個性化算法推薦服務用戶采納意愿影響因素：元分析研究*

施 雨 茆意宏 張貴香

（1 南京農業大學信息管理學院 2 中國人民大學信息資源管理學院）

0 引言

新一代信息技術推動了時代的數字化轉型，基于各項技術集成的服務逐漸滲透到各個領域，其中個性化算法推薦服務尤其突出。目前，個性化算法推薦服務已逐漸應用到社會各方面，最普遍的應用場景是電商平臺，根據用戶瀏覽記錄或購買偏好過濾與組織信息，匹配符合用戶興趣的產品。近幾年隨著網絡音視頻的興起、數字資源的豐富，個性化算法推薦服務應用版圖不斷擴大。個性化算法推薦服務充當著人與信息之間的便捷連接，為用戶提供了更好的信息體驗，但也衍生出很多問題，諸如過度采集個人敏感信息、侵犯用戶隱私、推薦過頻、推薦內容重復、推薦類型單一形成信息繭房等，給用戶造成極大的困擾，進而產生抵觸或懷疑的情緒。2022年1月，國家互聯網信息辦公室發布《互聯網信息服務算法推薦管理規定》[1]，針對個性化算法推薦服務暴露的弊端，提出了對其強制約束和規范的舉措。在此形勢下，部分互聯網平臺向用戶開放了個性化算法推薦服務自由選擇權，允許一鍵關閉“個性化推薦”，但部分平臺將“個人信息收集清單”和“個性化服務”關閉鍵設置在比較隱蔽的地方，影響了用戶的選擇?？梢?，個性化算法推薦服務在為用戶提供便利的同時也會對用戶造成一定負面影響，用戶感知的服務質量是否達到甚至超過其心理預期，感知的各類潛在風險是否能夠被接受或者忽略，都將影響用戶是否會使用個性化算法推薦服務。

目前已有不少學者通過實證研究探討個性化算法推薦服務用戶采納行為的影響因素，然而由于研究對象、理論基礎、樣本選擇等差異，研究結論并不一致[2-5]，一些研究結論還相互矛盾[6—7]。這種現象或多或少會滯礙該領域的進一步發展。元分析方法作為圖情領域具有廣闊前景的一種研究方法[8]，能夠對相同或相似主題下的多項研究進行綜合定量分析，可以克服社會科學研究過程、結果中的不確定性[9]。因此，本文擬選用該方法系統梳理已有關于個性化算法推薦服務用戶采納意愿的實證研究成果，定量評定個性化算法推薦服務用戶采納意愿影響因素的性質和強度，并且探索前因變量和結果變量之間的關系會受到哪些外部變量的調節，以解釋現有實證研究結果出現異質性現象的可能原因，進而形成普適的研究結論，為未來個性化算法推薦服務研究提供參考。

1 相關研究

1.1 個性化算法推薦服務內涵

目前，個性化算法推薦的概念尚未有統一界定。蔡宏志[10]認為信息推薦服務是根據用戶的信息需求、興趣或行為模式，將用戶感興趣的信息、產品和服務推薦給用戶的個性化信息服務模式；Adomavicius D[11]定義個性化推薦服務為收集和使用用戶信息并為其量身定制產品、內容和服務的過程；2016年出版的《管理科學技術名詞》一書將個性化推薦定義為根據用戶的興趣特點推薦其感興趣的對象的活動[12]?！痘ヂ摼W信息服務算法推薦管理規定》提到“應用算法推薦技術，是指利用生成合成類、個性化推送類、排序精選類、檢索過濾類、調度決策類等算法技術向用戶提供信息”[1]，將算法推薦技術細分為五類。參照上述定義與分類，本研究中的個性化算法推薦服務是指根據用戶的興趣偏好，利用個性化推送類算法技術，向用戶提供感興趣的產品、內容等各類信息。

1.2 個性化算法推薦服務用戶采納意愿及其影響因素

采納，即接受。采納意愿是指個人對某事物產生愿意使用的想法。用戶對信息技術的采納行為研究一直是信息系統研究領域持續關注的重要問題之一。在用戶行為研究中，通常沿著“態度–意愿–行為”的研究路徑，積極或消極的態度會對行為意愿產生直接影響，而行為意愿直接決定某個行為的發生，其中，研究用戶采納意愿是不可或缺的步驟。

目前，國內外已有很多關于個性化算法推薦服務用戶采納意愿的研究成果。曹琦[13]、楊梅[14]、王偉軍等[4]運用問卷調查法研究了電子商務平臺推薦系統用戶采納意愿的影響因素。吳繼飛等[15]、陳梅梅等[16]使用實驗法揭示了個性化推薦服務用戶采納意愿影響因素；Zhao Q等[17]利用算法實驗探究用戶不采納個性化推薦服務的原因，并從用戶日志數據中對用戶不采納的緣由分類。李治[18]、Liang W Y[19]則綜合運用問卷調查法與情景實驗法探討個性化推薦服務用戶采納意愿的影響機制。

針對多種類型的移動應用平臺，一些學者嘗試探索不同應用平臺中的個性化算法推薦服務用戶采納意愿的影響因素。Gulzar Z等[6]對電子學習平臺的學者接受課程推薦系統影響因素進行研究，發現用戶使用習慣會負向影響用戶采納課程推薦系統的意愿，而Oechslein O等[7]研究后發現用戶習慣對采納社交平臺推薦系統意愿有正向影響。對于電子商務平臺的個性化算法推薦服務，楊盛[20]的研究結果表明系統交互與用戶采納意愿之間存在弱相關關系，楊一翁等[21]的研究則顯示推薦系統質量與用戶采納意愿間是強相關關系；Martínez-López F J等[22]、呂夢曉[23]的研究都證實感知易用性對采納意愿會產生積極顯著影響，而楊一翁等[21]發現感知易用性對采納意愿無顯著影響。一些學者也發現，不同平臺的個性化算法推薦服務用戶采納意愿影響因素會有差別，例如，段堯清等[24]調研后發現感知有用性、用戶期望、信息質量和主觀規范是影響數字圖書館個性化推薦用戶采納意向的主要因素。Alharbi H等[25]提出影響學生對電子學習推薦系統采納意愿的因素有感知有用性、感知易用性、服務質量、用戶體驗等。Benbasat I等[26]認為除感知有用性、感知易用性因素外，信任是影響用戶采納個性化推薦的一個重要因素。

一些學者探索個性化算法推薦服務用戶采納意愿的影響因素時采用了不同的基礎理論建模、實證，如李寶庫等[27]基于VAM模型研究得出影響用戶對移動個性化推薦采納意愿的因素包括功能價值、安全價值和體驗價值；王家瑋等[5]基于社會信息加工理論，發現個性化推薦感知價值對用戶采納意愿產生影響，同時隱私關注與產品涉入均對采納意愿起著負向調節作用。Choi J等[28]以理性行為理論為基礎，發現推薦系統功能和社會文化因素會對用戶使用移動推薦系統的態度產生重大影響。Oechslein O等[7]利用技術接受擴展模型研究得出績效期望、努力期望、社會影響、習慣會正向影響用戶對推薦系統的采納意愿。

綜上所述，關于個性化算法推薦服務用戶采納意愿影響因素的研究已經取得了階段性的成果，但由于不同研究選擇的理論基礎、研究平臺、切入視角等不同，得出的研究結論有所差異。一些研究側重對其提出的影響因素模型進行檢驗，即便是針對同一變量的實證研究，也可能因為研究方法、調查樣本等選擇的差異，造成了研究結論不一致的情況。有學者嘗試從定性層面對個性化算法推薦服務用戶采納意愿影響因素的相關研究進行梳理與總結[29]，但其無法實現對實證研究成果進行整合定量處理，將用戶采納意愿影響因素間的關系量化，結合具體數值進行多角度多元素的深入分析。因此，本研究選擇元分析方法，通過整合性的定量分析，探尋出影響用戶采納個性化信息推薦服務意愿的共通的、關鍵的因素，揭示研究結論之間存在差異的原因，得出具有普適性的結論，以期為未來個性化信息推薦服務研究提供啟示。

2 研究設計

2.1 研究方法

元分析（Meta-analysis）又被稱為薈萃分析、Meta分析、整合分析等，是運用統計方法對一系列相同課題的實證研究中存在差異的結果進行綜合分析，概括這些研究結果反映的共同效應，即從既有的研究中提取出普遍性結果或結論[30]。元分析對文獻篩選有著嚴格的標準，且不局限于已發表的研究，能夠獲取原始資料的期刊論文、會議論文、專著以及未發表的研究均可以作為分析的基礎材料。元分析的主要特點是以效應量衡量各研究結果，采用加權平均的方法對這些效應量進行處理，將統計方法與定性模型結合應用，且效應量受相關樣本量大小的影響較小，使得元分析處理獲得的結果相比其他的方法會更加的科學與可靠[30—31]。

元分析方法被認為是社會科學領域最常用的綜合性定量研究方法[32]。20世紀90年代，元分析方法開始被引入到圖情研究領域。本研究嘗試使用元分析方法分析個性化信息推薦服務用戶采納意愿影響因素，遵照元分析研究范式[33]，本研究過程包括研究問題提出、文獻檢索、文獻篩選與編碼、數據整合、結果解釋等環節。

2.2 文獻檢索與篩選

元分析方法與傳統描述性綜合方法不同，它需要采集各渠道的資料以獲取某研究主題下的所有相關文獻，包括但不限于期刊論文、會議論文、報紙、未發表的研究等[34]。筆者編寫相關檢索策略并選擇數據庫進行文獻檢索，其中，中文文獻來源選擇中國知網、萬方、中國社會科學引文索引等數據庫平臺，不限文獻類型，將“個性化推薦”“算法推薦”“智能推薦”“信息推薦”“推薦系統”與“采納”“接受”“使用”等字段進行標題、關鍵詞、摘要組合檢索；外文文獻來源選擇Web of Science、ScienceDirect、SpringerLink、Emerald、EBSCO、ProQuest、Wily Online Library等數據庫平臺，將“recommendation system”“recommender system”等與“accept*”“adopt*”等字段組合進行主題、摘要、關鍵詞綜合檢索。文獻發表時間限定為2013年1月至2022年12月。初步獲得文獻6120篇，其中中文文獻2865篇，外文文獻3255篇。將初步獲得的文獻題錄導入EXCEL中，清除重復中文文獻105篇、外文文獻451篇后，共獲得5564篇。接下來進一步瀏覽文獻摘要，剔除與主題不相關文獻后，得到94篇中文文獻與78篇外文文獻，下載全文以備后續進一步篩選。

文獻篩選標準是：①文獻是與個性化算法推薦服務用戶采納行為有關的實證研究，不包含質性研究、綜述性研究等。②文獻必須至少包括一種個性化算法推薦服務用戶采納意愿相關的影響因素。③文獻中有足夠的、詳細的數據信息（如樣本量、平均值、方差、相關系數r或可轉換為相關系數的t值等）。④對于重復研究的內容，僅保留一種研究結果，優先保留已發表的期刊成果。按上述標準細致篩選，最終符合元分析的基礎資料共有51篇，其中中文文獻40篇，外文文獻11篇。具體篩選流程見圖1。

圖1 元分析基礎資料篩選過程

2.3 數據編碼

參照Lipsey M W和Wilson D B[35]提出的具體編碼步驟，由本文作者中的兩位分別獨立對經過重重篩選后的51篇文獻進行編碼，各自完成后對編碼結果一一對比，針對不一致之處，與第三位研究人員共同商討決定以形成最終的編碼結果。編碼內容主要包括文獻內容特征描述和效應量統計數據。其中，文獻內容特征描述包括文獻作者、發表時間、文獻類型、研究理論基礎等；效應量統計數據包括研究樣本量、信度、相關系數等數值。本研究主要選擇相關系數r作為效應值，若資料中未提及相關系數r，則選擇t值、F值或路徑系數等換算得出r值（換算公式為rdf為自由度[36]）。在編碼時會存在影響因素同名異義或異名同義的情況，將影響因素名稱進行統一處理，含義相似的因素歸為一類，并選擇頻次較高的名稱命名，如沉浸體驗、體驗價值、感知愉悅性等名稱雖不同，但含義相似，在各名稱中“感知愉悅性”出現頻次較高，則將它們統一命名為感知愉悅性，通過此方法將編碼產生的誤差減到最小。

Rosenthal R[37]認為1個自變量僅需2個效應值就可以進行元分析，但為了滿足后續元分析中的發表偏倚檢驗與調節變量分析樣本要求，同時揭示個性化算法推薦服務用戶采納意愿關鍵影響因素，筆者選擇編碼后出現頻次大于3次的影響因素作為自變量，共得到14個影響因素，并對14個影響因素定義進行了闡釋，見表1。

表1 個性化算法推薦服務用戶采納意愿影響因素整理

3 個性化算法推薦服務用戶采納意愿影響因素的元分析

本研究選用Comprehensive Meta Analysis V3專業軟件輔助完成整個元分析過程，其具備異質性檢驗、meta回歸、判斷發表偏倚、繪制漏斗圖和森林圖等多種功能。

3.1 信度分析

本研究統計了14個影響因素的Cronbach’α值以確保研究結果更加科學嚴謹，若文獻中未報告Cronbach’系數，則選取復合信度（composite reliability，CR）代替。各影響因素的平均信度見表2。各影響因素平均信度值均大于0.77，信度較好，可以為接下來的元分析提供信度保障。

表2 信度分析

3.2 發表偏倚檢驗

在元分析過程中，發表偏倚是一個不可避免的問題，它會對元分析結果的可靠性產生影響。發表偏倚也稱為系統誤差（systematic error），是指研究結果或推論與真實結果之間的偏差，可能產生該問題的主要原因是未將某個研究領域的所有文獻都作為研究的基礎資料，通常研究樣本量大、顯著性強的成果更易發表[41]。檢驗發表偏倚的方法一般有7種，分別是森林圖（forest plots）、漏斗圖（funnel plots）、秩相關（rank correlation）、回歸分析（regression procedures）、失安全系數（fail-safe N）、trim and fill法和累積森林圖（cumulative forest plot）。

本研究選擇漏斗圖和失安全系數兩種方法共同檢驗發表偏倚。漏斗圖可以反映初始研究的效應量值是否與樣本量有關，其形狀類似一個倒置的漏斗。漏斗圖的橫坐標是由相關系數r轉換的Fisher’s Z值；縱坐標是標準誤，采用逆向尺度賦值，縱坐標值由上而下逐漸增大。若漏斗圖中的點集中呈現于“漏斗”上半部，則表明標準誤??；若漏斗圖中的點出現在底部，則表明標準誤大。若散點圍繞漏斗圖中心線對稱分布，則表明不存在發表偏倚；如若不對稱分布，則表明存在發表偏倚[42]。本研究選擇的基礎文獻研究結果均集中在漏斗圖上部（見圖2），漏斗圖上的點基本圍繞合并效應值0.414對稱散開，初步顯示不存在發表偏倚。

圖2 效應值漏斗圖

失安全系數（fail-safe N，Nfs）是Rosenthal在1979年提出的一個概念，其概念為當元分析結果具有統計學意義時，未排除可能的發表偏倚，計算得出至少需要多少個未發表的研究才能讓元分析結論逆轉[42]。失安全系數與其他檢驗發表偏倚的方法相比會更加客觀，一般情況下，只要fail-safe N的值大于5k + 10（k為各變量獨立研究的個數）就表明不存在發表偏倚[37]。本研究選中的14個影響因素的失安全系數均滿足要求，各影響因素的失安全系數數值見表3。

表3 個性化算法推薦服務用戶采納意愿影響因素的元分析結果

3.3 異質性檢驗

元分析將具有相同研究問題的多項獨立研究匯總進行定量分析，但當各研究之間的結果差異較大或存在明顯異質性時，元分析結果就會受到質疑[43]。同時，異質性檢驗結果也影響到元分析的模型選擇，若各項研究間存在異質性，可以選擇隨機效應模型進行效應值合并，反之，則選擇固定效應模型進行效應值合并。異質性檢驗主要涉及Q與I2兩個統計量，其中統計量Q是服從自由度為k-1的卡方分布，當Q的P值大于0.05時，則可認為研究為同質；當Q值的P值小于0.05時，則可認為研究存在異質性。統計量I2反映的是異質性部分在效應量總的變異中所占的比重，當I2值為0%時，則表明各研究為同質來源；當I2值大于56%時，則表明各研究存在異質性；I2值小于31%時，則可以認為各研究為同質[44]。結合上述標準，在表3中各影響因素的Q值均有顯著意義，且I2值大于56%，表明個性化算法推薦服務用戶采納意愿影響因素的各個效應值之間有著較明顯的異質性，同時也決定了在研究各因素與采納意愿之間關系以及調節效應分析時應選擇隨機效應模型。

3.4 關系強度

關系強度是指各影響因素與用戶采納個性化算法推薦服務意愿之間的相關系數的大小。Cohen J[45]在其著作Statistical Power Analysis for the Behavioral Sciences中提出對相關系數r值的劃分標準，當0≤|r|＜0.1時，則表明不相關；當0.1≤|r|＜0.3時，則表明弱相關；當0.3≤|r|＜0.5時，則表明中度相關；當|r|≥0.5時，則表明強相關。根據此劃分規則，對比表3中的數據，經過異質性篩選后的14個影響因素均通過顯著性檢驗，且95%置信區間不包含0，表明均對用戶采納個性化信息推薦服務意愿的影響顯著。具體而言，信任、感知愉悅性、推薦信息質量、交互質量、態度與用戶采納意愿呈顯著強正相關，感知有用性、感知易用性、社群影響、感知安全、推薦信息準確性與用戶采納意愿呈顯著中度正相關，推薦時機、習慣與用戶采納意愿呈顯著弱正向相關關系，感知風險、隱私關注與用戶采納意愿呈顯著中度負相關關系。

3.5 調節效應分析

表3中異質性檢驗結果表明，本研究的用戶采納意愿影響因素均存在著較明顯的異質性，為了闡釋異質性產生的緣由，需要進一步進行調節效應的檢驗。在梳理本研究樣本文獻過程中，發現主要存在的差異表現在社會環境、研究時間、研究應用平臺3個方面，因此，選取3個變量進行調節效應分析，以檢驗各種外部變量是否會對效應量產生調節作用。對調節變量進行具體劃分，社會環境分為國內與國外2類；研究時間根據檢索年限（2013–2022年）期間5年為一個時間節點，分為兩個時間段：2013–2017年為第一段，2018–2022年為第二段；研究應用平臺分類以國家市場監督管理總局發布的《互聯網平臺分類分級指南（征求意見稿）》（下簡稱《指南》）為基準[46]，《指南》將互聯網平臺分為網絡銷售類平臺、生活服務類平臺、社交娛樂類平臺、信息資訊類平臺、金融服務類平臺、計算應用類平臺等6大類，筆者根據本研究樣本涉及的應用平臺以及用戶對應用平臺普遍的分類習慣，將6大類平臺概括為交易促成型平臺（網絡銷售類平臺、生活服務類平臺、金融服務類平臺）和內容傳輸型平臺（社交娛樂類平臺、信息資訊類平臺、計算應用類平臺）。

在調節變量研究中，當各影響因素對應的組間QB值在95%置信區間顯著時，則表明研究的異質性部分來自研究間的研究特征差異，及部分來自研究內的隨機誤差[47]。表4為各外部特征變量的調節檢驗結果，可以看出，社會環境在感知風險對用戶個性化信息推薦服務采納意愿的影響中會產生調節作用；研究年代僅在態度對用戶采納意愿的影響中產生調節作用；應用平臺類型對感知愉悅性、感知安全、感知風險、態度與用戶采納意愿的關系具有顯著影響（p＜0.05），這說明應用平臺類型在個性化算法推薦服務用戶采納意愿及其影響因素之間具有一定的調節作用。綜合上述結果，社會環境、研究時間與研究應用平臺類型在部分因素對采納意愿的影響中起到一定的調節作用，是導致影響因素間存在異質性的外部變量之一。

表4 調節變量分析結果

4 結果討論

4.1 個性化算法推薦服務用戶采納前因分析

本文的元分析結果證實，文獻編碼得出的14個關鍵因素會對用戶采納個性化算法推薦服務意愿產生不同強度的影響。筆者將其歸納為3個維度：用戶感知和心理活動、服務系統、外部環境（見圖3）。

圖3 個性化算法推薦服務用戶采納意愿影響因素及其相關關系強度

（1）用戶感知及心理活動維度的影響因素有9個，其中用戶感知方面的因素包括感知有用性（r = 0.481）、感知易用性（r = 0.361）、感知愉悅性（r = 0.508）、感知安全（r = 0.344）、感知風險（r = –0.350），用戶心理活動方面的因素包括信任（r = 0.604）、態度（r = 0.583）、習慣（r = 0.228）、隱私關注（r = –0.384）。感知有用性和感知易用性是不同技術接受模型的基礎要素，在元分析的過程中可以看到，不同時期對不同應用平臺的個性化算法推薦服務做研究，這兩個核心要素都會對用戶采納意愿產生顯著的影響。感知愉悅性是技術行為意向的相關預測因子[48]，對用戶采納個性化算法推薦服務有著積極影響作用[49]。在以感知價值理論為基礎的研究中，感知有用性、感知易用性、感知愉悅性、感知安全等用戶對服務效用的感知評價都會直接影響到用戶采納意愿[2,50]，本研究為這4個因素與用戶采納意愿之間的關系探究提供了元分析實證支持。

感知安全和感知風險是用戶對個性化算法推薦服務截然相反的兩個感知評價。隨著用戶對個人隱私關注度增加，就會越擔心個性化算法推薦服務系統泄露個人信息，而感知風險會直接影響用戶信任[51]，信任影響用戶態度[22]，進而影響用戶使用個性化算法推薦服務的意愿。此外，雖然習慣是出現頻次不高的因素，但其對用戶采納意愿也產生一定影響，后續研究應對這一變量予以關注。

（2）服務系統維度的影響因素有推薦信息質量（r = 0.543）、推薦信息準確性（r =0.437）、交互質量（r = 0.518）、推薦時機（r =0.265），均會顯著正向影響用戶采納意愿。用戶使用個性化算法推薦服務實為人機交互的過程，交互質量包括服務的便捷性、友好性、響應速度等會對用戶感知有用性產生影響[52]。推薦信息質量[4]、推薦信息準確性[38]、推薦時機[50]等服務系統特征變量均會正向作用于用戶感知有用性，進而影響用戶對個性化算法推薦服務的采納意愿。不論是交易促成型平臺還是內容輸出型平臺，推薦信息質量、推薦信息準確性以及推薦時機都是衡量推薦服務有用性的關鍵要素。

（3）外部環境維度的影響因素有社群影響（r = 0.418）。元分析結果顯示，社群影響對個性化算法推薦服務用戶采納意愿產生正向中度影響，即周圍越多意見領袖、朋輩等對個性化算法推薦服務表現出接納傾向，用戶越會相信他們的選擇，同樣接納個性化算法推薦服務。正如理性行為理論（TRA）中提及的，個體雖然能夠控制自身行為，但處于社會組織中仍會受到外部環境的影響，本研究運用元分析方法得到的實證結果進一步驗證了這一結論。

4.2 調節變量的作用分析

經過元分析的異質性檢驗與調節變量檢驗，本研究發現相關前因變量對個性化算法推薦服務用戶采納意愿的影響受到研究時間、社會環境、應用平臺等變量的調節。

我最近總是覺得你很心急。你正忙著追趕成功者的腳步，你正趕著為人生的下一個岔路口拼命準備，你正焦慮地思考怎樣才能更進一步地達成自己的人生目標。

4.2.1 研究時間

元分析結果顯示，用戶態度對個性化算法推薦服務用戶采納意愿的影響在一定程度上會受到時間的調節作用（QB= 12.674，p = 0.000）。個性化算法推薦服務發展近30年，本研究在檢索文獻時已限定近10年的研究成果，細分為2013–2017年與2018–2022年兩個時間段，相較于近5年，前5年的研究顯示態度對用戶采納意愿的正向作用程度更強?？赡艿木売墒?，互聯網移動應用逐漸普及，用戶對各應用中的個性化推薦服務的態度隨著時間的推移而轉變，面對新事物大眾總會強烈融入或拒絕，促使用戶態度會有極端出現，而隨著事物長期存在變為一般事物，用戶態度便會趨向大同、穩定。

4.2.2 社會環境

依據元分析結果，社會環境在感知風險對個性化算法推薦服務用戶采納意愿的影響中產生調節作用（QB= 5.000，p = 0.025）。相比之下，國外用戶感知風險對用戶采納意愿的負向作用更強?？赡艿木売墒?，不同社會文化環境下用戶的風險防范意識不同，近年來，國民已關注到提升風險保護意識的重要性，但對個性化算法推薦服務在時間、資金等方面的風險保護意識還不夠強。

4.2.3 應用平臺類型

元分析結果顯示，應用平臺類型會在感知愉悅性、感知風險、感知安全以及態度對用戶采納意愿的影響中產生調節作用（QB= 11.444，p = 0.001；QB= 3.990，p = 0.046；QB= 34.094，p = 0.000；QB= 12.674，p = 0.000）。與交易促成型平臺相比，用戶感知愉悅性、感知風險、感知安全對內容傳輸型平臺個性化算法推薦服務采納意愿的作用更強，但用戶態度對內容傳輸平臺個性化算法推薦服務采納意愿的作用較弱。用戶使用不同類型平臺個性化算法推薦服務的目的、場景、活動內容差異會對用戶采納意愿及影響因素產生不同的作用強度，后續研究可以關注不同場景對個性化算法推薦用戶采納意愿的影響，為個性化算法推薦服務提供者針對用戶使用場景轉換制定差異化服務提供參考。

4.3 實踐啟示

本文的元分析結果對個性化算法推薦服務提供者深入了解用戶并促進用戶采納該服務有一定的借鑒意義。

（1）在技術開發與設計方面，考慮到感知安全、感知風險以及隱私關注對用戶采納意愿的顯著影響關系，個性化算法推薦服務提供者應不斷優化底層算法，第三方平臺加強對其監測與管理，為用戶提供在時間、資金、個人信息等多方面的風險控制，同時增加個性化算法推薦信息采集程序透明度，弱化用戶使用個性化算法推薦過程中的風險與不確定性，提升用戶的采納意愿。從交互質量、感知愉悅性與用戶采納意愿具有強相關關系可知，個性化算法推薦服務提供者不可忽略用戶與服務界面的互動，應努力改進推薦界面信息布局、出現位置等，進而提高用戶感知愉悅性與感知易用性。推薦信息準確性、推薦時機對用戶采納意愿也具有顯著影響，服務方需要對用戶分層分群，分析用戶需求背后的心理動機，確定用戶場景，及時向用戶推薦契合興趣的信息，進而提升用戶對個性化算法推薦服務的感知有用性，驅動用戶采納行為轉化率。

（2）在服務推廣與宣傳方面，從信任、態度、推薦信息質量及社群影響對用戶采納意愿具有關鍵作用這一發現可以看出，個性化算法推薦服務提供者應該篩選高質量的、正向價值觀的信息，移動平臺應該樹立優質行業形象，雙方協力促進用戶對個性化算法推薦服務的信任度。移動平臺與個性化算法推薦服務提供者可利用專業人員測評結果、同類服務排名比較等方式，充分發揮口碑和意見領袖對用戶采納行為的拉動作用。

5 結語

本文采用元分析方法識別個性化算法推薦服務用戶采納意愿關鍵影響因素，解釋過往研究異質性的原因，為未來研究提供了一些可參考的新觀點，促進了個性化算法推薦服務用戶行為研究領域的發展，豐富了元分析方法在圖情領域的應用。本研究也存在一些不足：①僅從主流數據庫中獲取樣本文獻，樣本量有限，未選擇專門的會議數據庫及其他國家自有的數據庫等，結論的準確性受到一定影響；②由于缺少足夠的樣本數據支持相關調節變量的研究，本研究僅選擇研究時間、社會環境、應用平臺類型3個調節變量進行元分析；③元分析方法固有的局限性，原始文獻存在的研究不足（如樣本偏差、數據誤差等）會對元分析結果的可靠性產生影響。因此，未來研究可以利用更多的數據庫，獲取更廣泛的文獻，進一步提高元分析結果的準確性；在數據充足的條件下，嘗試更多調節變量（如身份特征、性別、教育程度等）的分析，更深入揭示研究異質性的原因。

（本文數據鏈接地址：http://hdl.handle.net/20.500.12304/10999）