在线问诊行业用户信任度影响因素问卷调查研究方法

在线问诊行业用户信任度影响因素问卷调查研究方法一、研究设计与问卷框架构建（一）变量维度的确定在线问诊用户信任度的影响因素是一个多维度的复杂体系，需从用户、平台、医生、技术四个核心层面展开。用户层面涵盖个人特征（年龄、性别、教育程度、互联网使用经验等）、健康素养（对疾病的认知能力、健康信息甄别水平）以及过往就医经历（线下就医满意度、线上问诊尝试次数）；平台层面聚焦平台资质（营业执照、互联网医院牌照）、界面设计（操作便捷性、信息布局合理性）、服务保障（隐私保护政策、退款机制、纠纷处理流程）；医生维度包含医生资质认证（执业医师证、职称、专业领域）、信息透明度（个人简介、出诊经历、患者评价）、沟通能力（回复及时性、语言通俗易懂程度、共情能力）；技术维度则涉及数据安全（加密技术、数据存储方式）、系统稳定性（问诊过程是否卡顿、数据传输是否顺畅）、智能辅助工具（AI预问诊、病情分析建议的准确性）。（二）问卷结构设计问卷采用模块化设计，分为四个部分。第一部分为筛选题，通过“是否有过在线问诊经历”这一问题过滤无相关经验的无效样本，若用户选择“否”则直接结束问卷。第二部分是用户基本信息调查，包括年龄、性别、教育程度、职业、月收入、互联网使用年限等，为后续差异分析提供基础数据。第三部分为核心问题模块，围绕上述四个维度设计Likert5级量表题，例如“我认为平台的隐私保护政策能够有效保障我的个人信息安全”，选项从“非常不同意”到“非常同意”对应1-5分。同时设置部分反向计分题，如“在线问诊平台的医生回复经常不及时”，以检验问卷的信度。第四部分为开放性问题，如“你认为还有哪些因素会影响你对在线问诊的信任度？”“对提升在线问诊信任度有何建议？”，用于挖掘量表未覆盖的潜在因素。二、问卷题项开发与优化（一）初始题项生成通过系统性文献回顾，梳理国内外在线问诊信任度研究中的经典题项，结合我国在线问诊行业的实际情况进行本土化调整。例如，针对国内用户对中医在线问诊的需求，增加“医生对中医诊疗方法的介绍是否专业”相关题项。同时，对在线问诊平台用户进行深度访谈，邀请15名有过3次以上在线问诊经历的用户进行半结构化访谈，询问他们在使用过程中影响信任的关键场景和细节，将访谈中提及的“医生是否主动告知治疗风险”“平台是否提供药品真伪查询渠道”等内容转化为具体题项，最终形成包含65个题项的初始问卷。（二）专家效度检验邀请5名领域专家（2名公共卫生学教授、2名互联网医疗企业高管、1名临床医生）对初始问卷进行评审。从题项的相关性、表述清晰度、维度划分合理性三个方面进行评估，采用1-4分评分法（1分表示完全不相关/不合理，4分表示非常相关/合理）。对于评分低于3分的题项，如“平台的广告宣传是否吸引人”，专家认为与信任度直接关联较弱，予以删除；对于表述模糊的题项，如“医生的专业水平较高”，修改为“医生能够准确判断我的病情并给出合理的治疗建议”。经过两轮专家评审，删除8个题项，修改12个题项，最终保留45个题项进入预测试阶段。（三）预测试与信效度分析选取某高校附属医院的互联网医院用户和某在线问诊平台的注册用户共200人进行预测试。采用Cronbach'sα系数检验问卷的内部一致性信度，若整体α系数低于0.7或某一维度α系数低于0.6，则对该维度题项进行进一步筛选。预测试结果显示，整体Cronbach'sα系数为0.87，各维度α系数在0.72-0.85之间，表明问卷信度良好。通过探索性因子分析（EFA）检验结构效度，采用主成分分析法提取因子，方差最大正交旋转。结果显示，KMO值为0.82，Bartlett球形检验显著性水平小于0.001，适合进行因子分析。最终提取出4个公因子，累计方差贡献率为68.5%，与初始设计的四个维度基本一致，仅将“智能辅助工具准确性”题项从技术维度调整至医生维度，因为用户更倾向于将AI辅助结果视为医生专业能力的延伸。三、样本选择与数据收集（一）抽样策略采用多阶段混合抽样方法，确保样本的代表性。第一阶段，根据地域经济发展水平，将全国分为东部、中部、西部、东北四个区域，每个区域随机选取2-3个代表性城市。第二阶段，在每个城市中，按照在线问诊平台的市场份额，选取3-5家主流平台（如阿里健康、京东健康、平安好医生、微医等）以及1-2家地方特色平台。第三阶段，与平台合作，通过平台内部消息推送、APP弹窗广告等方式发放问卷，同时利用社交媒体（微信、微博、知乎）、社区论坛（如丁香园、知乎健康板块）进行滚雪球抽样，邀请有在线问诊经历的用户参与并转发问卷。为提高参与度，设置小额现金红包、平台优惠券等激励措施。（二）样本量确定根据样本量计算公式(n=\frac{Z^2\timesp\times(1-p)}{E^2})，其中Z为置信水平对应的Z值（95%置信水平下Z=1.96），p为总体比例（假设在线问诊信任度的总体比例为0.5，此时样本量最大），E为边际误差（设定为0.05），计算得出所需最小样本量为384份。考虑到问卷回收率和有效率，预计发放1500份问卷，假设有效回收率为60%，可获得900份有效样本，满足统计分析需求。（三）数据收集过程数据收集周期为4周，分为三个阶段。第一周为预热期，通过平台和社交媒体发布问卷预告，介绍研究目的和参与方式，吸引用户关注。第二至第三周为集中收集期，每日定时在不同平台推送问卷，同时安排专人监控问卷填写情况，及时解答用户疑问。第四周为补充收集期，针对样本量不足的区域和平台，加大推送力度，并邀请未参与的用户群体（如中老年用户、低教育程度用户）参与。在数据收集过程中，设置逻辑跳转规则，例如当用户选择“从未使用过在线问诊平台的智能辅助工具”时，跳过相关题项，减少用户填写负担。四、数据处理与分析方法（一）数据清洗首先对回收的问卷进行初步筛查，删除填写时间过短（如小于100秒，根据预测试平均填写时间180秒设定）、所有题项选择同一选项、逻辑矛盾（如“有过在线问诊经历”选择“是”，但后续题项均选择“非常不同意”）的无效问卷。然后利用SPSS软件进行缺失值处理，对于缺失值比例低于5%的题项，采用均值插补法；对于缺失值比例高于5%的样本，直接删除。最终得到有效样本876份，有效回收率为58.4%。（二）描述性统计分析对用户基本信息进行频数分析，计算不同年龄、性别、教育程度等群体的样本占比，描述样本的整体特征。对核心量表题项进行均值、标准差、中位数等统计量计算，分析用户在各维度上的信任度水平。例如，计算平台资质维度的平均得分，若得分接近4分，则表明用户对平台资质的信任度较高。同时绘制柱状图、饼图等可视化图表，直观展示数据分布情况。（三）相关性分析采用Pearson相关分析方法，检验各影响因素维度与用户信任度之间的相关性。例如，分析医生资质认证维度得分与用户整体信任度得分之间的相关系数，若相关系数为正且显著性水平小于0.05，则表明医生资质认证越完善，用户信任度越高。同时分析各维度之间的相关性，检验是否存在多重共线性问题，若相关系数高于0.8，则考虑对题项进行合并或删除。（四）回归分析构建多元线性回归模型，以用户信任度得分为因变量，以四个维度的得分作为自变量，分析各因素对用户信任度的影响程度。模型公式为：(Y=\beta_0+\beta_1X_1+\beta_2X_2+\beta_3X_3+\beta_4X_4+\varepsilon)，其中(Y)为用户信任度得分，(X_1-X_4)分别为用户、平台、医生、技术维度得分，(\beta_0)为截距项，(\beta_1-\beta_4)为回归系数，(\varepsilon)为随机误差项。通过回归系数的大小和显著性，判断各因素的影响权重，例如若医生维度的回归系数为0.35，且显著性水平小于0.01，则表明医生维度是影响用户信任度的最关键因素。（五）差异分析采用独立样本t检验和单因素方差分析（ANOVA），分析不同特征用户在信任度及各影响因素上的差异。例如，通过独立样本t检验比较男性和女性用户在医生沟通能力维度上的得分差异；通过单因素方差分析比较不同教育程度用户在平台隐私保护维度上的得分差异，并进行事后多重比较（如LSD法），确定具体哪些群体之间存在显著差异。（六）中介效应与调节效应分析引入中介变量（如用户感知价值）和调节变量（如用户风险偏好），进一步探讨影响因素与用户信任度之间的作用机制。采用Baron-Kenny法和Bootstrap法检验中介效应，例如分析医生沟通能力是否通过提升用户感知价值进而影响信任度。采用分层回归分析法检验调节效应，例如分析用户风险偏好是否会调节平台服务保障与信任度之间的关系，若高风险偏好用户对平台服务保障的敏感度低于低风险偏好用户，则说明风险偏好具有调节作用。五、质量控制与伦理考量（一）质量控制措施在问卷设计阶段，通过专家评审和预测试不断优化题项，确保问卷的科学性和合理性。在数据收集过程中，设置多重逻辑校验规则，防止用户误填或乱填；安排专人对回收问卷进行实时审核，及时发现并剔除无效问卷。在数据处理阶段，采用双人录入数据的方式，减少录入错误；对统计分析结果进行交叉验证，例如同时使用SPSS和R软件进行分析，确保结果的一致性。（二）伦理考量严格遵守医学研究伦理规范，在问卷开头明确告知用户研究目的、数据用途、隐私保护措施，用户点击“同意”后方可进入问卷。所有收集的