知识管理论坛 >

2025 , Vol. 10 >Issue 2: 126 - 140

DOI: https://doi.org/10.13266/j.issn.2095-5472.2025.009

研究论文

老年人智慧养老技术持续使用意愿影响因素的元分析

  • 杨静 ,
  • 马琪
展开
  • 北京航空航天大学公共管理学院 北京 100191
马琪，副教授，博士，硕士生导师，E-mail: 。

杨静，硕士研究生

收稿日期: 2025-02-14

  网络出版日期: 2025-04-15

基金资助

国家自然科学基金面上项目“人—机—环境视角下智慧养老服务系统持续使用的影响因素及其作用机制研究”(72374020)

收起

Influencing Factors of Smart Senior Technology Continuance Intention Based on Meta Analysis

  • Yang Jing ,
  • Ma Qi
Expand
  • School of Public Administration, Beihang University, Beijing 100191
Ma Qi, associate professor, PhD, graduate supervisor, corresponding author, E-mail: .

Yang Jing, master candidate

Received date: 2025-02-14

  Online published: 2025-04-15

Supported by

National Natural Science Foundation of China titled“Research on the Influencing Factors and Mechanisms of the Continuous Use of Smart Elderly Service System from the Perspective of Human-Machine-Environment”(72374020)

Fold

摘要

[目的/意义] 研究为理解和预测老年人的技术持续使用意愿提供有价值的参考依据，有助于指导智慧养老技术设计与改进，并进一步提升用户体验。 [方法/过程] 采用元分析方法，对34篇定量研究文献进行综合分析，着重探讨影响老年人智慧养老技术持续使用意愿的14组关键变量关系，并借助调节效应检验剖析研究结果的异质性来源。 [结果/结论] 研究结果显示，社会影响、便利条件、满意度、感知有用性、感知易用性、信任以及参与度与智慧养老技术持续使用意愿呈显著正相关关系。感知风险与技术焦虑则与持续使用意愿呈负相关关系。样本性别构成、所属国家经济发展水平、技术类别和样本规模可以调节变量间相关性，造成研究结果间的差异。

关键词： 智慧养老技术; 持续使用; 影响因素; 元分析

本文引用格式

杨静 , 马琪 . 老年人智慧养老技术持续使用意愿影响因素的元分析[J]. 知识管理论坛, 2025 , 10(2) : 126 -140 . DOI: 10.13266/j.issn.2095-5472.2025.009

Abstract

[Purpose/Significance] The study provides valuable references for understanding and predicting older adults’ smart senior technology continuance intention, which can help guide the design and improvement of smart senior technologies and further enhance the user experience. [Method/Process] The meta-analysis method was used to comprehensively analyze 34 quantitative research papers, focusing on the relationship between 14 groups of key variables that affect the intention of the elderly to continue to use smart senior technology, and the source of heterogeneity of the research results was analyzed with the help of the moderating effect test. [Result/Conclusion] The findings showed that social influence, facilitating condition, satisfaction, perceived usefulness, perceived ease of use, trust, and participation were significantly and positively related to smart senior technology continuance intention. In contrast, perceived risk and technology anxiety were negatively associated with smart senior technology continuance intention. In addition, the gender composition of the sample, the level of economic development of the country, the type of technology, and the size of the sample can moderate the correlations between the variables, resulting in differences between the findings.

Key words： older adults; smart senior technology; continuance intention; influencing factors; meta-analysis

1 引言/Introduction

据国家卫生健康委员会发布的《2023年我国卫生健康事业发展统计公报》显示，我国人均预期寿命已达78.6岁，而人口自然增长率却降至-1.5‰，且预计到2035年，我国将迈入重度老龄化社会[1]。严峻的老龄化形势冲击着公共财政体系和社会福利制度，带来疾病诊治、医疗保健及老年安全照护等养老服务压力，为此，习近平总书记多次强调，“必须全面认识、正确看待我国人口发展新形势”“把人口高质量发展同人民高品质生活紧密结合起来”[2]。随着大数据、区块链、人工智能等前沿技术的蓬勃发展，以及“老龄化+智能化”双轮驱动战略的持续推进，智慧养老应运而生，成为应对养老挑战的新思路。智慧养老是以智能终端设备和信息化系统平台为载体，辐射生活照料、紧急救助、远程监护等服务，依托先进技术满足老年人多层次、高品质物质与精神需求的智慧化养老模式，有利于促进养老服务的规模化、精细化和跨时空运作。北京市民政局等相关部门联合发布的《关于加强“老老人”服务保障的若干措施》明确提出，加大对养老服务领域新技术研发、应用场景建设及先进技术推广的政策支持力度，并将智慧养老院建设与养老机器人产业作为重点扶持领域[3]。由此可见，智慧养老正逐步成为完善中国特色养老服务体系、推进老龄社会治理体系现代化以及增进新时代新征程民生福祉的重要支撑力量。
然而，智慧养老技术在实践应用中面临着老年用户难以持续使用的现实挑战[4]。鉴于信息系统的最终成功依赖于用户的持续使用[5]，非持续使用现象无疑制约了智慧养老技术的效能发挥。为此，学术界围绕老年人持续使用意愿的影响因素展开了系统性研究[6]。但现有研究结论存在显著分歧，难以有效指导智慧养老技术改进与用户体验提升[7]。因此，整合与总结现有研究成果，并准确识别影响老年人持续使用智慧养老技术的关键预测因素，已成为当前研究的迫切需求。此外，关于老年人持续使用意愿研究结果异质性的来源，也尚未得到充分阐释。基于上述分析综上所述，本研究提出以下3个研究问题：①影响老年人智慧养老技术持续使用意愿的前因变量有哪些？②各前因变量与持续使用意愿之间的关系强度如何？其中哪些变量可作为持续使用意愿的关键预测指标？③前因变量与持续使用意愿之间的关系受到哪些调节变量的影响？其调节机制是什么？
为解决上述研究问题，本研究拟采用元分析（Meta-Analysis）方法，系统整合国内外相关实证研究成果。通过提取原始研究中的皮尔逊相关系数（Person r）作为效应量，评估老年人智慧养老技术持续使用意愿的预测因素，并藉由调节效应检验探究研究结果的异质性来源。本研究旨在揭示持续使用意愿的前因变量及其作用机制，为理论发展和实践应用提供科学依据。

2 文献回顾/Literature review

作为率先区分技术接受与持续使用的学者之一，A. Bhattacherjee指出以往研究混淆两者概念、采用相同测量结构的误区。他明确定义持续使用意愿为“个体在初始接受后继续使用信息系统的意愿”，并整合技术接受模型（Technology Acceptance Model，TAM）和期望确认模型（Expectation Confirmation Model，ECM），构建了信息系统持续使用模型（Information System Continuance，IS Continuance）[8]。在此基础上，C. Liao等提出了技术持续使用理论（Technology Continuance Theory，TCT），该理论融合IS Continuance与认知模型（the Cognitive Model，COG）的核心构念，包括感知有用性、感知易用性、期望确认、态度和满意度等[9]。TCT被认为从定性与定量两个维度，提升了对用户持续使用意愿和满意度的解释力，展现出较其他技术使用理论更广阔的研究适用性[10]。目前，IS Continuance、TCT已被广泛应用于移动应用程序[11]、智能终端设备[12]等领域的用户持续使用行为研究中。
老年人智慧养老技术持续使用意愿是指老年人在初次接触并使用某项智慧养老技术后，继续使用该技术的主观意向。研究表明，智慧养老技术普遍存在采纳后使用率持续下降的现象[13]。N. Sinha等也在针对老年用户手机银行使用行为的纵向研究中发现，12%的参与者在一个月后停止使用，两个月后这一比例上升至21%[14]。基于上述现象，学者们致力于识别影响老年人技术持续使用的关键因素。F. Meng等在老年健康管理领域的研究表明，情感信任和认知信任均显著正向影响老年用户对移动医疗服务的持续使用意愿[15]。刘勍勍等证实满意度、感知有用性和感知趣味性共同作用于老年用户对互联网应用的持续使用意愿[16]。此外，老年群体普遍存在的认知功能衰退、技术焦虑和技术恐惧等特征，显著降低了其对新技术的适应能力[17]。研究还发现，智慧养老技术的感知易用性不足[18]、感知功利价值低下[19]以及社会支持网络弱化[20]等因素，均对老年群体的持续使用意愿产生显著负面影响。
然而，通过系统梳理老年人智慧养老技术持续使用意愿影响因素的实证研究，本研究发现部分研究结论存在显著分歧。具体而言，M. S. Talukder等在探讨中国老年人对可穿戴健康技术的持续使用意愿时，证实习惯具有显著促进作用[21]。然而，R. Liang等针对老年人使用可穿戴健康设备的研究却未能验证习惯的积极效应[22]。类似地，W. Liu等发现，知觉行为控制对上海市老年人的社交网络服务持续使用意愿具有显著正向影响[23]；而Y. C. Hsu等对中国台湾地区老年人远程护理服务的研究却显示，知觉行为控制的影响并不显著[24]。此外，关于感知易用性[25]、代际支持[26]等因素对持续使用意愿的影响，不同研究也得出了不一致的结论。且袁顺佳等指出，人口统计学特征（如性别、年龄、收入等）、技术类型差异、样本规模以及社会文化背景等因素，均可能调节“前因变量—持续使用意愿”之间的作用关系与方向[27]。这些潜在调节变量的作用机制及其边界条件也有待进一步检验。
综上所述，现有定量研究在探讨具体前因变量对持续使用意愿的影响时，未能得出一致结论，且缺乏对研究结论异质性来源的讨论，为智慧养老技术持续使用领域留下了亟待探索的研究缺口。本研究旨在填补这一理论空白：通过整合已有研究中的变量关系，计算影响因素的效应量，进而评估变量关系的强度；剖析研究结果分歧的内在原因，以得出更具科学性和普适性的研究结论。

3 研究设计/Research design

3.1 研究方法

元分析是一种具有高度实证性的文献综合方法，其核心在于整合同一研究主题下的异质性定量研究结果，通过计算变量间真实效应量来解决研究结论不一致的问题[28]。且这一方法能够进一步揭示原始研究中被忽略或未能充分探究的潜在调节因素，为新研究假设的提出及验证提供支持，被视为传统文献综述方法的一种更为严谨且有效的替代方案[29]。从方法论角度来看，元分析可分为探索性和验证性两种类型：探索性元分析遵循数据驱动的研究逻辑，旨在通过分析现有数据集，揭示新的变量关系与效应结构；验证性元分析则建立在先验理论或研究假设基础之上，着重检验变量关系在不同研究情境下的效果一致性[30]。通常而言，元分析的实施遵循系统化的研究流程：首先明确研究主题并构建检索策略，继而进行文献检索、收集与筛选，随后开展文献编码工作，最后进入数据分析阶段。其中，数据分析环节包含效应量计算、发表偏倚检验、异质性检验、主效应分析、敏感性检验与调节效应检验等多个关键步骤。
基于上述分析，本研究采用探索性元分析方法，系统整合智慧养老技术持续使用意愿影响因素的实证研究成果。通过评估变量间关系的综合效应量，本研究致力于揭示该领域的研究全景，深入解析不同研究结论间的分歧及其根源。

3.2 文献检索与筛选

本研究首先界定了检索的关键词组合。在中文语境下，将“智慧养老”“智慧养老技术”“智能养老技术”分别与“持续使用”“持续使用意愿”“持续使用意向”进行组合检索，覆盖中国知网、万方和维普等主要中文数据库。英文文献检索则采用“smart senior care”“smart aging care”“intelligent elderly care technology”与“continuance intention”“continuance usage intention”“post-adoptive intention”等关键词的组合，检索范围包括Web of Science、ScienceDirect、SpringerLink、ProQuest和Google Scholar等国际权威数据库。为提升文献覆盖率，本研究还采用了引文回溯法进行补充检索。检索时间跨度为2001年9月（A. Bhattacherjee发表IS Continuance理论）至2024年10月，共获得中文文献244篇，英文文献781篇。
为确保用于元分析研究的文献质量，本研究制定了严格的文献纳入标准：①发表时间限定在2001年9月至2024年10月；②采用定量研究方法；③研究主题聚焦智慧养老技术持续使用意愿的影响因素：④研究对象为55岁及以上老年群体；⑤提供完整的统计指标，包括样本量、变量间相关系数、标准化回归系数、t检验值等；⑥以中文或英文发表，且全文可获取；⑦基于一手数据开展研究。依据上述标准，经过系统筛选和评估，最终纳入34篇符合要求的文献，包括中文文献4篇，英文文献30篇，其中期刊论文30篇，会议论文2篇，学位论文2篇（文献筛选流程参见图1）。多元化的文献来源有效降低了发表偏倚风险，确保元分析结果的准确性和可靠性[31]。
图1 文献筛选流程

Figure 1 Literature Screening Process

3.3 数据编码

本研究从34篇原始文献中提取所需数据进行编码，编码内容分为描述性统计信息和效应量统计信息两个模块。描述性统计信息包括作者、发表年份、研究方法、文献类型、样本规模、性别构成、平均年龄、样本来源国家以及智慧养老技术类别（详见表1）。效应量统计信息则涵盖变量间关系及其效应量（r值、β值、t值）。为控制编码过程中的主观偏差，由两位研究者独立完成编码工作，并通过回溯原始文献解决分歧。针对变量命名不一致但内涵相同的情况，研究者严格依据原始文献的概念定义和测量题项，对相似变量进行合并归类，最终确定89个独立自变量和137组变量关系。
表1 部分文献的描述性统计信息编码表

Table 1 Encoding list of descriptive statistical information from selected literature

第一作者

（年份）

 研究方法 文献类型 样本量

样本性别构成

（女性占比/%）

 样本平均年龄 样本来源 技术类别
王海晶（2021） 调查法 学位论文 320 55.3 69 中国黑龙江省 智慧养老服务
韦艳（2024） 调查法 期刊论文 976 50.6 64 中国陕西省、山东省、河南省、吉林省 智慧健康养老产品
R. W. Berkowsky（2015） 实验法 会议论文 313 未报告 82 美国南部地区 信息通信技术
U. C. Nwanekezie（2019） 调查法 学位论文 1 014 50.0 65 英国 在线通信渠道
E. Kim（2021） 调查法 期刊论文 250 52.5 67 韩国 健康应用程序
N. Sinha（2023） 调查法 期刊论文 208 40.4 67 印度新德里 手机银行应用
K. P. Lai（2023） 调查法 期刊论文 400 47.0 65 马来西亚 医疗保健社交媒体
A. K. C. Wong（2023） 实验法 期刊论文 221 83.1 77 中国香港 移动健康应用
Y. Zhang（2024） 调查法 期刊论文 381 48.8 63 中国长三角地区 可穿戴健康技术
R. A. D. Kumalasari（2024） 调查法 期刊论文 298 45.6 69 印度尼西亚 基于生物识别的自助服务
通常而言，每组变量关系仅需两个效应量即可满足元分析要求[32]，但为准确识别智慧养老技术持续使用意愿的关键影响因素，本研究仅保留出现频次≥3次的14组变量关系，剔除出现频次<3次的123组变量关系。最终确定10个自变量和14组变量关系，共纳入8 772个样本量和86个效应量（详见表2）。
表2 合并效应、发表偏倚检验与异质性检验

Table 2 Combined effects, publication bias test and heterogeneity test

变量关系 K N 效应量合并结果 发表偏倚检验 异质性检验

合并

效应量

 95%CI Z P

Egger

回归 P

 FSN Q检验 I2（%）
SI—CI 4 2 386 0.490 [0.197,0.703] 3.120 0.002 0.704 579*** 159.699*** 98.12
FC—CI 4 2 461 0.606 [0.432,0.737] 5.730 0.000 0.435 1 003*** 86.547*** 96.53
PR—CI 7 2 335 -0.068 [-0.444,0.329] -0.324 0.746 0.843 11*** 602.541*** 99.00
SAT—CI 11 5 382 0.632 [0.527,9.718] 9.156 0.000 0.628 7 241*** 321.579*** 96.89
PU—CI 13 5 430 0.580 [0.470,0.672] 8.537 0.000 0.129 8 099*** 364.887*** 95.71
PEOU—CI 8 4 002 0.495 [0.421,0.563] 11.344 0.000 0.221 2 297*** 56.525*** 87.62
CON—SAT 9 4 250 0.597 [0.490,0.686] 8.859 0.000 0.519 4 372*** 184.336*** 95.66
PU—SAT 6 2 284 0.534 [0.378,0.661] 5.900 0.000 0.325 1 268*** 112.146*** 95.54
PEOU—SAT 5 1 847 0.434 [0.236,0.597] 4.068 0.000 0.229 565*** 87.998*** 95.45
CON—PU 7 2 397 0.579 [0.346,0.745] 4.318 0.000 0.401 1 944*** 319.214*** 98.12
TA—CI 3 961 -0.189 [-0.809,0.631] -0.401 0.689 0.732 30*** 426.225*** 99.53
TR—CI 3 515 0.671 [0.214,0.887] 2.674 0.007 0.302 163*** 82.507*** 97.58
PEOU—PU 3 1 305 0.539 [0.404,0.652] 6.758 0.000 0.087 327*** 18.715*** 89.31
PA—CI 3 1 095 0.610 [0.517,0.689] 10.14 0.000 0.051 350*** 7.802*** 74.36

注：***P<0.001

3.4 数据转换

本研究采用皮尔逊相关系数（Person r）作为效应量的衡量指标[33]。效应量反映两个变量间关联的方向和强度：正值表示正相关关系，即因变量随自变量增加而增加；绝对值越大，表明变量间关联性越强[34]。为确保样本数据的可比性和稳定性，本研究参照M. Borenstein等提出的方法，对皮尔逊相关系数进行Fisher z转换，z值即r转换后的效应量[35]，转换公式如下：
Z = 0.5 * l n   1 + r 1 - r  
若原始文献未提供皮尔逊相关系数（Person r），则依据R. A. Peterson[36]和J. Wu[37]等提出的转换公式，利用文献中的其他统计量间接计算相关系数。例如，若原始文献仅报告标准化回归系数β，则采用r=0.98β+0.5 λ（β≥0）进行转换。转换后的r值按前述方法进行Fisher z转换，在结果分析时再将z值转换回r值[38]。14组变量关系的具体转换信息详见表2，其中，持续使用意愿（Continuance Intention）表示为CI，社会影响（Social Influence）表示为SI，便利条件（Facilitating Conditions）表示为FC，感知风险（Perceived Risk）表示为PR，满意度（Satisfaction）表示为SAT，感知有用性（Perceived Usefulness）表示为PU，感知易用性（Perceived Ease of Use）表示为PEOU，期望确认（Confirmation）表示为CON，技术焦虑（Technology Anxiety）表示为TA，信任（Trust）表示为TR，参与度（Participation）表示为PA，K表示研究数量，N表示K项研究的累计样本数量，95%CI表示95%的置信区间，FSN表示失安全系数（Fail-safe N）。

4 研究结果/Research results

本研究采用CMA3.0（Comprehensive Meta-Analysis）软件进行元分析。该软件能够高效处理数据，支持固定效应和随机效应模型检验，已在元分析研究中得到广泛应用[39]。从统计学角度，固定效应模型预设所有研究共享同一真实效应量，异质性仅源于抽样误差；而随机效应模型进一步考虑研究间固有差异对效应量的影响，这些差异可能来自样本特征、技术类型等因素[40]。鉴于研究间可能存在的异质性，本研究采用随机效应模型评估效应量的大小及分布。

4.1 发表偏倚检验

发表偏倚（publication bias），又称“文件抽屉问题”，指具有统计学显著性的研究更易被发表，而未能显示显著结果的研究则往往被搁置的现象[41]。这种“仅发表具有统计学意义显著结果”的倾向，可能夸大变量间的真实效应，降低研究结论的准确性[42]。为此，本研究采用Egger回归法和失安全系数（Fail-safe N）检验发表偏倚。借助漏斗图这一视觉辅助工具（以CON—SAT为例，其漏斗图见图2），发现代表原始文献的点基本均匀分布在平均值两侧，初步表明偏倚较小。Egger回归检验结果显示P值均大于0.05，进一步支持这一结论[43]。失安全系数衡量推翻显著结论所需非显著研究的数量，一般认为当N值远大于“5k+10”（k为研究数量）时，发表偏倚风险较低[44]。研究结果显示，除感知风险—持续使用意愿关系的N值未达标外，其余变量关系的N值均超过5k+10的阀值，且P<0.001，表明发表偏倚较小（见表2）。综上，本研究未发现显著发表偏倚。
图2 CON—SAT发表偏倚漏斗图

Figure 2 Funnel plot of publication bias for selected variables

4.2 异质性检验

异质性检验是确定研究应使用何种效应模型的关键步骤，在本研究中用于验证随机效应模型的适用性，并进一步判断是否需要调节效应检验[45]。Q检验和I2值判断是异质性检验中广泛应用的方法：Q检验基于研究同质性假设，关注研究结果的P值，当P>0.1时表明研究同质，反之则存在异质性；I²值反映非随机误差引起的真实差异在效应量总变异中的占比，J. P. T. Higgins等将25%、50%、75%分别作为低、中、高异质性的临界值[46]。以感知有用性与持续使用意愿（PU—CI）关系为例，Q检验的P值显著，I2值达95.71%，表明关于“感知有用性—持续使用意愿”的原始文献间存在显著异质性。表2显示，14组变量关系的Q检验均显著，I2值普遍>90%，证明原始文献间存在显著异质性。因此，本研究采用随机效应模型来评估效应量是合理的，且有必要进一步探索异质性来源。

4.3 整体效应检验

本研究对14组变量关系进行相关系数合并，得到合并效应量r，作为评估前因变量与结果变量间相关程度的依据。根据J. Cohen的相关关系判断标准：|r|≥0.5为强相关，0.3≤|r|<0.5为中度相关，0.1≤|r|<0.3为弱相关，0≤|r|<0.1为基本不相关[47]。表2结果显示：①社会影响、便利条件、满意度、感知有用性、感知易用性、信任和参与度均与持续使用意愿显著正相关（P<0.001），其中满意度（r=0.632）、信任（r=0.671）和参与度（r=0.610）与持续使用意愿之间呈现强相关关系。②感知风险和技术焦虑与持续使用意愿负相关，且技术焦虑的负向作用更强（r=-0.189），但两者的P值均>0.05，未达到显著水平。③期望确认、感知有用性和感知易用性均与满意度显著正相关（P<0.001）。其中，期望确认（r=0.597）和感知有用性（r=0.534）与满意度呈现强相关关系。④期望确认与感知有用性（r=0.579）存在显著的强正相关关系（P<0.001）。变量关系模型图如图3所示：
图3 研究模型

Figure 3 Research model

4.4 敏感性检验

总体而言，14组变量关系的合并效应量结果较为理想，但个别合并效应量数值偏小（如rPR—CI=-0.068），可能存在极端值影响[48]。为验证研究结论的稳健性，本研究采用逐一剔除检验法进行敏感性分析，通过逐一剔除纳入的效应量和原始研究，观察剩余k-1项研究的合并效应量及其置信区间变化[27]。结果显示：①rSI-CI的合并结果落在[0.111,0.788]区间，rFC-CI落在[0.346,0.796]，rSAT—CI落在[0.467,0.742]，rPU—CI落在[0.440,0.691]，rPEOU—CI落在[0.392,0.579]，rCON—SAT落在[0.456,0.707]，rPU—SAT落在[0.316,0.693]，rPEOU—SAT落在[0.127,0.644]，rCON—PU落在[0.258,0.769]，置信区间浮动较小，表明上述变量关系的合并结果具有较为稳健。②剔除了Jaana（2020） [49]后，rPEOU—PU的I2降至24.94%，表明该研究显著影响异质性；类似地，剔除C. M. Huang（2021） [50]等的研究后，rPA—CI的I2降到31.08%。由此表明，感知易用性—感知有用性、参与度—持续使用意愿两组关系的合并结果易受极端值影响。③rTA—CI[-0.888,0.901]和rPR—CI[-0.534,0.423]的置信区间均跨越0点，表明技术焦虑—持续使用意愿、感知风险—持续使用意愿两组关系的合并结果同样不稳健。

4.5 调节效应检验

为探究原始文献异质性的来源，本研究选取样本性别构成、所属国家经济发展水平、技术类别和样本规模作为调节变量，通过亚组分析和Meta回归进行调节效应检验。调节变量信息如表3所示：
表3 调节变量信息

Table 3 Information on moderating variables

调节变量名称 变量编码 变量类别
样本性别构成 女性样本量占比，占比低于50%编码为“男性居多”，反之则编码为“女性居多” 分类变量
所属国家经济发展水平 依据样本来源国家的经济发展水平，编码为“发展中国家”与“发达国家”
技术类别 依据马琪和陈浩鑫的分类[51]，将原始文献中涉及的智慧养老技术划分为3个类别：①医疗健康（包括可穿戴健康设备与技术、移动医疗服务、健康应用程序、远程护理服务等）。②生活照料（包括基于生物识别的自助服务技术、助听器、智能家居设备等）。③社会交往（包括交网络服务、社交应用程序、在线社区、社交媒体、在线通信技术等）
样本规模 原始文献中的有效样本数量 连续变量
在剔除未报告样本性别比例、样本来源地区或技术类别的原始文献，以及调节变量子类别下研究数量少于2篇的文献后，本研究检验了3个分类变量对剩余变量关系的调节作用（亚组分析结果见表4—表6）。表4结果显示，在满意度—持续使用意愿、感知易用性—持续使用意愿、感知易用性—满意度和期望确认度—感知有用性4组变量关系中，女性占比较高的组别呈现更强的正相关关系。然而，在期望确认度—满意度关系中，女性占比多组别（r=0.452）的正相关关系弱于男性占比多组别（r=0.687），且差异显著（Qb=7.74，P=0.01）。
表4 样本性别构成的调节效应

Table 4 Moderating effects of the gender composition of the sample

变量关系 调节变量 K 组间异质性 效应量合并结果
Qb P 合并效应量 95%CI P
PR—CI 男性居多 3 0.08 0.78 -0.145 [-0.763,0.611] <0.001
女性居多 4 -0.008 [-0.425,0.411] <0.001
SAT—CI 男性居多 5 0.02 0.88 0.679 [0.403,0.841] <0.001
女性居多 4 0.696 [0.615,0.762] <0.001
PU—CI 男性居多 8 0.11 0.74 0.605 [0.477,0.708] <0.001
女性居多 3 0.650 [0.355,0.827] <0.001
PEOU—CI 男性居多 5 2.07 0.15 0.451 [0.357,0.536] <0.001
女性居多 3 0.564 [0.433,0.671] <0.001
CON—SAT 男性居多 4 7.74 0.01 0.687 [0.549,0.789] <0.001
女性居多 3 0.452 [0.360,0.534] 0.05
PEOU—SAT 男性居多 2 0.03 0.86 0.460 [0.007,0.757] <0.001
女性居多 2 0.502 [0.205,0.714] <0.001
CON—PU 男性居多 3 0.73 0.39 0.489 [-0.059,0.811] <0.001
女性居多 2 0.717 [0.303,0.903] <0.001
表5 样本所属国家经济发展水平的调节效应

Table 5 Moderating effects of the level of economic development of the sample country

变量关系 调节变量 K 组间异质性 效应量合并结果
Qb P 合并效应量 95%CI P
SAT—CI 发展中 7 1.16 0.28 0.614 [0.415,0.757] <0.001
发达 3 0.702 [0.658,0.742] 0.04
PU—CI 发展中 10 0.55 0.46 0.575 [0.428,0.692] <0.001
发达 2 0.647 [0.491,0.763] <0.001
PU—SAT 发展中 2 0.25 0.62 0.489 [-0.048,0.807] <0.001
发达 3 0.599 [0.457,0.711] <0.001
CON—PU 发展中 4 0.01 0.92 0.640 [0.412,0.792] <0.001
发达 2 0.617 [0.028,0.888] <0.001
表6 技术类别的调节效应

Table 6 Moderating effects of technology categories

变量关系 调节变量 K 组间异质性 效应量合并结果
Qb P 合并效应量 95%CI P
SAT—CI 医疗健康 5 41.12 <0.001 0.761 [0.635,0.847] <0.001
生活照料 2 0.250 [0.158,0.338] 0.41
社会交往 4 0.594 [0.472,0.693] <0.001
PU—CI 医疗健康 6 12.51 <0.001 0.612 [0.481,0.716] <0.001
生活照料 2 0.311 [0.185,0.427] 0.21
社会交往 4 0.614 [0.311,0.803] <0.001
CON—SAT 医疗健康 4 8.19 0.02 0.691 [0.557,0.790] <0.001
生活照料 3 0.451 [0.347,0.545] 0.08
社会交往 2 0.549 [0.469,0.620] 0.18
CON—PU 医疗健康 3 0.78 0.68 0.592 [0.246,0.804] <0.001
生活照料 2 0.687 [0.127,0.915] <0.001
社会交往 2 0.422 [0.108,0.765] <0.001
在所属国家经济发展水平的调节效应检验中，满意度—持续使用意愿、感知有用性—持续使用意愿和感知有用性—满意度3组变量关系所纳入的27项原始研究数据显示，发达国家组别的正向效应量均高于发展中国家组别。然而，在期望确认度—感知有用性关系中，发展中国家的正相关效应（r=0.640）略高于发达国家（r=0.617），表明发展中国家老年人更关注期望确认度。遗憾的是，这4组变量关系的组间异质性检验均未达显著水平（P>0.1）。
在医疗健康、日常日生活照料和社会交往3个技术类别中，满意度—持续使用意愿、感知有用性—持续使用意愿和期望确认度—满意度的效应量均为正值，且组间差异显著（P<0.05）。其中，医疗健康技术的效应量普遍高于生活照料和社会交往技术，这与老年人健康状况下降、医疗需求增加的现实相符。然而，在期望确认度—感知有用性关系中，生活照料技术的正相关关系最强（r=0.687），组间异质性却不显著（P>0.1）。
对样本规模的Meta回归分析结果显示，样本规模对多个变量间关系具有显著的正向调节作用（见表7）。具体而言，样本规模显著增强了便利条件—持续使用意愿（β=0.819）、满意度—持续使用意愿（β=0.720）、感知有用性—持续使用意愿（β=0.525）、感知易用性—持续使用意愿（β=0.476）、期望确认度—满意度（β=0.624）、信任—持续使用意愿（β=1.990）、感知易用性—感知有用性（β=0.892）和参与度—持续使用意愿（β=0.922）的正相关性，表明样本规模越大，这些变量间的正相关关系越强。然而，样本规模却负向调节感知风险—持续使用意愿间的相关性（β=-0.295），但这一调节效应并不显著（P=0.810），表明样本规模对这一特定关系的调节效应缺乏实际意义。
表7 样本规模的Meta回归

Table 7 Meta-regression of sample size

变量关系 K 回归系数 标准误 Z P 95%CI
SI—CI 4 0.597 0.344 1.737 0.082 [-0.077,1.271]
FC—CI 4 0.819 0.221 3.710 0.000 [0.387,1.252]
PR—CI 7 -0.295 1.229 -0.240 0.810 [-2.704,2.114]
SAT—CI 11 0.720 0.142 5.056 0.000 [0.441,1]
PU—CI 13 0.525 0.138 3.799 0.000 [0.254,0.796]
PEOU—CI 8 0.476 0.085 5.574 0.000 [0.308,0.643]
CON—SAT 9 0.624 0.147 4.231 0.000 [0.335,0.913]
PU—SAT 6 0.362 0.276 1.310 0.190 [-0.179,0.902]
PEOU—SAT 5 0.105 0.224 0.469 0.639 [-0.333,0.543]
CON—PU 7 0.363 0.355 1.022 0.307 [-0.334,1.060]
TA—CI 3 1.353 3.874 0.349 0.727 [-6.240,8.946]
TR—CI 3 1.990 0.447 4.447 0.000 [1.113,2.867]
PEOU—PU 3 0.892 0.082 10.859 0.000 [0.731,1.053]
PA—CI 3 0.922 0.116 7.953 0.000 [0.695,1.150]

5 研究结论与讨论/Research conclusion and discussion

5.1 主要研究结论

本研究采用元分析方法，整合分析了2001年以来34项关于老年人智慧养老技术持续使用意愿影响因素的定量研究。据此提炼出10个核心前因变量与14组变量关系，基于8 772个样本数据和86个效应量进行合并效应分析，继而考察了样本性别构成、样本所属国家经济发展水平、技术类别和样本规模4个调节变量的调节效应，以揭示研究异质性的来源。元分析结果如下：
（1）社会影响、便利条件、满意度、感知有用性、感知易用性、信任和参与度均显著正向影响老年人智慧养老技术持续使用意愿，其中满意度、信任和参与度是关键预测因素。同时，期望确认、感知有用性、感知易用性和满意度之间存在显著强正相关关系。这一发现与U. Tandon[52]、A. Ahmad[53]、A. Jorbonyon[54]等学者的研究结论一致，表明上述因素不仅直接影响持续使用意愿，还通过相互作用形成促进机制。例如，智慧养老技术对生活质量的改善和操作的易用性，在影响老年人满意度的同时作用于持续使用意愿，而满意度作为中介变量，强化了感知有用性、感知易用性与持续使用意愿的关联。这一结果提示智慧养老技术生产企业，在提供高质量、易操作的技术与服务时，应重视用户体验，通过优化产品设计和提升服务质量，促进老年人形成技术持续使用习惯。
（2）感知风险、技术焦虑与持续使用意愿呈负相关关系，但未达显著水平。这一发现与王海晶[55]、Y. Wang等[25]学者的研究结论一致。尽管老年人会在使用新技术时权衡收益，但同样对新技术的潜在风险表示担忧[56]，如智慧养老技术可能带来的个人信息安全、隐私泄露和使用成本高等问题，均会阻碍持续使用意愿。此外，部分老年人认为使用智慧养老技术会暴露自身健康状况较差的事实，对人际关系产生负面影响[57]。技术焦虑在技术经验相对匮乏的老年人中尤为普遍，对无法正确使用设备的担忧以及操作失误的恐惧进一步削弱了持续使用意愿。
（3）在感知易用性—感知有用性、参与度—持续使用意愿、技术焦虑—持续使用意愿和感知风险—持续使用意愿4组变量关系中，合并效应结果较为敏感，易受极端值影响。建议后续研究通过数据清洗识别和剔除异常值，增加样本量，以提高研究结果的稳健性。
（4）样本性别构成、所属国家经济发展水平和技术类别对部分变量关系具有显著调节作用。研究发现，样本性别比例是研究结论异质性的来源之一，女性占比较高的样本中变量间的正效应更为显著，后续研究可通过平衡样本性别比例来消除这一影响[31]。此外，发达国家老年人对智慧养老技术的感知有用性、满意度与持续使用意愿的正相关性更强，这可能得益于发达国家较高的经济发展水平，既为智慧养老技术迭代升级提供了坚实支撑，又培养了老年人使用技术的能力。且发达国家普遍面临人力成本较高的挑战，使用技术可在一定程度上降低老年人的生活成本。因此，发达国家老年人表现出更强的持续使用意愿。样本规模普遍正向调节变量关系，但对感知风险—持续使用意愿的负向调节表明，随着样本规模增加，感知风险的负面影响可能加剧。

5.2 理论贡献

当前学术界在探究用户持续使用意愿时，往往将研究焦点宽泛地置于信息系统（Information System，IS）层面[58]，缺乏具体技术使用情境下的深入分析。多数研究也局限于探讨有限的变量关系，未能系统归纳影响用户持续使用意愿的前因变量，且多采用定性文献综述方法归纳信息系统持续使用的相关文献，缺乏定量综述支持。鉴于此，本研究致力于填补上述研究空白，做出以下理论贡献：
首先，本研究将研究情景聚焦于老年人对智慧养老技术的持续使用，整合2001年IS Continuance模型提出以来的34项定量研究，梳理出现频率≥3次的“前因变量—持续使用意愿”变量关系，进而构建影响因素理论框架。
其次，本研究采用元分析方法，借助定量研究工具CMA 3.0软件，对34项原始文献进行发表偏倚检验、异质性检验、整体效应检验、敏感性检验和调节效应检验，弥补了该领域定量文献综述的不足。
最后，本研究通过扩大样本规模，增强了变量关系的统计效力，并检验样本性别构成、样本所属国家经济发展水平、技术类别及样本规模的调节效应，为先前研究结论的异质性提供了合理解释。

5.3 实践启示

本研究结论对于丰富和完善智慧养老技术相关实践具有重要指导意义，可从老年人、智慧养老技术和人机交互环境3个维度展开：
（1）老年人层面。鉴于老年人对智慧养老技术的认知、接纳、学习和应用能力较弱，民政部门和社区可采取以下措施提升其技术素养：①组织简易技术培训。通过定期开展面向老年人的技术培训课程，使用通俗易懂的语言和实例，帮助其掌握基础操作技能。②建立“伙伴学习”社群。鼓励老年人组建学习小组，利用同龄人间的理解和支持，营造技术学习氛围，促进相关技术知识共享与持续使用。③提供专业技术支持。聘请专业技术人员，为老年人提供一对一或小组指导形式的技术接入与使用帮扶，帮助其克服技术使用障碍，培养新技术使用习惯。
（2）智慧养老技术层面。智慧养老技术生产企业应以简化设备和平台操作流程、降低技术准入门槛为首要任务，通过提供便捷易用的技术使用条件来优化老年人体验。同时，企业需配套提供智慧养老技术教学和维修服务，增强老年人对技术的信任感，逐步培养其使用习惯。更为重要的是，企业应精准把握老年人的养老需求，构建涵盖医疗健康、家政服务等常规服务，以及数字能力提升讲座、文艺活动等个性化服务的智慧养老技术服务体系，确保老年人充分享受信息技术进步带来的数字红利，从而提升其对智慧养老技术的满意度和持续使用意愿。
（3）环境层面。针对老年人普遍担忧的个人信息泄露、财产损失和权益保障不足等技术风险，亟需建立智慧养老技术全流程监督管理机制，以防范和化解技术使用风险，缓解感知风险对持续使用意愿的负面影响。政府和企业应及时、准确地公开技术信息，帮助老年人充分理解和接纳技术，减轻其对未知技术的恐惧与抵触情绪同时，应充分发挥政府监督与社会监督的双重作用，鼓励社会公众积极发现和反馈智慧养老技术中存在的问题，对泄露隐私、骗取钱财等违法行为依法严惩，并督促企业整改完善技术服务。此外，政府还需构建普适性的智慧养老技术风险评价体系，及时回应老年人的技术风险需求，并通过健全相关法律法规，为技术风险治理提供坚实的法律支持。

5.4 研究局限与未来研究方向

本研究也存在以下研究局限，亟待后续研究加以深化与拓展。首先，受检索关键词设定范围的限制，可能遗漏部分相关文献，加之老年人智慧养老技术持续使用的实证研究相对匮乏，制约了本研究中样本的丰富度与代表性。其次，本研究仅聚焦于普遍认可的核心预测变量，未充分考察出现频次低于3次的变量，如自我效能感、系统质量、沉没成本及习惯等潜在因素，影响了研究的全面性和对新变量关系的探索。最后，本研究在调节变量“样本所属国家经济发展水平”的度量上，仅笼统划分为发达国家和发展中国家，未能充分考虑地区内部差异。未来研究可尝试纳入更多元的前因变量和调节变量以丰富研究框架，并尝试结合QCA（Qualitative Comparative Analysis）等定性比较分析方法，探索变量间的非线性关系和交互效应。

杨　静：进行数据收集，撰写与修改论文；

马　琪：确定论文选题与框架，修改论文。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
1
中华人民共和国国家卫生健康委员会.2023年我国卫生健康事业发展统计公报[EB/OL]. [2025-03-07]. http://www.nhc.gov.cn/guihuaxxs/s3585u/202408/6c037610b3a54f6c8535c515844fae96/files/58c5d1e9876344e5b1aa5aa2b083a51a.pdf.

(The National Health Commission of the People's Republic of China. Statistical Bulletin on the Development of Health and Wellness Services in China in 2023 [EB/OL]. [2025-03-07]. https://www.nhc.gov.cn/guihuaxxs/s3585u/202408/6c037610b3a54f6c8535c515844fae96/files/58c5d1e9876344e5b1aa5aa2b083a51a.pdf.)

2
中华人民共和国中央人民政府.习近平主持召开二十届中央财经委员会第一次会议[EB/OL]. [2025-03-07]. https://www.gov.cn/yaowen/2023-05/05/content_5754275.htm.

(The State Council of the People's Republic of China. Xi Jinping chairs the first meeting of the 20th Central Financial and Economic Affairs Commission [EB/OL]. [2025-03-07]. https://www.gov.cn/yaowen/2023-05/05/content_5754275.htm.)

3
北京市人民政府.北京市民政局等11部门关于印发《关于加强“老老人”服务保障的若干措施》的通知[EB/OL]. [2025-03-07]. https://www.beijing.gov.cn/zhengce/zhengcefagui/202412/t20241204_3956319.html

(Beijing Municipal People's Government. Notice on the Issuance of Several Measures for Strengthening the Service and Guarantee for the Elderly Elderly by the Beijing Municipal Civil Affairs Bureau and Other 11 Departments [EB/OL]. [2025-03-07]. https://www.beijing.gov.cn/zhengce/zhengcefagui/202412/t20241204_3956319.html.)

4
LI J, ZHANG C, LI X, et al. Patients’ emotional bonding with MHealth apps: an attachment perspective on patients’ use of MHealth applications[J]. International journal of information management, 2020, 51: 102054.

5
FAMIYEH S, ASANTE-DARKO D, KWARTENG A. Service quality, customer satisfaction, and loyalty in the banking sector: the moderating role of organizational culture[J]. International journal of quality & reliability management, 2018, 35(8): 1546-1567.

6
ROGERS W A, MITZNER T L, SANFORD J A. A research framework to guide design of technologies for successful aging with disabilities[J]. Gerontechnology, 2014, 13(2): 272.

7
KIM E, HAN S. Determinants of continuance intention to use health apps among users over 60: a test of social cognitive model[J]. International journal of environmental research and public health, 2021, 18(19): 10367.

8
BHATTACHERJEE A. Understanding information systems continuance: an expectation-confirmation model[J]. MIS quarterly, 2001, 25(3): 351-370.

9
LIAO C, PALVIA P, CHEN J L. Information technology adoption behavior life cycle: toward a technology continuance theory (TCT)[J]. International journal of information management, 2009, 29(4): 309-320.

10
RAHI S, KHAN M M, ALGHIZZAWI M. Extension of technology continuance theory (TCT) with task technology fit (TTF) in the context of Internet banking user continuance intention[J]. International journal of quality & reliability management, 2021, 38(4): 986-1004.

11
LIEN C H, CAO Y, ZHOU X. Service quality, satisfaction, stickiness, and usage intentions: an exploratory evaluation in the context of WeChat services[J]. Computers in human behavior, 2017, 68(3): 403-410.

12
KAIUM M A, BAO Y, ALAM M Z, et al. Understanding continuance usage intention of mHealth in a developing country: An empirical investigation[J]. International journal of pharmaceutical and healthcare marketing, 2020, 14(2): 251-272.

13
KE C, LOU V W, TAN K C, et al. Changes in technology acceptance among older people with dementia: the role of social robot engagement[J]. International journal of medical informatics, 2020, 141: 104241.

14
SINHA N, SINGH N. Revisiting expectation confirmation model to measure the effectiveness of multichannel bank services for elderly consumers[J]. International journal of emerging markets, 2023, 18(10): 4457-4480.

15
MENG F, GUO X, PENG Z, et al. Trust and elderly users' continuance intention regarding mobile health services: the contingent role of health and technology anxieties[J]. Information technology & people, 2022, 35(1): 259-280.

16
刘勍勍, 左美云, 刘满成.基于期望确认理论的老年人互联网应用持续使用实证分析[J]. 管理评论, 2012, 24(5):89-101.

(LIU Q Q, ZUO M Y, LIU M C. An empirical analysis of older adults' continuous use of internet applications based on expectation-confirmation theory[J]. Business review, 2012, 24(5): 89-101.)

17
马琪, 杨薇, 廖舫仪.数字治理时代老年人数字融入困境形成机理研究[J]. 北大政治学评论, 2021(1):153-177.

(MA Q, YANG W, LIAO F Y. Digital governance era older adults' digital inclusion challenges formation mechanism study[J]. PKU political science review, 2021(1): 153-177.)

18
CAO Y Y, QIN X H, LI J J, et al. Exploring seniors’ continuance intention to use mobile social network sites in China: a cognitive-affective-conative model[J]. Universal access in the information society, 2022, 21(1): 1-22.

19
MA Z, GAO Q, YANG M. Adoption of wearable devices by older people: Changes in use behaviors and user experiences[J]. International journal of human–computer interaction, 2023, 39(5): 964-987.

20
郝瑞敏, 赵静, 闫东宁, 等.老年人持续使用康复机器人的动因研究与设计思考[J]. 包装工程, 2024, 45(16):16-29.

(HAO R M, ZHAO J, YAN D N, et al. Study on motivation and design considerations for elderly's continuous use of rehabilitation robots[J]. Packaging engineering, 2024, 45(16):16-29.)

21
TALUKDER M S, LAATO S, ISLAM A K M N, et al. Continued use intention of wearable health technologies among the elderly: an enablers and inhibitors perspective[J]. Internet research, 2021, 31(5): 1611-1640.

22
LIANG R, LI Y, WEI W. Advancing elderly healthcare: adapting UTAUT2 with inhibitors for wearable device continuance[J]. Library Hi Tech, 2024.

23
LIU W. A hybrid model for explaining older adults' continuance intention toward SNSs[C]//2014 International conference on management of e-commerce and e-government. Shanghai, China: Institute of Electrical and Electronics Engineers, 2014: 138-142.

24
HSU Y C, TSAI C H, KUO Y M, et al. Telecare services for elderly: predictive factors of continued use intention[J]. The open biomedical engineering journal, 2016, 10(1): 82.

25
WANG Y, LU L, ZHANG R, et al. The willingness to continue using wearable devices among the elderly: SEM and FsQCA analysis[J]. BMC medical informatics and decision making, 2023, 23(1): 218

26
ZHANG Y, MA Y, LIANG C. Understanding older adults’ continuance intention toward wearable health technologies: an empowerment perspective[J]. Behaviour & information technology, 2024, 44(6): 1-18.

27
袁顺佳, 罗博, 张晋朝, 等.技术焦虑会阻碍老年人IT使用吗？[J]. 图书馆论坛, 2024, 44(2):103-113.

(YUAN S J, LUO B, ZHANG J C, et al. Will technological anxiety hinder elderly's IT usage? [J]. Library tribune, 2024, 44(2):103-113.)

28
MA Q, CHAN A H S, TEH P L. Insights into older adults’ technology acceptance through meta-analysis[J]. International journal of human–computer interaction, 2021, 37(11): 1049-1062.

29
MISHRA A, SHUKLA A, RANA N P, et al. Re-examining post-acceptance model of information systems continuance: a revised theoretical model using MASEM approach[J]. International journal of information management, 2023, 68: 102571.

30
JEYARAJ A, DWIVEDI Y K. Meta-analysis in information systems research: review and recommendations[J]. International journal of information management, 2020, 55: 102226.

31
KING W R, HE J. Understanding the role and methods of meta-analysis in IS research[J]. Communications of the Association for Information Systems, 2005, 16(1): 32.

32
ROSENTHAL R. Meta-Analytic procedures for social science research[J]. Educational researcher, 1986, 15(8): 18-20.

33
SARKAR S, CHAUHAN S, KHARE A. A meta-analysis of antecedents and consequences of trust in mobile commerce[J]. International journal of information management, 2020, 50: 286-301.

34
ABDULLAH F, WARD R. Developing a general extended technology acceptance model for e-learning (GETAMEL) by analysing commonly used external factors[J]. Computers in human behavior, 2016, 56: 238-256.

35
BORENSTEIN M, HEDGES L V, HIGGINS J P T, et al. Introduction to meta - analysis[M]. West Sussex: John Wiley & Sons, 2009.

36
PETERSON R A, BROWN S P. On the use of beta coefficients in meta-analysis[J]. Journal of applied psychology, 2005, 90(1): 175.

37
WU J, LEDERER A. A meta-analysis of the role of environment-based voluntariness in information technology acceptance[J]. MIS quarterly, 2009, 33(2): 419-432.

38
HUNTER J E, SCHMIDT F L. Dichotomization of continuous variables: The implications for meta-analysis[J]. Journal of applied psychology, 1990, 75(3): 334.

39
BRÜGGEMANN P, RAJGURU K. Comprehensive meta-analysis (CMA) 3.0: a software review[J]. 2022, 10(4): 425-429.

40
HEDGES L V, VEVEA J L. Fixed-and random-effects models in meta-analysis[J]. Psychological methods, 1998, 3(4): 486.

41
ROSENTHAL R. The file drawer problem and tolerance for null results[J]. Psychological bulletin, 1979, 86(3): 638.

42
AMBALOV I A. A meta-analysis of IT continuance: an evaluation of the expectation-confirmation model[J]. Telematics and informatics, 2018, 35(6): 1561-1571.

43
EGGER M, SMITH G D, SCHNEIDER M, et al. Bias in meta-analysis detected by a simple, graphical test[J]. BMJ, 1997, 315(7109): 629-634.

44
ORWIN R G. A fail-safe N for effect size in meta-analysis[J]. Journal of educational statistics, 1983, 8(2): 157-159.

45
李华锋, 张瑞琦, 段加乐.基于元分析的在线持续知识共享意愿影响因素研究[J]. 情报科学, 2023, 41(1):49-60.

(LI H F, ZHANG R Q, DUAN J L. A meta-analysis-based study on the influencing factors of willingness to engage in continuous online knowledge sharing[J]. Information science, 2023, 41(1): 49-60.)

46
HIGGINS J P T, THOMPSON S G, DEEKS J J, et al. Measuring inconsistency in meta-analyses[J]. British medical journal, 2003, 327(7414): 557-560.

47
COHEN J. Statistical power analysis for the behavioral sciences[M]. London: Routledge, 2013.

48
KEPES S, THOMAS M A. Assessing the robustness of meta-analytic results in information systems: publication bias and outliers[J]. European journal of information systems, 2018, 27(1): 90-123.

49
JAANA M, PARÉ G. Comparison of mobile health technology use for self-tracking between older adults and the general adult population in Canada: cross-sectional survey[J]. JMIR mHealth and uHealth, 2020, 8(11): e24718.

50
HUANG C M, LIAO J Y, LIN T Y, et al. Effects of user experiences on continuance intention of using immersive three‐dimensional virtual reality among institutionalized older adults[J]. Journal of advanced nursing, 2021, 77(9): 3784-3796.

51
马琪, 陈浩鑫.智慧养老技术接受与政策助推路径初探——基于2005—2020年国内外文献的系统性整合分析[J]. 中国科技论坛, 2021(4):161-170.

(MA Q, CHEN H X. Exploration on the acceptance of smart elderly care technology and policy promotion paths — a systematic integration analysis based on domestic and international literature from 2005 to 2020[J]. Forum on Science and Technology in China, 2021(4): 161-170.)

52
TANDON U, ERTZ M, SHASHI. Continued intention of mHealth care applications among the elderly: an enabler and inhibitor perspective[J]. International journal of human–computer interaction, 2024, 40(18): 5026-5041.

53
AHMAD A, RASUL T, YOUSAF A, et al. Understanding factors influencing elderly diabetic patients’ continuance intention to use digital health wearables: extending the technology acceptance model (TAM)[J]. Journal of open innovation: technology, market, and complexity, 2020, 6(3): 81.

54
JORBONYAN A, ABOLFATHI MOMTAZ Y, FOROUGHAN M, et al. Determinants of continuance intention to use hearing aids among older adults in Tehran (Iran)[J]. Healthcare, 2024, 12(4): 487.

55
王海晶.我国智慧养老服务的用户持续使用意愿及优化研究[D]. 哈尔滨: 哈尔滨师范大学, 2021.

(WANG H J. The study on users' continuous usage intention and optimization of smart elderly care services in China [D]. Harbin: Harbin Normal University, 2021.)

56
RASHIDI P, MIHAILIDIS A. A survey on ambient-assisted living tools for older adults[J]. IEEE journal of biomedical and health informatics, 2012, 17(3): 579-590.

57
STEELE R, LO A, SECOMBE C, et al. Elderly persons’ perception and acceptance of using wireless sensor networks to assist healthcare[J]. International journal of medical informatics, 2009, 78(12): 788-801.

58
YAN M, FILIERI R, GORTON M. Continuance intention of online technologies: a systematic literature review[J]. International journal of information management, 2021, 58(1): 102315.

Options
文章导航

/

〈 〉