个性化算法推荐服务用户采纳意愿影响因素：元分析研究*

施 雨 茆意宏 张贵香

（1 南京农业大学信息管理学院 2 中国人民大学信息资源管理学院）

0 引言

新一代信息技术推动了时代的数字化转型，基于各项技术集成的服务逐渐渗透到各个领域，其中个性化算法推荐服务尤其突出。目前，个性化算法推荐服务已逐渐应用到社会各方面，最普遍的应用场景是电商平台，根据用户浏览记录或购买偏好过滤与组织信息，匹配符合用户兴趣的产品。近几年随着网络音视频的兴起、数字资源的丰富，个性化算法推荐服务应用版图不断扩大。个性化算法推荐服务充当着人与信息之间的便捷连接，为用户提供了更好的信息体验，但也衍生出很多问题，诸如过度采集个人敏感信息、侵犯用户隐私、推荐过频、推荐内容重复、推荐类型单一形成信息茧房等，给用户造成极大的困扰，进而产生抵触或怀疑的情绪。2022年1月，国家互联网信息办公室发布《互联网信息服务算法推荐管理规定》[1]，针对个性化算法推荐服务暴露的弊端，提出了对其强制约束和规范的举措。在此形势下，部分互联网平台向用户开放了个性化算法推荐服务自由选择权，允许一键关闭“个性化推荐”，但部分平台将“个人信息收集清单”和“个性化服务”关闭键设置在比较隐蔽的地方，影响了用户的选择。可见，个性化算法推荐服务在为用户提供便利的同时也会对用户造成一定负面影响，用户感知的服务质量是否达到甚至超过其心理预期，感知的各类潜在风险是否能够被接受或者忽略，都将影响用户是否会使用个性化算法推荐服务。

目前已有不少学者通过实证研究探讨个性化算法推荐服务用户采纳行为的影响因素，然而由于研究对象、理论基础、样本选择等差异，研究结论并不一致[2-5]，一些研究结论还相互矛盾[6—7]。这种现象或多或少会滞碍该领域的进一步发展。元分析方法作为图情领域具有广阔前景的一种研究方法[8]，能够对相同或相似主题下的多项研究进行综合定量分析，可以克服社会科学研究过程、结果中的不确定性[9]。因此，本文拟选用该方法系统梳理已有关于个性化算法推荐服务用户采纳意愿的实证研究成果，定量评定个性化算法推荐服务用户采纳意愿影响因素的性质和强度，并且探索前因变量和结果变量之间的关系会受到哪些外部变量的调节，以解释现有实证研究结果出现异质性现象的可能原因，进而形成普适的研究结论，为未来个性化算法推荐服务研究提供参考。

1 相关研究

1.1 个性化算法推荐服务内涵

目前，个性化算法推荐的概念尚未有统一界定。蔡宏志[10]认为信息推荐服务是根据用户的信息需求、兴趣或行为模式，将用户感兴趣的信息、产品和服务推荐给用户的个性化信息服务模式；Adomavicius D[11]定义个性化推荐服务为收集和使用用户信息并为其量身定制产品、内容和服务的过程；2016年出版的《管理科学技术名词》一书将个性化推荐定义为根据用户的兴趣特点推荐其感兴趣的对象的活动[12]。《互联网信息服务算法推荐管理规定》提到“应用算法推荐技术，是指利用生成合成类、个性化推送类、排序精选类、检索过滤类、调度决策类等算法技术向用户提供信息”[1]，将算法推荐技术细分为五类。参照上述定义与分类，本研究中的个性化算法推荐服务是指根据用户的兴趣偏好，利用个性化推送类算法技术，向用户提供感兴趣的产品、内容等各类信息。

1.2 个性化算法推荐服务用户采纳意愿及其影响因素

采纳，即接受。采纳意愿是指个人对某事物产生愿意使用的想法。用户对信息技术的采纳行为研究一直是信息系统研究领域持续关注的重要问题之一。在用户行为研究中，通常沿着“态度–意愿–行为”的研究路径，积极或消极的态度会对行为意愿产生直接影响，而行为意愿直接决定某个行为的发生，其中，研究用户采纳意愿是不可或缺的步骤。

目前，国内外已有很多关于个性化算法推荐服务用户采纳意愿的研究成果。曹琦[13]、杨梅[14]、王伟军等[4]运用问卷调查法研究了电子商务平台推荐系统用户采纳意愿的影响因素。吴继飞等[15]、陈梅梅等[16]使用实验法揭示了个性化推荐服务用户采纳意愿影响因素；Zhao Q等[17]利用算法实验探究用户不采纳个性化推荐服务的原因，并从用户日志数据中对用户不采纳的缘由分类。李治[18]、Liang W Y[19]则综合运用问卷调查法与情景实验法探讨个性化推荐服务用户采纳意愿的影响机制。

针对多种类型的移动应用平台，一些学者尝试探索不同应用平台中的个性化算法推荐服务用户采纳意愿的影响因素。Gulzar Z等[6]对电子学习平台的学者接受课程推荐系统影响因素进行研究，发现用户使用习惯会负向影响用户采纳课程推荐系统的意愿，而Oechslein O等[7]研究后发现用户习惯对采纳社交平台推荐系统意愿有正向影响。对于电子商务平台的个性化算法推荐服务，杨盛[20]的研究结果表明系统交互与用户采纳意愿之间存在弱相关关系，杨一翁等[21]的研究则显示推荐系统质量与用户采纳意愿间是强相关关系；Martínez-López F J等[22]、吕梦晓[23]的研究都证实感知易用性对采纳意愿会产生积极显著影响，而杨一翁等[21]发现感知易用性对采纳意愿无显著影响。一些学者也发现，不同平台的个性化算法推荐服务用户采纳意愿影响因素会有差别，例如，段尧清等[24]调研后发现感知有用性、用户期望、信息质量和主观规范是影响数字图书馆个性化推荐用户采纳意向的主要因素。Alharbi H等[25]提出影响学生对电子学习推荐系统采纳意愿的因素有感知有用性、感知易用性、服务质量、用户体验等。Benbasat I等[26]认为除感知有用性、感知易用性因素外，信任是影响用户采纳个性化推荐的一个重要因素。

一些学者探索个性化算法推荐服务用户采纳意愿的影响因素时采用了不同的基础理论建模、实证，如李宝库等[27]基于VAM模型研究得出影响用户对移动个性化推荐采纳意愿的因素包括功能价值、安全价值和体验价值；王家玮等[5]基于社会信息加工理论，发现个性化推荐感知价值对用户采纳意愿产生影响，同时隐私关注与产品涉入均对采纳意愿起着负向调节作用。Choi J等[28]以理性行为理论为基础，发现推荐系统功能和社会文化因素会对用户使用移动推荐系统的态度产生重大影响。Oechslein O等[7]利用技术接受扩展模型研究得出绩效期望、努力期望、社会影响、习惯会正向影响用户对推荐系统的采纳意愿。

综上所述，关于个性化算法推荐服务用户采纳意愿影响因素的研究已经取得了阶段性的成果，但由于不同研究选择的理论基础、研究平台、切入视角等不同，得出的研究结论有所差异。一些研究侧重对其提出的影响因素模型进行检验，即便是针对同一变量的实证研究，也可能因为研究方法、调查样本等选择的差异，造成了研究结论不一致的情况。有学者尝试从定性层面对个性化算法推荐服务用户采纳意愿影响因素的相关研究进行梳理与总结[29]，但其无法实现对实证研究成果进行整合定量处理，将用户采纳意愿影响因素间的关系量化，结合具体数值进行多角度多元素的深入分析。因此，本研究选择元分析方法，通过整合性的定量分析，探寻出影响用户采纳个性化信息推荐服务意愿的共通的、关键的因素，揭示研究结论之间存在差异的原因，得出具有普适性的结论，以期为未来个性化信息推荐服务研究提供启示。

2 研究设计

2.1 研究方法

元分析（Meta-analysis）又被称为荟萃分析、Meta分析、整合分析等，是运用统计方法对一系列相同课题的实证研究中存在差异的结果进行综合分析，概括这些研究结果反映的共同效应，即从既有的研究中提取出普遍性结果或结论[30]。元分析对文献筛选有着严格的标准，且不局限于已发表的研究，能够获取原始资料的期刊论文、会议论文、专著以及未发表的研究均可以作为分析的基础材料。元分析的主要特点是以效应量衡量各研究结果，采用加权平均的方法对这些效应量进行处理，将统计方法与定性模型结合应用，且效应量受相关样本量大小的影响较小，使得元分析处理获得的结果相比其他的方法会更加的科学与可靠[30—31]。

元分析方法被认为是社会科学领域最常用的综合性定量研究方法[32]。20世纪90年代，元分析方法开始被引入到图情研究领域。本研究尝试使用元分析方法分析个性化信息推荐服务用户采纳意愿影响因素，遵照元分析研究范式[33]，本研究过程包括研究问题提出、文献检索、文献筛选与编码、数据整合、结果解释等环节。

2.2 文献检索与筛选

元分析方法与传统描述性综合方法不同，它需要采集各渠道的资料以获取某研究主题下的所有相关文献，包括但不限于期刊论文、会议论文、报纸、未发表的研究等[34]。笔者编写相关检索策略并选择数据库进行文献检索，其中，中文文献来源选择中国知网、万方、中国社会科学引文索引等数据库平台，不限文献类型，将“个性化推荐”“算法推荐”“智能推荐”“信息推荐”“推荐系统”与“采纳”“接受”“使用”等字段进行标题、关键词、摘要组合检索；外文文献来源选择Web of Science、ScienceDirect、SpringerLink、Emerald、EBSCO、ProQuest、Wily Online Library等数据库平台，将“recommendation system”“recommender system”等与“accept*”“adopt*”等字段组合进行主题、摘要、关键词综合检索。文献发表时间限定为2013年1月至2022年12月。初步获得文献6120篇，其中中文文献2865篇，外文文献3255篇。将初步获得的文献题录导入EXCEL中，清除重复中文文献105篇、外文文献451篇后，共获得5564篇。接下来进一步浏览文献摘要，剔除与主题不相关文献后，得到94篇中文文献与78篇外文文献，下载全文以备后续进一步筛选。

文献筛选标准是：①文献是与个性化算法推荐服务用户采纳行为有关的实证研究，不包含质性研究、综述性研究等。②文献必须至少包括一种个性化算法推荐服务用户采纳意愿相关的影响因素。③文献中有足够的、详细的数据信息（如样本量、平均值、方差、相关系数r或可转换为相关系数的t值等）。④对于重复研究的内容，仅保留一种研究结果，优先保留已发表的期刊成果。按上述标准细致筛选，最终符合元分析的基础资料共有51篇，其中中文文献40篇，外文文献11篇。具体筛选流程见图1。

图1 元分析基础资料筛选过程

2.3 数据编码

参照Lipsey M W和Wilson D B[35]提出的具体编码步骤，由本文作者中的两位分别独立对经过重重筛选后的51篇文献进行编码，各自完成后对编码结果一一对比，针对不一致之处，与第三位研究人员共同商讨决定以形成最终的编码结果。编码内容主要包括文献内容特征描述和效应量统计数据。其中，文献内容特征描述包括文献作者、发表时间、文献类型、研究理论基础等；效应量统计数据包括研究样本量、信度、相关系数等数值。本研究主要选择相关系数r作为效应值，若资料中未提及相关系数r，则选择t值、F值或路径系数等换算得出r值（换算公式为rdf为自由度[36]）。在编码时会存在影响因素同名异义或异名同义的情况，将影响因素名称进行统一处理，含义相似的因素归为一类，并选择频次较高的名称命名，如沉浸体验、体验价值、感知愉悦性等名称虽不同，但含义相似，在各名称中“感知愉悦性”出现频次较高，则将它们统一命名为感知愉悦性，通过此方法将编码产生的误差减到最小。

Rosenthal R[37]认为1个自变量仅需2个效应值就可以进行元分析，但为了满足后续元分析中的发表偏倚检验与调节变量分析样本要求，同时揭示个性化算法推荐服务用户采纳意愿关键影响因素，笔者选择编码后出现频次大于3次的影响因素作为自变量，共得到14个影响因素，并对14个影响因素定义进行了阐释，见表1。

表1 个性化算法推荐服务用户采纳意愿影响因素整理

3 个性化算法推荐服务用户采纳意愿影响因素的元分析

本研究选用Comprehensive Meta Analysis V3专业软件辅助完成整个元分析过程，其具备异质性检验、meta回归、判断发表偏倚、绘制漏斗图和森林图等多种功能。

3.1 信度分析

本研究统计了14个影响因素的Cronbach’α值以确保研究结果更加科学严谨，若文献中未报告Cronbach’系数，则选取复合信度（composite reliability，CR）代替。各影响因素的平均信度见表2。各影响因素平均信度值均大于0.77，信度较好，可以为接下来的元分析提供信度保障。

表2 信度分析

3.2 发表偏倚检验

在元分析过程中，发表偏倚是一个不可避免的问题，它会对元分析结果的可靠性产生影响。发表偏倚也称为系统误差（systematic error），是指研究结果或推论与真实结果之间的偏差，可能产生该问题的主要原因是未将某个研究领域的所有文献都作为研究的基础资料，通常研究样本量大、显著性强的成果更易发表[41]。检验发表偏倚的方法一般有7种，分别是森林图（forest plots）、漏斗图（funnel plots）、秩相关（rank correlation）、回归分析（regression procedures）、失安全系数（fail-safe N）、trim and fill法和累积森林图（cumulative forest plot）。

本研究选择漏斗图和失安全系数两种方法共同检验发表偏倚。漏斗图可以反映初始研究的效应量值是否与样本量有关，其形状类似一个倒置的漏斗。漏斗图的横坐标是由相关系数r转换的Fisher’s Z值；纵坐标是标准误，采用逆向尺度赋值，纵坐标值由上而下逐渐增大。若漏斗图中的点集中呈现于“漏斗”上半部，则表明标准误小；若漏斗图中的点出现在底部，则表明标准误大。若散点围绕漏斗图中心线对称分布，则表明不存在发表偏倚；如若不对称分布，则表明存在发表偏倚[42]。本研究选择的基础文献研究结果均集中在漏斗图上部（见图2），漏斗图上的点基本围绕合并效应值0.414对称散开，初步显示不存在发表偏倚。

图2 效应值漏斗图

失安全系数（fail-safe N，Nfs）是Rosenthal在1979年提出的一个概念，其概念为当元分析结果具有统计学意义时，未排除可能的发表偏倚，计算得出至少需要多少个未发表的研究才能让元分析结论逆转[42]。失安全系数与其他检验发表偏倚的方法相比会更加客观，一般情况下，只要fail-safe N的值大于5k + 10（k为各变量独立研究的个数）就表明不存在发表偏倚[37]。本研究选中的14个影响因素的失安全系数均满足要求，各影响因素的失安全系数数值见表3。

表3 个性化算法推荐服务用户采纳意愿影响因素的元分析结果

3.3 异质性检验

元分析将具有相同研究问题的多项独立研究汇总进行定量分析，但当各研究之间的结果差异较大或存在明显异质性时，元分析结果就会受到质疑[43]。同时，异质性检验结果也影响到元分析的模型选择，若各项研究间存在异质性，可以选择随机效应模型进行效应值合并，反之，则选择固定效应模型进行效应值合并。异质性检验主要涉及Q与I2两个统计量，其中统计量Q是服从自由度为k-1的卡方分布，当Q的P值大于0.05时，则可认为研究为同质；当Q值的P值小于0.05时，则可认为研究存在异质性。统计量I2反映的是异质性部分在效应量总的变异中所占的比重，当I2值为0%时，则表明各研究为同质来源；当I2值大于56%时，则表明各研究存在异质性；I2值小于31%时，则可以认为各研究为同质[44]。结合上述标准，在表3中各影响因素的Q值均有显著意义，且I2值大于56%，表明个性化算法推荐服务用户采纳意愿影响因素的各个效应值之间有着较明显的异质性，同时也决定了在研究各因素与采纳意愿之间关系以及调节效应分析时应选择随机效应模型。

3.4 关系强度

关系强度是指各影响因素与用户采纳个性化算法推荐服务意愿之间的相关系数的大小。Cohen J[45]在其著作Statistical Power Analysis for the Behavioral Sciences中提出对相关系数r值的划分标准，当0≤|r|＜0.1时，则表明不相关；当0.1≤|r|＜0.3时，则表明弱相关；当0.3≤|r|＜0.5时，则表明中度相关；当|r|≥0.5时，则表明强相关。根据此划分规则，对比表3中的数据，经过异质性筛选后的14个影响因素均通过显著性检验，且95%置信区间不包含0，表明均对用户采纳个性化信息推荐服务意愿的影响显著。具体而言，信任、感知愉悦性、推荐信息质量、交互质量、态度与用户采纳意愿呈显著强正相关，感知有用性、感知易用性、社群影响、感知安全、推荐信息准确性与用户采纳意愿呈显著中度正相关，推荐时机、习惯与用户采纳意愿呈显著弱正向相关关系，感知风险、隐私关注与用户采纳意愿呈显著中度负相关关系。

3.5 调节效应分析

表3中异质性检验结果表明，本研究的用户采纳意愿影响因素均存在着较明显的异质性，为了阐释异质性产生的缘由，需要进一步进行调节效应的检验。在梳理本研究样本文献过程中，发现主要存在的差异表现在社会环境、研究时间、研究应用平台3个方面，因此，选取3个变量进行调节效应分析，以检验各种外部变量是否会对效应量产生调节作用。对调节变量进行具体划分，社会环境分为国内与国外2类；研究时间根据检索年限（2013–2022年）期间5年为一个时间节点，分为两个时间段：2013–2017年为第一段，2018–2022年为第二段；研究应用平台分类以国家市场监督管理总局发布的《互联网平台分类分级指南（征求意见稿）》（下简称《指南》）为基准[46]，《指南》将互联网平台分为网络销售类平台、生活服务类平台、社交娱乐类平台、信息资讯类平台、金融服务类平台、计算应用类平台等6大类，笔者根据本研究样本涉及的应用平台以及用户对应用平台普遍的分类习惯，将6大类平台概括为交易促成型平台（网络销售类平台、生活服务类平台、金融服务类平台）和内容传输型平台（社交娱乐类平台、信息资讯类平台、计算应用类平台）。

在调节变量研究中，当各影响因素对应的组间QB值在95%置信区间显著时，则表明研究的异质性部分来自研究间的研究特征差异，及部分来自研究内的随机误差[47]。表4为各外部特征变量的调节检验结果，可以看出，社会环境在感知风险对用户个性化信息推荐服务采纳意愿的影响中会产生调节作用；研究年代仅在态度对用户采纳意愿的影响中产生调节作用；应用平台类型对感知愉悦性、感知安全、感知风险、态度与用户采纳意愿的关系具有显著影响（p＜0.05），这说明应用平台类型在个性化算法推荐服务用户采纳意愿及其影响因素之间具有一定的调节作用。综合上述结果，社会环境、研究时间与研究应用平台类型在部分因素对采纳意愿的影响中起到一定的调节作用，是导致影响因素间存在异质性的外部变量之一。

表4 调节变量分析结果

4 结果讨论

4.1 个性化算法推荐服务用户采纳前因分析

本文的元分析结果证实，文献编码得出的14个关键因素会对用户采纳个性化算法推荐服务意愿产生不同强度的影响。笔者将其归纳为3个维度：用户感知和心理活动、服务系统、外部环境（见图3）。

图3 个性化算法推荐服务用户采纳意愿影响因素及其相关关系强度

（1）用户感知及心理活动维度的影响因素有9个，其中用户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）、感知愉悦性（r = 0.508）、感知安全（r = 0.344）、感知风险（r = –0.350），用户心理活动方面的因素包括信任（r = 0.604）、态度（r = 0.583）、习惯（r = 0.228）、隐私关注（r = –0.384）。感知有用性和感知易用性是不同技术接受模型的基础要素，在元分析的过程中可以看到，不同时期对不同应用平台的个性化算法推荐服务做研究，这两个核心要素都会对用户采纳意愿产生显著的影响。感知愉悦性是技术行为意向的相关预测因子[48]，对用户采纳个性化算法推荐服务有着积极影响作用[49]。在以感知价值理论为基础的研究中，感知有用性、感知易用性、感知愉悦性、感知安全等用户对服务效用的感知评价都会直接影响到用户采纳意愿[2,50]，本研究为这4个因素与用户采纳意愿之间的关系探究提供了元分析实证支持。

感知安全和感知风险是用户对个性化算法推荐服务截然相反的两个感知评价。随着用户对个人隐私关注度增加，就会越担心个性化算法推荐服务系统泄露个人信息，而感知风险会直接影响用户信任[51]，信任影响用户态度[22]，进而影响用户使用个性化算法推荐服务的意愿。此外，虽然习惯是出现频次不高的因素，但其对用户采纳意愿也产生一定影响，后续研究应对这一变量予以关注。

（2）服务系统维度的影响因素有推荐信息质量（r = 0.543）、推荐信息准确性（r =0.437）、交互质量（r = 0.518）、推荐时机（r =0.265），均会显著正向影响用户采纳意愿。用户使用个性化算法推荐服务实为人机交互的过程，交互质量包括服务的便捷性、友好性、响应速度等会对用户感知有用性产生影响[52]。推荐信息质量[4]、推荐信息准确性[38]、推荐时机[50]等服务系统特征变量均会正向作用于用户感知有用性，进而影响用户对个性化算法推荐服务的采纳意愿。不论是交易促成型平台还是内容输出型平台，推荐信息质量、推荐信息准确性以及推荐时机都是衡量推荐服务有用性的关键要素。

（3）外部环境维度的影响因素有社群影响（r = 0.418）。元分析结果显示，社群影响对个性化算法推荐服务用户采纳意愿产生正向中度影响，即周围越多意见领袖、朋辈等对个性化算法推荐服务表现出接纳倾向，用户越会相信他们的选择，同样接纳个性化算法推荐服务。正如理性行为理论（TRA）中提及的，个体虽然能够控制自身行为，但处于社会组织中仍会受到外部环境的影响，本研究运用元分析方法得到的实证结果进一步验证了这一结论。

4.2 调节变量的作用分析

经过元分析的异质性检验与调节变量检验，本研究发现相关前因变量对个性化算法推荐服务用户采纳意愿的影响受到研究时间、社会环境、应用平台等变量的调节。

我最近总是觉得你很心急。你正忙着追赶成功者的脚步，你正赶着为人生的下一个岔路口拼命准备，你正焦虑地思考怎样才能更进一步地达成自己的人生目标。

4.2.1 研究时间

元分析结果显示，用户态度对个性化算法推荐服务用户采纳意愿的影响在一定程度上会受到时间的调节作用（QB= 12.674，p = 0.000）。个性化算法推荐服务发展近30年，本研究在检索文献时已限定近10年的研究成果，细分为2013–2017年与2018–2022年两个时间段，相较于近5年，前5年的研究显示态度对用户采纳意愿的正向作用程度更强。可能的缘由是，互联网移动应用逐渐普及，用户对各应用中的个性化推荐服务的态度随着时间的推移而转变，面对新事物大众总会强烈融入或拒绝，促使用户态度会有极端出现，而随着事物长期存在变为一般事物，用户态度便会趋向大同、稳定。

4.2.2 社会环境

依据元分析结果，社会环境在感知风险对个性化算法推荐服务用户采纳意愿的影响中产生调节作用（QB= 5.000，p = 0.025）。相比之下，国外用户感知风险对用户采纳意愿的负向作用更强。可能的缘由是，不同社会文化环境下用户的风险防范意识不同，近年来，国民已关注到提升风险保护意识的重要性，但对个性化算法推荐服务在时间、资金等方面的风险保护意识还不够强。

4.2.3 应用平台类型

元分析结果显示，应用平台类型会在感知愉悦性、感知风险、感知安全以及态度对用户采纳意愿的影响中产生调节作用（QB= 11.444，p = 0.001；QB= 3.990，p = 0.046；QB= 34.094，p = 0.000；QB= 12.674，p = 0.000）。与交易促成型平台相比，用户感知愉悦性、感知风险、感知安全对内容传输型平台个性化算法推荐服务采纳意愿的作用更强，但用户态度对内容传输平台个性化算法推荐服务采纳意愿的作用较弱。用户使用不同类型平台个性化算法推荐服务的目的、场景、活动内容差异会对用户采纳意愿及影响因素产生不同的作用强度，后续研究可以关注不同场景对个性化算法推荐用户采纳意愿的影响，为个性化算法推荐服务提供者针对用户使用场景转换制定差异化服务提供参考。

4.3 实践启示

本文的元分析结果对个性化算法推荐服务提供者深入了解用户并促进用户采纳该服务有一定的借鉴意义。

（1）在技术开发与设计方面，考虑到感知安全、感知风险以及隐私关注对用户采纳意愿的显著影响关系，个性化算法推荐服务提供者应不断优化底层算法，第三方平台加强对其监测与管理，为用户提供在时间、资金、个人信息等多方面的风险控制，同时增加个性化算法推荐信息采集程序透明度，弱化用户使用个性化算法推荐过程中的风险与不确定性，提升用户的采纳意愿。从交互质量、感知愉悦性与用户采纳意愿具有强相关关系可知，个性化算法推荐服务提供者不可忽略用户与服务界面的互动，应努力改进推荐界面信息布局、出现位置等，进而提高用户感知愉悦性与感知易用性。推荐信息准确性、推荐时机对用户采纳意愿也具有显著影响，服务方需要对用户分层分群，分析用户需求背后的心理动机，确定用户场景，及时向用户推荐契合兴趣的信息，进而提升用户对个性化算法推荐服务的感知有用性，驱动用户采纳行为转化率。

（2）在服务推广与宣传方面，从信任、态度、推荐信息质量及社群影响对用户采纳意愿具有关键作用这一发现可以看出，个性化算法推荐服务提供者应该筛选高质量的、正向价值观的信息，移动平台应该树立优质行业形象，双方协力促进用户对个性化算法推荐服务的信任度。移动平台与个性化算法推荐服务提供者可利用专业人员测评结果、同类服务排名比较等方式，充分发挥口碑和意见领袖对用户采纳行为的拉动作用。

5 结语

本文采用元分析方法识别个性化算法推荐服务用户采纳意愿关键影响因素，解释过往研究异质性的原因，为未来研究提供了一些可参考的新观点，促进了个性化算法推荐服务用户行为研究领域的发展，丰富了元分析方法在图情领域的应用。本研究也存在一些不足：①仅从主流数据库中获取样本文献，样本量有限，未选择专门的会议数据库及其他国家自有的数据库等，结论的准确性受到一定影响；②由于缺少足够的样本数据支持相关调节变量的研究，本研究仅选择研究时间、社会环境、应用平台类型3个调节变量进行元分析；③元分析方法固有的局限性，原始文献存在的研究不足（如样本偏差、数据误差等）会对元分析结果的可靠性产生影响。因此，未来研究可以利用更多的数据库，获取更广泛的文献，进一步提高元分析结果的准确性；在数据充足的条件下，尝试更多调节变量（如身份特征、性别、教育程度等）的分析，更深入揭示研究异质性的原因。

（本文数据链接地址：http://hdl.handle.net/20.500.12304/10999）