大流行时期透明度、信任和社会影响对减少不确定性的作用——基于COVID-19追踪应用的实证研究gydF4y2Ba

介绍gydF4y2Ba

背景gydF4y2Ba

在2019冠状病毒病大流行之初，世界各地的人民、组织和政府都陷入了不确定之中[gydF4y2Ba1gydF4y2Ba]，导致日常行为的改变[gydF4y2Ba2gydF4y2Ba，gydF4y2Ba3.gydF4y2Ba]。为了控制大流行和保护生命，当局实施了不同的政策，从建议(例如，加强手部和呼吸卫生或通风房间)到相对温和的措施(例如，保持社交距离或强制戴口罩)，再到对公民权利的深远干预(例如，限制人员流动或封锁)[gydF4y2Ba4gydF4y2Ba-gydF4y2Ba6gydF4y2Ba]。gydF4y2Ba

有效防治大流行是一项复杂的挑战，因为需要同时考虑卫生保健系统有限的资源和日常生活中的限制[gydF4y2Ba7gydF4y2Ba，gydF4y2Ba8gydF4y2Ba]。因此，必须协调控制这种流行病的措施[gydF4y2Ba9gydF4y2Ba]。特别是在没有广泛可用的适当疫苗的情况下，检测、接触者追踪和隔离被认为是应对COVID-19的最基本措施[gydF4y2Ba9gydF4y2Ba，gydF4y2Ba10gydF4y2Ba]。从卫生保健管理的角度来看，检测是一个关键因素，并提供有关病毒随时间传播的宝贵信息[gydF4y2Ba9gydF4y2Ba]。然而，有限的测试预算和测试资源(如训练有素的人员、指示试剂、聚合酶链反应装置或实验室)是限制测试能力的瓶颈[gydF4y2Ba11gydF4y2Ba]。埃姆斯和基林[gydF4y2Ba12gydF4y2Ba在2003年第一次与严重急性呼吸综合征相关的冠状病毒大流行期间已经表明，在检测能力有限的情况下，追踪接触者并随后进行治疗或隔离是抗击传染病的有效措施[gydF4y2Ba13gydF4y2Ba]。然而，追踪接触者的成效主要取决于能否及时及全面地收集和处理资料[gydF4y2Ba14gydF4y2Ba，gydF4y2Ba15gydF4y2Ba]。手动接触追踪只能在有限程度上满足这些要求，因为它需要大量时间和资源，而且容易出错[gydF4y2Ba16gydF4y2Ba]。由于卫生当局在人工接触者追踪的负担下正在崩溃，因此迫切需要采取行动，采取数字解决方案，这一点已变得显而易见[gydF4y2Ba16gydF4y2Ba]。gydF4y2Ba

接触者追踪应用引起了政治家、流行病学家和公众的讨论。这些应用程序旨在系统地识别COVID-19感染链，并允许及时和有针对性地实施进一步措施，如检测和隔离[gydF4y2Ba14gydF4y2Ba]。仿真模型表明，与手动解决方案相比，数字接触追踪更有效，并且有可能防止高达80%的传输[gydF4y2Ba14gydF4y2Ba，gydF4y2Ba17gydF4y2Ba]。为了实现这一潜力，大多数人必须使用相同或兼容的COVID-19追踪应用程序[gydF4y2Ba18gydF4y2Ba]。让大众自愿接受这项技术对一些政府来说是一个重大挑战。[gydF4y2Ba19gydF4y2Ba]。预期第一个正面影响是渗透率约为20% [gydF4y2Ba15gydF4y2Ba]。然而，截至2020年10月，一些国家的渗透率远低于这一数值，这表明必须采取行动，发挥接触者追踪应用程序的潜力。gydF4y2Ba20.gydF4y2Ba]。尽管之前的研究关注的是[gydF4y2Ba14gydF4y2Ba，gydF4y2Ba17gydF4y2Ba，gydF4y2Ba19gydF4y2Ba，gydF4y2Ba21gydF4y2Ba]或COVID-19追踪应用程序的技术规范[gydF4y2Ba22gydF4y2Ba]，没有人研究过影响COVID-19追踪应用程序发布后迅速广泛采用的因素。gydF4y2Ba

因此，COVID-19追踪应用程序的使用可能与各种不确定性有关。这些不确定性可分为一般与健康相关的COVID-19问题和特定于应用程序的风险，表现为性能风险和隐私风险，因为应用程序需要处理敏感用户数据[gydF4y2Ba22gydF4y2Ba-gydF4y2Ba24gydF4y2Ba]。此外，人们可能会担心使用或不使用追踪应用程序的社会压力或社会排斥，从而产生社会风险[gydF4y2Ba25gydF4y2Ba]。根据不确定性减少理论(URT)，这些不确定性可以通过透明的沟通、社会影响和信任等适当的手段来减少[gydF4y2Ba26gydF4y2Ba-gydF4y2Ba29gydF4y2Ba]。因此，减少不确定性的手段一般可以促进技术的采用过程[gydF4y2Ba28gydF4y2Ba尤其是COVID-19追踪应用程序。由于COVID-19追踪应用主要由政府或与政府机构合作发布，因此除了对COVID-19追踪应用的初始信任外，还审查了对政府的信任[gydF4y2Ba24gydF4y2Ba]。为了更深入地了解起作用的因素，我们检查了以下研究问题(RQs):gydF4y2Ba

• 问:透明度、社会影响力、对政府的信任和对COVID-19追踪应用程序的初始信任如何影响应用程序的采用过程?gydF4y2Ba
• RQ2: COVID-19追踪应用的实际使用对感知到的隐私、性能和社会风险等不确定性以及对COVID-19的一般担忧有什么影响?gydF4y2Ba

为了解决这两个rq，我们建立了一个基于URT的理论模型。为了测试该模型，通过结构化的在线调查，在两个不同的时间(应用程序启动前1周和启动后4周)对COVID-19追踪应用程序的潜在用户的代表性样本进行了调查。基于这些数据，我们进行了基于协方差的结构方程建模(CB-SEM;n = 1003)。在接下来的章节中，我们将介绍COVID-19追踪应用的信息，解释其理论基础，并推导假设。gydF4y2Ba

接触者追踪应用作为应对COVID-19的对策gydF4y2Ba

本文简要概述了用于识别有风险接触者和控制人类疾病传播的自动接触者追踪应用程序的特点。到目前为止，一些国家和地区已经开发并推出了独立的COVID-19追踪应用程序，这些应用程序在管理程序和技术配置上有所不同[gydF4y2Ba21gydF4y2Ba]。存在两种主要的技术方法:(1)使用GPS数据来确定个人(相对于其设备)是否在规定的时间内位于地理邻近范围内;(2)使用低功耗蓝牙来跟踪具体的邻近范围，并与规定的邻近范围内的其他设备交换加密令牌[gydF4y2Ba30.gydF4y2Ba，gydF4y2Ba31gydF4y2Ba]。在这两种情况下，数据都用于通知与感染者有过接触的人。记录的数据要么存储在中央服务器(例如，法国的跟踪应用程序)，要么存储在特定设备上的分散位置(例如，德国的跟踪应用程序)[gydF4y2Ba31gydF4y2Ba]。除了技术配置，跟踪应用程序在管理程序方面也有所不同。尽管到目前为止，欧洲的追踪应用程序是自愿使用的，但一些国家(如中国)要求公民安装该应用程序。gydF4y2Ba24gydF4y2Ba，gydF4y2Ba32gydF4y2Ba]。此外，源代码可能由开发人员发布或保留(开放源代码策略)。尽管有这些选择，但各地区需要一个特定的COVID-19追踪应用程序，或至少需要一个连接不同应用程序的合适界面，以达到足够的采用率，并提醒可能被感染的人[gydF4y2Ba22gydF4y2Ba，gydF4y2Ba33gydF4y2Ba]。《麻省理工科技评论》(MIT Technology Review)提供了不同地区使用的COVID-19追踪应用程序及其特点的最新概述[gydF4y2Ba20.gydF4y2Ba]。尽管Trang等人[gydF4y2Ba22gydF4y2Ba虽然应用程序设计会影响大众接受的可能性，但缺乏证据表明，管理方面在多大程度上影响了COVID-19追踪应用程序的(大规模)采用。gydF4y2Ba

不确定性减少理论gydF4y2Ba

城市轨道交通(gydF4y2Ba26gydF4y2Ba最初是从传播学的角度来研究陌生人之间最初的互动。核心假设认为，个体在与未知伙伴的互动中面临不确定性，个体试图减少这些不确定性。伯杰和卡拉布雷斯[gydF4y2Ba26gydF4y2Ba]将不确定性描述为一种状态，在这种状态下，一个人面临着与陌生人的行为有关的几种选择。更多的选择使个体感到更不舒服，因为另一个人的行为更难预测[gydF4y2Ba34gydF4y2Ba]。尽管URT最初是为了解释个体之间的初始互动而发展起来的，但该理论已被应用于其他背景，如招聘过程[gydF4y2Ba35gydF4y2Ba]，以电脑为媒介的通讯[gydF4y2Ba36gydF4y2Ba]、网上商务[gydF4y2Ba37gydF4y2Ba]，或组织行为[gydF4y2Ba38gydF4y2Ba]。因此，URT不仅限于个人之间的互动，而且在其他环境中也很有用。例如，Venkatesh等人[gydF4y2Ba28gydF4y2Ba证明了URT适用于解释电子治理环境中个人和机构的技术支持通信。此外，URT也适用于一般危机情况，特别是当前的COVID-19大流行[gydF4y2Ba29gydF4y2Ba]。gydF4y2Ba

在新冠肺炎疫情期间，由于形势存在各种影响深远的不确定性，应用URT是合适的。从COVID-19追踪应用程序来看，不同的不确定性是显而易见的。首先，医疗保健技术通常存在数据隐私方面的不确定性[gydF4y2Ba39gydF4y2Ba]。这些不确定性也存在于COVID-19追踪应用程序中，因为它们需要处理敏感的个人数据。gydF4y2Ba22gydF4y2Ba，gydF4y2Ba30.gydF4y2Ba]。个人担心他们的隐私会受到侵犯，并导致不良后果，如政府的监视[gydF4y2Ba30.gydF4y2Ba，gydF4y2Ba40gydF4y2Ba]。此外，人们担心个人数据被用来对不使用COVID-19追踪应用程序的人实施隔离或限制进入公共场所[gydF4y2Ba24gydF4y2Ba]。其次，跟踪应用程序的真实性能和功能的不确定性是显而易见的[gydF4y2Ba23gydF4y2Ba]。在大多数国家，使用移动应用程序来控制大流行对个人来说都是新鲜事物。因此，他们不能借鉴过去的经验，并可能质疑其实用性(例如，错误警报或只有少数人使用应用程序)。第三，社交风险是可识别的，因为人们可能会担心使用或不使用追踪应用的社会压力或社会排斥[gydF4y2Ba25gydF4y2Ba]。除了追踪与应用程序相关的不确定性外，大流行本身也引发了与COVID-19相关的普遍担忧。所考虑的四个不确定性的主要方面总结在gydF4y2Ba表1gydF4y2Ba。此外，未经证实的信息和假新闻进一步强化了上述四种不确定性[gydF4y2Ba41gydF4y2Ba-gydF4y2Ba43gydF4y2Ba]。gydF4y2Ba

减少不确定性措施gydF4y2Ba

根据URT，个体通过被动(观察)、主动(目标导向搜索)和互动(与陌生人互动)信息寻求方法来减少不确定性[gydF4y2Ba26gydF4y2Ba，gydF4y2Ba27gydF4y2Ba]。我们讨论了透明度、社会影响和(初始)信任，因为这些因素促进了个人的信息寻求策略[gydF4y2Ba28gydF4y2Ba，gydF4y2Ba46gydF4y2Ba-gydF4y2Ba48gydF4y2Ba]。gydF4y2Ba

特别是对于被动和主动策略，个人依赖于可获得和有价值的信息[gydF4y2Ba46gydF4y2Ba]。为了使人们能够通过观察或有针对性的研究来减少不确定性，必须提供信息。如果无法获得信息，人们就无法通过观察或有针对性的研究来减少不确定性。因此，透明度被视为被动和主动信息寻求策略的推动者。我们将透明度定义为“从发送者有意共享的信息的感知质量”[gydF4y2Ba49gydF4y2Ba]。根据最近的透明度研究，透明度最好被理解为由信息披露、清晰度和准确性组成的多维结构[gydF4y2Ba49gydF4y2Ba-gydF4y2Ba51gydF4y2Ba]。在本研究的背景下，披露是指认为关于COVID-19追踪应用程序的足够相关信息是及时和可访问的。同样，清晰是指接收到的关于COVID-19追踪应用程序的信息是可理解和清晰的。例如，如果个人无法理解这些信息(例如，因为这些信息是神秘的，仅由COVID-19追踪应用程序的技术代码组成)，那么大量信息的披露就不能被认为是透明的。这些信息会阻碍个人有效地进行主动和被动信息搜索的能力。最后，准确性是对COVID-19追踪应用程序信息正确的感知[gydF4y2Ba49gydF4y2Ba]。信息的明显不正确不会降低不确定性，但可能会引起人们对政府隐藏意图的担忧。特别是在大流行病的情况下，每个透明度层面都有助于减少不确定性，因为个人依靠充分、相关、及时、明确和准确的信息来观察未知技术并积极寻找信息[gydF4y2Ba29gydF4y2Ba]。gydF4y2Ba

此外，在减少不确定性方面，交互式信息寻求方法已被证明比被动或主动策略更有效[gydF4y2Ba46gydF4y2Ba]。由于无法在新冠病毒追踪应用程序发布之前与之互动，也无法与应用程序负责人直接沟通，因此人们寻求其他互动信息收集方式。因此，个人可能会与同样受到是否使用该应用决定影响的同龄人进行交流。反过来，这必须被视为另一种主动的信息寻求方法，而不是一种互动策略。虽然与社会环境的交流是互动的，但社会环境并不是应用的发布者，因此，参考URT，社会影响是一种主动的信息寻求方式。预计社会影响力将减少人们对COVID-19追踪应用程序的不确定性，它被定义为“个人认为重要的其他人认为他或她应该使用新系统的程度”。gydF4y2Ba52gydF4y2Ba]。通过了解他们的社交环境的偏好，个人对使用应用程序的态度可能会受到影响。gydF4y2Ba

最后，信任被证明可以在不同的环境中减少不确定性和风险[gydF4y2Ba53gydF4y2Ba，gydF4y2Ba54gydF4y2Ba]，它的定义是“一种心理状态，包括基于对他人意图或行为的积极期望而接受脆弱的意愿”[gydF4y2Ba55gydF4y2Ba]。我们区分了对COVID-19追踪应用程序的初始信任和个人对政府的信任。对新技术的初步信任与减少不确定性存在若干积极联系。例如，在电子商务中，信任降低了顾客对供应商行为的不确定性[gydF4y2Ba56gydF4y2Ba，gydF4y2Ba57gydF4y2Ba]。此外，初始信任减少了公民在电子政务之后的不确定性[gydF4y2Ba25gydF4y2Ba]。但在实际使用过程中，初始信任可能会发生变化，根据遇到的具体体验而增强或减弱[gydF4y2Ba58gydF4y2Ba]。除了初始信任之外，个人对政府的信任是减少不确定性的另一种手段。由于大多数COVID-19追踪应用程序都是由政府发布的，因此对政府的信任可能会减少与应用程序使用相关的恐惧[gydF4y2Ba59gydF4y2Ba]。预计民众对政府的信任度在短期内相对稳定，不会发生根本性变化。gydF4y2Ba60gydF4y2Ba，gydF4y2Ba61gydF4y2Ba]。gydF4y2Ba

透明度和初始信任gydF4y2Ba

基于透明度和信任的文献，人们普遍认为透明度感知与信任呈正相关[gydF4y2Ba62gydF4y2Ba]。Schnackenberg等人[gydF4y2Ba63gydF4y2Ba他们探索了员工的透明度感知(披露、清晰、准确)在组织环境中员工对经理的信任方面的积极作用。罗林斯(gydF4y2Ba51gydF4y2Ba]也显示了透明度与员工信任之间的正相关关系，并强调了透明度与信任之间的相互关系。至于公司丑闻的后果，透明度可作为策略性的工具，以恢复持份者对公司的信任[gydF4y2Ba64gydF4y2Ba]。在金融市场，透明度会影响公民对中央银行的信任[gydF4y2Ba65gydF4y2Ba]。对于COVID-19追踪应用程序，必须实现一定程度的透明度，以便人们信任应用程序并使用该技术[gydF4y2Ba24gydF4y2Ba]。人们对COVID-19追踪应用程序的最初信任的形成取决于可用信息的质量，只要公民与应用程序之间没有事先互动[gydF4y2Ba53gydF4y2Ba，gydF4y2Ba57gydF4y2Ba]。满足某些信息需求(例如，通过提供足够清晰和准确的信息)使人们最初信任COVID-19追踪应用程序。gydF4y2Ba

• 假设(H)1:(a)披露、(b)清晰度和(c)准确性与个人对COVID-19追踪应用程序的初始信任呈正相关。gydF4y2Ba

对政府的信任和最初的信任gydF4y2Ba

信任转移理论认为，个体对某一特定领域的信任会影响其对其他领域的初始信任，而这些领域被认为与已知和受信任的领域有一定的联系[gydF4y2Ba66gydF4y2Ba]。例如，Lu等人[gydF4y2Ba67gydF4y2Ba表明消费者对互联网支付的信任总体上影响了对移动支付服务的信任。由于大多数COVID-19追踪应用程序都是由政府机构发布的，因此对政府的信任可能会影响对COVID-19追踪应用程序的初始信任。人们对政府的信任被定义为“对提供服务的机构的诚信和能力的看法”[gydF4y2Ba53gydF4y2Ba]。当人们相信政府总体上是在为公民的最佳利益行事，当公民认为政府机构有能力适当地提供服务时，对COVID-19追踪应用程序的最初信任就会加强。gydF4y2Ba53gydF4y2Ba]。最近对COVID-19追踪应用程序的研究表明，对政府的信任会影响人们对特定应用程序的态度[gydF4y2Ba59gydF4y2Ba，gydF4y2Ba68gydF4y2Ba]。此外，对新冠病毒追踪软件普遍持负面态度的一个主要原因是对政府缺乏信任。gydF4y2Ba68gydF4y2Ba]。因此，基于信任转移理论，对政府的信任促进了人们对COVID-19追踪应用程序的初始信任[gydF4y2Ba28gydF4y2Ba]。gydF4y2Ba

• H2:对政府的信任与人们对COVID-19追踪应用程序的初始信任呈正相关。gydF4y2Ba

社会影响、初始信任与使用意向gydF4y2Ba

如前所述，社会影响也可以帮助理解减少不确定性，因为它可以替代与未知和尚未可用的技术的互动。因此，社会互动是收集信息的一种积极手段。在采用技术的情况下，社会环境的预期反应会影响个人的态度和行为[gydF4y2Ba52gydF4y2Ba]。在URT中，人们通过与同伴的互动，以排除使用或不使用特定技术可能产生的后果，作为一种主动的信息寻求手段来访问他们的社会环境。从这个意义上说，社会互动就像透明度一样，是获取信息和排除替代方案的一种手段，因此有助于减少不确定性。Li等[gydF4y2Ba69gydF4y2Ba]表明，社会影响是形成初始信任的一个重要因素，因此有助于排除可预期的负面结果，如感知风险。在此背景下，我们认为对COVID-19追踪应用程序的初始信任不仅受到透明度和对政府信任的影响，还受到社会影响的影响。gydF4y2Ba

• H3a:社会影响力与个体对新型冠状病毒追踪应用的初始信任呈正相关。gydF4y2Ba

此外，众所周知，社会影响是使用新技术意愿的重要先决条件[gydF4y2Ba70gydF4y2Ba-gydF4y2Ba72gydF4y2Ba]。作为社会群体(如家庭或同事)的一部分，人们会努力按照既定的标准行事，从而对个人行为产生压力[gydF4y2Ba73gydF4y2Ba]。在卫生保健方面，研究表明，例如，社会影响会导致戒烟[gydF4y2Ba74gydF4y2Ba]或支持维持饮食[gydF4y2Ba73gydF4y2Ba，gydF4y2Ba75gydF4y2Ba]。除了积极的影响外，同伴群体也可能助长诸如滥用药物等消极行为[gydF4y2Ba76gydF4y2Ba]。因此，社会影响是医疗保健技术采用过程中需要考虑的主要因素。在使用追踪应用程序等预防性行为的情况下，这一点尤其突出，因为这些行为的积极效果并不直接明显[gydF4y2Ba73gydF4y2Ba]。因此，我们预计社会影响不仅会影响人们对COVID-19追踪应用程序的初始信任，还会影响人们使用该技术的意图。gydF4y2Ba

• H3b:社会影响力与个人使用新冠病毒追踪应用的意愿呈正相关。gydF4y2Ba

初始信任和使用意图gydF4y2Ba

在技术接受文献中，信任已被证明与使用技术的意愿呈正相关[gydF4y2Ba69gydF4y2Ba]。例如Nicolaou和McKnight [gydF4y2Ba77gydF4y2Ba个体的信任信念增加了参与组织间信息交换的意愿。此外，(初始)信任被认为是公民使用电子政务服务意愿的先决条件[gydF4y2Ba28gydF4y2Ba，gydF4y2Ba53gydF4y2Ba]。Parker等[gydF4y2Ba24gydF4y2Ba认为，在民主国家成功推出应对COVID-19大流行的移动应用程序取决于确保人们对技术的信任的能力。基于URT理论，我们认为初始信任是一种排除技术提供者潜在负面行为的手段。信任COVID-19追踪应用程序的公民估计欺诈意图的可能性很低。gydF4y2Ba

• H4:对COVID-19追踪应用程序的初始信任与个人使用该应用程序的意愿呈正相关。gydF4y2Ba

使用意向和实际使用gydF4y2Ba

根据计划行为理论[gydF4y2Ba78gydF4y2Ba]、已确立的技术接受理论(如技术接受模型[TAM]或技术接受与使用统一理论[UTAUT]) [gydF4y2Ba52gydF4y2Ba，gydF4y2Ba79gydF4y2Ba]，以及URT在科技背景下的应用[gydF4y2Ba28gydF4y2Ba]，解释了个人对新技术的实际使用受到个人使用该技术的意向的影响[gydF4y2Ba80gydF4y2Ba]。这种关系预计也适用于COVID-19追踪应用程序。gydF4y2Ba

• H5:使用意向与个人实际使用新型冠状病毒追踪应用呈正相关。gydF4y2Ba

实际使用和减少不确定性gydF4y2Ba

参考URT，在采用过程中，通过上述方式减少了有关数据隐私、应用程序性能、社会后果和一般COVID-19担忧的不确定性。实际使用COVID-19追踪应用程序是个人唯一可用的交互式信息寻求可能性。因此，它是有效的，因为它涉及到与未知技术的直接相互作用[gydF4y2Ba27gydF4y2Ba]。这种互动使个人能够放弃不确定性，例如COVID-19追踪应用程序的性能不确定性(例如，功能和处理)[gydF4y2Ba29gydF4y2Ba]。然而，这种方法显然只能在应用发布后使用。对实际使用与减少不同形式的不确定性之间关系的调查进一步解决了URT在不确定环境中技术接受的适用性。gydF4y2Ba

• H6:实际使用COVID-19追踪应用程序与降低(a)隐私风险、(b)绩效风险、(c)社会风险和(d) COVID-19担忧呈正相关。gydF4y2Ba

提出的研究模型总结于gydF4y2Ba图1gydF4y2Ba。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

方法gydF4y2Ba

数据和步骤gydF4y2Ba

为了调查新冠肺炎追踪应用程序的使用过程并验证理论模型，通过面板平台分两波采用结构化在线调查收集了德国“冠状病毒预警应用程序”的数据。本小组成员自愿同意接受科学调查的邀请，并可随时取消订阅或删除其个人信息。参与者被分配了一个随机生成的标识符，使我们能够匹配两项调查的结果。然而，由于第三方(respondi)收集了两波的数据，我们没有直接联系参与者或访问识别参与者的信息。此外，该调查并未收集任何个人身份信息。因此，我们能够在任何时候保证参与者的匿名性和隐私，并按照德国研究基金会的道德原则行事。gydF4y2Ba

第一波(t1)的数据收集历时1周，于2020年6月15日app发布前1天完成。在调查之前，参与者收到了来自德国联邦政府关于该应用程序的官方信息[gydF4y2Ba81gydF4y2Ba]。详细信息请参见gydF4y2Ba多媒体附录1gydF4y2Ba［gydF4y2Ba81gydF4y2Ba]。该应用程序是由罗伯特·科赫研究所与私营公司SAP、德国电信以及代表德国政府的其他合作伙伴共同在Android和iOS平台上开发的[gydF4y2Ba81gydF4y2Ba]。出于管理条件，源代码在GitHub上公开可用[gydF4y2Ba82gydF4y2Ba，gydF4y2Ba83gydF4y2Ba]。此外，运行该应用程序不需要注册，并且使用是自愿的。这款应用使用低功耗蓝牙技术来记录人与人之间的接触。考虑到资料私隐及安全问题，这些装置会互相交换临时加密的随机码(蓝牙识别码)[gydF4y2Ba84gydF4y2Ba]。使用随机代码可以防止得出关于单个用户或其具体位置的结论。这些代码分散存储在移动设备上，收集的跟踪数据在14天后自动删除[gydF4y2Ba85gydF4y2Ba]。gydF4y2Ba

随后，参与者收到了一份关于他们对应用程序的评价和看法以及人口统计信息的定量问卷。在第二轮调查中，同样的参与者在应用发布4周后再次接受调查。除了他们的评价和看法外，还询问了应用程序的实际使用情况。gydF4y2Ba

为了保持数据质量并确保量表的有效性，我们纳入了三个注意力检查，并筛选了未通过这些测试的参与者。最终，1373人完成了第一次调查，1050人参与了第二波调查，完成率为76.47%(1050/1373)。由于反应时间短、数据缺失、可疑反应模式和异常值等四项“淘汰”标准，47名参与者被排除在分析之外，以确保数据质量[gydF4y2Ba86gydF4y2Ba]。最终样本量为1003。这个样本在性别、年龄和教育程度上代表了德国gydF4y2Ba表2gydF4y2Ba）.gydF4y2Ba

措施gydF4y2Ba

为了检验提出的研究模型，我们使用了在以前的研究中得到验证的既定量表。除了人口统计、使用行为(二元)和控制变量(性别、年龄、教育)外，参与者用5点李克特量表对所有项目进行评分。使用意愿以3项量表来衡量[gydF4y2Ba52gydF4y2Ba]。对于冠状病毒预警应用程序的初始信任度，我们采用了Koufaris和Hampton-Sosa开发的5项量表[gydF4y2Ba58gydF4y2Ba]。对政府的信任是通过一个四项量表来检验的，该量表改编自b兰格和卡特[gydF4y2Ba53gydF4y2Ba]。透明度(反映个人对信息质量的看法)采用了Schnackenberg等人[gydF4y2Ba63gydF4y2Ba]，每个维度基于4个项目。隐私风险是根据Rauschnabel等人制定的5项量表来测量的[gydF4y2Ba44gydF4y2Ba]，采用了Featherman和Pavlou [gydF4y2Ba89gydF4y2Ba来评估业绩和社会风险。最后，Conway等人通过6项量表测量了对COVID-19的一般关注[gydF4y2Ba45gydF4y2Ba]。gydF4y2Ba

我们计算了两个调查波之间风险感知的四个维度的差异，以衡量感知风险评估的变化。差异的计算公式如下:差异变量=风险感知gydF4y2Ba_{(t1)gydF4y2Ba}-风险认知gydF4y2Ba_{(t2)gydF4y2Ba}。所有结构的均值、标准差和相关性见gydF4y2Ba表3gydF4y2Ba。年龄、性别和教育程度作为对照。gydF4y2Ba

在进行结构方程建模(SEM)分析之前，我们对测量模型进行了信度和效度测试。一个项目显示因子加载较差，被删除(TR_5)。所有其他因素负载都超过了0.6的阈值。假设内部一致性和复合信度，因为Cronbach alpha满足>的质量标准。7，提取的平均方差大于0.5 [gydF4y2Ba90gydF4y2Ba，gydF4y2Ba91gydF4y2Ba]。所有项目的综合信度均超过0.6的临界值[gydF4y2Ba92gydF4y2Ba]。最终问卷的所有结构、相关调查项目、调查来源和上述指标见gydF4y2Ba多媒体附录2gydF4y2Ba［gydF4y2Ba44gydF4y2Ba，gydF4y2Ba45gydF4y2Ba，gydF4y2Ba52gydF4y2Ba，gydF4y2Ba53gydF4y2Ba，gydF4y2Ba58gydF4y2Ba，gydF4y2Ba63gydF4y2Ba，gydF4y2Ba89gydF4y2Ba，gydF4y2Ba93gydF4y2Ba]。gydF4y2Ba

数据分析gydF4y2Ba

我们使用基于r的JASP软件(阿姆斯特丹大学)环境来评估我们提出的研究模型[gydF4y2Ba94gydF4y2Ba]及进行CB-SEM的lavaan守则[gydF4y2Ba95gydF4y2Ba)分析。在进行扫描电镜分析之前，我们测试了应用模型的拟合、信度和有效性。比较拟合指数(>0.95)、Tucker-Lewis指数(>0.95)、近似均方根误差(<0.08)、标准化均方根残差(<0.08)均符合常规的截止标准[gydF4y2Ba96gydF4y2Ba，gydF4y2Ba97gydF4y2Ba]。基于Kline [gydF4y2Ba98gydF4y2Ba),gydF4y2BaχgydF4y2Ba²/ df比率表明模型之间有足够的模型拟合(<3)。普通方法偏差不是问题，因为哈曼单因素检验表明，由所有模型项目组成的单一因素只解释了27.6%的方差[gydF4y2Ba99gydF4y2Ba]。综上所述，所有拟合指标都显示了非常好的整体模型拟合(见gydF4y2Ba表4gydF4y2Ba)，各项指标均达到各自的阈值。gydF4y2Ba

结果gydF4y2Ba

标准化路径系数、显著性水平和拟合指标总结于gydF4y2Ba表4gydF4y2Ba。如gydF4y2Ba图2gydF4y2Ba，信息披露与准确性与初始信任正相关，支持H1a (β=.140;gydF4y2BaPgydF4y2Ba<.001)和H1c (β=.375;gydF4y2BaPgydF4y2Ba<措施)。相比之下，H1b被拒绝(β= - 0.028;gydF4y2BaPgydF4y2Ba=.45)，因为信息清晰度与初始信任无关。支持H2 (β=.201;gydF4y2BaPgydF4y2Ba<.001)，对治理的信任与初始信任呈正相关。此外，支持H3a (β=.377;gydF4y2BaPgydF4y2Ba<.001)和H3b (β=.207;gydF4y2BaPgydF4y2Ba<.001)，因为结果显示社会影响对初始信任和使用意图之间存在正相关。观察到初始信任与使用意向之间存在正相关，支持H4 (β= 0.670;gydF4y2BaPgydF4y2Ba<措施)。我们还发现支持H5 (β=.599;gydF4y2BaPgydF4y2Ba<.001)，因为使用意向与COVID-19追踪应用的实际使用呈正相关。最后，我们发现实际使用与隐私和性能风险呈正相关，因此支持H6a (β=.222;gydF4y2BaPgydF4y2Ba<.001)和H6b (β=.169;gydF4y2BaPgydF4y2Ba<措施)。H6c (β=.005;gydF4y2BaPgydF4y2Ba=.88)和H6d (β=.012;gydF4y2BaPgydF4y2Ba=.72)分别因实际使用与社会风险或COVID-19担忧无关而被拒绝。控制变量性别和教育程度与不确定性降低四个维度的降低不相关，而年龄与隐私风险降低负相关。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

除了假设社会影响与使用COVID-19追踪应用程序的意图之间存在直接关系外，我们还进行了事后分析，以调查社会影响对初始信任介导的COVID-19追踪应用程序使用意图的潜在间接影响。根据Baron和Kenny的研究，调解效果是在程序的帮助下进行的[gydF4y2BaOne hundred.gydF4y2Ba]，并在gydF4y2Ba表5gydF4y2Ba。我们发现了间接效应显著的证据(β= 0.253;gydF4y2BaPgydF4y2Ba<措施)。由于社会影响对使用意图的直接影响在之前已经被证明是显著的(H5)，我们假设社会影响和使用意图的关系部分被初始信任中介。gydF4y2Ba

讨论gydF4y2Ba

一般讨论gydF4y2Ba

在本研究中，我们研究了减少不确定性的措施如何促进COVID-19追踪应用程序的采用，从而减少不确定性感知。在本节中，我们将讨论应用程序的初始信任、意图和实际使用的前提，以及具体不确定性的减少。基于URT，透明度和社会影响力是初始信任的前提。在透明度方面，我们发现对COVID-19追踪应用程序的初始信任受到信息披露和准确性的积极影响。然而，准确性对初始信任的影响明显高于披露维度。这表明，虽然获得足够的信息很重要，但信息的感知有效性是至关重要的。出乎意料的是，我们发现信息清晰度和对冠状病毒预警应用程序的初始信任之间没有任何影响。这可能是由于COVID-19大流行的特殊性，因为人们可能已经习惯了不断遇到新的复杂信息，从而接受了较低水平的信息清晰度。尽管透明度和初始信任之间存在缺失效应，但我们的研究结果与现有的透明度-信任文献一致[gydF4y2Ba51gydF4y2Ba，gydF4y2Ba62gydF4y2Ba，gydF4y2Ba63gydF4y2Ba]。gydF4y2Ba

如上所述，社会影响正向影响个体的初始信任。社会影响力在URT情境下的整合表明，社会影响力是一种主动的信息寻求策略，从而满足了Venkatesh等人的需求[gydF4y2Ba28gydF4y2Ba]将UTAUT变量集成到URT中。特别是在不可能与未知技术直接交互的情况下，与对等体的通信变得非常重要。此外，我们还发现社会影响力与使用意图之间存在正相关关系。这与技术接受度和卫生保健文献一致[gydF4y2Ba52gydF4y2Ba，gydF4y2Ba70gydF4y2Ba，gydF4y2Ba73gydF4y2Ba]。此外，我们能够证明初始信任部分中介社会影响和使用COVID-19追踪应用程序的意图之间的关系。此外，我们研究了对政府的信任对COVID-19追踪应用程序的初始信任的影响，发现这些概念之间存在正相关关系。这与信任转移理论和当前对COVID-19追踪应用的研究是一致的[gydF4y2Ba59gydF4y2Ba，gydF4y2Ba68gydF4y2Ba]。值得注意的是，与透明度和社会影响相比，对政府的信任对个人初始信任的影响较小。因此，对政府持批评态度的人仍然可以通过其他短期有影响力的手段，如透明沟通，对该应用程序产生最初的信任。gydF4y2Ba

此外，我们观察到初始信任和使用意图之间的正相关关系。这一结果与URT [gydF4y2Ba27gydF4y2Ba，gydF4y2Ba28gydF4y2Ba]并证实了对技术接受背景下信任的共同理解(有关元分析，请参见Wu等人[gydF4y2Ba101gydF4y2Ba])。正如预期的那样，那些对使用COVID-19追踪应用程序有很高意愿的人更有可能使用它。然而，正如大多数研究一样，我们的结果也揭示了意图-行为差距的存在[gydF4y2Ba102gydF4y2Ba]。gydF4y2Ba

具体考虑不确定性降低，我们发现实际应用程序的使用增加了COVID-19追踪应用程序相关的不确定性降低。通过使用该应用程序，个人对感知隐私和绩效风险的不确定性降低显着增加。因此，我们发现了对Trang等人的支持[gydF4y2Ba22gydF4y2Ba]，他表示，在开发跟踪应用程序时，需要考虑数据隐私和应用程序性能(好处)。此外，我们的研究结果并未表明社会风险降低，也没有减少对COVID-19的一般担忧。由于对COVID-19的担忧涉及更广泛的与健康有关的担忧，它们不能仅仅与应用程序的功能或与应用程序的交互有关。追踪应用程序不提供直接保护，但主要用于识别感染链，以实施进一步的适当行动，如智能检测和隔离[gydF4y2Ba9gydF4y2Ba]。这就解释了为什么使用COVID-19追踪应用程序对减少这些与健康相关的一般恐惧没有影响。此外，这表明使用追踪应用程序的人并没有变得更加鲁莽，而是仍然认识到病毒的威胁。在社交风险方面，与戴口罩或遵守社交距离规定相比，使用或不使用该应用程序对附近的人来说更不可见。因此，个人的实际使用行为可能与社会后果无关，只要这种应用程序的使用不是强制性的，例如使用公共交通工具或进入餐馆等场所。对于对照组，我们发现年龄与隐私风险的降低呈负相关。这种影响相当小，与研究结果一致，研究强调老年人对隐私的关注比年轻人更明显和稳定[gydF4y2Ba103gydF4y2Ba]。gydF4y2Ba

理论意义gydF4y2Ba

我们的研究设计和发现在几个方面对文献有贡献。首先，我们以COVID-19追踪应用程序为例，通过研究设计展示了如何在医疗保健管理环境中随着时间的推移调查大规模采用问题。通过应用URT，我们为其总体经验验证做出了贡献，并将其引入医疗保健管理领域。这一应用在卫生保健领域尤其有价值，因为这一领域的特点是存在可能导致严重和深远后果的不确定性，在2019冠状病毒病大流行期间尤为明显[gydF4y2Ba104gydF4y2Ba]。其次，研究表明，交互式信息寻求策略，如应用程序的使用，适合于减少相关的不确定性(如隐私和性能风险)。通过收集两个测量周期(应用发布前后)的数据，并计算差异变量来量化不确定度的降低，我们验证了使用一种技术对不确定度降低的影响。从理论上讲，使用特定的不确定性减少作为结果变量比使用Venkatesh等人提出的满意度等结果变量更适用于URT [gydF4y2Ba28gydF4y2Ba]。第三，通过整合近期的透明度研究，进一步做出了理论贡献[gydF4y2Ba49gydF4y2Ba进入URT。因此，我们的研究结果强调了将透明度视为多维结构的重要性[gydF4y2Ba49gydF4y2Ba]。透明度观念是必不可少的，因为它们构成了主动和被动寻求信息战略的基础。通过使用最新的dca透明度量表[gydF4y2Ba63gydF4y2Ba]，我们进一步阐述了Venkatesh等人提出的透明度(即信息质量)在URT中的作用[gydF4y2Ba28gydF4y2Ba]。最后，研究结果表明，信任转移理论在研究情境下是成立的。虽然对政府的信任不是对COVID-19追踪应用程序的初始信任的主要前提，但在政府技术发布中仍应考虑个人对政府的信任。gydF4y2Ba

对实践的启示gydF4y2Ba

自愿COVID-19追踪应用程序的采用率在各国之间存在很大差异，而且大多低于关键阈值，这阻碍了其有效性。gydF4y2Ba14gydF4y2Ba，gydF4y2Ba20.gydF4y2Ba]。为了提高接受度，政府可以在其传播策略中采用以下含义。首先，引入自愿COVID-19追踪应用程序(或其他技术)的政府应参与透明的沟通过程。因此，需要提供足够的信息，这些信息必须被认为是准确的。然而，只有在服务本身超过某些标准(例如资料私隐及安全)时，透明通讯才有效。[gydF4y2Ba22gydF4y2Ba]。其次，必须对个体的交互式信息寻求策略进行管理。这些策略(如应用使用)在减少不确定性方面被证明是有效的。因此，政府应提供适当的格式，以便在发布前进行交互式信息查找。这些形式可以是演示版本、现实预览、问答环节，甚至是黑客马拉松。最后，我们的发现可以扩展到其他技术和环境。例如，如果医疗保健系统中存在其他数字趋势(例如，数字健康记录或视频医生)，我们的结果可以应用于实现(自愿)技术(大众)接受。每当政府或组织开发和发布新服务(例如，灾害警报应用程序)时，可能会出现其他不确定性，如财务风险、时间风险或心理风险，应予以考虑。有意识地管理(透明)出版过程可以促进一项技术的成功推出。通过理解感知信息质量的多维性，组织和政府都可以反映并制定自己的技术实施战略。 Hence, many of the implications outlined here may also be relevant to future pandemics and public health crises.

局限性与未来研究gydF4y2Ba

虽然本研究的结果提供了重要的见解，但本研究也有一些局限性。由于研究结果是基于德国新冠肺炎追踪应用程序的相关数据，因此由于文化差异，我们的研究结果对其他地区的普遍性可能会受到限制。因此，未来的研究应该扩大这一研究，包括其他国家。此外，实际应用的使用情况是由参与者自我报告的，在某些情况下可能是不真实的。然而，我们样本中的应用采用率与第二次调查期间德国人口的采用率相当gydF4y2Ba表2gydF4y2Ba）.为了推进URT，研究人员可以检查最适合的通信渠道，以确保透明度和减少不同的不确定性。在对设计进行了一些研究之后gydF4y2Ba105gydF4y2Ba]，技术配置[gydF4y2Ba22gydF4y2Ba]，以及道德指引[gydF4y2Ba106gydF4y2Ba]，我们研究了充分的应用程序实现和沟通的需求。因此，未来的研究应该探讨如何确保app的中长期接受和使用。gydF4y2Ba

对于大多数人来说，Corona-Warn-App在发布时还是一个新概念。从那时起，这款应用及其功能就变得相对知名和普及。因此，除了我们以社会影响的形式(即他人认为自己的行为有多重要)调查的主观规范之外，后续研究还应调查描述性规范(即他人的实际行为方式)在采用过程中的作用[gydF4y2Ba107gydF4y2Ba]。gydF4y2Ba

此外，这项研究背后的数据来自德国新冠肺炎追踪应用程序启动前几天(t1)和4周(t2)，因此是在第一波和第二波感染之间。与此同时，已经实施了各种防治大流行的措施，并提供了有关该病毒、其传播和死亡率的更多信息。这些见解应在后续研究中加以考虑。例如，新的SARS-CoV-2疫苗的分发和采用是抗击大流行的一个里程碑。因此，后续研究应检查这些见解是否会影响COVID-19追踪应用程序的使用和不确定性认知。gydF4y2Ba

结论gydF4y2Ba

抗击COVID-19大流行的一项关键战略是对潜在感染者进行检测和随后的隔离。在检测能力有限的情况下，通过移动应用程序自动追踪接触者为决定哪些人需要接受检测做出了重要贡献。我们的研究为推动大众接受COVID-19追踪应用程序以识别感染链和控制大流行的因素提供了原创见解。基于URT并通过采用过程的纵向实证研究，我们调查了减少不确定性措施如何影响COVID-19追踪应用程序的采用，以及它们的使用如何影响对不同风险的感知。我们对代表性数据进行了CB-SEM分析。结果表明，信息披露和准确性、社会影响力、对政府的信任和初始信任对适应过程有正向影响，而透明度维度清晰度对适应过程没有影响。此外，我们发现，实际使用COVID-19追踪应用程序可以降低对性能和隐私风险的感知不确定性，但对降低社会风险没有影响，并确定了对COVID-19的担忧。最后，我们得出了关于接触者追踪应用程序的沟通策略和一般医疗保健技术的理论和实践意义。gydF4y2Ba