能更有影响力。

限制

这项研究的局限性在于我们使用了一个互联网调查小组来招募参与者。虽然这种招聘选择使我们能够确保样本更加多样化，但它必然会引入选择偏差，因为参与者是那些在小组中注册进行调查的人;因此，他们可能不能代表更广泛的人口。

此外，我们观察到小的影响。在一项具有风险感知和行为意图等结果的研究中，这是预期的，因为这些结果在个体反应中存在显著差异。即使是实际的风险估计，在10分制的风险感知量表上，高风险和极低风险之间的差异也只有1.4分，这表明在这个量表上几乎没有工作空间。这限制了这些设计因素的整体效用，因为为了获得小收益而增加设计复杂性和开发时间可能是不值得的。然而，当人们考虑到一个群体内的累积效应时，这种小收益可能是值得追求的。

潜在的风险模型也在两个方面限制了这项研究。首先，由于心血管疾病的风险估计使用年龄作为一个重要的预测因素，我们无法分离年龄对参与者对不同风险沟通设计的反应的影响。例如，老年人可能对随机化或虚拟形象有不同的反应。还需要进一步的研究来探索这些设计因素对老年人和年轻人的影响。其次，由于模型没有提供低于1%或高于30%的数值风险估计，本研究中约8%的样本人群没有得到精确的数值文本估计。相反，这些参与者分别得到了“低于1%”(7名参与者)或“超过30%”(279名参与者)的风险估计，以及风险图中的1个或31个事件矩形。文本风险估计中的这种额外的模糊性似乎放大了风险图中关于随机化的发现。正如前面所讨论的，这是许多风险计算器的现实写照，因为许多风险分析模型在数学上只在某些边界条件下收敛。然而，观察到的风险水平和动态随机性之间的相互作用可能无法转化为计算器，从而在整个潜在风险范围内产生精确的估计。

最后，值得注意的是，由于这项研究是在《平价医疗法案》(“奥巴马医改”)出台之前在美国进行的，关于不知道自己血压或胆固醇的参与者的调查结果以及关于看病意愿的调查结果可能反映了缺乏医疗保健的潜在问题，而不是会转化为其他环境的影响。

与之前工作的比较

先前的工作表明，在图标数组中随机显示事件可以增加对此类事件的随机性质的理解，但以对数值风险估计的理解为代价[22-27］．我们的研究，以及我们之前的工作[29，证明了将随机分布的事件动画化，最终形成标准的显示，可以在不牺牲这种代价的情况下传递随机性。

Ancker和他的同事先前的一项研究[31]测试了一个有点类似的界面，在这个界面中，参与者会看到4个风险图形中的1个，以显示患心脏病的风险和患传染病的风险:一个静态标准图标数组，一个静态随机图标数组，一个交互式显示，参与者在静态标准图标和静态随机图标数组之间来回切换，以及一个交互式显示，参与者开始时所有图标都被覆盖，然后单击以显示静态随机显示。第三种情况被作者称为“切换”，与我们的随机情况最相似，因为它在随机和标准风险显示之间交替出现。我们的随机性设计和切换设计之间的关键区别在于，我们使用动画来表示数量，每次添加一个事件矩形，并在动画结束时自动动态地将矩形固定为标准显示，这与Ancker及其同事的设计的交互性质不同[31］．

Han及其同事进行的另一项研究[28]研究了通过实验性地改变结肠癌假设风险的表现来表示随机性的不同方法。在向参与者介绍国家癌症研究所结直肠癌风险评估工具后，他们测试了5种风险表示形式;即，一个静态标准图标数组，一个静态随机图标数组，一个动态随机图标数组，其中事件矩形随机改变位置(并且在动画结束时没有固定为标准显示)，以及带有或没有关于随机性线索的文本。

在将我们的研究与之前的工作进行比较时，我们注意到Ancker等人[31]和Han等人[28]使用假设的背景和分配的风险，这些风险不会因参与者而异，这是风险沟通研究领域的一种常见做法，目的是评估给定沟通格式的效用。相比之下，我们的研究让参与者在风险计算器中输入他们的个人信息，并得到他们的实际风险估计。之前的两项研究都没有发现图形格式对风险认知的差异。我们也观察到类似的缺乏随机性的主效应;然而，由于我们的研究使用了不同的风险水平，我们能够观察到一种相互作用，其中随机性与低风险水平下的低风险感知有关，与高风险水平下的高风险感知有关，这表明随机性有助于将风险感知与实际风险相一致。我们注意到，这两项先前的研究都包括评估风险估计中感知不确定性的措施或方法。我们没有衡量这样的结果;因此，我们无法将我们的发现与他们在这个结构上的发现进行比较。

据我们所知，我们的研究是第一个测试将虚拟形象作为风险沟通图形设计因素的效果的研究。之前在其他情况下的研究表明，人们对自己的虚拟形象有强烈的认同感。34-41］．我们的研究结果与上述研究结果一致，表明虚拟形象有助于提高个人风险意识。需要更多的研究来研究在健康风险沟通中使用虚拟形象和其他具体的代理。

最近的研究还表明，在风险沟通中，图形显示可能并不总是优于简单的百分比或绝对频率[53它们的效用可能取决于图形素养，图形素养得分低的人在单独处理数字时表现得更好[54］．因为我们研究的数据是在图形素养量表发布之前收集的，所以我们没有测量图形素养，也无法检查这个问题。在未来的研究中，图形素养将是一个重要的调节因素，在传达风险时是否使用图形的问题仍然悬而未决。

目前的研究继续了我们小组的一个研究项目，我们之前注意到两个并排的动画显示是有问题的[29］．在这项研究中，我们故意一次使用一个信号，并且没有观察到动画和随机性对表现的相同有害影响。然而，我们关于移动角色的负面影响的发现，继续鼓励在风险图像中包含动画和运动时谨慎设计。

结论

风险的动画显示，在随机分散的图标数组中一次添加一个事件，并在动画结束时位于显示的底部，这可能有助于在不牺牲数字感的情况下，将风险感知与实际风险估计相一致。这种方法有望帮助人们更好地理解风险的随机性。这样的理解可能会以阻止行为意图为代价，这表明这种方法的使用可能取决于风险沟通的目标是说服还是告知。

在风险图表中使用虚拟形象也显示出帮助人们了解基于人群的统计数据如何适用于个人的希望，特别是在人们不认识任何人经历过所考虑的结果的情况下。在图形中随机移动的动画角色似乎没有帮助。通过颜色选择的个性化显示出复杂的效果，这表明对头像的个性化可能是一个有趣的进一步研究途径，但这种特殊的个性化方法似乎并不是最佳的。