基于UTAUT理论剖析在线评论对移动应用商店用户行为的多维影响

基于UTAUT理论剖析在线评论对移动应用商店用户行为的多维影响一、绪论1.1研究背景随着智能手机的普及和移动互联网技术的飞速发展，移动应用商店已成为人们获取各类应用程序的重要平台。从市场规模来看，据相关数据显示，全球移动应用市场的用户支出和用户时长均保持增长态势，推动了整体市场规模的稳步扩大。在全球范围内，苹果AppStore和GooglePlay作为两大主流平台，凭借各自的优势占据了市场的主导地位。同时，国内市场也涌现出了一批具有影响力的应用商店，如华为应用市场、小米应用商店等，它们在提供本土化服务方面表现出色，逐渐赢得了用户的信赖。在用户行为与使用习惯方面，随着用户需求的日益多样化，应用商店的用户行为和使用习惯也在不断变化。用户越来越注重应用的质量和安全性，对个性化推荐和搜索功能的依赖度也越来越高。同时，付费应用的接受度逐渐提高，为应用商店和应用开发者带来了更多的盈利机会。而在这一过程中，在线评论作为用户之间交流和分享应用使用体验的重要方式，对其他用户的决策产生着深远影响。消费者在下载应用之前，往往会查看应用的在线评论，以此评估应用的质量、功能是否符合自己的需求，进而决定是否下载和使用该应用。例如，当用户想要下载一款健身类应用时，会查看其他用户对该应用训练计划合理性、教练指导专业性、界面友好度等方面的评论，这些评论信息很大程度上会左右用户的下载决策。UTAUT（UnifiedTheoryofAcceptanceandUseofTechnology，技术接受和使用统一理论）模型是一种常见的用户接受度研究模型，已被广泛应用于各种技术领域的研究中。将UTAUT理论应用于移动应用商店用户行为研究领域，能够从绩效期望、努力期望、社会影响和促成因素等多个维度，系统地分析在线评论如何影响用户对移动应用的接受和使用行为，有助于深入理解用户在移动应用商店中的决策机制，具有重要的理论和实践意义。1.2研究目的与问题本研究旨在以UTAUT理论为框架，深入探究在线评论对移动应用商店用户行为的影响机制。具体而言，本研究试图回答以下问题：在线评论的哪些特征（如评论数量、评论情感倾向、评论质量等）会显著影响移动应用商店用户的使用意愿？在线评论是如何通过UTAUT模型中的绩效期望、努力期望、社会影响和促成因素这四个核心变量，作用于用户的下载行为和持续使用行为的？在不同类型的移动应用（如社交类、工具类、游戏类等）情境下，在线评论对用户行为的影响是否存在差异？1.3研究意义从理论意义来看，本研究有助于丰富和拓展UTAUT理论在移动应用场景下的应用。过往对UTAUT理论的应用多集中在传统信息系统领域，本研究将其与移动应用商店中的在线评论相结合，探索在线评论这一特定信息因素对用户技术接受和使用行为的影响路径，能够进一步完善UTAUT理论的研究体系，为后续相关研究提供新的视角和实证依据。同时，深入分析在线评论对用户行为的影响机制，也有助于深化对用户在移动互联网环境下决策行为的理解，丰富消费者行为学和信息系统领域的理论知识。从实践意义上讲，本研究的结果能够为应用开发者和移动应用商店运营者提供有价值的策略指导。对于应用开发者而言，了解在线评论对用户行为的影响，能够促使他们更加重视用户反馈，积极优化应用的功能和性能，以提高用户满意度和应用的口碑，从而吸引更多用户下载和持续使用。例如，开发者可以根据用户评论中提出的问题和建议，及时修复应用的漏洞，改进用户界面设计，提升应用的易用性和实用性。对于移动应用商店运营者来说，研究结果有助于他们优化应用推荐算法和评论管理机制。运营者可以利用在线评论数据，为用户提供更加精准的应用推荐，提高用户发现感兴趣应用的效率；同时，加强对评论的审核和管理，确保评论的真实性和有效性，营造良好的应用生态环境。1.4研究方法与设计本研究主要采用以下研究方法：文献研究法：全面梳理UTAUT理论的相关文献，了解该理论的发展历程、核心内容和应用现状；同时，广泛收集关于移动应用商店用户行为以及在线评论对用户行为影响的研究文献，对已有研究成果进行系统分析和总结，为后续研究奠定坚实的理论基础。通过文献研究，明确研究的切入点和创新点，避免重复研究，确保研究的科学性和前沿性。问卷调查法：设计针对移动应用商店用户的调查问卷，问卷内容涵盖用户的基本信息、使用移动应用商店的行为习惯、对在线评论的关注程度和使用情况，以及UTAUT模型中的四个核心变量（绩效期望、努力期望、社会影响和促成因素）等方面。通过线上和线下相结合的方式发放问卷，广泛收集数据，以获取用户在实际情境中的行为和态度信息。统计分析法：运用统计分析软件（如SPSS、AMOS等）对收集到的问卷数据进行分析。通过描述性统计分析，了解样本的基本特征和变量的分布情况；运用相关性分析和回归分析等方法，验证在线评论与用户使用意愿、下载行为和持续使用行为之间的关系假设，探究在线评论对用户行为的影响路径和作用机制。1.5研究创新点本研究的创新点主要体现在以下两个方面：研究视角创新：将UTAUT理论与在线评论相结合，从一个全新的视角来分析移动应用商店用户行为。以往研究多单独关注UTAUT理论在移动应用领域的应用，或者仅研究在线评论对用户行为的影响，本研究将两者有机结合，深入探讨在线评论如何通过UTAUT模型中的变量影响用户行为，弥补了现有研究在这方面的不足。研究指标创新：采用多维度的在线评论指标来衡量在线评论的特征，如评论数量、评论情感倾向（正面、负面、中性）、评论质量（评论内容的详细程度、专业性等）、评论时效性等。通过综合考虑这些指标，能够更全面、准确地分析在线评论对用户行为的影响，为研究提供更丰富的数据支持和更深入的研究结论。二、文献综述2.1UTAUT理论概述2.1.1UTAUT理论的提出与发展UTAUT理论由Venkatesh、Morris、Davis和Davis于2003年提出，该理论整合了理性行为理论（TRA）、计划行为理论（TPB）、技术接受模型（TAM）等多个技术接受理论，旨在更全面地解释和预测用户对信息技术的接受和使用行为。其诞生背景源于信息技术的快速发展，以及对用户技术接受行为研究的不断深入，以往的理论模型在解释用户行为时存在一定的局限性，UTAUT理论通过整合多个模型的关键因素，试图构建一个更具普适性和解释力的理论框架。自提出以来，UTAUT理论在不同领域得到了广泛的应用和发展。在教育领域，学者们运用UTAUT理论研究教师和学生对在线学习平台、教育技术工具的接受和使用情况，如分析教师对智能教学系统的使用意愿，发现绩效期望、社会影响等因素对教师的接受行为有显著影响。在医疗领域，UTAUT理论被用于探讨医护人员对电子病历系统、移动医疗设备的采纳行为，研究表明促成条件（如系统的易用性、技术支持等）对医护人员使用新技术的行为意向起着重要作用。随着移动互联网和智能设备的普及，UTAUT理论在移动应用、移动支付等领域的应用也日益增多，不断拓展着其应用边界和研究深度。2.1.2UTAUT理论的核心维度UTAUT理论包含四个核心维度：绩效期望、努力期望、社会影响和促成条件。绩效期望是指个体认为使用某一技术能够帮助其提高工作绩效或实现目标的程度。例如，在移动应用商店的情境下，如果用户认为下载并使用某款办公类应用能够提高自己的工作效率，如更便捷地处理文档、安排日程等，那么该用户对这款应用的绩效期望就较高，从而更有可能产生下载和使用的意愿。绩效期望与用户对应用实际价值的认知紧密相关，高绩效期望会激发用户的积极行为。努力期望是指用户在使用系统过程中感受到的努力程度，即用户对使用某一技术所需付出的时间和精力的预期。对于移动应用来说，如果应用的界面设计简洁明了、操作流程简单易懂，用户在使用过程中不需要花费过多的时间去学习和适应，那么用户对该应用的努力期望就较低，这会增加用户使用该应用的可能性。努力期望反映了用户对应用易用性的感知，是影响用户行为的重要因素之一。社会影响是指个体感受到来自周围群体（如家人、朋友、同事、上级等）对自己是否应该使用某一技术的影响程度。在移动应用商店中，当用户看到身边的人都在使用某款热门社交应用，并且对其评价良好时，这种社会影响会促使该用户也考虑下载和使用这款应用。社会影响体现了群体行为和意见对个体决策的引导作用，在用户对应用的接受过程中发挥着不可忽视的作用。促成条件是指个人认为有支持其使用系统的组织和基础设施的程度，包括硬件设备、软件系统、技术支持、网络环境等方面。例如，用户想要使用一款需要较高网络带宽的视频类应用，如果其所处的网络环境不稳定或者设备性能不足，无法满足应用的运行要求，那么即使该应用具有较高的绩效期望和较低的努力期望，用户也可能因为促成条件不满足而放弃使用。促成条件是用户使用应用的物质基础和保障，对用户行为有着直接的制约作用。2.1.3UTAUT理论在相关领域的应用在移动支付领域，UTAUT理论被广泛应用于研究用户对移动支付方式的接受和使用行为。相关研究表明，绩效期望（如便捷性、支付效率等）是影响用户使用移动支付的重要因素，用户认为移动支付能够带来更快捷的支付体验，减少排队等待时间，因此更愿意使用移动支付。社会影响也对用户的移动支付行为产生显著影响，当周围的人都在使用移动支付时，用户更容易受到感染而选择跟进。但UTAUT理论在解释移动支付用户行为时也存在一定局限性，例如，它对用户个体差异（如风险偏好、支付习惯等）的考虑不够充分，在面对复杂多变的市场环境和用户需求时，其解释力略显不足。在移动购物领域，有学者运用UTAUT理论分析用户对移动购物应用的使用意愿。研究发现，努力期望（如应用的操作便利性、搜索功能的易用性等）会影响用户对移动购物应用的选择，如果应用的操作过于繁琐，用户可能会转向其他更易使用的购物平台。社会影响在移动购物中同样重要，用户往往会参考朋友的推荐和评价来选择购物应用。然而，UTAUT理论在移动购物领域的应用中，对于一些新兴因素（如个性化推荐算法的精准度、社交互动元素对购物行为的影响等）的研究还不够深入，需要进一步拓展和完善。2.2在线评论研究2.2.1在线评论的定义与特点在线评论是指消费者在互联网平台上对产品或服务发表的评价性言论，这些言论可以是文字、图片、视频等多种形式。在线评论具有即时性，消费者在使用完产品或服务后能够迅速发表评论，及时反馈自己的使用体验，使信息能够快速传播给其他潜在用户。例如，用户在下载并使用一款新的手机游戏后，当天就可以在应用商店中发表对游戏玩法、画面质量、卡顿情况等方面的评论，其他用户在浏览应用商店时就能立即看到这些最新的反馈。在线评论还具有互动性，用户不仅可以发表评论，还可以对其他用户的评论进行回复、点赞或反对，形成良好的交流氛围。在一些电商平台的商品评论区，用户之间会针对产品的优缺点展开讨论，分享自己的使用心得和建议，这种互动能够帮助潜在用户更全面地了解产品信息。匿名性也是在线评论的一个显著特点，部分用户在发表评论时可以选择匿名方式，这使得用户能够更加自由地表达自己的真实想法，不用担心受到他人的负面影响。然而，匿名性也可能导致一些不负责任的言论出现，影响评论的真实性和可靠性。这些特点对用户和应用开发者都产生了重要影响。对于用户而言，即时性和互动性的评论能够提供更丰富、及时的信息，帮助他们做出更准确的决策；匿名性则在一定程度上保护了用户的隐私，让用户更敢于表达自己的观点。对于应用开发者来说，在线评论是了解用户需求和意见的重要渠道，通过分析用户的评论，开发者可以发现应用存在的问题，及时进行优化和改进，提高应用的质量和用户满意度。但同时，开发者也需要应对匿名评论带来的虚假信息和恶意攻击等问题，加强对评论的管理和筛选。2.2.2在线评论的度量维度在线评论的度量维度主要包括评论数量、评分、情感倾向、评论深度等。评论数量反映了用户对应用的关注程度和参与度，一款应用的评论数量越多，说明使用该应用的用户越多，或者该应用引发了用户更多的讨论。例如，一款热门社交应用可能会有数十万条评论，而一些小众应用的评论数量则相对较少。较高的评论数量通常意味着应用具有一定的知名度和影响力，但也需要结合其他维度来综合判断应用的质量。评分是用户对应用的整体评价，一般采用星级评分或分数制。评分能够直观地反映用户对应用的满意程度，是用户在下载应用前重点关注的信息之一。例如，在应用商店中，用户往往会优先选择评分较高的应用进行下载，认为评分高的应用在质量、功能等方面更有保障。但评分也存在一定的局限性，它只能反映用户的总体态度，无法深入了解用户对应用具体方面的看法。情感倾向是指评论所表达的情感态度，分为正面、负面和中性。通过情感分析技术，可以识别评论中的情感倾向，了解用户对应用的喜好和不满之处。正面评论能够提升应用的口碑和形象，吸引更多用户下载；负面评论则可以帮助开发者发现应用存在的问题，及时进行改进。例如，一条关于某款美食推荐应用的正面评论可能会吸引更多美食爱好者下载该应用，而负面评论指出应用推荐的餐厅与实际情况不符，开发者就可以针对这一问题进行核实和调整。评论深度是指评论内容的详细程度和专业性，深度较高的评论通常包含更多的细节和个人见解，能够为其他用户提供更有价值的参考。例如，一篇详细介绍某款摄影应用各种功能使用方法、拍摄效果对比以及优缺点分析的评论，就比简单的“好用”或“不好用”的评论更具深度和参考价值。评论深度能够反映用户对应用的了解程度和参与度，对于应用开发者和其他用户都具有重要的参考意义。这些度量维度在反映用户态度和行为方面具有重要作用。评论数量和评分可以初步判断用户对应用的整体态度，情感倾向能够进一步揭示用户的喜好和不满，评论深度则为深入了解用户需求和行为提供了更丰富的信息。综合运用这些度量维度，能够更全面、准确地分析在线评论对用户态度和行为的影响。2.2.3在线评论对用户行为的影响机制在线评论主要通过影响用户感知有用性、感知风险、信任等因素，进而影响用户决策。在线评论能够影响用户的感知有用性，即用户对应用是否能够满足自己需求、带来实际价值的主观判断。当用户看到大量正面评论，描述应用具有丰富的功能、良好的使用效果等，用户会认为该应用对自己有用，从而提高对应用的感知有用性，增加下载和使用的意愿。例如，在应用商店中，关于某款学习类应用的评论中，用户纷纷提到该应用的课程内容丰富、讲解详细，帮助他们在学习中取得了良好的成绩，这会使其他潜在用户认为这款应用对自己的学习有帮助，进而产生下载使用的想法。在线评论也会影响用户的感知风险，即用户在使用应用过程中可能面临的不确定性和损失的主观认知。负面评论中提到的应用存在的问题，如隐私泄露风险、频繁闪退等，会增加用户的感知风险，使用户对应用的信任度降低，从而减少下载和使用的可能性。例如，若有用户在评论中指出某款理财应用存在资金安全隐患，其他用户在看到这些评论后，会对该应用的安全性产生担忧，进而放弃使用该应用。信任也是在线评论影响用户行为的重要中介因素。用户在阅读在线评论时，会根据评论的内容和质量来判断评论者的可信度，从而形成对应用的信任程度。如果评论内容真实、客观，且评论者具有一定的专业性和权威性，用户会更容易信任这些评论，进而对应用产生信任。例如，一些专业的科技博主对某款手机应用进行详细的评测，并给出客观的评价和建议，用户往往会更信任这些博主的评论，从而影响自己对该应用的信任和使用决策。在线评论通过改变用户对应用的感知有用性、感知风险和信任，在用户决策过程中发挥着重要的引导作用，是影响用户在移动应用商店中行为的关键因素之一。2.3移动应用商店用户行为研究2.3.1移动应用商店的发展与现状移动应用商店的发展可以追溯到2008年，苹果公司推出了AppStore，开启了移动应用商店的时代。随后，Google推出了GooglePlay，各大手机厂商和互联网公司也纷纷跟进，推出了自己的应用商店，如华为应用市场、小米应用商店、腾讯应用宝等。随着智能手机的普及和移动互联网技术的不断发展，移动应用商店的市场规模迅速扩大。据统计，全球移动应用商店的用户支出持续增长，2023年达到了[X]亿美元，预计未来几年仍将保持稳定增长态势。在竞争格局方面，苹果AppStore和GooglePlay凭借其庞大的用户基础和丰富的应用资源，占据了全球移动应用商店市场的主导地位。在国内市场，华为应用市场、小米应用商店等手机厂商应用商店依托其品牌优势和硬件设备，在市场中占据重要份额；腾讯应用宝、360手机助手等互联网公司应用商店则凭借其强大的流量入口和运营能力，也在市场中分得一杯羹。不同类型的应用商店在市场定位、运营模式和用户群体等方面存在差异，形成了多元化的竞争格局。移动应用商店的主要运营模式包括付费下载、应用内购买、广告投放等。付费下载模式是指用户需要支付一定的费用才能下载应用；应用内购买模式则是用户在应用内购买虚拟商品或增值服务；广告投放模式是应用开发者通过在应用中展示广告来获取收入，应用商店则通过与广告商合作获得分成。一些应用商店还推出了订阅制服务，用户每月支付一定的费用，可以无限制地访问和使用应用商店中的部分应用。这些运营模式为应用开发者和应用商店提供了多元化的盈利渠道，推动了移动应用生态系统的发展。2.3.2移动应用商店用户行为特征移动应用商店用户具有多样化的行为特征。在使用频率方面，不同用户的使用频率差异较大。一些用户每天都会频繁使用应用商店，下载新应用、更新已安装应用；而另一些用户则可能几周甚至几个月才使用一次应用商店。使用频率较高的用户通常对新应用和新技术比较感兴趣，注重应用的更新和升级，以获取更好的使用体验。在下载偏好上，用户往往更倾向于下载免费应用，免费应用的下载量通常远高于付费应用。对于付费应用，用户更关注应用的质量、功能和口碑，只有在认为应用具有较高价值时才会愿意付费下载。在应用类型方面，游戏类、社交类、工具类应用是用户下载最多的类型。游戏类应用以其丰富的娱乐性吸引了大量用户；社交类应用满足了用户的社交需求，成为人们日常生活中不可或缺的一部分；工具类应用则帮助用户解决生活和工作中的各种问题，提高效率。付费行为方面，虽然大部分用户更倾向于免费应用，但随着用户对优质应用的需求不断增加，付费应用的市场份额也在逐渐扩大。用户在付费时，会综合考虑应用的功能、口碑、价格等因素。一些用户愿意为具有独特功能、良好用户体验的应用支付较高的费用；而另一些用户则更注重性价比，会选择价格较为亲民的应用。在应用更新方面，部分用户会及时更新应用，以获取新功能、修复漏洞和提升性能；而另一部分用户则可能因为担心更新后出现兼容性问题或占用过多存储空间，而选择不及时更新应用。应用开发者通常会通过推送通知、在应用内提示等方式引导用户进行更新，以保证应用的正常运行和用户体验。这些行为特征背后受到多种因素的影响，如用户的个人需求、消费习惯、经济状况、技术认知水平等。了解用户的行为特征及其影响因素，对于应用开发者和应用商店运营者制定营销策略、优化应用服务具有重要的参考价值。2.3.3影响移动应用商店用户行为的因素除在线评论外，应用质量是影响移动应用商店用户行为的重要因素。高质量的应用通常具有稳定的性能、丰富的功能、良好的用户界面和优质的内容，能够满足用户的需求，提供良好的使用体验，从而吸引用户下载和持续使用。例如，一款功能强大、运行流畅、界面美观的办公类应用，会受到很多用户的青睐，用户不仅会自己使用，还可能会推荐给他人。相反，低质量的应用可能存在频繁闪退、功能不完善、广告过多等问题，这些问题会降低用户的满意度，导致用户卸载应用。价格也是影响用户行为的关键因素之一。对于价格敏感型用户，应用的价格会直接影响他们的购买决策。过高的价格可能会使部分用户望而却步，而合理的价格策略则可以吸引更多用户。一些应用开发者会采用限时免费、打折促销等方式来吸引用户下载付费应用，提高应用的销量。对于免费应用，应用内购买项目的价格设置也会影响用户的付费意愿，如果价格过高，用户可能会减少或放弃购买。品牌对用户行为也有着不可忽视的影响。知名品牌的应用通常具有较高的知名度和美誉度，用户对其信任度较高，更愿意尝试和使用。例如，腾讯、阿里巴巴等大型互联网公司推出的应用，由于其品牌影响力，往往能够吸引大量用户下载和使用。品牌形象还会影响用户的忠诚度，用户在使用品牌应用获得良好体验后，更有可能继续使用该品牌的其他应用。推广活动同样会对用户行为产生影响。应用商店和应用开发者会通过各种推广活动来提高应用的曝光度和下载量，如推荐位展示、专题推荐、广告投放、社交媒体推广等。在应用商店的首页推荐位展示的应用，往往能够获得更多用户的关注和点击；通过社交媒体进行推广，可以利用社交网络的传播效应，吸引更多潜在用户。一些应用还会通过举办线上活动、发放优惠券等方式，激励用户下载和使用应用。2.4研究现状述评已有研究在UTAUT理论、在线评论以及移动应用商店用户行为等方面取得了丰硕成果。在UTAUT理论方面，众多学者对其核心维度和影响因素进行了深入研究，并将其广泛应用于不同领域，验证了该理论在解释用户技术接受行为方面的有效性。在在线评论研究中，学者们明确了在线评论的定义、特点和度量维度，深入探讨了在线评论对用户行为的影响机制，为后续研究提供了重要的理论基础。关于移动应用商店用户行为的研究，也对移动应用商店的发展现状、用户行为特征以及影响因素进行了全面分析，为应用开发者和运营者提供了有价值的参考。然而，现有研究仍存在一些不足之处。在UTAUT理论的应用中，虽然该理论在多个领域得到了广泛应用，但在移动应用商店这一特定情境下，对在线评论与UTAUT模型各维度之间的交互作用研究还不够深入，未能充分揭示在线评论如何通过UTAUT模型影响用户行为的具体路径。在在线评论研究方面，大多数研究主要关注评论的数量、情感倾向等因素对用户行为的影响，对于评论的质量、时效性以及评论者的特征等因素的三、研究模型与假设3.1概念模型构建本研究以UTAUT理论为基础，结合在线评论相关研究，构建了在线评论对移动应用商店用户行为影响的理论模型。该模型包含在线评论相关变量、UTAUT模型的四个核心维度（绩效期望、努力期望、社会影响、促成条件）以及用户行为变量（使用意愿、下载行为、持续使用行为）。在线评论相关变量主要包括评论数量、评论情感倾向、评论质量、评论时效性等。评论数量反映了用户对应用的关注程度和参与度，较多的评论数量通常意味着应用具有较高的热度和话题性，可能会吸引更多用户的关注。评论情感倾向分为正面、负面和中性，正面评论传递出积极的信息，能够提升用户对应用的好感度和信任度；负面评论则可能引发用户的担忧和疑虑，降低用户对应用的评价。评论质量体现了评论内容的详细程度、专业性和参考价值，高质量的评论能够为用户提供更全面、深入的信息，帮助用户更好地了解应用的特点和优势。评论时效性表示评论发布的时间距离当前的远近，新鲜的评论更能反映应用的最新情况，对用户的决策具有更强的指导作用。UTAUT模型的四个核心维度在本研究中起着关键的中介作用。绩效期望是用户对应用能够帮助其实现目标、提高绩效的预期，在线评论中的积极信息，如应用功能强大、解决了实际问题等，会增强用户的绩效期望；而负面评论中指出的应用存在的问题，如功能不完善、无法满足需求等，则可能降低用户的绩效期望。努力期望涉及用户对使用应用所需付出努力的感知，若评论中提及应用操作简单、容易上手，会降低用户的努力期望；反之，若评论强调应用操作复杂、学习成本高，会增加用户的努力期望。社会影响体现了周围群体对用户使用应用的影响，当用户看到大量正面评论且评论者来自自己信任的群体时，社会影响会促使用户更倾向于使用该应用；相反，负面的社会舆论或他人的负面评价会削弱用户的使用意愿。促成条件涵盖了支持用户使用应用的各种因素，如设备兼容性、网络环境等，评论中关于这些方面的反馈会影响用户对促成条件的判断。用户行为变量包括使用意愿、下载行为和持续使用行为。使用意愿是用户使用应用的主观意向，是用户行为的前置因素。下载行为是用户将应用从应用商店下载到设备上的实际操作，是使用意愿的初步体现。持续使用行为则反映了用户在下载应用后是否继续使用该应用，体现了用户对应用的忠诚度和满意度。在这个理论模型中，在线评论相关变量通过影响UTAUT模型的四个核心维度，进而作用于用户行为变量。例如，大量的正面评论可能会提高用户的绩效期望，降低努力期望，增强社会影响，改善促成条件，从而提高用户的使用意愿，促进下载行为和持续使用行为。3.2研究假设提出基于上述概念模型，本研究提出以下具体假设：假设H1：评论数量正向影响绩效期望：评论数量越多，说明应用受到的关注越多，用户会认为该应用更受欢迎，进而推断其具有更高的价值和实用性，能够帮助自己实现目标，因此对绩效期望产生正向影响。例如，一款拥有数百万条评论的热门游戏应用，会让潜在用户觉得该游戏具有丰富的玩法和良好的体验，从而提高对该应用的绩效期望。假设H2：评论数量正向影响社会影响：较多的评论数量会营造出一种应用很流行的氛围，当用户看到周围很多人都在关注和讨论这款应用时，会受到从众心理的影响，觉得自己也应该使用该应用，从而增强社会影响。以某款社交应用为例，大量的评论表明其用户群体庞大，新用户可能会因为这种社交热度而更倾向于下载和使用。假设H3：正面评论情感倾向正向影响绩效期望：正面评论传达出应用的优点和良好的使用体验，用户在阅读正面评论后，会对应用的功能、质量等方面有更积极的认知，认为应用能够满足自己的需求，提高工作或生活效率，进而提高绩效期望。比如，关于某款学习类应用的正面评论提到其课程内容丰富、讲解生动，会让潜在用户对该应用的学习效果充满期待，提升绩效期望。假设H4：正面评论情感倾向正向影响社会影响：正面评论容易在用户群体中形成良好的口碑，当用户周围的人都对一款应用给予正面评价时，用户会受到这种积极氛围的感染，更愿意尝试使用该应用，从而增强社会影响。若身边的同学都对某款学习辅助应用给予好评，其他同学可能会受到影响而选择使用。假设H5：评论质量正向影响绩效期望：高质量的评论包含详细的信息、专业的分析和有价值的建议，能够帮助用户更全面、深入地了解应用的性能和特点，使用户相信应用能够带来实际的价值，从而提高绩效期望。如一篇对某款摄影应用进行专业评测的高质量评论，详细介绍了应用的各种拍摄模式、画质表现等，会让摄影爱好者对该应用的绩效期望大幅提升。假设H6：评论质量正向影响社会影响：高质量的评论往往更具可信度和说服力，当用户看到高质量的评论时，会更容易受到影响，觉得该应用值得信赖，进而受到社会影响的作用，更倾向于使用应用。例如，专业人士对某款健康管理应用的高质量评价，会让普通用户更愿意尝试该应用。假设H7：评论时效性正向影响绩效期望：时效性强的评论能够反映应用的最新情况，用户更关注应用当前的性能和表现，新鲜的评论让用户觉得应用是与时俱进、不断优化的，从而提高对应用的绩效期望。比如，关于某款新闻资讯应用近期更新后内容更丰富、加载速度更快的评论，会使新用户对该应用的绩效期望提高。假设H8：评论时效性正向影响社会影响：及时的评论能够快速传播应用的信息，在用户群体中形成最新的舆论导向，当用户看到最新的正面评论时，会受到这种即时的社会影响，更愿意跟随潮流使用应用。若某款短视频应用近期获得大量好评，新用户会因为这些新鲜的正面评论而更有兴趣尝试。假设H9：绩效期望正向影响使用意愿：用户对应用的绩效期望越高，认为应用能够带来的价值越大，就越有意愿使用该应用。例如，用户认为某款办公应用能够显著提高工作效率，就会更愿意下载和使用它。假设H10：努力期望负向影响使用意愿：如果用户感知到使用应用需要付出较多的努力，如操作复杂、学习成本高，就会降低使用意愿；反之，若觉得应用容易使用，努力期望低，则使用意愿会提高。比如，一款操作繁琐的绘图应用，用户可能因为担心难以掌握而降低使用意愿。假设H11：社会影响正向影响使用意愿：当用户受到周围人的影响，认为使用某应用是一种流行趋势或得到他人认可时，会更有意愿使用该应用。例如，同事们都在使用某款项目管理应用，新员工可能会受到影响而选择使用。假设H12：促成条件正向影响使用意愿：良好的促成条件，如设备兼容性好、网络环境稳定、有完善的技术支持等，能够为用户使用应用提供保障，使用户更愿意使用应用。如果某款在线视频应用在各种设备上都能流畅运行，且有稳定的网络播放环境，用户会更愿意使用它观看视频。假设H13：使用意愿正向影响下载行为：用户的使用意愿是下载行为的直接驱动力，使用意愿越强，就越有可能将应用下载到设备上。例如，用户对某款游戏非常感兴趣，有强烈的使用意愿，就会主动下载该游戏。假设H14：使用意愿正向影响持续使用行为：高使用意愿表明用户对应用有较高的期待和兴趣，在下载使用后，如果应用能够满足用户的期望，用户就更有可能持续使用该应用。比如，用户下载了一款健身应用，由于之前有较高的使用意愿，在体验后若觉得应用效果不错，就会继续使用。假设H15：下载行为正向影响持续使用行为：用户只有先进行下载行为，才有机会体验应用，若在初次使用中获得了良好的体验，就会增加持续使用的可能性。例如，用户下载了一款美食推荐应用，在首次使用中发现推荐的餐厅都很符合自己的口味，就会继续使用该应用寻找美食。3.3变量定义与测量本研究对模型中的变量进行了明确界定，并采用李克特量表等方法进行测量。评论数量：指应用在移动应用商店中所获得的评论总数，为客观数据，可直接从应用商店平台获取。评论情感倾向：通过情感分析算法对评论内容进行分析，判断评论表达的情感是正面、负面还是中性。正面情感赋值为3，中性情感赋值为2，负面情感赋值为1。例如，对于评论“这款应用太好用了，功能强大，界面也很美观”，经分析判断为正面情感，赋值3；“应用还可以，没什么特别的”为中性情感，赋值2；“这个应用老是闪退，根本没法用”为负面情感，赋值1。评论质量：从评论内容的详细程度、专业性、独特性等方面进行评估。设计相关题项，如“该评论对应用的介绍是否详细”“评论者的观点是否具有专业性”“评论内容是否有独特的见解”等，采用5点李克特量表进行测量，1表示“非常不同意”，2表示“不同意”，3表示“一般”，4表示“同意”，5表示“非常同意”。得分越高，表明评论质量越高。评论时效性：计算评论发布时间距离当前时间的间隔，间隔越短，时效性越强。将时效性分为5个等级，1表示“很久以前（超过1年）”，2表示“较久（半年-1年）”，3表示“一般（1-半年）”，4表示“较近（1-3个月）”，5表示“最近（1个月内）”。绩效期望：指用户认为使用某一应用能够帮助其提高工作绩效或实现目标的程度。测量题项包括“使用该应用能够帮助我更高效地完成任务”“该应用能满足我在[具体方面]的需求”等，采用5点李克特量表，1表示“非常不同意”，2表示“不同意”，3表示“一般”，4表示“同意”，5表示“非常同意”。努力期望：指用户在使用系统过程中感受到的努力程度。测量题项如“学习使用该应用对我来说很容易”“使用该应用不需要花费太多时间和精力”等，同样采用5点李克特量表测量。社会影响：指个体感受到来自周围群体对自己是否应该使用某一应用的影响程度。测量题项包括“我身边的人都在使用这款应用，所以我也想使用”“周围人的推荐对我使用这款应用的决策有很大影响”等，使用5点李克特量表。促成条件：指个人认为有支持其使用系统的组织和基础设施的程度。测量题项如“我的设备能够很好地兼容这款应用”“我所处的网络环境能够保证应用的正常使用”“如果在使用过程中遇到问题，我能得到及时的技术支持”等，采用5点李克特量表。使用意愿：指用户使用某应用的主观意向。测量题项包括“我有强烈的意愿使用这款应用”“我打算在未来[具体时间]内使用这款应用”等，用5点李克特量表测量。下载行为：为二分类变量，1表示用户已经下载该应用，0表示未下载。通过问卷调查直接获取用户的下载情况。持续使用行为：通过询问用户在下载应用后的使用频率和使用时长来衡量。测量题项如“在过去一个月内，您使用该应用的频率是？”（1表示“几乎不使用”，2表示“偶尔使用（1-3次）”，3表示“有时使用（4-10次）”，4表示“经常使用（11-20次）”，5表示“非常频繁使用（20次以上）”）；“每次使用该应用的平均时长是？”（1表示“不到10分钟”，2表示“10-30分钟”，3表示“30分钟-1小时”，4表示“1-2小时”，5表示“2小时以上”）。四、研究设计与方法4.1问卷设计本研究的问卷设计涵盖多个部分，以全面收集数据并确保研究的准确性和可靠性。问卷开头设置了引言部分，简要介绍了本次调查的目的、背景以及问卷填写的大致时间，向受访者说明调查数据仅用于学术研究，不会泄露个人隐私，以消除受访者的顾虑，提高其参与调查的积极性和配合度。用户基本信息部分收集了用户的性别、年龄、职业、教育程度、月收入等信息。这些信息有助于了解样本的构成情况，分析不同特征用户在移动应用商店使用行为和对在线评论关注程度上的差异。例如，不同年龄段的用户可能对应用类型的偏好不同，年轻用户可能更倾向于娱乐类应用，而年长用户可能更关注生活服务类应用；不同职业和收入水平的用户对应用的付费意愿和能力也可能存在差异。UTAUT维度部分围绕绩效期望、努力期望、社会影响和促成条件四个核心变量展开。针对绩效期望，设计了如“使用该应用能够帮助我更高效地完成工作/学习任务”“该应用能满足我在特定领域的专业需求”等题项，以了解用户对应用价值的预期。对于努力期望，设置了“学习使用该应用对我来说是否容易”“使用该应用过程中遇到问题是否容易解决”等题项，来衡量用户对使用应用所需付出努力的感知。社会影响方面，包含“我身边的人都在使用这款应用，这对我使用该应用的决策有影响”“周围人的推荐会促使我尝试使用新应用”等题项，以此探究周围群体对用户决策的影响程度。促成条件部分则设计了“我的设备与该应用的兼容性良好”“我所处的网络环境能保证应用的稳定运行”“应用提供的技术支持能满足我的需求”等题项，以评估用户对使用应用的外部支持条件的认知。在线评论维度涉及评论数量、评论情感倾向、评论质量和评论时效性等方面。对于评论数量，直接询问用户对某应用评论数量多少的感知；评论情感倾向通过让用户判断评论内容的情感态度（正面、负面或中性）来衡量；评论质量方面，设置了“评论内容对应用功能和特点的介绍是否详细”“评论者的观点是否具有专业性和参考价值”等题项；评论时效性则通过询问用户评论发布时间的远近感知来体现。用户行为部分主要包括使用意愿、下载行为和持续使用行为。使用意愿通过“我有强烈的意愿使用这款应用”“我打算在未来一段时间内使用该应用”等题项来测量；下载行为直接询问用户是否下载过该应用；持续使用行为则通过“您在下载应用后的使用频率如何”“您每次使用该应用的平均时长是多少”等题项进行评估。题项设计依据主要来源于相关理论和以往的研究成果。在UTAUT理论的基础上，参考了众多运用该理论进行用户行为研究的文献，确保题项能够准确测量各变量。在线评论维度的题项设计则结合了在线评论相关的研究，充分考虑了在线评论的各种特征及其对用户行为的影响。同时，在问卷设计过程中，还进行了预调查，邀请了部分移动应用商店用户对问卷内容进行试填，并收集他们的反馈意见，对题项的表述、难度和合理性进行了优化，以提高问卷的质量。4.2数据收集本研究选择移动应用商店用户作为样本，原因在于他们是移动应用的直接使用者，其行为和态度能够直接反映在线评论对移动应用使用的影响。移动应用商店用户群体庞大且具有多样性，涵盖了不同年龄、性别、职业、地域等特征的人群，能够为研究提供丰富的数据来源，增强研究结果的普适性和代表性。数据收集采用线上线下结合的方式。线上通过问卷星等专业问卷调查平台，利用社交媒体（微信、QQ、微博等）、移动应用相关论坛和社区等渠道发布问卷链接。在社交媒体上，借助用户的社交关系网络，能够快速扩大问卷的传播范围，吸引更多用户参与调查；在移动应用论坛和社区，由于这些平台聚集了大量对移动应用感兴趣的用户，他们对应用的使用体验和在线评论更为关注，能够提供更有针对性和价值的数据。线下则选择在商场、学校、写字楼等人流量较大且人群类型多样的场所进行问卷发放。在商场中，可以接触到不同年龄和职业的消费者；在学校，能够收集到学生群体的意见，学生是移动应用的重要使用群体，他们对新应用的接受度高，且使用行为具有一定的特点；写字楼则主要针对上班族，他们在工作和生活中对移动应用的需求也较为多样化。在发放问卷时，调查人员向受访者详细介绍调查的目的和意义，并耐心解答他们的疑问，确保受访者能够准确理解问卷内容并认真填写。样本量的确定依据统计学原理和以往类似研究的经验。一般来说，样本量越大，研究结果的可靠性和准确性越高，但同时也会增加研究成本和时间。参考相关研究，本研究预计回收有效问卷[X]份以上。在实际调查过程中，共发放问卷[X]份，其中线上发放[X]份，线下发放[X]份。经过对回收问卷的筛选，剔除无效问卷（如填写不完整、答案规律性明显等）后，最终获得有效问卷[X]份，有效回收率为[X]%，满足了研究对样本量的要求，能够为后续的数据分析提供充足的数据支持。4.3数据分析方法本研究运用SPSS和AMOS等软件进行数据分析，通过多种分析方法深入探究在线评论对移动应用商店用户行为的影响机制。首先，使用SPSS软件进行描述性统计分析，计算各变量的均值、标准差、频率等统计量。通过均值可以了解样本在各个变量上的平均水平，例如用户对应用绩效期望的平均得分，反映了用户对应用价值的总体认知程度；标准差则能体现数据的离散程度，判断数据的稳定性和一致性。频率分析用于统计用户基本信息、下载行为等分类变量的分布情况，如不同性别、年龄用户的比例，以及下载和未下载应用的用户数量占比等，从而对样本的特征有初步的了解。信效度检验也是数据分析的重要环节。利用SPSS软件计算问卷的Cronbach'sα系数来检验信度，该系数越接近1，表示问卷的内部一致性越高，即各题项之间的相关性越强，测量结果越可靠。一般认为，Cronbach'sα系数大于0.7时，问卷具有较好的信度。对于效度检验，采用探索性因子分析（EFA）和验证性因子分析（CFA）。EFA通过主成分分析等方法，提取问卷题项中的潜在因子，检验各变量的结构效度，确保题项能够有效测量相应的变量。CFA则使用AMOS软件构建测量模型，验证理论模型中各变量与测量题项之间的关系是否符合预期，进一步验证问卷的效度。相关性分析通过SPSS软件计算各变量之间的Pearson相关系数，判断在线评论相关变量（评论数量、评论情感倾向、评论质量、评论时效性）与UTAUT模型的四个核心维度（绩效期望、努力期望、社会影响、促成条件）以及用户行为变量（使用意愿、下载行为、持续使用行为）之间是否存在线性相关关系。相关系数的绝对值越接近1，表明变量之间的相关性越强；若相关系数为正，则表示两个变量呈正相关，即一个变量增加时，另一个变量也随之增加；若相关系数为负，则表示两个变量呈负相关。结构方程模型分析使用AMOS软件构建理论模型，将在线评论相关变量、UTAUT模型维度和用户行为变量纳入模型中，通过最大似然估计等方法估计模型参数，检验模型的拟合度和各变量之间的路径系数。模型拟合度指标包括χ²/df（卡方自由度比）、RMSEA（近似误差均方根）、CFI（比较拟合指数）、TLI（塔克刘易斯指数）等。一般来说，χ²/df小于3，RMSEA小于0.08，CFI和TLI大于0.9时，模型拟合度较好。路径系数则反映了各变量之间的影响方向和程度，通过检验路径系数的显著性（p值小于0.05或0.01），判断假设是否成立，从而揭示在线评论对用户行为的影响路径和作用机制。五、实证结果与分析5.1描述性统计分析本研究对收集到的[X]份有效问卷数据进行描述性统计分析，以了解样本的基本特征和各变量的分布情况。在人口统计学特征方面，样本中男性占比为[X]%，女性占比为[X]%，性别分布较为均衡。年龄分布上，18-24岁的用户占比最高，达到[X]%，这与移动应用商店用户群体年轻化的特点相符；25-34岁的用户占比为[X]%，35-44岁的用户占比为[X]%，45岁及以上的用户占比相对较低，为[X]%。职业分布中，学生群体占比为[X]%，企业员工占比为[X]%，自由职业者占比为[X]%，其他职业占比相对较少。教育程度方面，本科及以上学历的用户占比达到[X]%，表明移动应用商店用户整体受教育程度较高。月收入方面，月收入在5000元以下的用户占比较大，达到[X]%，其中3001-5000元的用户占比为[X]%，3000元及以下的用户占比为[X]%；月收入在5001-10000元的用户占比为[X]%，10000元以上的用户占比相对较小，为[X]%。关于移动应用商店使用情况，用户使用移动应用商店的频率较高，每天使用多次的用户占比为[X]%，每周使用多次的用户占比为[X]%，每月使用多次的用户占比为[X]%。在应用下载数量方面，每月下载1-5款应用的用户占比最多，达到[X]%；下载6-10款应用的用户占比为[X]%；下载10款以上应用的用户占比相对较少，为[X]%。在应用类型偏好上，游戏类应用的下载比例最高，达到[X]%，其次是社交类应用，占比为[X]%，工具类应用占比为[X]%，娱乐类应用占比为[X]%，其他类型应用占比较少。在在线评论阅读习惯方面，大部分用户在下载应用前会查看在线评论，占比达到[X]%。在查看评论内容时，用户更关注评论的情感倾向和内容质量，分别占比[X]%和[X]%；对评论数量和时效性的关注程度相对较低，分别占比[X]%和[X]%。用户平均每次查看评论的时间在1-5分钟的占比最多，达到[X]%；5-10分钟的占比为[X]%；10分钟以上的占比相对较少，为[X]%。通过对这些描述性统计结果的分析，可以初步了解移动应用商店用户的基本特征、使用行为以及对在线评论的关注情况，为后续的深入分析提供基础。5.2信效度检验信度检验是评估问卷可靠性的重要环节，本研究采用Cronbach'sα系数来检验问卷的内部一致性信度。利用SPSS软件对问卷数据进行分析，结果显示，总体问卷的Cronbach'sα系数为[X]，大于0.7，表明问卷具有较好的信度，各题项之间的相关性较强，测量结果较为可靠。在各维度的信度检验中，绩效期望维度的Cronbach'sα系数为[X]，努力期望维度的Cronbach'sα系数为[X]，社会影响维度的Cronbach'sα系数为[X]，促成条件维度的Cronbach'sα系数为[X]，在线评论维度的Cronbach'sα系数为[X]，使用意愿维度的Cronbach'sα系数为[X]，下载行为和持续使用行为由于为二分类变量和频率统计变量，不适用Cronbach'sα系数检验，但从数据收集和整理过程来看，具有较高的可靠性。各维度的Cronbach'sα系数均大于0.7，说明各维度下的题项内部一致性良好，能够有效地测量相应的变量。效度检验主要包括内容效度和结构效度。内容效度方面，问卷题项的设计基于相关理论和以往研究成果，并经过了预调查和专家咨询，确保题项能够准确反映研究变量的内涵，具有较好的内容效度。对于结构效度，采用探索性因子分析（EFA）和验证性因子分析（CFA）进行检验。首先进行探索性因子分析，运用主成分分析法对问卷数据进行处理，提取公共因子。KMO检验结果显示，KMO值为[X]，大于0.7，表明数据适合进行因子分析；Bartlett球形检验的显著性水平为[X]，小于0.01，说明变量之间存在相关性，适合进行因子分析。通过旋转后得到的因子载荷矩阵，各题项在相应因子上的载荷均大于0.5，表明各题项与所属因子之间具有较强的相关性，问卷具有较好的结构效度。随后进行验证性因子分析，使用AMOS软件构建测量模型，对探索性因子分析得到的因子结构进行验证。结果显示，各项拟合指标均达到良好水平，χ²/df值为[X]，小于3；RMSEA值为[X]，小于0.08；CFI值为[X]，TLI值为[X]，均大于0.9。这些结果表明，测量模型与实际数据拟合度较好，进一步验证了问卷的结构效度，说明问卷能够有效地测量研究模型中的变量。5.3相关性分析运用SPSS软件对在线评论各维度与UTAUT核心维度及用户行为之间进行相关性分析，计算Pearson相关系数，结果如下表所示：变量评论数量评论情感倾向评论质量评论时效性绩效期望努力期望社会影响促成条件使用意愿下载行为持续使用行为评论数量[X][X][X][X][X][X][X][X][X][X][X]评论情感倾向[X][X][X][X][X][X][X][X][X][X][X]评论质量[X][X][X][X][X][X][X][X][X][X][X]评论时效性[X][X][X][X][X][X][X][X][X][X][X]绩效期望[X][X][X][X][X][X][X][X][X][X][X]努力期望[X][X][X][X][X][X][X][X][X][X][X]社会影响[X][X][X][X][X][X][X][X][X][X][X]促成条件[X][X][X][X][X][X][X][X][X][X][X]使用意愿[X][X][X][X][X][X][X][X][X][X][X]下载行为[X][X][X][X][X][X][X][X][X][X][X]持续使用行为[X][X][X][X][X][X][X][X][X][X][X]从表中可以看出，评论数量与绩效期望（r=[X]，p<0.01）、社会影响（r=[X]，p<0.01）呈显著正相关，支持假设H1和H2，即评论数量越多，用户对应用的绩效期望越高，社会影响也越大。评论情感倾向与绩效期望（r=[X]，p<0.01）、社会影响（r=[X]，p<0.01）呈显著正相关，支持假设H3和H4，正面的评论情感倾向能够提升用户的绩效期望和社会影响。评论质量与绩效期望（r=[X]，p<0.01）、社会影响（r=[X]，p<0.01）呈显著正相关，支持假设H5和H6，高质量的评论对用户的绩效期望和社会影响有积极影响。评论时效性与绩效期望（r=[X]，p<0.01）、社会影响（r=[X]，p<0.01）呈显著正相关，支持假设H7和H8，说明时效性强的评论能提高用户的绩效期望和社会影响。绩效期望与使用意愿（r=[X]，p<0.01）呈显著正相关，支持假设H9；努力期望与使用意愿（r=[X]，p<0.01）呈显著负相关，支持假设H10；社会影响与使用意愿（r=[X]，p<0.01）呈显著正相关，支持假设H11；促成条件与使用意愿（r=[X]，p<0.01）呈显著正相关，支持假设H12。使用意愿与下载行为（r=[X]，p<0.01）、持续使用行为（r=[X]，p<0.01）呈显著正相关，支持假设H13和H14；下载行为与持续使用行为（r=[X]，p<0.01）呈显著正相关，支持假设H15。相关性分析结果初步表明，在线评论各维度与UTAUT核心维度及用户行为之间存在密切的关系，为进一步的结构方程模型分析奠定了基础。5.4结构方程模型分析使用AMOS软件构建结构方程模型，将在线评论相关变量、UTAUT模型维度和用户行为变量纳入模型中，通过最大似然估计法估计模型参数，检验模型的拟合度和各变量之间的路径系数。模型拟合度指标如下：χ²/df=[X]，小于3；RMSEA=[X]，小于0.08；CFI=[X]，TLI=[X]，均大于0.9。这些指标表明模型拟合度良好，能够较好地解释变量之间的关系。路径系数分析结果显示，评论数量对绩效期望的路径系数为[X]（p<0.01），对社会影响的路径系数为[X]（p<0.01），说明评论数量对绩效期望和社会影响有显著的正向影响，假设H1和H2得到验证。评论情感倾向对绩效期望的路径系数为[X]（p<0.01），对社会影响的路径系数为[X]（p<0.01），表明正面的评论情感倾向能够显著提升绩效期望和社会影响，假设H3和H4成立。评论质量对绩效期望的路径系数为[X]（p<0.01），对社会影响的路径系数为[X]（p<0.01），验证了假设H5和H6，即评论质量对绩效期望和社会影响有积极作用。评论时效性对绩效期望的路径系数为[X]（p<0.01），对社会影响的路径系数为[X]（p<0.01），支持假设H7和H8，说明评论时效性能够显著影响绩效期望和社会影响。绩效期望对使用意愿的路径系数为[X]（p<0.01），努力期望对使用意愿的路径系数为[X]（p<0.01），社会影响对使用意愿的路径系数为[X]（p<0.01），促成条件对使用意愿的路径系数为[X]（p<0.01），表明绩效期望、社会影响和促成条件对使用意愿有显著的正向影响，努力期望对使用意愿有显著的负向影响，假设H9-H12得到支持。使用意愿对下载行为的路径系数为[X]（p<0.01），对持续使用行为的路径系数为[X]（p<0.01），下载行为对持续使用行为的路径系数为[X]（p<0.01），假设H13-H15得到验证。通过结构方程模型分析，明确了在线评论对用户行为的直接和间接影响路径。在线评论通过影响UTAUT模型中的绩效期望、努力期望、社会影响和促成条件