原始论文
摘要
背景:全球范围内联系人追踪应用的使用率一直很低。虽然在技术接受方面进行了大量的研究，但很少有研究表明采用说服原则的好处。
摘要目的:这项研究旨在调查加拿大卫生部创建的COVID Alert应用程序中说服性功能的影响，重点关注无暴露状态、暴露状态和诊断报告界面。
方法:我们在181名加拿大居民中进行了一项研究，其中包括65名收养者和116名非收养者。本研究基于3个界面的截图，每个界面都包含一个说服设计和一个控制设计。前两个界面的说服性版本支持自我监测(暴露水平)，第三个界面支持社会学习(关于有多少其他用户报告了他们的诊断)。这6张截图被随机分配给6组参与者，以提供感知说服力和采用意愿的反馈。
结果:多变量重复测量方差分析显示，界面、应用程序设计和采用状态之间存在交互作用，涉及界面的感知说服力。这导致了每个接口的双向方差分析。对于无曝光界面，采用状态和应用设计之间存在交互作用。在采用者中，没有显著差异P=。31between the persuasive design (mean 5.36, SD 1.63) and the control design (mean 5.87, SD 1.20). However, among nonadopters, there was an effect of app design (P <.001)，参与者被说服设计(平均5.37，标准差1.30)比被控制设计(平均4.57，标准差1.19)更有动机。对于公开界面，采用状态具有主要影响(P <.001)，采用者(平均5.91,SD 1.01)比非采用者(平均4.96,SD 1.43)更受设计的激励。对于诊断报告界面，采用状态和应用程序设计之间存在交互作用。在非采用者中，没有显著差异P= 0between the persuasive design (mean 4.61, SD 1.84) and the control design (mean 4.77, SD 1.21). However, among adopters, there was an effect of app design (P =.006)，参与者更有可能使用说服设计(平均6.00,SD 0.97)而不是使用对照设计(平均5.03,SD 1.22)报告他们的诊断。最后，关于下载应用程序的意愿，两两比较显示，非采纳者在观看无曝光界面的说服版本(13/21,62%表示愿意)和诊断报告界面(12/17,71%表示愿意)后，比观看对照版本(3/17,18%和7/16,44%表示愿意)后更有可能采纳应用程序。
结论:曝光通知应用如果配备了有说服力的功能，可能会更有效。将自我监控纳入无暴露状态界面，将社会学习纳入诊断报告界面，可使采用率提高>30%。
doi: 10.2196/34212
关键字
简介
背景
COVID-19大流行导致全球大多数国家政府实施了公共卫生限制，并关闭了一些经济体。这就需要推出数字接触追踪应用程序来遏制冠状病毒的传播。数字接触追踪应用程序有助于通知可能与COVID-19患者有过接触的用户，以便采取自我隔离和COVID-19检测等适当的安全措施[］．它们大多在高收入国家推出，以支持手动追踪接触者的方法，这种方法通常是劳动密集型、耗时的，而且由于人类记忆在回忆接触者方面的局限性，准确性不太可能。］．它们有可能达到临界数量的采用者，因此比传统的接触者追踪手段更有可能有效。COVID-19新变种的出现，如Delta变种[]，这些病毒可能对疫苗有抗药性[]，其流行潜力表明，从长远来看，接触追踪应用程序可能继续在抗击COVID-19中发挥作用[，］．然而，由于以下几个因素，它们的采用非常低和缓慢[］．
除了与信任和隐私相关的担忧，谷歌和苹果应用商店中目前的联系人追踪应用的极简设计往往会限制它们的可用性[］．正如Kukuk所指出的[]，”目前的合同追踪应用程序除了提供可能感染的通知外，似乎没有给用户带来明显的好处。”数字健康专家指出，缺乏有说服力的设计和激励作用是全球接触追踪应用程序接受度低的部分原因[，］．研究表明，56%的人口(例如在某个国家)可能不得不使用接触追踪应用程序来大幅减缓病毒的传播[］．因此，研究人员有必要研究如何改进联系人追踪应用程序的设计，并提高其有效性。联系人追踪应用的极简设计，](例如，用户无法追踪联系人数量和曝光时间)可能是由于需要尽量减少收集的用户数据，以减少隐私问题[，]并消除对政府监控的恐惧[］．尽管这可以被视为一种优势，但它也降低了联系人追踪应用程序的实用性。］．研究表明，一些用户可能愿意向联系人追踪应用程序提供更多数据(例如位置数据)，以获得额外的好处，例如能够跟踪他们每天的联系人数量和COVID-19热点[，］．一些用户愿意提供比其他人更多的用户数据，以获得更有用的功能，这表明需要针对不同目标群体量身定制联系人追踪应用程序。，］．
劝导式设计
我们认为，将自我监控、社会学习、定制、个性化、专业知识、表扬和奖励等说服性功能结合起来，有可能提高接触追踪应用程序的感知说服力和COVID-19诊断报告[］．然而，关于联系人追踪应用程序的说服性设计在激励行为改变方面的有效性的研究有限。大多数先前的研究[-没有把重点放在在联系人追踪应用程序中加入有说服力的功能上。相反，他们专注于技术接受模型(TAM)，该模型不考虑有说服力的设计属性。从TAM的角度来看，我们认为，通过说服性设计，现有的接触追踪和曝光通知应用程序的感知有用性已被降级为背景[，］．对这种疏忽的一个合理解释是，需要尽快推出联系人追踪应用程序，以帮助拉平曲线。
为了弥补现有文献中的空白，我们提出了在曝光通知应用程序中纳入说服性功能的设计指南(参见我们的概念论文[])。这些指导方针来自Oinas-Kekkonen和Harjumaa的劝说系统设计(PSD)模型[]，通常用于设计、实现和评估说服系统[，］．在这项研究中，我们实施并评估了我们概念性论文中提出的2个说服性特征(自我监控和社会学习)的感知说服力。]，使用加拿大COVID Alert应用程序的政府作为概念证明[］．这款应用由加拿大卫生部和黑莓合作开发，黑莓提供隐私和安全指导。］．我们只选择了2种说服策略，因为我们不能在PSD模型中同时实施和评估所有的说服策略，我们必须从某个地方开始。特别地，我们选择了自我监控，因为之前的工作，如Cruz等人[]，报道称，联系人追踪应用的用户想知道他们联系过的人的数量。其次，我们选择了社会学习，因为我们相信，了解您的社区中报告了COVID-19诊断的其他用户的数量，有可能激励用户在检测呈阳性时报告他们的诊断。此外，先前关于说服技术的研究已经表明，社会学习有能力激励人们从事有益的行为，而不受文化、性别或年龄的影响。，］．选择自我监控和社会学习的基本原理在我们之前的概念论文中进行了进一步的详细讨论，该论文专注于将曝光通知应用程序设计为说服性技术[］．
学习描述
我们在亚马逊土耳其机器人(Amazon Mechanical Turk)上对204名居住在加拿大的参与者进行了一项调查，以调查说服性设计对COVID Alert的采用和感知说服力的影响。这项研究基于2组应用程序设计(说服和控制)，3种类型的用例(无暴露状态界面、暴露状态界面和诊断报告界面)，以及2种类型的参与者(COVID Alert采纳者和非采纳者)。说服性设计支持说服性特征，如自我监控和社会学习，而控制设计不支持任何说服性特征。自我监控被纳入COVID Alert应用程序的无暴露和暴露状态界面，是行为改变中最常用和最有效的说服性策略之一[-］．它为用户提供了自我反思和自我调节的机会，从而增加了对实现目标行为(如社交距离)的关注和承诺。此外，融入诊断报告界面的社会学习是通过社会影响和压力激励行为改变的有效说服策略[］．为了评估说服设计的有效性，我们进行了四因素多元重复测量方差分析(RM-ANOVA) [基于界面、应用设计、采用状况和感知的说服力。我们的总体假设是，曝光通知应用程序的说服性设计，无论用例(界面)如何，都比控制设计更有说服力，更容易被潜在用户采用。此外，我们假设采用者比非采用者更有可能发现曝光通知应用程序有说服力，无论应用程序的设计和用例如何。
相关工作
概述
在进行这项研究之前，我们在2020年10月30日至2020年11月20日期间使用以下术语搜索了6个数据库(Scopus、CINAHL、PubMed [MEDLINE]、IEEE Xplore数字图书馆、ACM数字图书馆和Web of Science):(接触者追踪或接触者追踪或暴露的通知或exposure-notification或联系通知或contact-notification或GAEN)及(应用程序或应用程序或应用程序*或技术*或系统或系统)及(认知*或采用*或接受*或吸收或使用或使用)及(covid *或冠状病毒或SARS-CoV-2)．此外，我们在2020年11月21日至2021年1月31日期间搜索了谷歌学者，使用了诸如COVID-19接触者追踪app而且COVID-19暴露通知app．这项系统综述揭示了促使人们接受接触追踪应用程序的关键因素，发表在《数字健康前沿》[］．这项审查的方案发表在《医疗互联网研究杂志》上[］．在本研究中，我们回顾了从数据库搜索中检索到的关键相关文章，重点关注隐私、信任和说服性设计。
隐私与信任
隐私和信任是研究人员、设计师和公众等COVID-19利益相关者在数字接触追踪方面最关心的道德问题[-］．在基于网络的系统中，隐私是指在使用连接到互联网的电子系统时对用户数据和交互的保护和安全级别。它包括收集、储存、使用和分享用户的个人信息[］．相比之下，信任(尽管没有一个被普遍接受的学术定义[])，在网络活动的背景下，被认为是用户在与联网系统交互时所采用的认知机制。信任通常与基于网络的系统(如网站)的感知质量、可用性和专业知识有关，信任“通过减少焦虑和不确定性的感知来减少[感知]风险的数量”。］．初步研究表明，隐私担忧和信任之间存在显著关系，两者都有可能影响基于网络的系统的采用，如社交网站[，]及电子商务网站[，］．例如，Zlatolas等人[他们发现，使用Facebook的感知隐私风险越高，用户的感知信任就越低，而对社交媒体网站的感知信任越低，用户的隐私担忧就越高。信任通常与电子商务网站的成功或失败有关，因为基于网络的购物者担心不安全的产品，不安全的支付方式，隐私损失，身份盗窃和滥用个人信息[］．
在联系人追踪领域，研究还表明，隐私问题和信任会影响联系人追踪应用程序的采用。］．例如，Sharma等人[]，奥特曼等[]， Kaspar []，以及Velicia-Martin等人[他们在研究技术接受度的研究中发现，人们对隐私的关注程度越高，他们就越不可能下载、安装或使用联系人追踪应用程序。此外，Sharma等人[]，奥特曼等[]和Kaspar [他们发现，用户对联系人追踪应用程序及其利益相关者(如政府)的信任感越高，他们采用这些应用程序的可能性就越大。相比之下，Jonker等人[]和托马斯等人[他发现，用户(比如对政府和科技公司)的不信任越高[)，他们就越不可能采用联系人追踪应用程序。因此，作为制定隐私保护的一种方式，Jonker等人[]建议政府实施联系人追踪应用程序，该应用程序具有足够现实的隐私保护功能;例如，用户应该被赋予对他们的数据的控制权，包括决定他们想要共享什么数据，他们想要与谁共享，他们想要如何和何时共享，以及它将被用于什么。类似地，Walrave等人[]建议联系人追踪应用程序的发起人告知潜在用户将收集的数据，并通过使用可视化展示来减少数据收集以及阅读和评估隐私条款所需的时间，以提高理解能力。最后，在促进和培养公众信任方面，Altmann等人[]建议世界各国政府应考虑将数字接触者追踪的任务委托给信誉良好、透明的公共卫生机构，而它们对这些机构几乎没有控制。
劝导式设计
虽然关于隐私和信任对联系人追踪应用程序采用的影响已经做了大量的工作(如前一小节所示)，但关于说服性设计的影响却做得很少。在撰写本文时，我们只发现了2项研究[，调查了在联系人追踪应用程序中加入劝说功能的好处。其中一项研究(Cruz等人[)的调查发现，超过一半的参与者希望通过自我监测的方式了解自己接触过多少感染者(包括接触过的地点和时间)。研究还发现，大多数参与者在得到有形奖励时更愿意分享自己的位置。］．类似地，另一项研究(Jonker等[)的调查发现，参与者更喜欢提供有形奖励的接触追踪应用，比如金钱和免费的COVID-19检测。然而，这些研究主要是基于联系人追踪应用程序的描述，而不是实现。此外，这些研究并不是基于干预设计(配备劝说策略)或控制设计(不配备劝说策略)的比较分析。最重要的是，这些研究是在2020年上半年进行的，当时许多人不太熟悉或没有使用过接触追踪和暴露通知应用程序。因此，本研究有必要填补现有文献中关于说服设计对接触追踪和曝光通知应用程序设计的影响的空白。
方法
在本节中，我们将重点介绍应用程序设计、测量仪器、参与者招募、实验设计和数据分析、样本量计算以及研究模型和假设。
应用程序设计
COVID Alert是加拿大官方的接触者追踪和暴露通知应用程序政府。它于2020年7月31日发布，使用谷歌/Apple曝光通知应用程序编程接口来实施强有力的隐私措施。因此，它不会跟踪用户的位置或收集个人身份信息，如姓名、联系人、地址或健康信息。与市场上的许多暴露通知应用程序类似，COVID Alert应用程序(劝说或控制设计)包括3个关键用例:无暴露状态界面、暴露状态界面和诊断报告界面(而且)．在说服设计中，我们实施了两种类型的说服策略(自我监控和社会学习)，这些策略来自于PSD模型[］．PSD模型是一个用于设计、实现和评估说服系统的框架。它包括28种说服策略。在我们关于曝光通知应用程序设计的概念论文中[，我们讨论了来自PSD模型的说服性策略，这些策略可以整合到曝光通知应用程序中，使其更有效和更有吸引力。这些包括自我监控、定制、社会学习、规范影响、可信度和权威性。概念性文件描述了实施这些战略的基本原理。在本研究中，我们通过关注自我监测(纳入无暴露和暴露状态界面)和社会学习(纳入诊断报告界面)来实施上述策略。
如时，无暴露状态界面通知用户，他们在过去14天内没有因与COVID-19患者接触而暴露于COVID-19。暴露状态界面通知用户，他们可能因与COVID-19患者密切接触而暴露于COVID-19，并提供下一步措施的信息(例如，自我隔离或在出现症状时进行COVID-19检测)。最后，诊断报告界面允许检测呈阳性的用户输入公共卫生机构给他们的一次性密钥。我们将COVID Alert应用程序的这3个不具备说服性功能的关键原始界面视为控制设计()．
展示了相应的具有说服特征的说服设计。无暴露和暴露状态界面具有自我监控功能，诊断报告界面具有社交学习功能。自我监测是一项具有说服力的功能，允许用户跟踪自己在一段时间内的COVID-19暴露水平。［，，]说明了自我监控的运行机制。一个人观察自己的行为并反思它，就像他们在镜子里看自己一样。如果他们对自己(在镜子里)看到的东西不满意，他们就会通过改进目标行为来调节自己。，，］．在“未曝光状态”界面，用户可以跟踪每日曝光总人数和平均曝光时间。在曝光状态界面，用户可以查看最近14天内必须被曝光的累计联系人数和曝光分钟数。希望通过看到这些汇总统计数据，用户将有动力规范他们的社交距离行为。相比之下，社会学习是一种有说服力的功能，它允许用户意识到其他人的行为，希望他们会受到社会压力，并被激励采取观察到的行为。阐述社会学习的运作机制[，，］．社会学习基于这样一个前提:除非认知过程调节学习过程，否则观察学习不会发生。］．证明通过观察他人的行为，一个人会受到社会压力的激励，为了共同利益而模仿被观察的行为。在诊断报告界面，应用程序会通知用户当天报告新冠肺炎诊断的用户数量，希望他们在检测呈阳性时受到社会压力报告，以促进公共卫生安全。
测量仪器
为了调查说服性设计的有效性，我们测量了兴趣的两个关键结构:每个界面的感知说服性(如图所示)而且)，以及参与者从应用商店下载COVID Alert应用程序的意愿。显示这两个构造的度量。感知说服力是指并衡量应用的视觉和信息设计激励用户采用它的能力。在本研究中，感知说服力是一种反射性衡量标准，用于捕捉COVID警报应用程序的视觉设计在多大程度上说服和影响用户开始或继续使用应用程序。
| 构造 | 测量结构的项目 |
| 感知到的说服力(“非常不同意:1”至“非常同意:7”)[］ | 应用程序设计(界面名称)…
|
| 是否愿意从商店下载应用(是或否) | 现在我知道了加拿大官方曝光通知应用程序政府的COVID Alert应用程序，我会从苹果或谷歌商店下载它，以减缓冠状病毒的传播。 |
| 采用状态 | 下面哪一个最能描述你?
|
在本研究的背景下，感知说服力可被视为TAM或计划行为理论结构的代理，如感知有用性[，]，即与现有经验、价值观和任务的兼容性[，]，以及同级或上级的影响[]，这些问题有可能影响新技术的采用。例如，一项新技术越是被认为是有用的，并且与用户过去的经验、价值观和任务相一致，他们就越会认为它是相关的，他们就越有可能采用它。］．然而，尽管感知说服力可能与感知易用性和感知有用性等构念有关[，]，与任务的兼容性[]，以及社会影响[]，它不是这些结构的同义词。例如，用户认为应用程序具有说服力(激励性)的事实可能并不意味着他们发现它易于使用、有用或与之前的经验、价值观和任务兼容，反之亦然。一种合理的解释是，一些用户可能会基于享乐特征(如感知美学)而认为应用(如游戏)具有说服力。]和感知的快乐[])，而不考虑实用性(例如，感知有用性)或兼容性特性。相比之下，其他用户可能会认为应用程序(例如曝光通知应用程序)基于功利或兼容性功能具有说服力，而不太关注享乐功能。在PSD模型的背景下，感知说服力可以被视为四种主要说服策略的代表。主要任务支持、对话支持、社会支持和可信度支持分别与感知说服力和采纳意愿有直接关系和间接关系[］．特别是，主任务支持(定义为使用户能够实现说服系统的主要目标的说服功能)可以与TAM中的感知有用性进行比较。例如，在Lehto等人的研究中[]，基于基于web的劝导健康系统，主要任务支持使用面向效用的项目进行操作，包括(1)系统为我提供了减肥的手段，(2)系统帮助我减肥，(3)系统帮助我改变饮食习惯，这反映了感知有用性。
在这项研究中，感知说服力测量是改编自Lehto等人的工作[]，以适应曝光通知应用程序的环境。这是一个7分制的量表，从强烈不同意(1)来非常同意(7)．此外，下载意愿是指并衡量参与者在看到或了解该应用程序的功能后采用该应用程序来遏制冠状病毒传播的意愿。它是基于“是”或“不是”衡量。最后，我们通过要求参与者从中所示的3个选项中选择一个来衡量采用状态．如果选择第1项和第3项，分别被认定为“新冠警报采纳者”和“非采纳者”。选择第二种选项的人被从数据分析中过滤掉了，因为我们感兴趣的是分析和比较安装了COVID警报应用程序并与之互动的参与者和过去没有安装并与之互动的参与者。
参与者
参与这项研究的标准是参与者必须是加拿大居民，无论性别、年龄、教育程度、原籍国和接触追踪应用程序的使用状态。我们没有对参与研究的人员进行任何人口统计学限制，因为无论所列举的人口统计学变量如何，每个人都有可能接触到COVID-19，因此预计都会使用COVID Alert等暴露通知应用程序。我们招募了居住在加拿大的参与者，他们至少有一年在亚马逊土耳其机器人上使用智能手机的经验，以评估COVID警报应用程序的说服和控制设计。亚马逊土耳其机器人是一个廉价的众包基于网络的商业平台，用于招募全球范围内不方便的参与者样本。研究表明，由于其质量保证机制，该平台有可能产生高质量的数据[］．研究参与者的招募在2020年12月25日至2021年1月25日期间进行。在我们实验室范围内的帐户的帮助下，第一作者使用请求者接口在亚马逊Mechanical Turk平台上发布了研究的详细信息。请求者接口允许研究人员使用国家和地点等过滤条件指定参与者的数量、研究的持续时间和参与者的类型[］．我们调整了请求者接口中的默认JavaScript代码，将6个曝光通知应用程序接口中的1个随机分配给每个潜在的匿名参与者。因此，每个参与者只查看分配给他们的接口，如中所述，而不与它相互作用。在完成基于网络的问卷调查之前，每个参与者都被要求阅读信息和同意书，并提供知情同意。经同意后，参与者被允许完成调查;否则，他们会被引导到调查的最后。每位参与者都获得了2美元的报酬，以感谢他们所付出的时间。
共有204名参与者参与了这项研究。其中，65人(32%)已经使用了COVID警报应用程序，17人(8%)正在使用其他接触追踪应用程序，116人(57%)在进行调查时没有使用COVID警报应用程序或任何其他接触追踪应用程序，6人(3%)没有具体说明他们的使用状态。第一个和第三个亚组分别被视为COVID Alert采用者组(n=65)和非采用者组(n=116)。在数据分析时，将第二和第四亚组(n=23)过滤掉。显示了分配给6个用户界面的COVID Alert采纳者和非采纳者(n=181)的人口统计数据，包括3个控制设计(C1、C2和C3)和3个说服设计(P1、P2和P3)。
| 标准和子组 | 总用户数，n | 无曝光接口，n | 曝光界面，n | 诊断报告界面，n | ||||
| C1一个 | P1b | C2 | P2 | C3 | P3 | |||
| 性别 | ||||||||
| 男性 | 106 | 16 | 20. | 18 | 21 | 19 | 12 | |
| 女 | 73 | 10 | 12 | 12 | 16 | 9 | 14 | |
| 其他人 | 2 | 1 | 0 | 0 | 0 | 1 | 0 | |
| 年龄(年) | ||||||||
| < 18 | 1 | 0 | 1 | 0 | 0 | 0 | 0 | |
| 18至24岁 | 36 | 1 | 6 | 7 | 10 | 5 | 7 | |
| 25至34岁 | 64 | 8 | 10 | 12 | 12 | 11 | 11 | |
| 35至44岁 | 48 | 9 | 9 | 6 | 9 | 10 | 5 | |
| 45至54岁 | 19 | 6 | 2 | 3. | 4 | 2 | 2 | |
| > 55 | 10 | 2 | 3. | 1 | 2 | 1 | 1 | |
| 未指明的 | 3. | 1 | 1 | 1 | 0 | 0 | 0 | |
| 教育 | ||||||||
| 技术或贸易 | 5 | 0 | 0 | 1 | 2 | 1 | 1 | |
| 高中 | 39 | 2 | 11 | 4 | 9 | 3. | 10 | |
| 学士 | 99 | 20. | 14 | 18 | 19 | 18 | 10 | |
| 硕士 | 29 | 3. | 4 | 6 | 6 | 5 | 5 | |
| 博士学位 | 3. | 1 | 1 | 0 | 0 | 1 | 0 | |
| 其他 | 6 | 1 | 2 | 1 | 1 | 1 | 0 | |
| 使用智能手机(年) | ||||||||
| 1至5 | 27 | 3. | 6 | 2 | 4 | 5 | 7 | |
| 6至10 | 86 | 14 | 16 | 18 | 19 | 9 | 10 | |
| 11至20岁 | 59 | 8 | 9 | 10 | 12 | 13 | 7 | |
| > 20 | 8 | 2 | 1 | 0 | 2 | 2 | 1 | |
| 未指明的 | 1 | 0 | 0 | 0 | 0 | 0 | 1 | |
| 原产国 | ||||||||
| 加拿大 | 143 | 24 | 21 | 24 | 31 | 21 | 22 | |
| 其他 | 38 | 3. | 11 | 6 | 6 | 8 | 4 | |
| 采用状态 | ||||||||
| 采用者 | 65 | 10 | 11 | 11 | 11 | 13 | 9 | |
| Nonadopters | 116 | 17 | 21 | 19 | 26 | 16 | 17 | |
一个C:控制设计。
bP:说服性设计。
实验设计与数据分析“，
这项研究基于一份基于网络的调查问卷，每个参与者被随机分配到6个用户界面中的一个而且．在向参与者提问之前，向他们描述了COVID警报应用程序的功能(参见有关实验设计的详细信息和提供给参与者的伴随信息)。两种类型的数据分析:路径建模和多元RM-ANOVA [］．首先，路径建模旨在揭示3个界面(未接触状态、接触状态和诊断报告)的感知说服力与非采用者下载应用程序的意愿之间的关系强度。这一分析帮助我们确定，曝光通知应用程序的感知说服力与非采用者采用该应用程序的意愿之间存在显著关系。
其次，实验设计基于四向多元RM-ANOVA析因设计，旨在了解的主要影响应用程序设计，接口,采用状态在感知到的说服力每个用户界面及其交互。在这个四向多元RM-ANOVA析因设计的基础上，我们的目标是了解前3个变量对3个用户界面及其交互的感知说服力的主要影响。应用程序设计有两个条件(有说服力的而且控制)，接口有3个级别(不能接触状态，接触状态,诊断报告)，领养状态分为两级(采用者而且nonadopters)．此外，用3个指标反复测量感知说服力，如图所示．最后，在非采用组中，我们调查了应用程序设计对参与者从应用程序商店下载COVID警报应用程序的意愿的影响。使用2×2卡方检验[]，我们比较了在每个用户界面中，看过说服性设计的参与者说“是”的百分比和看过控制设计的参与者说“是”的百分比。这种两两比较有助于发现说服设计组和控制设计组之间的显著差异。
样本量计算
在进行这项研究之前，我们使用不列颠哥伦比亚大学的基于网络的功率和样本量计算器计算了样本量，该计算器由Brant [］．我们选择默认显著性水平为0.05，幂值水平为0.80。此外，我们选择SD值为1.0，在7点李克特量表上，两组之间的平均差异为0.8(即>10%的差异)。SD源自Cialdini对说服原则的类似研究，该研究在来自北美的个人主义参与者中进行。］．特别是，在本研究中与感知说服力结构高度相关的喜欢原则的SD为1.09。因此，我们决定使用大约1.0的SD来计算每组的样本量。计算(基于双侧检验)导致每组的样本量为25。如，共有6组符合该样本量要求，其中5组为>30。
研究模型与假设
我们的数据分析基于路径建模和多元RM-ANOVA。显示了假设的模型。该模型基于之前的研究，该研究表明，应用程序(如健身应用程序)的感知说服力与采用意图之间存在显著的强相关性[］．基于这一发现以及应用商店描述中经常包含应用关键界面的截图这一事实，我们做出如下假设:假设H1:应用商店中曝光通知应用的感知说服力越高，用户就越有可能下载它。这个假设是基于这样一个前提，即潜在用户在决定下载应用之前，能够在应用商店中查看应用的关键界面(除了阅读它的描述)。以下是3个关键用户界面的详细说明:
- H1a:应用商店中无暴露状态界面的感知说服力越高，用户就越有可能下载COVID Alert应用。
- H1b:应用商店中暴露状态界面的感知说服力越高，用户就越有可能下载COVID Alert应用。
- H1c:应用商店中诊断报告界面的感知说服力越高，用户越有可能下载COVID Alert应用。
此外，采用探索性方法，我们调查了3个界面中哪一个(即感知说服力)对用户下载COVID Alert应用程序的意愿影响最大。值得注意的是，我们在H1中或每次使用该词时并不暗示或意味着因果关系效果来描述感知说服力和下载应用程序意愿之间的关系。相关性并不意味着因果关系．此外，我们假设每个界面的感知说服力将受到应用程序设计的影响。换句话说，鉴于说服性设计支持自我监控和社会学习等说服性特征，我们假设如下:
- H2a:无暴露状态界面劝说设计的感知说服力会高于对照设计。
- H2b:曝光状态界面说服性设计的感知说服力会高于对照设计。
- H2c:诊断报告界面说服性设计的感知说服力会高于控制设计。
第三，研究表明，采用新技术的人比不采用新技术的人更能感知和评价新技术。-］．例如，Dickerson和Gentry [他们发现，之前使用过其他电脑相关产品和服务的经验在促使人们购买家用电脑方面发挥了重要作用。因此，我们假设每个界面的感知说服力将受到应用程序采用状态的影响。换句话说，考虑到COVID Alert的用户(采纳者)熟悉并正在使用它来跟踪自己的暴露情况，他们更有可能对它做出积极的评价。因此，我们假设如下:
- H3a:采用者比非采用者更容易认为无曝光状态界面具有说服力。
- H3b:采用者比非采用者更有可能认为暴露状态界面具有说服力。
- H3c:采纳者比非采纳者更容易感知诊断报告界面的说服力。
第四，假设感知说服力与应用下载意愿之间存在假设关系(H1)，我们假设有说服力的版本比控制版本更有可能被非采用者下载(H4)。在研究完成之前，一些不采纳COVID警报应用程序的人可能因为各种原因拒绝下载控制版本。然而，随着自我监控和社会学习等说服性功能的整合，这些功能提供了一些功利利益(监测暴露水平)和社会激励信息，我们假设如下:
- H4a:查看了无暴露状态界面的劝说性设计的非采用率比查看对照设计的人更有可能采用COVID警报应用程序。
- H4b:查看了暴露状态界面的说服性设计的非采纳者比查看了控制设计的人更有可能采用COVID Alert应用程序。
- H4c:查看了诊断报告界面的说服性设计的非采用率比查看了控制设计的人更有可能采用COVID Alert应用程序。
伦理批准
本研究已获得滑铁卢大学研究伦理委员会(ORE 42638)的批准。
结果
在本节中，我们将介绍基于假设的结果。结果包括数据驱动模型、3个界面中每个界面的感知说服力平均值、揭示因素的主要影响和相互作用的方差分析，以及通过调查了解到COVID Alert应用程序而愿意从苹果或谷歌商店下载COVID Alert应用程序的非采采者的百分比。
数据驱动路径模型
显示3个关键用户界面的数据驱动模型。该模型旨在回答第一组假设(H1a至H1c)。它们是用偏最小二乘RStudio中的路径建模包[］．无暴露状态接口模型是使用非适配器的C1和P1参与者(n=38)的子集构建的，如图所示．另外21名参与者没有回答是否愿意下载应用程序的问题。同样，暴露状态接口模型仅使用C2和P2非适配器构建(n=45)。最后，仅使用C3和P3参与者(n=33)构建诊断报告接口模型。如，一个项目用于衡量下载应用程序的意愿，3个项目用于衡量感知说服力。在构建模型时，响应是的而且没有下载应用程序的意愿被编码为1而且0,分别。在测量模型中，所有的构建项都被视为反射指标。与形成性指标不同，形成性指标被认为是它们所测量的结构的原因或驱动因素(即潜在变量)，反射性指标被认为是由它们所测量的结构引起的[］．在分析结构模型之前，我们对测量模型进行了评估，以确保满足所需的前提条件，如指标信度、内部一致性信度、收敛效度和多项目结构的判别效度。外部负荷度量用于测量指标的可靠性，在3个模型中，测量感知说服力的大部分指标的可靠性为>0.7。然而，在第二个模型中，第三个指标(应用程序设计与我使用或继续使用COVID Alert应用程序有关)的外载荷值为0.64。在第三个模型中，由于该指标的外载荷值<0.40，将其移除。采用Dillion-Goldstein指标评估感知说服力的内部一致性信度，同样为>0.7。平均方差提取指标用于评估感知说服力的收敛效度，为>0.5。最后，使用交叉负荷度量来评估感知说服力的判别效度。它自身的指标高于下载应用程序的意愿[］．
总体而言，无论界面如何，感知说服力与下载应用程序意愿之间的关系具有统计学意义，β>0.40。我们还进行了多组分析，以确定3个子模型中每对路径系数之间的显著差异。结果显示，虽然无暴露状态界面的通径系数(β=.68;P <.001)和暴露状态界面(β=.67;P <.001)在数值上高于诊断报告界面(β=.47;P= .04点)。
感知说服力的均值与方差分析
概述
在本节中，我们通过基于界面、应用设计、采用状态和感知说服力进行4因素多元RM-ANOVA来解决第二组和第三组假设(即H2和H3)。分析结果()显示收养状况的主要影响(F507年,1= 28.94;P <.001)以及界面、采用状态和应用程序设计之间的交互(F507年,2= 5.90;P =.002)。由于相互作用，我们对每个界面、应用程序设计和采用状态进行了双向方差分析。
| 采用状态 | Interface×adoption status×app设计 | |
| DfRes一个 | 507 | 507 |
| F（df） | 28.94 (1) | 5.90 (2) |
| P价值 | <措施 | .002 |
一个DfRes:自由度剩余。
每个接口的双向方差分析
在本节中，由于中所示的3种相互作用，我们根据这3个界面的采用情况和应用程序设计进行了双向方差分析。
无曝光状态接口
显示采用者和非采用者对未暴露状态界面的感知说服力的平均评级。总体而言，采纳者对界面的评价高于不采纳者。如，二向方差分析显示，收养状况的主要影响为(F173年,1= 10.82;P =.001)以及采用状态和应用程序设计之间的交互(F173年,1= 6.93;P =.009)。
由于采用状态和应用程序设计之间的相互作用，我们在采用状态和应用程序设计的每个层次上进一步进行了单向方差分析，如图所示．结果显示，在非采用者组中，应用程序设计有一个主要影响，具有中等效应大小(F112年,1= 12.34;P <措施;ηp2= 0.10)。说服设计(平均5.37,SD 1.30)的平均值显著高于对照设计(平均4.57,SD 1.19)。此外，采用状态对控制设计有主要影响，具有较大的效应量(F79年,1= 20.41;P <措施;ηp2= 0.21)。采用组(平均5.87,SD 1.20)对控制设计的评价显著高于非采用组(平均4.57,SD 1.19)。
| 采用状态 | 采用status×app设计 | |
| DfRes一个 | 173 | 173 |
| F（df） | 10.82 (1) | 6.93 (1) |
| P价值 | 措施 | .009 |
一个DfRes:自由度剩余。
| 每个应用程序设计的单向方差分析 | App设计效果 | |||||||
| C1一个 | P1b | |||||||
| 在每个收养状态下的单向方差分析 | ||||||||
| 采用者 | 5.87 | 5.36 | F61年,1= 1.05;P=。31 | |||||
| Nonadopter | 4.57 | 5.37 | F112年,1= 12.34;P<措施;ηp2= 0.10 | |||||
| 采用效果 | F79年,1= 20.41;P<措施;ηp2= 0.21 | F94年,1= 0.04;P=点 | N/Ac | |||||
一个C:控制设计。
bP:说服性设计。
cN/A:不适用。
曝光状态
显示采用者和非采用者对暴露状态界面的感知说服力的平均评级。基于采用状态和应用程序设计的双因素方差分析()显示，只有收养身份的主要影响(F197年,1= 19.03;P <.001)，具有中等效应大小(ηp2= 0.09)。换句话说，采纳者对界面的感知说服力的评分(平均5.91,SD 1.01)明显高于不采纳者(平均4.96,SD 1.43)。
| 采用状态 | 采用status×app设计 | 应用程序设计 | |
| DfRes一个 | 197 | 197 | 197 |
| F（df） | 19.03 (1) | 1.81 (1) | 0.40 (1) |
| P价值 | <措施 | 0.18 | 0.53 |
一个DfRes:自由度剩余。
诊断报表界面
显示采用者和非采用者组对诊断报告界面的感知说服力的平均评分。基于应用设计和采用状态的2-way方差分析()显示，收养状况(F161年,1= 9.51;P =.002)以及应用程序设计和采用状态之间的交互(F161年,1= 4.03;P =.046)。
由于采用状态与应用程序设计之间的相互作用，我们在每个因素的每个层次上进一步进行了单向方差分析，如图所示．结果表明，在采用者组中，应用程序设计有一个主要影响(F64年,1= 8.00;P =.006)，具有中等效应大小(ηp2= 0.11)。换句话说，说服设计(平均6.00,SD 0.97)的感知说服力的平均值明显高于对照设计(平均5.03,SD 1.22)。此外，采用状态对说服性设计有主要影响，具有接近大的效应量(F76年,1= 11.10;P =措施;ηp2= 0.13)。换句话说，采纳者(平均6.00，标准差0.97)对说服设计的感知说服力的评价显著高于非采纳者(平均4.61，标准差1.84)。
| 采用状态 | App design×adoption状态 | |
| DfRes一个 | 161 | 161 |
| F（df） | 9.51 (1) | 4.03 (1) |
| P价值 | .002 | .046 |
一个DfRes:自由度剩余。
| 每个应用程序设计的单向方差分析 | App设计效果 | |||||||
| C3一个 | P3b | |||||||
| 在每个收养状态下的单向方差分析 | ||||||||
| 采用者 | 5.03 | 6.00 | F64年,1= 8.00;P= .006;ηp2= 0.11 | |||||
| Nonadopter | 4.77 | 4.61 | F97年,1= 0.00;P= 0 | |||||
| 采用效果 | F85年,1= 0.56;P= .46 | F76年,1= 11.10;P<措施;ηp2= 0.13 | N/Ac | |||||
一个C:控制设计。
bP:说服性设计。
每种应用程序设计的双向方差分析
在本节中，由于3个方向的相互作用，我们对3个接口分别进行了基于采用状态和接口的2向方差分析。
控制设计
基于控制设计的采用状态和接口，提出了二向方差分析方法。结果显示收养状态的主要影响(F252年,1= 20.00;P <.001)以及采用状态与接口(F252年,2= 3.45;P =03)。
由于界面与采用状态之间的相互作用，我们在每个因素的每个层次上进一步进行了单向方差分析，如图所示．结果表明，采用状态与无暴露状态界面(F79年,1= 20.41;P<措施;ηp2=0.21)和曝光状态界面(F88年,1= 21.85;P <措施;ηp2=0.20)，具有较大的效应量。在两种界面中，采用者组的感知说服力的平均值显著高于非采用者组。此外，界面在采用者内部也有主要影响，(F99年,2= 6.33;P =.003)，具有接近大的效应尺寸(ηp2=0.13)，这使得我们进一步进行了两两比较。结果表明，无暴露状态界面(mean 5.87, SD 1.20)和暴露状态界面(mean 6.12, SD 1.01)的感知说服力均值显著高于诊断报告界面(mean 5.03, SD 1.22)P=。04而且P=。003.，respectively.
| 采用状态 | 接口采用×状态 | |
| DfRes一个 | 252 | 252 |
| F（df） | 20.00 (1) | 3.45 (2) |
| P价值 | <措施 | 03 |
一个DfRes:自由度剩余。
| 每个接口的单向方差分析 | 界面效应 | |||||
| 不能接触状态 | 接触状态 | 诊断报告 | ||||
| 在每个收养状态下的单向方差分析 | ||||||
| 采用者 | 5.87 | 6.12 | 5.03 | F99年,2= 6.33;P= .003;ηp2= 0.13 | ||
| Nonadopter | 4.57 | 4.82 | 4.78 | F153年,2= 0.92;P= .40 | ||
| 采用效果 | F79年,1= 20.41;P<措施;ηp2= 0.21 | F88年,1 =21.85;P<措施;ηp2= 0.20 | F85年,1= 0.56;P= .46 | N/A一个 | ||
一个N/A:不适用。
劝导式设计
显示了基于采用状态和说服性设计界面的二向方差分析。研究结果表明，收养状态(F279年,1= 4.96;P =03;ηp2=0.03)，采纳组的说服设计感知说服力的平均值(平均值5.69，标准差1.24)显著高于非采纳组(平均值5.01，标准差1.54)。采用状态和接口之间没有交互。
| 不能接触状态 | 接触状态 | 诊断报告 | 整体 | |
| 采用者 | 5.36 | 5.70 | 6.00 | 5.69 |
| Nonadopter | 5.37 | 5.05 | 4.61 | 5.01 |
| 采用效果 | N/A一个 | N/A | N/A | F279年,1= 4.96;P= .03点;ηp2= 0.03 |
一个N/A:不适用。
每种收养状态的双向方差分析
在本节中，由于3个方向的相互作用，我们根据应用程序设计和界面对每种采用状态进行了双向方差分析。
采用组
我们根据应用程序设计和用户界面对用户组进行了双向方差分析。结果表明，应用程序设计和界面之间存在交互作用(F189年,2= 6.73;P =措施)。由于相互作用，我们在应用程序设计和界面的每个层次上进一步进行了单向方差分析，如图所示．结果表明，界面对控制设计有主要影响(F99年,2= 6.33;P =.003;ηp2= 0.13)。在诊断报告界面方面，应用程序设计也有一个主要影响(F64年,1= 8.00;P =.006;ηp2= 0.11)。最后，在曝光状态界面上有一个应用程序设计的主要效果(F64年,1= 4.31;P =.04点;ηp2= 0.06)。对于诊断报告界面，劝导设计的感知说服性的平均值显著高于对照设计。然而，对于暴露状态接口，情况正好相反。
| 每个接口的单向方差分析 | 界面效应 | |||||||||
| 不能接触状态 | 接触状态 | 诊断报告 | ||||||||
| 每个应用程序设计中的单向方差分析 | ||||||||||
| 控制设计 | 5.87 | 6.12 | 5.03 | F99年,2= 6.33;P= .002;ηp2= 0.13 | ||||||
| 劝导式设计 | 5.36 | 5.70 | 6.00 | F90年,2= 0.98;P= 38 | ||||||
| 采用效果 | F61年,1= 1.05;P=。31 | F64年,1= 4.3;P= .04点;ηp2= 0.06 | F64年,1= 8.00;P= .006;ηp2= 0.11 | N/A一个 | ||||||
一个N/A:不适用。
Nonadopter集团
显示了基于应用程序设计和界面的非采用者群体的2向方差分析。结果表明，应用程序设计有一个主要的影响(F342年,1= 5.62;P =02;ηp2=0.02)，较小的效应量和说服设计(平均5.01,SD 1.54)的感知说服力平均值显著高于对照设计(平均4.72,SD 1.25)。
| 不能接触状态 | 接触状态 | 诊断报告 | 整体 | |
| 控制设计 | 4.56 | 4.82 | 4.77 | 4.72 |
| 劝导式设计 | 5.37 | 5.05 | 4.61 | 5.01 |
| App设计效果 | N/A一个 | N/A | N/A | F342年,1= 5.62;P= .02点;ηp2= 0.02 |
一个N/A:不适用。
不使用的人是否愿意下载COVID警报应用程序
本节讨论第四组假设(H4)。显示了在完成调查后，愿意从苹果或谷歌商店下载COVID警报应用程序的6个组中不采纳者的百分比。他们回答的问题是现在我知道了加拿大官方曝光通知应用程序政府的COVID Alert应用程序，我将从苹果/谷歌商店下载它，以减缓冠状病毒的传播．这个问题在调查中只针对非采用者。总体而言，非采纳者愿意从应用商店下载应用的比例在说服设计中(37/ 64,58%)高于控制设计(24/ 52,46%)。
对于无暴露状态界面，的百分比是的P1的反应(13/21,62%)高于C1的反应(3/17,18%)。类似地，对于诊断报告界面，的百分比是的P3的反应(12/17,71%)高于C3(7/16, 44%)。但是，对于曝光状态的界面，百分比是的C2的反应(14/ 19,74 %)高于P2(12/ 26,46 %)。为了研究每对接口设计(C1 vs P1, C2 vs P2, C3 vs P3)之间的统计显著性差异，我们进行了卡方检验，如图所示．总的来说，检验显示至少一对(χ25= 88.01;P <措施)。接下来，对于6个用户界面，我们进行了一个事后成对卡方检验使用pairwiseNominalIndependence函数从rcompanion，以及多重比较误差校正的Benjamini-Hochberg错误发现率法[］．测试结果表明，3对界面的说服设计和控制设计均存在显著差异(P <措施)。我们还基于2×2列联表计算每种类型接口的效应大小(φ)，如图所示．我们使用chisq_to_phi函数从effectsize包(]来计算说服性设计对每个界面的影响大小。计算结果表明，3种界面劝说设计的效应量均较大(φ≥0.50)，无暴露状态界面劝说设计的效应量最大(φ=1.01)。
值得注意的是，C2获得了更多的“是”回答(14/ 19,74%)，而P2(12/ 26,46%)，加上两个界面的感知说服力之间的差异不显著(P= 0.53,)表明非采用者更喜欢曝光状态界面的控制设计而不是说服设计。总的来说，P1、C2和P3优先于C1、P2和C3。的整体百分比是的每组接口的响应，前者(39/ 57,68%)比后者(22/ 59,37%)多出>30%。
| 无曝光状态接口 | 曝光状态界面 | 诊断报告界面 | P价值 | 卡方检验(df） | |||||||||||||||||||||||||||||||
| C1一个 | P1b | 比较 | C2 | P2 | 比较 | C3 | P3 | 比较 | |||||||||||||||||||||||||||
| 愿意下载COVID警报应用程序 | P<措施;φ= 1.01 | P<措施;φ= 0.57 | P<措施;φ= 0.64 | <措施 | 88.01 (5) | ||||||||||||||||||||||||||||||
| 是的(%) | 17.65 | 61.90 | 73.68 | 46.15 | 43.75 | 70.59 | |||||||||||||||||||||||||||||
| 没有(%) | 82.35 | 38.10 | 26.32 | 53.85 | 56.25 | 29.41 | |||||||||||||||||||||||||||||
| 差异(%) | −64.70 | + 23.80 | + 47.36 | −7.70 | −12.50 | + 41.48 | |||||||||||||||||||||||||||||
一个C:控制设计。
bP:说服性设计。
讨论
主要研究结果
在本节中，我们将在假设的背景下讨论我们的发现。为了便于参考，我们总结了主要的发现．总体而言，83%(10/12)的假设完全或部分得到了实证数据和分析的支持。所谓部分支持，我们的意思是，所讨论的假设只支持其中一个采用群体(采用者或非采用者)或应用程序设计(有说服力或控制)。总体而言，研究显示，采用者认为COVID Alert应用程序(无论应用程序设计和用例如何)比非采用者(H3a、H3b和H3c)更有说服力。其次，研究表明，在激励非采用者采用暴露通知应用程序(H2a、H4a和H4c)和采用者报告其COVID-19诊断(H2c)方面，说服性设计比对照设计更有可能有效。换句话说，我们的研究结果表明，如果接触追踪应用程序被设计为具有说服力的技术，特别是通过结合自我监控，帮助用户跟踪日常接触的人数和接触时间，以及社会学习，激励用户通过社会压力报告他们的COVID-19诊断，它们更有可能有效。
| 假设(H)数 | 假设 | 备注 |
| H1a | 应用商店中无暴露状态界面的说服力越高，用户就越有可能下载COVID Alert应用程序。 | 支持 |
| H1b | 应用商店中暴露状态界面的说服力越高，用户就越有可能下载COVID Alert应用程序。 | 支持 |
| H1c | 应用商店中诊断报告界面的感知说服力越高，用户就越有可能下载COVID Alert应用程序。 | 支持 |
| H2a | 无暴露状态界面的说服性设计的感知说服力将高于控制设计。 | 仅在非采用者中支持 |
| H2b | 曝光状态界面说服性设计的感知说服力将高于控制设计。 | 不支持 |
| H2c | 诊断报告界面说服性设计的感知说服力将高于控制设计。 | 仅在采用者中支持 |
| H3a | 采用者比非采用者更有可能认为不暴露状态界面具有说服力。 | 总体支持，特别是关于控制设计 |
| H3b | 采用者比非采用者更有可能认为暴露状态界面具有说服力。 | 支持整体 |
| H3c | 采用者比非采用者更有可能认为诊断报告界面具有说服力。 | 对于说服性设计，总体上得到了特别的支持 |
| H4a | 看过无暴露状态界面的劝说性设计的非采采者比看过控制设计的人更有可能采用COVID警报应用程序。 | 支持 |
| H4b | 看过有说服力的暴露状态界面设计的非采用率者比看过控制设计的人更有可能采用COVID Alert应用程序。 | 不支持:情况相反 |
| H4c | 查看了诊断报告界面的说服性设计的非采用者比查看了控制设计的人更有可能采用COVID Alert应用程序。 | 支持 |
感知说服力与下载COVID警报应用程序的意愿之间的关系
我们的路径模型支持前3个假设。对于每个用户界面，我们发现感知说服力和下载应用程序的意愿之间的关系是显著的。这种关系在无暴露状态界面上最强(β=.68;P <.001)，其次是暴露状态界面(β=.67;P <.001)和诊断报告接口(β=.47;P =.04点)。在多组分析的基础上，每对通径系数之间的差异均无统计学意义。因此，第一组假设，每个界面的感知说服力越高，用户就越有可能下载COVID Alert应用程序(H1a, H1b和H1c)。，支持。这一发现与Oyibo和Vassileva []在身体活动领域。作者发现，用户越觉得健身应用程序具有说服力，他们就越倾向于使用该应用程序来激励行为改变。
此外，这3个模型具有可接受的大拟合优度(GOF)，这表明模型与数据的拟合程度如何。无暴露和暴露状态接口的GOF为>60%，诊断报告接口的GOF为38%。如Hussain等人所述[]， 36%的GOF被认为是很大的。此外，关于无暴露和暴露状态界面的模型中的感知说服力解释了至少40%的受访者下载应用程序意愿的方差。然而，在诊断报告界面的模型中，只有20%的目标结构是由感知说服力解释的。大于60%被认为是对目标构形方差的高解释，<30%被认为是低解释[］．因此，未暴露和暴露状态界面解释的应用程序下载意愿差异中等，诊断报告界面解释的应用程序下载意愿差异较小。这些发现与感知说服力与下载应用程序意愿之间关系的大小和重要性相关()，表明无暴露和暴露状态界面支持的自我监测，比应用程序的诊断报告功能更有可能激励非采采者下载应用程序。这一发现可能并不令人惊讶，因为COVID-19暴露通知和暴露水平监测往往有利于用户个人，而诊断报告往往有利于社区。这一合理的解释反映在两组对两种界面的感知说服力的平均评分中。对于非采用者，用户界面的总体感知说服力(-)在无暴露状态接口(平均5.01,SD 1.54)和暴露状态接口(平均4.96,SD 1.43)上的数值高于诊断报告接口(平均4.69,SD 1.54)。类似地，对于采用者来说，控制接口()明显高于无暴露状态接口(平均5.87,SD 1.20)和暴露状态接口(平均6.12,SD 1.01)，而诊断报告接口(平均5.03,SD 1.22)。
应用程序设计对感知说服力的影响
在本节中，我们将讨论应用程序设计(说服vs控制)对这3种用户界面的感知说服力的影响。
无曝光状态接口
关于无曝光状态界面的说服力，我们发现应用设计和采用状态之间存在交互作用()．在采纳者中，控制设计和说服设计的感知说服力没有显著差异(P=。31,)．然而，在非采纳者中，说服设计的感知说服力(平均5.37，标准差1.30)显著高于对照设计(平均4.57，标准差1.19)。两种app设计的平均差异的效应大小为中等(ηp2= 0.10)。因此，第四个假设(H2a)，无暴露状态界面的说服性设计的感知说服力将高于控制设计，为非采用者验证。这一发现表明，虽然应用程序设计对用户来说并不重要，但对非用户来说却很重要。这意味着非采用者更有可能采用无暴露状态接口的劝说版本(具有自我监视功能)而不是控制版本(没有自我监视功能)。
值得注意的是，在非采用者中，尽管人口统计学变量可能会混淆H2a的验证，但性别不太可能这样做。这是因为评估控制设计的非采用者组(C1)和评估说服设计的非采用者组(P1)的基于性别的分布非常相似。如C1收养组中男性占75%(12/16)，女性占25%(4/16)。同样，P1收养组中71%(15/21)为男性，29%(6/21)为女性。然而，基于年龄和教育程度的C1和P1非采用者的百分比分布是不同的。例如，24%(5/21)的P1非收养者组年龄<25岁，而0%(0/15)的C1非收养者组年龄<25岁。此外，在P1非收养者组中，25%(5/20)拥有高中学历，而C1非收养者组中只有6%(1/17)。P1组中受教育程度较低的参与者比例高于C1组，一个合理的解释是，P1组中年龄<25岁的年轻参与者比例更高。因此，在未来的分析中，我们希望调查年龄和教育程度对P1和C1非采用者组之间显著差异的影响，这可能部分解释了P1比C1更有说服力的看法。
曝光状态
关于曝光状态界面的感知说服力，我们没有发现应用程序设计对感知说服力的影响()．因此，第五种假设(H2b)，曝光状态界面说服性设计的感知说服力将高于控制设计，未被验证。一个合理的原因是，无论是采用者还是非采用者，都不认为说服性设计比控制设计更有说服力，因为暴露状态界面上显示的信息是历史的。换句话说，曝光状态界面上显示的信息是14天内曝光水平的总和。这种累积信息不太透明，不像无曝光状态界面那样，显示的是每天的曝光水平。因此，显示每日暴露水平的无暴露状态界面的说服性版本被非采用者组认为比控制版本更具说服力，如图(．
诊断报表界面
关于诊断报告界面的感知说服力，我们发现应用程序设计和采用状态之间存在交互作用()．在非采用者中，说服性设计的感知说服力和控制设计的感知说服力没有显著差异(P= 0,)．然而，在采用者中，它们有显著差异(P= .006)。具体来说，采纳者认为劝诱设计(平均6.00，标准差0.97)比对照设计(平均5.03，标准差1.22)更有说服力。两种app设计的平均差异的效应大小为中等(ηp2= 0.11)。因此，第六个假设(H2c)，诊断报告界面说服性设计的感知说服力将高于控制设计，为采用者验证。对这一发现的一个合理解释是，在使用了COVID Alert应用程序的控制设计后，采用者可能会发现包含社交学习的说服性设计更有说服力。这条额外的信息将用户置于社会压力之下，迫使他们效仿，即加入其他已报告诊断的相关人员的行列，以便通知暴露的接触者，并采取必要的安全措施，减少病毒的传播。报告新冠肺炎诊断结果的社会压力感是由有说服力的设计所培养的，可以比作收养者在政府和公共卫生当局呼吁大规模收养以使曲线变平时所感受到的义务和社会压力。然而，对于非采用者，劝说设计中的社会压力信息与控制设计相比没有显著差异(P= 0)。对于两种应用程序设计在非采用率组中没有显著差异的一个合理解释是，与采用率组相比，他们对来自政府、公共卫生当局或应用程序的面向社会的信息反应较弱。因此，我们看到，现实生活中的采用率由于政府和公共卫生当局的响亮呼吁而采用了COVID警报，而非采用率组则没有。
值得注意的是，在采用者中，尽管人口统计学变量可能会混淆H2c的验证，但性别和教育程度不太可能。这是因为评估说服性设计的采用者组(P3)基于性别和教育程度与评估控制设计的采用者组(C3)的百分比分布相似()．例如，关于性别，评估C3的收养者参与者中67%(6/9)是男性，33%(3/9)是女性。同样的百分比分布也适用于评估P3的采用者参与者:67%(8/12)为男性，33%(4/12)为女性。同样，在教育程度方面，23%(3/13)的C3采用者和22%(2/9)的P3采用者拥有高中学历，62%(8/13)和56%(5/9)拥有学士学位，15%(2/13)和22%(2/9)拥有硕士学位。然而，基于年龄和智能手机使用经验的C3和P3采用者群体的百分比分布有所不同。例如，C3采用者组中100%(13/13)的参与者年龄<45岁，而P3采用者组中78%(7/9)。此外，C3采用者组中85%(11/13)有>年的工作经验，而P3采用者组中这一比例为100%(8/8)。P3采用者组中拥有多年智能手机使用经验的参与者比例高于C3采用者组的一个合理解释是，P3采用者组中年龄较大的参与者比例高于C3采用者组。因此，在未来的分析中，我们希望揭示年龄和智能手机使用经验对P3和C3采用者群体之间显著差异的影响，这可能部分解释了P3比C3更有说服力的看法。
感知说服力的接受效应
在本节中，我们将讨论采用状态(采用者vs非采用者)对这3种用户界面的感知说服力的影响。
无曝光状态接口
关于无曝光状态界面的感知说服力，我们发现采用状态和应用程序设计之间存在交互作用()．关于说服性设计()，采纳者与非采纳者之间无显著差异(P= 0)。然而，关于控制设计，有一个采用状态效应，采用者(平均5.87，标准偏差1.20)认为用户界面比非采用者(平均4.57，标准偏差1.19)更有说服力。采用状态间平均差异的效应量较大(ηp2= 0.21)。因此，第七个假设(H3a)，采用者比非采用者更有可能认为不暴露状态界面具有说服力，对控制设计进行了验证。对这一发现的一个合理解释是，总体而言，使用COVID警报的人比不使用COVID警报的人更关心使用接触追踪应用程序遏制冠状病毒传播的社会效益。这就解释了为什么他们是应用程序的早期采用者，而不是非采用者。因此，与尚未采用新冠病毒警报应用程序的非采用者相比，采用者更有可能认为他们目前正在使用的新冠病毒警报应用程序具有说服力。
值得注意的是，性别和智能手机使用经验等人口统计学变量可能会混淆H3a的验证。原因是基于3个人口统计学因素评估控制设计(C1)的采用者和非采用者群体的分布不同。如， C1收养者参与者中有40%(4/10)为男性，而C1非收养者组中有75%(12/16)为男性。此外，基于智能手机使用经验，C1非采用者组中经验较低和较高的参与者比例高于C1采用者组。如C1非采用者组中有18%(3/17)的人经验<6年，有12%(2/17)的人经验< 20年，而C1采用者组中两种经验水平均为0%(0/10)。因此，在未来的分析中，我们希望调查性别和智能手机使用经验对C1采用者和非采用者组之间显著差异的影响，这可能部分解释了前一组对C1的看法比后者更有说服力。
曝光状态
关于暴露状态界面，我们的方差分析显示采用具有主要影响()，采用者认为界面更具说服力(平均5.91,SD 1.01)，而非采用者(平均4.96,SD 1.43)。采用状态间平均差异的效应大小为中等(η)p2= 0.09)。因此，第8个假设(H3b)，采用者比非采用者更有可能认为暴露状态界面具有说服力，无论应用程序设计如何，都会得到验证。对这一发现的一个合理解释是，与不采用的人相比，采用的人更有可能致力于遏制冠状病毒传播的社会事业，因此更有可能被说服使用COVID Alert应用程序。这解释了为什么他们首先安装了COVID Alert应用程序，并使用它来跟踪他们(在研究时)的暴露状态。
诊断报表界面
关于诊断报告界面()，我们发现应用程序设计和用户采用状态之间存在交互作用，这与界面的感知说服力有关。关于控制设计()，采纳者与非采纳者之间无显著差异(P= .46)。然而，关于说服性设计，存在采纳效应，采用者(平均6.00，标准差0.97)认为用户界面比非采用者(平均4.61，标准差1.84)更有说服力。两组间平均差异的效应量接近较大(η)p2= 0.13)。因此，第九种假设(H3c)，采用者比非采用者更有可能认为诊断报告界面具有说服力，在说服性设计方面得到了验证。对这一发现的一个合理解释是，总体而言，采用者比不采用者更有动力，也更关心使用接触追踪应用程序遏制冠状病毒传播的社会义务，如前面5.2节诊断报告界面所述。事实上，采用者不仅发现说服性设计比非采用者(平均4.61,SD 1.84)更具说服力(平均5.03,SD 1.22)，而且发现它比对照设计更具说服力。然而，对于非采用者来说，情况并非如此，他们没有意识到说服设计的说服力(平均4.61，标准差1.84)与对照设计的说服力(平均4.77，标准差1.21)有显著差异。
值得注意的是，除了采用状态外，性别、年龄、教育程度和智能手机使用经验等人口统计学变量可能部分解释了评估P3 (H3c)的采用者组和非采用者组之间的显著差异。例如，如P3采用者组中三分之二为男性(6/ 9,67%)，而P3非采用者组中三分之一为男性(6/ 17,35%)。此外，41%(7/17)的P3非采用者组有1至5年的智能手机使用经验，而100%(8/8)的P3采用者组参与者有>年的智能手机使用经验。因此，在未来的分析中，我们希望调查性别、智能手机使用体验和其他人口统计学因素对P3采用者和非采用者群体之间显著差异的影响。人口统计学因素可能部分解释了采用者组对P3的看法比非采用者组更有说服力。研究问题如(1)随着智能手机使用体验的增加，人们是否更有可能认为有说服力的界面(如P3)具有说服力(百分比分布)似乎在暗示)(2)男性是否比女性更有可能认为说服性界面(如P3)具有说服力(百分比分布)似乎在暗示)将被处理。
采用对下载COVID警报应用程序意愿的影响
在非采采者中，关于下载COVID Alert应用程序意愿的卡方检验表明，用户界面有影响。这促使我们进行事后配对比较，以揭示应用设计的影响。对于未暴露状态界面，两两比较表明，说服性设计的效果大小较大()．这表明，观看劝说设计的组(13/ 21,62%)比观看控制设计的组(3/ 17,18%)更愿意下载应用程序。因此，第10个假设(H4a)，看过无暴露状态界面的劝说性设计的非采采者比看过控制设计的人更有可能采用COVID警报应用程序，则生效。这一发现在诊断报告接口上得到了复制。那些观看劝说设计的人(12/17,71%)比观看控制设计的人(7/16,44%)更愿意下载应用程序。因此，第十二个假设(H4c)，查看了诊断报告界面有说服力设计的非采用者比查看了控制设计的人更有可能采用COVID Alert应用程序，则生效。H4a和H4c的验证证实了:在非采用者组中，劝导设计的总体感知说服力(均值5.01,SD 1.54)显著高于对照设计(均值4.72,SD 1.25)。
然而，尽管P1和P3的效应量测试表明，有说服力的设计比控制设计(C1和C3)更有可能被参与者下载，C2和P2的情况则相反。曝光状态界面的效应量检验表明，第11个假设(H4a)，查看暴露状态界面的说服性设计(P2)的非采用率比查看控制设计(C2)的人更有可能采用COVID警报应用程序。，未被验证。具体来说，只有46%(12/26)的人愿意下载劝诱设计的应用程序，而74%(14/19)的人愿意下载控制设计的应用程序。这一发现是违反直觉的，因为观看了其他两种说服性设计(P1和P3)的非采采者比观看对照设计(C1和C3)的人更愿意下载应用程序。尽管这一发现与直觉相悖，但考虑到它与采用者()，对照组暴露状态界面的感知说服性(均值6.12,SD 1.01)显著高于其说服性版本(均值5.70,SD 1.02)。对于这一违反直觉的发现，一个合理的解释是，应用程序会记录用户在过去14天内的总联系人数量和曝光时间()，从隐私的角度来看，用户可能不喜欢这样做。应用程序显示的历史记录可能被视为个人监控[］．其次，如果在14天的滚动周期内接触的总人数很少，它有可能揭示用户从谁那里感染了病毒。这可能在一定程度上解释了在采用者和非采用者之间，有说服力版本的暴露状态接口的糟糕性能。另一个看似合理的解释是P2接口中提供的相对较高的假设统计数据，这可能与现实相去甚远。换句话说，如果在过去14天内观看了相对较高的接触人数和接触时间(75人212分钟)，可能会让一些人感到非常不舒服，甚至怀疑。这一论断的原因是，考虑到(1)他们可以查看他们的接触和曝光时间的累积总和，这是一个附加值，(2)查看说服性设计的P1和P3组比查看对照设计的C1和C3组更愿意下载应用程序，人们本可以预期P2组参与者愿意下载应用程序的百分比要高得多。换句话说，假设的数字可能比P2组在现实生活中预期的要高得多;例如，根据他们实际的社交距离行为，比如呆在家里和在家工作。这可能会导致认知失调，从而使P2组怀疑应用程序的准确性，这可能会对他们下载应用程序的意愿产生负面影响。在未来的工作中，我们将研究曝光状态界面中显示的联系人数量和曝光时间如何影响其感知说服力和参与者下载应用程序的意愿。
此外，在未来的工作中，我们将调查性别、年龄、教育程度和智能手机使用经验等人口统计学因素对下载应用程序意愿的可能影响。这可能有助于解释为什么观看曝光状态界面控制设计的组比观看说服设计的组更愿意下载应用程序。然而，根据所有4个人口统计因素，仅检查C2和P2非采用者组的人口统计分布百分比，两组之间似乎几乎没有差异()．例如，关于性别，C2非收养者组中53%(10/19)为男性，而P2非收养者组中62%(16/26)为男性。其次，关于教育程度，C2非收养者中有16%(3/19)拥有高中学历，P2非收养者中有23%(6/26)拥有学士学位，68%(13/19)拥有学士学位，54%(14/26)拥有学士学位，11%(2/19)拥有硕士学位(5/26)。这两个群体在人口统计学上的相似性让我们想到了这个问题除了人口统计学变量之外，还有什么可以解释C2和P2非采纳者群体在下载COVID警报应用程序的意愿方面的差异?在未来的工作中，对本研究中收集的定性数据进行分析，并调查暴露状态界面上显示的总暴露水平的影响，可以帮助回答这一研究问题，获得更多的见解。
主要调查结果摘要
我们已经证明，曝光通知应用程序可以被设计成有说服力的技术，使它们在激励行为改变方面更有效。我们的研究结果显示，如果曝光通知应用程序包含自我监控和社交学习等有说服力的功能，那么它们更有可能被采用，也更有效。我们的主要发现可以总结如下:
- 非采用者发现曝光通知应用程序的无曝光界面的有说服力设计比控制设计更有说服力。
- 非采用者更愿意下载一个有说服力的无暴露状态和诊断报告界面设计的曝光通知应用程序，而不是一个有控制设计的应用程序。
- 非采用者更愿意下载带有曝光状态界面控制设计的曝光通知应用程序，而不是具有说服性设计的应用程序。
- 诊断报告界面的说服性设计比对照设计更有可能激发使用者报告其COVID-19诊断。
- 采用者认为无暴露和暴露状态接口的控制设计比诊断报告接口的控制设计更有说服力。
- 采纳者认为曝光通知应用比不采纳者更有说服力。
- 仅在无暴露状态界面和诊断报告界面上分别配备自我监控和社会学习功能，可使非采用率提高>30%。
建议及未来工作
在总体研究结果的基础上在调查中，58%(37/64)看过说服性设计的非采纳者比46%(24/52)看过对照设计的非采纳者更愿意从应用商店下载应用。换句话说，由于在COVID Alert应用程序中加入了说服性功能，愿意从应用商店下载它的非采用率增加了10%。更重要的是，在无暴露状态界面和诊断报告界面中加入说服性功能，只可能将采用率提高30%。撇开曝光状态界面不谈，三分之二(25/38)看过说服性设计的人愿意下载，而三分之一(10/33)看过对照设计的人愿意下载。这一发现，加上大多数假设的验证，表明总体而言，曝光通知应用程序的说服性设计比控制设计更有可能被采用和有效。因此，我们建议曝光通知应用程序赞助商努力将自我监控和社会学习等有说服力的功能纳入未来的迭代中，以提高采用率和用户体验，并使其更有效地遏制COVID-19的传播。但是，出于隐私考虑(可能知道用户从谁那里感染了病毒)，在暴露状态界面中显示最近14天内接触者的总数可能不可取。在未来的研究中，这一建议应进一步调查。此外，我们在概念论文中确定的其他说服性特征(裁剪、个性化、专业知识、可信度、权威性、赞扬、奖励等)的潜在有效性[]也应该被调查;例如，对用户上传一次COVID-19诊断密钥进行表扬或奖励，会如何影响他们继续使用应用程序，或者如果他们再次检测呈阳性，他们是否会报告未来的诊断结果?
贡献
这项研究是首次进行这种性质的研究(将接触追踪应用程序设计为说服性技术)，使用加拿大居民目前使用的实际暴露通知应用程序(COVID Alert应用程序)作为概念证明。在这项研究中，我们对曝光通知应用程序的说服性设计做出了一些贡献，以使它们更有效地遏制COVID-19的传播。我们确定并展示了3个关键用户界面(无暴露状态、暴露状态和诊断报告)。研究人员可以将这些接口作为未来研究暴露通知应用程序的基础，不仅针对当前的COVID-19大流行，而且针对未来可能需要暴露通知应用程序的其他流行病和大流行。此外，设计人员可以通过加入自我监控和社会学习等有说服力的功能来改进曝光通知应用程序的设计，我们分别在无曝光状态界面和诊断报告界面中证明了这一点。最后，我们以经验证明，这两种界面的说服性设计有可能将非采用者的采用率提高30%。
限制
这项研究有局限性。第一个限制是样本量。在数据清理后，我们在6组中平均每组只有30名参与者。此外，在网络上招募的参与者(即亚马逊土耳其机器人平台)可能不能代表整个加拿大人口。例如，在网上招募的研究参与者中，数字素养和下载COVID警报应用程序的意愿可能更高[］．这一限制可能会影响目前研究结果对整个加拿大人口的推广。因此，有必要进行更大样本量、更能代表加拿大人口的进一步研究。这将有助于研究如何将目前的发现推广到更大的加拿大人口。此外，还需要在加拿大以外的国家人口中进行类似的研究，以检验研究结果对其他文化相似和不同的国家的适用性。例如，在未来，我们希望在居住在美国(个人主义文化与加拿大相似)和尼日利亚(集体主义文化与加拿大不同)的参与者中进行类似的研究。这项研究的第二个局限性是参与者的报酬，这可能在某种程度上影响了他们的回答。第三个限制是，我们的研究结果是基于加拿大COVID Alert应用程序的政府，该应用程序仅针对加拿大人口。因此，有必要进一步研究其他国家人群中特定国家的应用程序，以调查当前的发现如何在不同国家和文化中推广。本研究的第四个局限性是，我们没有在方差分析中调查性别、年龄、教育程度和智能手机使用经验等重要人口统计学变量对研究结果的主要影响和相互作用，尽管我们讨论了它们可能的影响。 The fifth limitation is that we did not investigate the entire range of persuasive strategies available from the PSD model. In addition to self-monitoring and social learning, other persuasive strategies may be instrumental in improving the persuasive design of contact tracing and exposure notification apps, with some being more likely to be effective in motivating certain health behaviors than others. Future work should address these limitations.
结论
鉴于COVID-19的流行潜力，接触者追踪和暴露通知应用程序可能在很长一段时间内继续有用[］．在本文中，我们使用加拿大的COVID警报作为概念证明，证明了暴露通知应用程序的说服性设计更有可能有效。首先，我们发现，除了了解自己的接触状态外，不使用手机的人通过自我监测，更喜欢跟踪他们的日常接触水平(接触数量和接触时间)。然而，在接到可能接触病毒的通知后，他们不倾向于知道接触者的总数和接触时间。这可能是出于隐私考虑，其中包括如果在14天滚动期内接触的总人数很少，则有可能知道从谁那里感染了病毒。其次，我们表明，采用者使用支持社会学习(知道有多少人报告了他们的诊断)的有说服力的设计，比对照设计更有动力报告他们的COVID-19诊断。综上所述，本研究表明，在暴露通知app的无暴露状态界面和诊断报告界面上分别配备自我监控和社会学习功能，可以使非采采者愿意下载该app的比例提高>30%。在未来的工作中，我们的目标是调查年龄、性别和教育程度等人口统计学变量如何调节曝光通知应用程序设计中说服性功能的有效性。另一方面，我们还期待调查感知的说服力与安装暴露通知应用程序、自我隔离和报告COVID-19诊断之间的关系。
致谢
该项目由加拿大自然科学与工程研究委员会发现基金(RGPIN-2017-05310)和滑铁卢大学网络安全与隐私研究所资助。
利益冲突
没有宣布。
参考文献
- 追踪COVID-19:数字时代的接触者追踪。世界卫生组织2020年9月9日。URL:<一个target="_blank" href="https://www.who.int/news-room/feature-stories/detail/tracking-covid-19-contact-tracing-in-the-digital-age">https://www.who.int/news-room/feature-stories/detail/tracking-covid-19-contact-tracing-in-the-digital-age[2021-01-10]访问
- 布雷斯韦特I，卡伦德T，布洛克M，阿尔德里奇RW。自动和部分自动接触者追踪:为COVID-19控制提供信息的系统评估。柳叶刀数字健康2020年11月;2(11):e607-e621 [<一个href="https://linkinghub.elsevier.com/retrieve/pii/S2589-7500(20)30184-9" target="_blank">免费全文] [<一个target="_blank" href="https://dx.doi.org/10.1016/S2589-7500(20)30184-9">CrossRef] [<一个href="https://www.ncbi.nlm.nih.gov/entrez/query.fcgi?cmd=Retrieve&db=PubMed&list_uids=32839755&dopt=Abstract" target="_blank">Medline］
- COVID-19 Delta变体:风险评估和实践意义。安大略省健康保护和促进局(安大略省公共卫生部)。2021年7月23日。URL:<一个target="_blank" href="https://www.publichealthontario.ca/-/media/documents/ncov/voc/2021/08/covid-19-delta-variant-risk-assessment-implications.pdf?sc_lang=en">https://www.publichealthontario.ca/-/media/documents/ncov/voc/2021/08/covid-19-delta-variant-risk-assessment-implications.pdf?sc_lang=en[2022-06-04]访问
- 疫苗接种后COVID-19的可能性:突破性感染。疾病控制和保护中心，2021年。URL:<一个target="_blank" href="https://www.cdc.gov/coronavirus/2019-ncov/vaccines/effectiveness/why-measure-effectiveness/breakthrough-cases.html">https://www.cdc.gov/coronavirus/2019-ncov/vaccines/effectiveness/why-measure-effectiveness/breakthrough-cases.html[2021-09-04]访问
- 西尔伯纳J.现在不是放弃接触追踪的时候。2021年8月26日。URL:<一个target="_blank" href="https://www.wired.com/story/contact-tracing-delta-variant/">https://www.wired.com/story/contact-tracing-delta-variant/[2021-09-21]访问
- Akinbi A, Forshaw M, Blinkhorn V. COVID-19大流行的接触追踪应用程序:新自由主义社会挑战和未来方向的系统文献综述。健康科学与科学系统2021年4月13日;9(1):18 [<一个href="http://europepmc.org/abstract/MED/33868671" target="_blank">免费全文] [<一个target="_blank" href="https://dx.doi.org/10.1007/s13755-021-00147-7">CrossRef] [<一个href="https://www.ncbi.nlm.nih.gov/entrez/query.fcgi?cmd=Retrieve&db=PubMed&list_uids=33868671&dopt=Abstract" target="_blank">Medline］
- Osmanlliu E, Rafie E, Bédard S, Paquette J, Gore G, Pomey MP。COVID-19接触者追踪应用程序设计和实现的考虑因素:范围审查。JMIR Mhealth Uhealth 2021年6月09;9(6):e27102 [<一个href="//www.mybigtv.com/mhealth/2021/6/e27102/" target="_blank">免费全文] [<一个target="_blank" href="https://dx.doi.org/10.2196/27102">CrossRef] [<一个href="https://www.ncbi.nlm.nih.gov/entrez/query.fcgi?cmd=Retrieve&db=PubMed&list_uids=34038376&dopt=Abstract" target="_blank">Medline］
- Sadasivan S.为COVID警报应用程序演示多样性和包容性，加拿大数字服务，2020年11月26日。URL:<一个target="_blank" href="https://digital.canada.ca/2020/11/26/illustrating-with-diversity-and-inclusion-for-the-covid-alert-app/">https://digital.canada.ca/2020/11/26/illustrating-with-diversity-and-inclusion-for-the-covid-alert-app/[2020-12-20]访问
- Kukuk L.分析使用UTAUT的COVID-19接触追踪应用程序的采用情况。特温特大学，2020年。URL:<一个target="_blank" href="http://essay.utwente.nl/81983/1/Kukuk_BA_EEMCS.pdf">http://essay.utwente.nl/81983/1/Kukuk_BA_EEMCS.pdf[2022-06-04]访问
- 特恩布尔S. COVID警报应用程序有近300万用户，但只有514份阳性检测报告。CTV新闻，2020年9月29日。URL:<一个target="_blank" href="https://www.ctvnews.ca/health/coronavirus/covid-alert-app-nears-3-million-users-but-only-514-positive-test-reports-1.5125256">https://www.ctvnews.ca/health/coronavirus/covid-alert-app-nears-3-million-users-but-only-514-positive-test-reports-1.5125256[2022-06-04]访问
- 不，冠状病毒应用程序不需要60%的采用率才能有效。《麻省理工科技评论》2020年6月5日。URL:<一个target="_blank" href="https://www.technologyreview.com/2020/06/05/1002775/covid-apps-effective-at-less-than-60-percent-download/">https://www.technologyreview.com/2020/06/05/1002775/covid-apps-effective-at-less-than-60-percent-download/[2021-02-16]访问
- Sharma B.评估全球联系人追踪应用的用户体验。UX Planet, 2020年10月3日。URL:<一个target="_blank" href="https://uxplanet.org/evaluating-the-ux-of-the-worlds-contact-tracing-apps-77187d8c0535">https://uxplanet.org/evaluating-the-ux-of-the-worlds-contact-tracing-apps-77187d8c0535[2021-11-05]访问
- COVID警报暴露通知应用程序的隐私审查。加拿大隐私专员办公室，2020年7月31日。URL:<一个target="_blank" href="https://priv.gc.ca/en/privacy-topics/health-genetic-and-other-body-information/health-emergencies/rev_covid-app/">https://priv.gc.ca/en/privacy-topics/health-genetic-and-other-body-information/health-emergencies/rev_covid-app/[2021-11-05]访问
- 加拿大的COVID Alert应用程序是技术驱动的糟糕政策设计的一个例子。对话，2020年8月13日。URL:<一个target="_blank" href="https://theconversation.com/canadas-covid-alert-app-is-a-case-of-tech-driven-bad-policy-design-144448">https://theconversation.com/canadas-covid-alert-app-is-a-case-of-tech-driven-bad-policy-design-144448[2021-11-05]访问
- 巴林、科威特和挪威的联系人追踪应用程序是对隐私最危险的。大赦国际，2020年6月16日。URL:<一个target="_blank" href="https://www.amnesty.org/en/latest/news/2020/06/bahrain-kuwait-norway-contact-tracing-apps-danger-for-privacy/">https://www.amnesty.org/en/latest/news/2020/06/bahrain-kuwait-norway-contact-tracing-apps-danger-for-privacy/[2021-11-05]访问
- 李涛，Cobb C，杨俊杰，Baviskar S, Agarwal Y，李波，等。是什么让人们安装COVID-19接触追踪应用程序?了解应用设计和个体差异对接触追踪应用采用意愿的影响。ubiquitous Mob Comput 2021年8月;75(C):101439。［<一个target="_blank" href="https://dx.doi.org/10.1016/j.pmcj.2021.101439">CrossRef］
- Cruz MM, Oliveira RS, Beltrão AP, Lopes PH, Viterbo J, Trevisan DG，等。评估对监测传染病传播的众包解决方案的接受程度。见:2020年IEEE国际智慧城市会议论文集，2020年发表于:ISC2 '20;2020年9月28日至10月1日;皮斯卡塔韦，新泽西州，美国p. 1-8网址:<一个target="_blank" href="https://doi.org/10.1109/ISC251055.2020.9239069">https://doi.org/10.1109/ISC251055.2020.9239069［<一个target="_blank" href="https://dx.doi.org/10.1109/isc251055.2020.9239069">CrossRef］
- 设计更好的曝光通知应用:说服设计的作用。JMIR公共卫生监测2021年11月16日;7(11):e28956 [<一个href="//www.mybigtv.com/publichealth/2021/11/e28956/" target="_blank">免费全文] [<一个target="_blank" href="https://dx.doi.org/10.2196/28956">CrossRef] [<一个href="https://www.ncbi.nlm.nih.gov/entrez/query.fcgi?cmd=Retrieve&db=PubMed&list_uids=34783673&dopt=Abstract" target="_blank">Medline］
- 沙玛S，辛格G，沙玛R，琼斯P，克劳斯S，德维维迪YK。数字健康创新:探索采用COVID-19数字接触追踪应用程序。IEEE Trans Eng Manage(即将出版)2020年9月5日1-17 [<一个href="https://doi.org/10.1109/TEM.2020.3019033" target="_blank">免费全文] [<一个target="_blank" href="https://dx.doi.org/10.1109/tem.2020.3019033">CrossRef］
- Walrave M, waterlooc, Ponnet k，是否准备好进行接触追踪?利用技术模型接受和使用的扩展统一理论，调查COVID-19接触追踪技术的采用意图。网络心理健康网络2021年6月;24(6):377-383。［<一个target="_blank" href="https://dx.doi.org/10.1089/cyber.2020.0483">CrossRef] [<一个href="https://www.ncbi.nlm.nih.gov/entrez/query.fcgi?cmd=Retrieve&db=PubMed&list_uids=33017171&dopt=Abstract" target="_blank">Medline］
- 李志强，李志强，李志强，等。基于应用程序的COVID-19接触追踪的可接受性:跨国调查研究。JMIR Mhealth Uhealth 2020年8月28日;8(8):e19857 [<一个href="//www.mybigtv.com/mhealth/2020/8/e19857/" target="_blank">免费全文] [<一个target="_blank" href="https://dx.doi.org/10.2196/19857">CrossRef] [<一个href="https://www.ncbi.nlm.nih.gov/entrez/query.fcgi?cmd=Retrieve&db=PubMed&list_uids=32759102&dopt=Abstract" target="_blank">Medline］
- Oinas-Kukkonen H, Harjumaa M.劝说系统设计:关键问题，过程模型和系统特征。公共协会信息系统2009;24:48 -500 [<一个href="https://doi.org/10.17705/1cais.02428" target="_blank">免费全文] [<一个target="_blank" href="https://dx.doi.org/10.17705/1cais.02428">CrossRef］
- EMVE-DeCK:一种基于理论的说服性技术设计和裁剪框架。第29届ACM用户建模、适应和个性化会议论文集。2021年发表于:UMAP '21;2021年6月21-25日;乌得勒支，荷兰p. 257-267网址:<一个target="_blank" href="https://doi.org/10.1145/3450614.3464617">https://doi.org/10.1145/3450614.3464617［<一个target="_blank" href="https://dx.doi.org/10.1145/3450614.3464617">CrossRef］
- Wiafe I.一个用于分析、设计和评估说服技术的统一框架。英国雷丁大学2012年9月<一个target="_blank" href="https://www.academia.edu/10613331/A_Framework_for_Analysing_Designing_and_Evaluating_Persuasive_Technologies">https://www.academia.edu/10613331/A_Framework_for_Analysing_Designing_and_Evaluating_Persuasive_Technologies[2022-06-04]访问
- Oyibo K, Yasunaga T, Morita PP.设计曝光通知应用程序作为有说服力的技术，以提高吸收和有效性。见:医疗保健中的人因因素和人体工程学国际研讨会论文集，2021年发表于:hfe '21;2021年4月12日至16日;虚拟网址:<一个target="_blank" href="https://hfeshcs2021.conference-program.com/presentation/?id=INDLEC155&sess=sess102">https://hfeshcs2021.conference-program.com/presentation/?id=INDLEC155&sess=sess102
- 联邦政府支持的Covid警报应用程序现在在安大略省可用。CTV新闻，2020年。URL:<一个target="_blank" href="https://ottawa.ctvnews.ca/federally-backed-covidalert-app-now-available-in-ontario-1.5046667">https://ottawa.ctvnews.ca/federally-backed-covidalert-app-now-available-in-ontario-1.5046667[2022-01-31]访问
- 王晓燕，王晓燕，王晓燕。劝导技术中社会影响的说服性及其对年龄和性别的影响。见:第二届说服技术个性化国际研讨会论文集，2017,PPT '17;2017年4月4日;荷兰阿姆斯特丹，第32-44页。［<一个target="_blank" href="https://dx.doi.org/10.1145/3099023.3099071">CrossRef］
- 王晓燕，王晓燕，王晓燕。年龄、性别对劝导技术社会影响力影响的文化影响。第25届用户建模、适应和个性化会议附属出版物。2017年发表于:UMAP '17;2017年7月9日至12日;斯洛伐克布拉迪斯拉发，第47-52页。［<一个target="_blank" href="https://dx.doi.org/10.1145/3099023.3099071">CrossRef］
- Orji R, Lomotey R, Oyibo K, Orji F, Blustein J, Shahid S.跟踪感觉压抑和“惩罚”:探索自我监测健康和健康的成本和收益。数字健康2018 9月3日;4:2055207618797554 [<一个href="https://journals.sagepub.com/doi/10.1177/2055207618797554?url_ver=Z39.88-2003&rfr_id=ori:rid:crossref.org&rfr_dat=cr_pub%3dpubmed" target="_blank">免费全文] [<一个target="_blank" href="https://dx.doi.org/10.1177/2055207618797554">CrossRef] [<一个href="https://www.ncbi.nlm.nih.gov/entrez/query.fcgi?cmd=Retrieve&db=PubMed&list_uids=30202544&dopt=Abstract" target="_blank">Medline］
- Oyibo K, Vassileva J.驱动采用健身应用程序的说服性特征以及年龄和性别的调节作用。多模式技术互动2020年5月11日;4(2):17。［<一个target="_blank" href="https://dx.doi.org/10.3390/mti4020017">CrossRef］
- 调查健身应用程序设计的关键说服功能，并扩展说服系统设计模型:定性方法。人类因素人体健康保健2021年7月22日;10(1):47-53。［<一个target="_blank" href="https://dx.doi.org/10.1177/2327857921101022">CrossRef］
- Orji R, Oyibo K, Lomotey RK, Orji FA。社会驱动的说服性健康干预设计:竞争、社会比较和合作。卫生信息学杂志2019年12月;25(4):1451-1484 [<一个href="https://journals.sagepub.com/doi/10.1177/1460458218766570?url_ver=Z39.88-2003&rfr_id=ori:rid:crossref.org&rfr_dat=cr_pub%3dpubmed" target="_blank">免费全文] [<一个target="_blank" href="https://dx.doi.org/10.1177/1460458218766570">CrossRef] [<一个href="https://www.ncbi.nlm.nih.gov/entrez/query.fcgi?cmd=Retrieve&db=PubMed&list_uids=29801426&dopt=Abstract" target="_blank">Medline］
- Hair JF, Tatham RL, Anderson RE, Black W.多元数据分析。第5版。霍博肯，新泽西州，美国:普伦蒂斯大厅;1998.
- Oyibo K, Morita PP. COVID警报:影响加拿大居民采用暴露通知应用程序的因素。正面数字健康2022 3月11日;4:842661 [<一个href="http://europepmc.org/abstract/MED/35360366" target="_blank">免费全文] [<一个target="_blank" href="https://dx.doi.org/10.3389/fdgth.2022.842661">CrossRef] [<一个href="https://www.ncbi.nlm.nih.gov/entrez/query.fcgi?cmd=Retrieve&db=PubMed&list_uids=35360366&dopt=Abstract" target="_blank">Medline］
- Oyibo K, Sahu KS, Oetomo A, Morita PP.影响接触追踪应用采用的因素:系统回顾的协议。JMIR Res Protoc 2021 Jun 01;10(6):e28961 [<一个href="https://www.researchprotocols.org/2021/6/e28961/" target="_blank">免费全文] [<一个target="_blank" href="https://dx.doi.org/10.2196/28961">CrossRef] [<一个href="https://www.ncbi.nlm.nih.gov/entrez/query.fcgi?cmd=Retrieve&db=PubMed&list_uids=33974551&dopt=Abstract" target="_blank">Medline］
- Hernández-Quevedo C, Scarpetti G, Webb E, Shuftan N, Williams GA, Birk HO，等。有效的联系人追踪和应用程序的作用:来自欧洲的教训。欧洲卫生2020;26(2):40-44 [<一个href="https://apps.who.int/iris/bitstream/handle/10665/336294/Eurohealth-26-2-40-44-eng.pdf?sequence=1&isAllowed=y" target="_blank">免费全文］
- Dowthwaite L, Fischer J, Perez Vallejos E, Portillo V, Nichele E, Goulden M，等。英国公众对NHS COVID-19接触者追踪应用程序的采用和信任:定量在线调查研究J Med Internet Res 2021 9月17日;23(9):e29085 [<一个href="//www.mybigtv.com/2021/9/e29085/" target="_blank">免费全文] [<一个target="_blank" href="https://dx.doi.org/10.2196/29085">CrossRef] [<一个href="https://www.ncbi.nlm.nih.gov/entrez/query.fcgi?cmd=Retrieve&db=PubMed&list_uids=34406960&dopt=Abstract" target="_blank">Medline］
- Oyibo K, Sahu K, Oetomo A, Morita PP.影响采用接触追踪应用程序的因素:系统评价和建议。正面数字健康2022年5月3日;4:862466 [<一个href="http://europepmc.org/abstract/MED/35592459" target="_blank">免费全文] [<一个target="_blank" href="https://dx.doi.org/10.3389/fdgth.2022.862466">CrossRef] [<一个href="https://www.ncbi.nlm.nih.gov/entrez/query.fcgi?cmd=Retrieve&db=PubMed&list_uids=35592459&dopt=Abstract" target="_blank">Medline］
- 网络隐私的定义是什么?温斯顿斯特朗律师事务所。2020.URL:<一个target="_blank" href="https://www.winston.com/en/legal-glossary/online-privacy.html">https://www.winston.com/en/legal-glossary/online-privacy.html[2021-11-03]访问
- Wogalter MS, Mayhorn CB。信任网络:影响感知可信度的线索。计算机科学进展，2008;4(1):75-93 [J]<一个href="https://doi.org/10.4018/jthi.2008010105" target="_blank">免费全文] [<一个target="_blank" href="https://dx.doi.org/10.4018/jthi.2008010105">CrossRef］
- Nemec Zlatolas L, Welzer T, Hölbl M, herijko M, kamialiic A.在线社交网络中隐私、信任和自我披露的感知模型。熵(巴塞尔)2019 Aug 07;21(8):772 [<一个href="https://www.mdpi.com/resolver?pii=e21080772" target="_blank">免费全文] [<一个target="_blank" href="https://dx.doi.org/10.3390/e21080772">CrossRef] [<一个href="https://www.ncbi.nlm.nih.gov/entrez/query.fcgi?cmd=Retrieve&db=PubMed&list_uids=33267485&dopt=Abstract" target="_blank">Medline］
- 隐私、信任和控制:与在线自我表露的关系?Comput Human behaviour 2013 May;29(3):821-826 [<一个href="https://doi.org/10.1016/j.chb.2012.11.022" target="_blank">免费全文] [<一个target="_blank" href="https://dx.doi.org/10.1016/j.chb.2012.11.022">CrossRef］
- Metzger乔丹。隐私、信任和披露:探索电子商务的障碍。《计算机与媒体通讯》2004年7月;9(4):JCMC942。［<一个target="_blank" href="https://dx.doi.org/10.1111/j.1083-6101.2004.tb00292.x">CrossRef］
- Riquelme IP, Román S.隐私和安全对在线信任的影响对所有类型的消费者都是一样的吗?电子市场2014年1月22日;24(2):135-149 [<一个href="https://doi.org/10.1007/s12525-013-0145-3" target="_blank">免费全文] [<一个target="_blank" href="https://dx.doi.org/10.1007/s12525-013-0145-3">CrossRef］
- K春玲，Bin Daud D, Hoi piw T, Keoy KH, Hassan P.马来西亚网络购买意愿的感知风险、感知技术、网络信任。Int J Bus Manag 2011年6月01日;6(6):167 [<一个href="https://doi.org/10.5539/ijbm.v6n6p167" target="_blank">免费全文] [<一个target="_blank" href="https://dx.doi.org/10.5539/ijbm.v6n6p167">CrossRef］
- Kaspar K.社交距离和应用程序使用作为对抗COVID-19大流行的补充措施的动机:定量调查研究J Med Internet Res 2020 Aug 27;22(8):e21613 [<一个href="//www.mybigtv.com/2020/8/e21613/" target="_blank">免费全文] [<一个target="_blank" href="https://dx.doi.org/10.2196/21613">CrossRef] [<一个href="https://www.ncbi.nlm.nih.gov/entrez/query.fcgi?cmd=Retrieve&db=PubMed&list_uids=32759100&dopt=Abstract" target="_blank">Medline］
- velcia - martin F, Cabrera-Sanchez JP, Gil-Cordero E, Palos-Sanchez PR.研究COVID-19追踪应用程序接受度:结合技术接受模型的理论。中国计算机科学(英文版)2021年1月4日;7:e316 [<一个href="http://europepmc.org/abstract/MED/33816983" target="_blank">免费全文] [<一个target="_blank" href="https://dx.doi.org/10.7717/peerj-cs.316">CrossRef] [<一个href="https://www.ncbi.nlm.nih.gov/entrez/query.fcgi?cmd=Retrieve&db=PubMed&list_uids=33816983&dopt=Abstract" target="_blank">Medline］
- Jonker M, de Bekker-Grob E, Veldwijk J, Goossens L, Bour S, rutter - van Mölken M. COVID-19接触者追踪应用程序:基于离散选择实验在荷兰的预测使用量。JMIR Mhealth Uhealth 2020 Oct 09;8(10):e20741 [<一个href="//www.mybigtv.com/mhealth/2020/10/e20741/" target="_blank">免费全文] [<一个target="_blank" href="https://dx.doi.org/10.2196/20741">CrossRef] [<一个href="https://www.ncbi.nlm.nih.gov/entrez/query.fcgi?cmd=Retrieve&db=PubMed&list_uids=32795998&dopt=Abstract" target="_blank">Medline］
- Thomas R, Michaleff ZA, Greenwood H, Abukmail E, Glasziou P.对澳大利亚政府COVIDSafe应用程序的担忧和误解:横断面调查研究。JMIR公共卫生监测2020年11月04日;6(4):e23081 [<一个href="//www.mybigtv.com/publichealth/2020/4/e23081/" target="_blank">免费全文] [<一个target="_blank" href="https://dx.doi.org/10.2196/23081">CrossRef] [<一个href="https://www.ncbi.nlm.nih.gov/entrez/query.fcgi?cmd=Retrieve&db=PubMed&list_uids=33048826&dopt=Abstract" target="_blank">Medline］
- Timberg C, Harwell D, Safarpour A.大多数美国人不愿意或无法使用跟踪冠状病毒感染的应用程序。这对大型科技公司减缓大流行的计划来说是一个问题。《华盛顿邮报》2020年4月29日URL:<一个target="_blank" href="https://www.washingtonpost.com/technology/2020/04/29/most-americans-are-not-willing-or-able-use-an-app-tracking-coronavirus-infections-thats-problem-big-techs-plan-slow-pandemic/">https://www.washingtonpost.com/technology/2020/04/29/most-americans-are-not-willing-or-able-use-an-app-tracking-coronavirus-infections-thats-problem-big-techs-plan-slow-pandemic/[2022-06-04]访问
- van Loon MH.自我评估和自我反思，以衡量和提高工作场所的自我调节学习。在:麦格拉斯S，穆德M, Papier J，苏亚特R，编辑。职业教育和培训手册:不断变化的工作世界的发展。瑞士占姆:施普林格;2018年6月12日:1-20。
- 班杜拉的社会学习理论。SimplyPsychology。2016.URL:<一个target="_blank" href="https://www.simplypsychology.org/bandura.html">https://www.simplypsychology.org/bandura.html[2021-12-03]访问
- 设计适合文化的劝导技术促进身体活动。萨斯喀彻温大学，2020年。URL:<一个target="_blank" href="https://harvest.usask.ca/handle/10388/12943">https://harvest.usask.ca/handle/10388/12943[2022-06-04]访问
- Baumeister RF, Gailliot M, DeWall CN, Oaten M.自我调节和人格:干预如何增加调节成功，以及损耗如何调节特征对行为的影响。J Pers 2006 12月;74(6):1773-1801。［<一个target="_blank" href="https://dx.doi.org/10.1111/j.1467-6494.2006.00428.x">CrossRef] [<一个href="https://www.ncbi.nlm.nih.gov/entrez/query.fcgi?cmd=Retrieve&db=PubMed&list_uids=17083666&dopt=Abstract" target="_blank">Medline］
- 班杜拉:社会学习理论。MarcR职业专家。URL:<一个target="_blank" href="https://marcr.net/marcr-for-career-professionals/career-theory/career-theories-and-theorists/social-learning-theory-bandura/">https://marcr.net/marcr-for-career-professionals/career-theory/career-theories-and-theorists/social-learning-theory-bandura/[2021-12-03]访问
- Lyons SD, Berge ZL。社会学习理论。进:编辑赛尔·NM。学习科学百科全书。美国马萨诸塞州波士顿:施普林格;2012:1-6。
- 说服技术接受模型与文化的调节作用。Front Comput Sci 2020年3月25日;2:10 [<一个href="https://doi.org/10.3389/fcomp.2020.00010" target="_blank">免费全文] [<一个target="_blank" href="https://dx.doi.org/10.3389/fcomp.2020.00010">CrossRef］
- 王晓明，王晓明。基于用户体验的用户体验设计策略研究[j] .信息科学，2021年9月7日;12(9):365 [<一个href="https://doi.org/10.3390/info12090365" target="_blank">免费全文] [<一个target="_blank" href="https://dx.doi.org/10.3390/info12090365">CrossRef］
- 蔡茵斯卡，米内斯库A，麦加蒂C。“我们支持的越多，我们争取的越多”:多重社会身份影响下的兼容性和合法性。前线精神2017年4月26日;8:642 [<一个href="https://doi.org/10.3389/fpsyg.2017.00642" target="_blank">免费全文] [<一个target="_blank" href="https://dx.doi.org/10.3389/fpsyg.2017.00642">CrossRef] [<一个href="https://www.ncbi.nlm.nih.gov/entrez/query.fcgi?cmd=Retrieve&db=PubMed&list_uids=28491046&dopt=Abstract" target="_blank">Medline］
- Hubert M, Blut M, Brock C，张rw, Koch V, Riedl R.接受和采用驱动因素对智能家居使用的影响。欧元J马克2019年6月10日;53(6):1073-1098。［<一个target="_blank" href="https://dx.doi.org/10.1108/EJM-12-2016-0794">CrossRef］
- 泰勒S，托德PA。理解信息技术的使用:竞争模式的测试。Inf Syst Res 1995 Jun;6(2):144-176。［<一个target="_blank" href="https://dx.doi.org/10.1287/isre.6.2.144">CrossRef］
- 说服入门。YouTube。2018年11月4日。URL:<一个target="_blank" href="https://www.youtube.com/watch?v=iufD8CeQpAo">https://www.youtube.com/watch?v=iufD8CeQpAo[2021-02-19]访问
- 奥伊博·K，阿法吉·I, Orji R, Olabenjo B, Vassileva J.行为建模中古典美学、表现美学和说服力的相互作用。在:第32届国际BCS人机交互会议论文集。2018年发表于:HCI '18;2018年7月4日至6日;贝尔法斯特，英国，1-10页。［<一个target="_blank" href="https://dx.doi.org/10.14236/ewic/hci2018.15">CrossRef］
- 王浩，李凯。融入流:社交存在感、感知享受和专注度对手机社交网络游戏可持续使用意图的影响。可持续发展2020 8月24日;12(17):6853 [<一个href="https://doi.org/10.3390/SU12176853" target="_blank">免费全文] [<一个target="_blank" href="https://dx.doi.org/10.3390/su12176853">CrossRef］
- 李志强，李志强。行为改变支持系统感知说服力的影响因素研究。见:第33届信息系统国际会议论文集。2012年发表于:ICIS '12;2012年12月16日至19日;美国佛罗里达州奥兰多，第1-15页。
- 布梅斯M，光涛，高令SD。亚马逊的土耳其机器人:物美价廉的新数据来源?心理科学展望2011年1月;6(1):3-5。［<一个target="_blank" href="https://dx.doi.org/10.1177/1745691610393980">CrossRef] [<一个href="https://www.ncbi.nlm.nih.gov/entrez/query.fcgi?cmd=Retrieve&db=PubMed&list_uids=26162106&dopt=Abstract" target="_blank">Medline］
- 欢迎来到亚马逊土耳其机器人请求者用户界面指南。亚马逊网络服务。URL:<一个target="_blank" href="https://docs.aws.amazon.com/AWSMechTurk/latest/RequesterUI/Introduction.html">https://docs.aws.amazon.com/AWSMechTurk/latest/RequesterUI/Introduction.html[2021-11-03]访问
- 临床研究者的统计笔记:卡方检验和费雪精确检验。Restor Dent Endod 2017 May;42(2):152-155 [<一个href="https://rde.ac/DOIx.php?id=10.5395/rde.2017.42.2.152" target="_blank">免费全文] [<一个target="_blank" href="https://dx.doi.org/10.5395/rde.2017.42.2.152">CrossRef] [<一个href="https://www.ncbi.nlm.nih.gov/entrez/query.fcgi?cmd=Retrieve&db=PubMed&list_uids=28503482&dopt=Abstract" target="_blank">Medline］
- 均值推断:比较两个独立样本。英属哥伦比亚大学，2012。URL:<一个target="_blank" href="http://www.stat.ubc.ca/~rollin/stats/ssize/n2.html">http://www.stat.ubc.ca/~rollin/stats/ssize/n2.html[2021-03-17]访问
- 说服与文化:个人-集体主义与影响策略的敏感性。2016说服技术个性化研讨会论文集，PPT’16;2016年4月5日;奥地利的萨尔茨堡。
- Al-Jabri IM。云计算采用者和非采用者的看法:技术-组织-环境框架的应用。载于:第十四届电子商务国际会议论文集。2014年发表于:ICEB '14;2014年12月8-12日;台北,台湾。
- Emani S, Peters E, Desai S, Karson AS, Lipsitz SR, LaRocca R，等。谁采用患者门户?:创新扩散模型的应用。J Innov Health Inform 2018年10月25日;25(3):149-157 [<一个href="https://informatics.bmj.com/lookup/pmidlookup?view=long&pmid=30398458" target="_blank">免费全文] [<一个target="_blank" href="https://dx.doi.org/10.14236/jhi.v25i3.991">CrossRef] [<一个href="https://www.ncbi.nlm.nih.gov/entrez/query.fcgi?cmd=Retrieve&db=PubMed&list_uids=30398458&dopt=Abstract" target="_blank">Medline］
- Dickerson MD, Gentry JW。家用电脑的使用者和非使用者的特征。《消费研究》1983年9月;10(2):225-235 [<一个href="https://doi.org/10.1086/208961" target="_blank">免费全文] [<一个target="_blank" href="https://dx.doi.org/10.1086/208961">CrossRef］
- 桑切斯。G. PLS路径建模。R. Berkley。2013。URL:<一个target="_blank" href="https://www.gastonsanchez.com/PLS_Path_Modeling_with_R.pdf">https://www.gastonsanchez.com/PLS_Path_Modeling_with_R.pdf[2022-06-04]访问
- 毛俊杰，霍特GT，林克尔CM，萨斯泰特M.偏最小二乘结构方程建模入门(PLS-SEM)。第二版。美国华盛顿特区:Sage Publications;2016.
- van den Berg RG。效果大小-一个快速指南。SPSS教程。URL:<一个target="_blank" href="https://www.spss-tutorials.com/effect-size/">https://www.spss-tutorials.com/effect-size/[2021-09-29]访问
- 《生物统计学手册》的R伴侣。1.3.2版本。R伴侣。2015。URL:<一个target="_blank" href="https://rcompanion.org/rcompanion/a_02.html">https://rcompanion.org/rcompanion/a_02.html[2022-06-04]访问
- 凯利K，斯坦利D.包装“效应大小”。综合R档案网络。2021。URL:<一个target="_blank" href="https://cran.r-project.org/web/packages/effectsize/effectsize.pdf">https://cran.r-project.org/web/packages/effectsize/effectsize.pdf[2021-09-23]访问
- 王晓明，王晓明，王晓明。农业教育量化研究中的效应量分析。J Agric Educ 2011 Mar 01;52(1):132-142 [<一个href="https://doi.org/10.5032/jae.2011.01132" target="_blank">免费全文] [<一个target="_blank" href="https://dx.doi.org/10.5032/jae.2011.01132">CrossRef］
- Hussain S, Fangwei Z, Siddiqi AF, Ali Z, Shabbir MS.社会基础设施项目质量影响因素的结构方程模型。可持续发展2018年5月03日;10(5):1415 [<一个href="https://doi.org/10.3390/su10051415" target="_blank">免费全文] [<一个target="_blank" href="https://dx.doi.org/10.3390/su10051415">CrossRef］
- 亚伯拉罕N, Cwalina C, Evans M, Flockhart F, Gamvros A, Lennon J.澳大利亚的联系人追踪应用程序:数据隐私的新世界。诺顿·罗丝·富布赖特，2021年。URL:<一个target="_blank" href="https://www.nortonrosefulbright.com/-/media/files/nrf/nrfweb/contact-tracing/australia-contact-tracing.pdf?revision=9f35a88a-4124-4c48-b38f-68e86a187050&la=en">https://www.nortonrosefulbright.com/-/media/files/nrf/nrfweb/contact-tracing/australia-contact-tracing.pdf?revision=9f35a88a-4124-4c48-b38f-68e86a187050&la=en[2021-01-31]访问
- Abuhammad S, Khabour OF, Alzoubi KH。Covid-19接触者追踪技术:使用的可接受性和伦理问题。患者偏好坚持2020年9月18日14:1639-1647 [<一个href="https://dx.doi.org/10.2147/PPA.S276183" target="_blank">免费全文] [<一个target="_blank" href="https://dx.doi.org/10.2147/PPA.S276183">CrossRef] [<一个href="https://www.ncbi.nlm.nih.gov/entrez/query.fcgi?cmd=Retrieve&db=PubMed&list_uids=32982188&dopt=Abstract" target="_blank">Medline］
- 圣阿诺·p·渥太华在COVID-19跟踪应用程序上花费了近2000万美元，但结果尚无定论。CTV新闻，2021年7月6日。URL:<一个target="_blank" href="https://www.ctvnews.ca/politics/ottawa-spent-nearly-20-million-on-covid-19-tracking-app-with-inconclusive-results-1.5497296">https://www.ctvnews.ca/politics/ottawa-spent-nearly-20-million-on-covid-19-tracking-app-with-inconclusive-results-1.5497296[2022-06-02]访问
缩写
| GOF:拟合优度 |
| PSD:说服性系统设计 |
| RM-ANOVA:重复测量方差分析 |
| TAM:技术接受模型 |
A Mavragani编辑;提交11.10.21;同行评审:B Marcolin, V Mylonopoulou;对作者01.11.21的评论;修订版本收到08.12.21;接受29.04.22;发表06.09.22
版权©Kiemute Oyibo, Plinio Pelegrini Morita。最初发表于JMIR Formative Research (https://formative.www.mybigtv.com)， 06.09.2022。
这是一篇开放获取的文章，根据创作共用署名许可协议(https://creativecommons.org/licenses/by/4.0/)的条款发布，允许在任何媒介上不受限制地使用、分发和复制，前提是正确引用了首次发表在JMIR Formative Research上的原创作品。必须包括完整的书目信息，https://formative.www.mybigtv.com上的原始出版物的链接，以及此版权和许可信息。