在COVID-19大流行开始时，世界各地的人们、组织和政府都陷入了不确定性之中[gydF4y2Ba 1gydF4y2Ba]，导致日常行为的改变[gydF4y2Ba 2gydF4y2Ba，gydF4y2Ba 3.gydF4y2Ba］．为了控制大流行和保护生命，当局实施了不同的政策，从相对温和的措施(如保持社交距离或强制佩戴口罩)的建议(如加强手部和呼吸道卫生或通风室)，到对公民权利的深远干预(如限制人员流动或封锁)[gydF4y2Ba 4gydF4y2Ba-gydF4y2Ba 6gydF4y2Ba］．gydF4y2Ba

有效抗击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[gydF4y2Ba 7gydF4y2Ba，gydF4y2Ba 8gydF4y2Ba］．因此，控制这一流行病的措施必须协调一致[gydF4y2Ba 9gydF4y2Ba］．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预防COVID-19的最基本措施[gydF4y2Ba 9gydF4y2Ba，gydF4y2Ba 10gydF4y2Ba］．从卫生保健管理的角度来看，检测是一个关键因素，可以提供有关病毒随时间传播的宝贵信息[gydF4y2Ba 9gydF4y2Ba］．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、聚合酶链反应设备或实验室)是限制测试能力的瓶颈[gydF4y2Ba 11gydF4y2Ba］．埃姆斯和基林[gydF4y2Ba 12gydF4y2Ba]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，接触者追踪，然后进行治疗或隔离，是抗击传染病的一项有效措施[gydF4y2Ba 13gydF4y2Ba］．然而，接触者追踪工作的有效性主要取决于及时和全面地收集和处理数据[gydF4y2Ba 14gydF4y2Ba，gydF4y2Ba 15gydF4y2Ba］．人工接触追踪只能在有限的程度上满足这些要求，因为它耗时耗力，而且容易出错[gydF4y2Ba 16gydF4y2Ba］．由此产生的对采取数字解决方案的迫切需求已变得显而易见，因为卫生当局在手动接触者追踪的负担下正在崩溃[gydF4y2Ba 16gydF4y2Ba］．gydF4y2Ba

接触者追踪应用程序引起了政界人士、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，并及时和有针对性地实施检测和隔离等进一步措施[gydF4y2Ba 14gydF4y2Ba］．仿真模型表明，与手动解决方案相比，数字接触跟踪更有效，并有可能防止高达80%的所有传输[gydF4y2Ba 14gydF4y2Ba，gydF4y2Ba 17gydF4y2Ba］．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[gydF4y2Ba 18gydF4y2Ba］．对一些国家的政府来说，实现大规模但自愿的技术接受是一项重大挑战[gydF4y2Ba 19gydF4y2Ba］．初步的正面效应预期已达到约20%的渗透率[gydF4y2Ba 15gydF4y2Ba］．然而，截至2020年10月，几个国家的普及率远低于这一值，这表明必须采取行动，实现接触追踪应用程序的潜力。gydF4y2Ba 20.gydF4y2Ba］．尽管之前的研究关注的是其有效性[gydF4y2Ba 14gydF4y2Ba，gydF4y2Ba 17gydF4y2Ba，gydF4y2Ba 19gydF4y2Ba，gydF4y2Ba 21gydF4y2Ba]或COVID-19追踪应用程序技术规格[gydF4y2Ba 22gydF4y2Ba，没有人调查过影响COVID-19追踪应用程序发布后迅速和广泛采用的因素。gydF4y2Ba

因此，使用COVID-19追踪应用程序可能与各种不确定性有关。这些不确定性可分为与COVID-19健康相关的一般问题和应用程序特有的风险，具体表现为应用程序需要处理敏感用户数据而产生的性能风险和隐私风险[gydF4y2Ba 22gydF4y2Ba-gydF4y2Ba 24gydF4y2Ba］．此外，人们可能会害怕使用或不使用追踪应用程序带来的社会压力或社会排斥，从而产生社会风险。gydF4y2Ba 25gydF4y2Ba］．根据不确定性减少理论(URT)，这些不确定性可以通过适当的手段减少，如透明的沟通、社会影响和信任[gydF4y2Ba 26gydF4y2Ba-gydF4y2Ba 29gydF4y2Ba］．因此，减少不确定性的手段可以促进一般技术的采用过程[gydF4y2Ba 28gydF4y2Ba特别是COVID-19追踪应用程序。由于COVID-19追踪应用主要由政府发布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，还对政府进行了信任检查[gydF4y2Ba 24gydF4y2Ba］．为了更深入地了解起作用的因素，研究了以下研究问题(rq):gydF4y2Ba

为了解决这两个rq问题，我们建立了一个基于URT的理论模型。为了测试该模型，在两个不同的时间(应用程序启动前1周和启动后4周)，通过结构化在线调查对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，我们将提供有关COVID-19追踪应用程序的信息，解释理论基础，并推导假设。gydF4y2Ba

这篇简要综述旨在概述自动接触者追踪应用程序的特点，用于识别有风险的接触者和控制人类疾病传播。目前，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[gydF4y2Ba 21gydF4y2Ba］．目前存在两种主要技术方法:(1)GPS数据用于确定个人及其设备是否在规定的时间内位于地理邻近范围内;(2)低功耗蓝牙用于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[gydF4y2Ba 30.gydF4y2Ba，gydF4y2Ba 31gydF4y2Ba］．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上(如法国的追踪应用程序)，要么存储在特定设备的分散位置(如德国的追踪应用程序)[gydF4y2Ba 31gydF4y2Ba］．除了技术配置之外，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已经被自愿使用，但一些国家(如中国)要求公民安装应用程序[gydF4y2Ba 24gydF4y2Ba，gydF4y2Ba 32gydF4y2Ba］．此外，源代码可能由开发人员发布或保留(开源政策)。尽管有这些选择，各地区仍需要一款特定的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，以实现足够的采用率，并提醒可能感染的人[gydF4y2Ba 22gydF4y2Ba，gydF4y2Ba 33gydF4y2Ba］．《麻省理工科技评论》提供了不同地区使用的COVID-19追踪应用程序及其特征的频繁更新概述[gydF4y2Ba 20.gydF4y2Ba］．尽管Trang等人[gydF4y2Ba 22gydF4y2Ba]表明应用程序设计影响大规模接受的可能性，但缺乏证据表明行政方面在多大程度上影响COVID-19追踪应用程序的(大规模)采用。gydF4y2Ba

城市轨道交通(gydF4y2Ba 26gydF4y2Ba最初是从通信科学的角度探讨了陌生人之间的初始互动。核心假设指出，个人在与未知伙伴的互动中面临不确定性，个人试图减少这些不确定性。伯杰和卡拉布雷斯[gydF4y2Ba 26gydF4y2Ba他将不确定性描述为一种状态，在这种状态下，一个人面临着关于陌生人行为的几种选择。更多的选择让个体感到更不舒服，因为另一个人的行为更难预测。gydF4y2Ba 34gydF4y2Ba］．尽管URT最初是为了解释个体之间的初始互动而开发的，但该理论已应用于其他背景，如招聘过程[gydF4y2Ba 35gydF4y2Ba]、以电脑为媒介的通讯[gydF4y2Ba 36gydF4y2Ba]、网上商贸[gydF4y2Ba 37gydF4y2Ba]，或组织行为[gydF4y2Ba 38gydF4y2Ba］．因此，URT不仅局限于个人的交互，而且在其他环境中也很有用。例如，Venkatesh等人[gydF4y2Ba 28gydF4y2Ba]的研究表明，URT适用于解释电子政务环境中个人和机构之间的技术支持沟通。此外，上呼吸道也适用于一般的危机情况，特别是当前的COVID-19大流行[gydF4y2Ba 29gydF4y2Ba］．gydF4y2Ba

在2019冠状病毒病期间，URT的应用是适当的，因为形势具有各种深远的不确定性。看看COVID-19追踪应用程序，不同的不确定性很明显。首先，医疗保健技术通常在数据隐私方面存在不确定性[gydF4y2Ba 39gydF4y2Ba］．在COVID-19追踪应用程序中也发现了这些不确定性，因为它们需要处理敏感的个人数据[gydF4y2Ba 22gydF4y2Ba，gydF4y2Ba 30.gydF4y2Ba］．个人担心他们的隐私会受到侵犯，从而导致不良后果，如政府监视[gydF4y2Ba 30.gydF4y2Ba，gydF4y2Ba 40gydF4y2Ba］．此外，人们担心个人数据被用于对未使用COVID-19追踪应用程序的人实施隔离或限制其进入公共场所[gydF4y2Ba 24gydF4y2Ba］．其次，跟踪应用程序的真实性能和功能存在明显的不确定性。gydF4y2Ba 23gydF4y2Ba］．对于大多数国家的个人来说，使用移动应用程序来控制大流行是一件新鲜事。因此，他们不能借鉴过去的经验，可能会质疑它的实用性(例如，虚假警报或只有少数人使用该应用程序)。第三，社会风险是可以识别的，人们可能会害怕使用或不使用追踪应用程序的社会压力或社会排斥[gydF4y2Ba 25gydF4y2Ba］．除了追踪与应用程序相关的不确定性外，COVID-19与健康相关的总体担忧还来自大流行本身。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个不确定性[gydF4y2Ba 41gydF4y2Ba-gydF4y2Ba 43gydF4y2Ba］．gydF4y2Ba

根据URT，个体通过被动(观察)、主动(面向目标的搜索)和互动(与陌生人互动)的信息寻求方法来减少不确定性[gydF4y2Ba 26gydF4y2Ba，gydF4y2Ba 27gydF4y2Ba］．我们讨论透明度、社会影响和(初始)信任，因为这些因素有助于个人的信息寻求策略[gydF4y2Ba 28gydF4y2Ba，gydF4y2Ba 46gydF4y2Ba-gydF4y2Ba 48gydF4y2Ba］．gydF4y2Ba

尤其是被动策略和主动策略，个体依赖于可获取的有价值的信息[gydF4y2Ba 46gydF4y2Ba］．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，信息必须是可用的。如果得不到信息，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，透明度是被动和主动信息寻求策略的推动者。我们将透明度定义为“发件人有意分享信息的可感知质量”[gydF4y2Ba 49gydF4y2Ba］．根据最近的透明度研究，透明度最好被理解为一个由信息披露、清晰和准确组成的多维结构[gydF4y2Ba 49gydF4y2Ba-gydF4y2Ba 51gydF4y2Ba］．在本研究的背景下，披露是指人们认为有关COVID-19追踪应用程序的足够相关信息是及时和可获得的。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，如果个人无法理解大量信息的披露(例如，因为这些信息是神秘的，仅包括COVID-19追踪应用程序的技术代码)，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寻求的能力。最后，准确性是指人们认为有关COVID-19追踪应用程序的信息是正确的[gydF4y2Ba 49gydF4y2Ba］．信息的明显错误不会降低不确定性，但可能导致对政府隐藏意图的担忧。特别是在大流行的情况下，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、清晰和准确的信息来观察未知技术并积极搜索信息[gydF4y2Ba 29gydF4y2Ba］．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[gydF4y2Ba 46gydF4y2Ba］．由于在COVID-19追踪应用程序发布之前无法与之互动，也无法直接与应用程序的负责人沟通，因此人们寻求替代性的互动信息收集方式。因此，个人可能会与他们的同伴交流，他们也会受到是否使用应用程序的决定的影响。反过来，这必须被视为另一种主动的信息寻求方法，而不是交互策略。虽然与社会环境的交流是互动的，但社会环境并不是应用程序的发布者，因此，就URT而言，社会影响是一种主动的信息寻求方法。社会影响力有望减少人们对COVID-19追踪应用程序的不确定性，它被定义为“一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”[gydF4y2Ba 52gydF4y2Ba］．通过了解他们的社会环境的偏好，个人对使用应用程序的态度可能会受到影响。gydF4y2Ba

最后，信任被证明可以减少不同环境下的不确定性和风险[gydF4y2Ba 53gydF4y2Ba，gydF4y2Ba 54gydF4y2Ba]，它被定义为“一种基于对他人意图或行为的积极预期而有意接受脆弱的心理状态”[gydF4y2Ba 55gydF4y2Ba］．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。对新技术的初始信任与减少不确定性存在几个积极的联系。例如，在电子商务中，信任降低了客户对供应商行为的不确定性[gydF4y2Ba 56gydF4y2Ba，gydF4y2Ba 57gydF4y2Ba］．此外，初始信任减少了公民在电子政务后的不确定性[gydF4y2Ba 25gydF4y2Ba］．但是，最初的信任可能会在应用程序的实际使用中发生变化，并根据遇到的具体经验而加强或削弱[gydF4y2Ba 58gydF4y2Ba］．除了初始信任，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追踪应用程序是由政府发布的，对政府的信任可能会减少与应用程序使用相关的恐惧[gydF4y2Ba 59gydF4y2Ba］．预计人们对政府的信任在短期内会相对稳定，不会发生根本性的变化[gydF4y2Ba 60gydF4y2Ba，gydF4y2Ba 61gydF4y2Ba］．gydF4y2Ba

基于透明度和信任文献，人们普遍认为透明度感知与信任呈正相关[gydF4y2Ba 62gydF4y2Ba］．Schnackenberg等人证明了这一点[gydF4y2Ba 63gydF4y2Ba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信任的背景下的积极作用。罗林斯(gydF4y2Ba 51gydF4y2Ba]也显示了透明度与员工信任之间的正相关关系，突出了透明度与信任之间的相互关系。关于公司丑闻的后果，透明度可以作为一种战略工具来恢复利益相关者对公司的信任[gydF4y2Ba 64gydF4y2Ba］．在金融市场，透明度被证明会影响公民对央行的信任[gydF4y2Ba 65gydF4y2Ba］．就COVID-19追踪应用程序而言，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[gydF4y2Ba 24gydF4y2Ba］．人们对COVID-19追踪应用程序的最初信任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的互动[gydF4y2Ba 53gydF4y2Ba，gydF4y2Ba 57gydF4y2Ba］．满足某些信息需求(例如通过提供足够清晰和准确的信息)可以使人们最初信任COVID-19追踪应用程序。gydF4y2Ba

信任转移理论指出，个人在特定领域的信任会影响其他领域的初始信任，这些领域被认为与已知和可信领域有一定联系[gydF4y2Ba 66gydF4y2Ba］．例如，Lu等[gydF4y2Ba 67gydF4y2Ba]表明，消费者对互联网支付的信任总体上影响着对移动支付服务的信任。由于大多数COVID-19追踪应用程序是由政府机构发布的，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”[gydF4y2Ba 53gydF4y2Ba］．当人们认为政府总体上符合公民的最大利益，当公民认为政府机构有能力适当提供服务时，对COVID-19追踪应用程序的最初信任就会加强[gydF4y2Ba 53gydF4y2Ba］．最近对COVID-19追踪应用程序的研究指出，对政府的信任会影响人们对特定应用程序的态度[gydF4y2Ba 59gydF4y2Ba，gydF4y2Ba 68gydF4y2Ba］．此外，人们对COVID-19追踪应用普遍持负面态度的一个主要原因是对政府缺乏信任。gydF4y2Ba 68gydF4y2Ba］．因此，基于信任转移理论，对政府的信任促进了人们对COVID-19追踪应用的初始信任[gydF4y2Ba 28gydF4y2Ba］．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交互。因此，社交是一种积极的收集信息的手段。社会环境的假定反应将影响个人在技术采用背景下的态度和行为[gydF4y2Ba 52gydF4y2Ba］．就URT而言，人们通过与同伴的互动来访问他们的社会环境作为一种主动的信息寻求手段，以排除使用或不使用特定技术的可能后果。从这个意义上说，社会互动就像透明度一样，是一种获取信息和排除其他选择的手段，因此有助于减少不确定性。李等[gydF4y2Ba 69gydF4y2Ba]表明，社会影响是形成初始信任的重要因素，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的信任的影响，还受到社会影响力的影响。gydF4y2Ba

此外，众所周知，社会影响是有意使用新技术的重要先决条件[gydF4y2Ba 70gydF4y2Ba-gydF4y2Ba 72gydF4y2Ba］．作为社会群体的一部分(例如，家庭或同事)会对个人行为造成压力，因为人们试图按照既定的标准行事。gydF4y2Ba 73gydF4y2Ba］．在卫生保健环境中，已表明社会影响正在导致戒烟，例如[gydF4y2Ba 74gydF4y2Ba]或维持饮食[gydF4y2Ba 73gydF4y2Ba，gydF4y2Ba 75gydF4y2Ba］．除了积极的影响，同辈群体也可能培养消极的行为，如滥用药物[gydF4y2Ba 76gydF4y2Ba］．因此，社会影响是医疗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，这一点尤其得到了加强，这些预防性行为的积极效果并不直接明显[gydF4y2Ba 73gydF4y2Ba］．因此，我们预计社会影响不仅会影响一个人对COVID-19追踪应用程序的最初信任，还会影响一个人使用该技术的意图。gydF4y2Ba

在技术接受文献中，信任已被证明与使用技术的意图正相关[gydF4y2Ba 69gydF4y2Ba］．例如，Nicolaou和McKnight [gydF4y2Ba 77gydF4y2Ba表明个人的信任信念增加了参与组织间信息交换的意愿。此外，(初始)信任被认为是公民有意使用电子治理服务的先决条件[gydF4y2Ba 28gydF4y2Ba，gydF4y2Ba 53gydF4y2Ba］．帕克等人[gydF4y2Ba 24gydF4y2Ba他认为，在民主国家成功推出抗击COVID-19大流行的移动应用程序，取决于能否确保人们对该技术的信任。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

根据计划行为理论[gydF4y2Ba 78gydF4y2Ba]，建立了技术接受理论(如技术接受模型[TAM]或技术接受与使用统一理论[UTAUT]) [gydF4y2Ba 52gydF4y2Ba，gydF4y2Ba 79gydF4y2Ba]，以及城市轨道交通在技术背景下的应用[gydF4y2Ba 28gydF4y2Ba]，说明个人对新技术的实际使用受到个人使用该技术的意愿的影响[gydF4y2Ba 80gydF4y2Ba］．这种关系预计也适用于COVID-19追踪应用程序。gydF4y2Ba

关于URT，在采用过程中，通过上述手段降低了关于数据隐私、应用程序性能、社会后果和一般COVID-19担忧的不确定性。COVID-19追踪应用程序的实际使用是个人唯一可用的交互式信息查找方式。因此，它是有效的，因为它涉及到与未知技术的直接交互[gydF4y2Ba 27gydF4y2Ba］．这种交互使个人能够抛弃COVID-19追踪应用程序的不确定性，如性能不确定性(如功能和处理)[gydF4y2Ba 29gydF4y2Ba］．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说明了URT在不确定环境中对技术验收的适用性。gydF4y2Ba

本文提出的研究模式总结在gydF4y2Ba 图1gydF4y2Ba．gydF4y2Ba

为了调查COVID-19追踪应用程序的采用过程，并验证理论模型，通过面板平台respondi分两波收集了德国“Corona-Warn-App”的数据，采用结构化在线调查。本小组成员自愿接受科学调查邀请，并可随时退订或删除其个人信息。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，我们没有直接接触参与者或访问参与者的身份信息。此外，调查并没有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)的数据收集持续了1周，并在2020年6月15日应用程序发布前1天完成。在调查之前，参与者收到了来自联邦德国政府关于该应用程序的官方信息[gydF4y2Ba 81gydF4y2Ba］．有关详细信息，请参见gydF4y2Ba 多媒体附件1gydF4y2Ba［gydF4y2Ba 81gydF4y2Ba］．这款应用由罗伯特·科赫研究所与私营公司SAP、德国电信以及德国政府的其他合作伙伴共同开发，适用于Android和iOS平台。gydF4y2Ba 81gydF4y2Ba］．对于管理条件，源代码在GitHub上公开可用[gydF4y2Ba 82gydF4y2Ba，gydF4y2Ba 83gydF4y2Ba］．此外，运行该应用程序不需要注册，使用是自愿的。该应用程序使用蓝牙低能耗技术来记录人与人之间的联系。考虑到数据隐私和安全问题，设备之间交换临时的加密随机码(蓝牙ID) [gydF4y2Ba 84gydF4y2Ba］．使用随机码可以防止得出关于个别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[gydF4y2Ba 85gydF4y2Ba］．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。在第二波调查(t2)中，同样的参与者在应用程序发布4周后再次接受调查。除了他们的评价和看法外，他们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有效性，我们纳入了三次注意力检查，并筛选出了未通过这些测试的参与者。最终，1373人完成了第一波调查，1050人参加了第二波调查，完成率为76.47%(1050/1373)。由于响应时间短、数据缺失、可疑响应模式和异常值等四个“淘汰”标准，47名参与者被排除在分析之外，以确保数据质量[gydF4y2Ba 86gydF4y2Ba］．最终样本量为1003。该样本在性别、年龄和教育程度方面具有代表性gydF4y2Ba 表2gydF4y2Ba)．gydF4y2Ba

为了测试提出的研究模型，我们使用了在以前的研究中验证过的既定量表。除了人口统计学、使用行为(二元)和控制变量(性别、年龄、教育程度)外，参与者使用李克特5点量表对所有项目进行评分。使用意图用一个3项量表来衡量[gydF4y2Ba 52gydF4y2Ba］．对于corona - warning - app的初始信任，我们建立在Koufaris和Hampton-Sosa [gydF4y2Ba 58gydF4y2Ba］．对政府的信任通过四项量表进行检验，该量表改编自Bélanger和Carter [gydF4y2Ba 53gydF4y2Ba］．透明度(反映个人对信息质量的看法)采用Schnackenberg等人[gydF4y2Ba 63gydF4y2Ba]，每个维度基于4个项目。隐私风险根据Rauschnabel等人开发的5项量表进行测量[gydF4y2Ba 44gydF4y2Ba]，采用Featherman和Pavlou [gydF4y2Ba 89gydF4y2Ba来评估工作表现和社会风险。最后，Conway等人通过一个6项量表来衡量人们对COVID-19的普遍担忧[gydF4y2Ba 45gydF4y2Ba］．gydF4y2Ba

我们计算了两个调查波之间风险感知四个维度的差异，以衡量感知风险评估的变化。用以下公式计算差异:差异变量=风险感知gydF4y2Ba_{(t1)gydF4y2Ba}-风险感知gydF4y2Ba_{(t2)gydF4y2Ba}．中报告了所有结构的平均值、SDs和相关性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，我们测试了测量模型的信度和效度。一个项目显示出较差的因子负载并被丢弃(TR_5)。其他因子负荷均超过阈值0.6。假设Cronbach alpha满足>的质量标准，内部一致性和复合信度。7，且提取的平均方差超过0.5 [gydF4y2Ba 90gydF4y2Ba，gydF4y2Ba 91gydF4y2Ba］．所有项目的综合信度均超过临界值0.6 [gydF4y2Ba 92gydF4y2Ba］．最终的问卷包括所有结构、相关调查项目、它们的来源和上述指标gydF4y2Ba 多媒体附件2gydF4y2Ba［gydF4y2Ba 44gydF4y2Ba，gydF4y2Ba 45gydF4y2Ba，gydF4y2Ba 52gydF4y2Ba，gydF4y2Ba 53gydF4y2Ba，gydF4y2Ba 58gydF4y2Ba，gydF4y2Ba 63gydF4y2Ba，gydF4y2Ba 89gydF4y2Ba，gydF4y2Ba 93gydF4y2Ba］．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[gydF4y2Ba 94gydF4y2Ba]和lavaan代码进行CB-SEM [gydF4y2Ba 95gydF4y2Ba)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)、塔克-刘易斯指数(>0.95)、近似均方根误差(<0.08)和标准化均方根残差(<0.08)符合常规的截止准则[gydF4y2Ba 96gydF4y2Ba，gydF4y2Ba 97gydF4y2Ba］．基于Kline [gydF4y2Ba 98gydF4y2Ba),gydF4y2Ba χgydF4y2Ba²/ df比值表明模型之间有充分的拟合(<3)。通用方法偏差不是问题，因为Harman单因素检验表明，只有27.6%的方差可以由由所有模型项组成的单一因素解释[gydF4y2Ba 99gydF4y2Ba］．总之，所有的拟合指标都显示了一个非常好的整体模型拟合(见gydF4y2Ba 表4gydF4y2Ba)，所有指标均达到各自的阈值。gydF4y2Ba

在这项研究中，我们调查了减少不确定性措施如何促进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，我们将讨论初始信任、意图和实际使用应用程序的前因，以及特定不确定性的减少。基于URT，透明度和社会影响力是初始信任的先决条件。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显著高于披露维度。这表明，尽管获得足够的信息很重要，但信息的感知有效性也至关重要。出乎意料的是，我们在Corona-Warn-App中没有发现信息清晰度与初始信任之间的影响。这可能是由于COVID-19大流行的特殊性，人们可能已经习惯了不断遇到新的复杂信息，从而接受了较低的信息清晰度。尽管透明度和初始信任之间的影响缺失，但我们的发现与现有的透明度-信任文献一致[gydF4y2Ba 51gydF4y2Ba，gydF4y2Ba 62gydF4y2Ba，gydF4y2Ba 63gydF4y2Ba］．gydF4y2Ba

如前所述，社会影响正向影响个体的初始信任。社会影响在城市轨道交通环境中的整合表明，社会影响是一种积极的信息寻求策略，从而满足了Venkatesh等人的需求[gydF4y2Ba 28gydF4y2Ba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，与同伴的交流变得非常重要。此外，我们发现社会影响力和使用意图之间存在正相关关系。这与技术接受度和医疗文献一致[gydF4y2Ba 52gydF4y2Ba，gydF4y2Ba 70gydF4y2Ba，gydF4y2Ba 73gydF4y2Ba］．此外，我们能够证明，最初的信任在一定程度上中介了社会影响力和使用COVID-19追踪应用程序的意愿之间的关系。此外，我们研究了政府的信任对COVID-19追踪应用程序初始信任的影响，发现这两个概念之间存在正相关关系。这与信任转移理论和当前COVID-19追踪应用的研究相一致[gydF4y2Ba 59gydF4y2Ba，gydF4y2Ba 68gydF4y2Ba］．值得注意的是，与透明度和社会影响力相比，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，仍然可以通过透明沟通等其他短期有影响力的方式，对政府产生最初的信任。gydF4y2Ba

此外，我们观察到初始信任与使用意图之间存在正相关。此结果与URT一致[gydF4y2Ba 27gydF4y2Ba，gydF4y2Ba 28gydF4y2Ba]并确认了在技术接受的背景下对信任的共同理解(关于元分析，请参见Wu等人[gydF4y2Ba 101gydF4y2Ba])。正如预期的那样，使用COVID-19追踪应用程序的意愿高的人更有可能使用它。尽管如此，我们的结果也揭示了，正如大多数研究所显示的那样，意图-行为差距是存在的[gydF4y2Ba 102gydF4y2Ba］．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与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，个人对感知隐私和性能风险的不确定性降低显著增加。因此，我们发现支持Trang等[gydF4y2Ba 22gydF4y2Ba]，他指出，在开发追踪应用程序时，需要考虑数据隐私和应用程序性能(效益)。此外，我们的结果并没有表明社会风险减少，也没有减少对COVID-19的普遍担忧。由于对COVID-19的担忧涉及更广泛的与健康相关的担忧，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措施，如智能检测和隔离[gydF4y2Ba 9gydF4y2Ba］．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有关的普遍恐惧没有影响。此外，这表明使用追踪应用程序的人并没有变得更加鲁莽，但仍然认识到病毒的威胁。在社会风险方面，使用和不使用应用程序比戴口罩或遵守社交距离规定更容易被附近的人看到。因此，个人的实际使用行为可能与社会后果无关，只要使用这样的应用程序不是强制性的，例如使用公共交通工具或进入餐馆或其他场所。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，与研究强调的老年人对隐私的担忧比年轻人更明显和稳定一致[gydF4y2Ba 103gydF4y2Ba］．gydF4y2Ba

我们的研究设计和发现在几个方面有助于文献。首先，我们通过研究设计，以COVID-19追踪应用程序为例，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，我们对其总体经验验证做出了贡献，并将其引入到医疗保健管理领域。该应用在卫生保健领域尤其有价值，因为这一领域的特点是不确定性，可能导致严重和深远的后果，这在COVID-19大流行期间表现得尤为明显[gydF4y2Ba 104gydF4y2Ba］．其次，研究表明，交互式信息搜索策略(如应用程序使用)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(应用程序发布之前和之后)的数据，并计算差异变量来量化不确定性降低，我们验证了使用一项技术对降低不确定性的影响。对于上呼吸道，使用特定的不确定性减少作为结果变量，理论上比使用Venkatesh等人提出的满意度等结果变量更强[gydF4y2Ba 28gydF4y2Ba］．第三，通过整合最近的透明度研究做出了进一步的理论贡献[gydF4y2Ba 49gydF4y2Ba]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[gydF4y2Ba 49gydF4y2Ba］．透明度观念至关重要，因为它们构成了主动和被动信息寻求策略的基础。采用最新的dca透明度量表[gydF4y2Ba 63gydF4y2Ba]，我们进一步阐述了Venkatesh等人提出的透明度(即信息质量)在城市轨道交通中的作用[gydF4y2Ba 28gydF4y2Ba］．最后，研究表明信任转移理论在研究环境中是成立的。虽然对政府的信任不是COVID-19追踪应用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

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，大多数低于关键阈值，这阻碍了其有效性[gydF4y2Ba 14gydF4y2Ba，gydF4y2Ba 20.gydF4y2Ba］．为了提高接受度，政府可以在其传播战略中采取以下影响。首先，引进自愿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，而且必须被认为是准确的。然而，只有当服务本身超过某些标准，如数据隐私和安全时，透明通信才会起作用[gydF4y2Ba 22gydF4y2Ba］．其次，必须对个体的互动信息寻求策略进行管理。这些策略(例如，应用程序使用)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检索。这些格式可以是演示版本、真实预览、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设置。例如，如果医疗保健系统中有其他数字趋势(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(自愿的)技术(大规模的)接受。当政府或组织开发和发布新的服务(如灾害报警app)时，可能会产生其他不确定性，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(透明的)发布过程可以促进技术的成功发布。通过理解感知信息质量的多维性，组织和政府都可以反映和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.

虽然这项研究的结果提供了重要的见解，但该研究有一些局限性。由于结果基于与德国COVID-19追踪应用程序相关的数据，我们的研究结果对其他地区的概括性可能会受到文化差异的限制。因此，未来的研究应该扩大这项研究，包括其他国家。此外，应用程序的实际使用情况是参与者自己报告的，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，研究人员可以研究最适合确保透明度和减少不同不确定性的沟通渠道。在对设计进行了一些研究之后[gydF4y2Ba 105gydF4y2Ba]、技术配置[gydF4y2Ba 22gydF4y2Ba]，以及道德指引[gydF4y2Ba 106gydF4y2Ba]，我们研究了充分应用实现和传播的需求。因此，未来的研究应该探讨如何确保app中长期的接受和使用。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，这款应用程序及其功能就变得相对知名和广泛。出于这个原因，后续研究应该调查主观规范之外的描述性规范(即其他人实际如何行为)的作用，我们已经以社会影响的形式调查了主观规范(即其他人认为一个人的行为应该有多重要)，对于采用过程[gydF4y2Ba 107gydF4y2Ba］．gydF4y2Ba

此外，这项研究的数据来源于德国推出COVID-19追踪应用程序前几天(t1)和后4周(t2)，因此，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病的措施，并提供了关于该病毒、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的感知。gydF4y2Ba

抗击COVID-19大流行的一项关键战略是检测并随后隔离潜在感染者。由于检测能力有限，通过移动应用程序自动追踪接触者对决定哪些人需要检测提供了重要贡献。我们的研究就推动人们广泛接受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独到的见解。在URT的基础上，通过对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。我们通过CB-SEM对代表性数据进行分析。结果表明，信息披露和准确性、社会影响力、政府信任和初始信任三个维度对适应过程有正向影响，而透明度维度对适应过程无显著影响。此外，我们还发现，COVID-19追踪应用程序的实际使用降低了对性能和隐私风险的感知不确定性，但没有发现对减少社会风险和COVID-19担忧的影响。最后，我们得出了关于接触追踪应用程序的通信策略的理论和实际意义，特别是对于一般的医疗保健技术。gydF4y2Ba