基于聲譽反饋機制的醫患在線互動演化博弈分析

李美玉 許鑫

摘要：[目的/意義]在線聲譽是維持網絡醫療秩序的重要調節機制，通過探討在線聲譽反饋機制對醫患互動影響的內在作用機理，為完善在線醫療社區的監督和管理提供策略。[方法/過程]構建醫生與患者兩大群體之間有限理性的演化博弈模型，通過計算復制動態方程并求解均衡穩定策略，同時利用Matlab軟件進行仿真分析，找出促進醫患在線積極互動的關鍵影響因素及影響路徑。[結果/結論]研究結果表明，負面評價行為可以緩解患者不滿情緒的程度、醫生積極應對付出的成本、醫生積極性被打擊的失落情緒對醫患互動具有負向作用；患者正確信息反饋減少的信息差距和醫生努力被認可的精神激勵對醫患互動具有正向作用。

關鍵詞：在線醫療? ? 聲譽反饋? ? 激勵機制? ? 醫患互動? ? 演化博弈論

分類號：G252；R197.323

引用格式：李美玉， 許鑫. 基于聲譽反饋機制的醫患在線互動演化博弈分析[J/OL]. 知識管理論壇， 2022， 7（5）： 562-573[引用日期]. http：//www.kmf.ac.cn/p/315/.

1? 引言

隨著移動社交媒體的廣泛使用和公共衛生事業的快速發展，在線醫療社區應運而生，并逐步改變人們了解健康信息和自我健康管理的方式。截至2021年12月，我國在線醫療平臺用戶規模已達2.98億[1]，在線醫療社區為有相同興趣或有相似需求的用戶提供了信息交互空間，用戶既可生成網絡健康信息，也可獲取醫療健康資源。在線醫療社區具有鮮明的群體特征，主要提供線上問診、遠程醫療、健康科普等醫療信息服務，節省了醫療時間和經濟成本[2]。新冠肺炎疫情期間，服務于患者及家屬的在線醫療社區諸如國外的Patientslikeme，國內的有醫享網、好大夫在線等平臺，在疫情防控工作中承擔起在線問診的責任，未來線上問診或將成為新常態、新趨勢[3]。

在網絡醫療市場中，醫療服務可以看作無形的交易商品，而醫生往往比患者掌握更多的醫療信息，患者無法對醫生的診療水平、治療方案以及信息質量作出準確的判斷。因此，很多在線醫療網站都建立了聲譽反饋機制，以降低由于信息不對稱造成的道德風險問題。良好的在線聲譽反饋系統對于優化在線醫療環境、增強患者對醫生的信任感、改善醫患關系以及提高用戶對平臺的忠誠度都具有重要意義[4]。因此，本文試圖通過建立演化博弈模型對基于聲譽反饋機制的醫患在線互動行為進行分析，探索促進醫患互動良性發展的演化路徑與穩定策略。

2? 文獻綜述

2.1? 醫患在線交互的相關研究

目前國內外對于醫患在線交互（Doctor-Patient， D-P）的研究視角主要集中在兩個方面：

（1）以用戶為中心。D. Mcgeady等[5]從用戶滿意度視角出發，認為醫患交流對于患者服務體驗具有關鍵影響作用，當溝通效率提高時患者滿意度也會提高。J. Zhang 等[6]通過實證分析驗證醫生使用的醫學術語對在線醫療服務質量的影響，結果顯示，對于健康素養較低的患者，醫生使用醫學術語會降低其服務質量；而對于健康素養較高的患者，醫生使用醫療術語可以顯著提高其服務質量，說明醫生可以根據患者的健康素養調整醫療術語的使用，從而提高在線醫療服務質量。S. Chen等[7]認為在在線醫療社區醫患互動過程中，醫生的信息支持和情感支持對于患者的滿意度至關重要。其中，信息支持指與疾病相關的健康信息和個人經驗，包括飲食、藥物處方、鍛煉、情緒以及睡眠等相關建議[8]；情感支持是指醫生對患者反復確認問題的熱情、包容度以及患者之間的鼓勵、安慰等情感交流，與疾病無關但帶有關心、陪伴、鼓勵等情感，可以加強用戶的社區認同感，提高用戶滿意度[9]。醫患溝通不充分、患者訴求得不到重視等問題是造成醫患矛盾的主要問題，N. K. Arora等指出應當強化以患者為中心的醫療服務理念，將患者體驗作為衡量醫生服務質量的重要因素[10]。醫患交流應該是平等的，患者不應該處在被動的位置上，醫生要以患者為中心最大程度考慮患者需求。例如，滿足患者的求知欲，減少雙方的信息差距；幫助患者了解自身疾病的相關知識，打消患者的顧慮[11]；使患者對疾病治療風險和預期結果有一定的認知等。D. Haluza等[12]也提出未來的在線醫患互動將圍繞緩和醫患關系、提高患者的知識水平以及提高社會醫療質量和服務水平等方面進行。

（2）以過程為中心。醫患關系是一種很復雜的人際關系，涉及不同社會階層個體間的交流互動，醫患互動的深入和有效性是影響醫療服務效果的重要因素[13]。促進醫生積極輸出知識、提供服務的核心驅動力包括內驅動因素和外驅動因素，其中內驅動因素包括道德感、責任感等心理因素，外驅動因素包括經濟回報和社會回報等物質、名譽收益。而患者在就醫前掌握的醫療知識、醫院信息和醫生背景越多，發現優質醫療服務的幾率越高，在接受醫療服務時獲得的收益就越高[14]。醫患互動是醫生與患者在相互交流、反饋與協商的基礎上就診療方案達成一致的過程。吳紅[15]以在線醫療的多樣化服務模式與自由定價為視角，將醫患在線互動過程進行了多階段細分并開展實證研究，結果表明，高質量的診前、診后服務可以提高患者對醫生的回報行為。從社會交換視角來看，醫生提供的醫療服務、服務價格和服務質量是獲得患者反饋和回報行為的交換資源。然而，由于患者缺乏相關醫療知識，容易對醫生產生過高的期待，當診療結果不符合預期時，便會產生憤怒失望的情緒。出于對自身權益的維護或不滿情緒會采取線上投訴、給差評等反饋行為，以此來削弱自身利益受到損失的不平衡心理[16]。

2.2? 在線聲譽的相關研究

在線聲譽傳遞了一種信號，是對用戶以往行為、專業能力以及人格特質的綜合評價，預示著該信息主體未來可能的行為傾向[17]。聲譽也是利益相關者衡量行為主體是否值得信任的重要因素，這一信號將通過信息流的方式在社區中傳播并被其他用戶知曉，從而達到高效識別優質資源的目的[18]。在經濟學領域，商家的聲譽被視為無形資本，良好的聲譽意味著更好的發展前景[19]，商家為了維護自身口碑和品牌形象會自覺提高產品質量和服務態度，以此來獲得更多的潛在收益。在醫療市場，醫生的聲譽同樣相當重要，擁有良好口碑的醫生在同行中更具有競爭優勢，將被更多的患者所青睞[20]。相比于傳統的線下醫療，在線醫療平臺提供的聲譽反饋機制能夠幫助醫生更為迅速地建立自身聲譽，聲譽會給醫生帶來超額收益，除了可以帶來物質上的回報，還可以獲得心理上的成就感和精神上的滿足感[21]。此外，傳統的醫療情境難以關注患者的情緒和體驗，缺乏有效的監督方式，而線上醫療環境中醫生聲譽將直接影響患者的選擇，因此，在線醫療社區中的聲譽反饋機制也是規避道德風險的重要隱性約束。患者生成信息如服務評分、贈送禮物和投票數量等和系統生成信息如服務數量、綜合評價等對醫生服務價格均有顯著影響[22]。

綜上所述，目前有關醫患在線互動的研究大多是從用戶滿意度和醫患關系的視角展開討論，而將醫患雙方作為利益相關者的系統性研究較為匱乏，并且在線聲譽作為醫患交互過程中的重要調節機制，在已有研究中也常被忽視。因此本文將醫生和患者兩個群體作為博弈雙方，利用演化博弈方法構建基于在線聲譽反饋機制的醫患互動博弈矩陣，并通過分析系統演化穩定策略的影響機制和作用機理，以期為完善在線醫療平臺建設提供理論依據。

3? 模型描述和基本假設

3.1? 模型描述

演化博弈過程中兩個最重要的概念就是演化穩定策略和復制動態方程。其中，演化穩定策略是指被群體中的大部分成員所采取的措施，即達到了穩定狀態。復制動態方程是指模型從不穩定狀態向穩定狀態發展的過程。演化博弈論認為博弈的主體是有限理性的，強調動態的演化發展過程，博弈參與方采取的策略會隨著時間變化，演化博弈的目的是探究群體動態演化的過程以及如何達到穩定狀態。在醫患在線互動過程中，醫生要考慮投入的時間、精力成本和獲得的經濟回報、聲譽收益等，患者要考慮付出的金錢與獲得的健康醫療服務包括信息支持、情感支持等。由于醫患信息的不對稱性、雙方主體在博弈過程中都是有限理性的，患者會根據前人的試錯結果與醫生在線聲譽反饋情況調整自己的擇醫策略，醫生需要在多次交易過程中，與患者群體建立起信任關系以獲得更多潛在和長遠的利益，最終雙方形成穩定策略。在線聲譽反饋機制既是對患者群體的保護，督促醫生履行契約精神、約束自身行為的一種機制，同時也是醫生樹立自身口碑，打造個人品牌以獲得更多潛在收益的機遇。本文在充分考慮醫患在線博弈存在的收益和損失的基礎上，作出相關假設并通過計算求解出演化博弈模型的穩定策略，探索在線聲譽機制影響醫患互動行為的內在機制。

3.2? 基本假設

醫生和患者群體是在線醫療社區中的主要用戶，雙方作為服務提供者和服務需求者出于對各自利益的考量會在社區中作出不同的策略選擇。其中，醫生的積極應對方式表現為在工作過程中保持著較高的熱情，并且遇到繁瑣的工作能夠積極應對[23]；消極應對方式則體現在對患者的態度和診療行為上的敷衍和不耐煩，醫生的消極應對行為不僅會影響醫療服務質量，還會使得醫患關系惡化[24]。患者在診療結束后可以就醫生的醫療質量和服務態度進行主觀評價，評價內容按照情感類型可以分為正面評價和負面評價，患者生成信息將成為衡量醫生在線口碑的重要內容。醫患在線互動行為是一個動態且不斷變化的過程，因此，本文作出以下假設：

H1：博弈主體界定為醫生、患者兩大群體。假設患者會通過在線醫療平臺進行擇醫就醫行為，每次博弈的參與者都是醫生和患者群體中的個體進行隨機配對。醫生對于接診的患者可以采取的策略有兩種：積極應對和消極應對。患者在就診后可以采取的策略也有兩種：正面評價和負面評價（用戶不評價行為不會對醫生聲譽和其他患者群體的擇醫選擇造成任何影響，因此，本模型不考慮用戶的不評價行為）。

H2：雙方都是有限理性主體，在決策之前均無法準確判斷采取哪種措施會給自身帶來最大化的利益。醫生的選擇策略為私人信息，而非公開信息。且在單次博弈中，醫生會首先作出策略選擇，而患者需要根據在診療過程中的體驗和主觀感受作出評價。雙方在不斷試錯的過程中會動態調整自身策略，彼此的行為均會受到博弈另一方的影響。因此，醫患在線互動過程可以看作是一種非對稱信息下的演化博弈模型。

H3：假設患者作出正面評價是對醫生的服務感到滿意，作出負面評價是對醫生的服務感到不滿意。患者作出正確的信息反饋，即患者評價與醫生服務質量相符合，則說明患者能夠辨別優質和劣質醫生，雙方的信息差減少；反之，則表明患者不能夠有效辨別優質資源，雙方信息差增大。

4? 演化博弈模型構建

4.1? 參數設定

依據動機理論，經濟回報、聲譽和利他主義的自我實現感等因素會促進用戶的在線努力程度，而用戶執行時消耗的時間精力成本則會產生相反的阻礙作用[25]；而依據社會交換理論，醫生需要給予患者信息支持和情感支持來換取相應的報酬和獎勵，在這個過程中雙方都需要付出一定的成本來換取自身的利益[26]。醫患雙方的收益、成本及參數表示如下：

（1）醫生的收益和成本。R1表示醫生的聲譽提升；M表示醫生的經濟回報，即醫生收取的經濟回報；I表示醫生在線聲譽提升帶來的潛在收益；E表示醫生努力被肯定的精神激勵；C1表示醫生積極應對需要付出的成本，包括時間成本、精力成本等；R2表示醫生的聲譽降低；P表示醫生積極性被打擊的失落情緒；L表示醫生在線聲譽降低帶來的潛在收益損失。

（2）患者的收益和成本。D表示醫生采取積極應對策略時，患者可以獲得的優質醫療服務；B表示患者正確信息反饋帶來的收益，如減少信息差距，避免錯失優質醫生或誤選低質醫生等；M表示患者正常支付的醫療費用，包括掛號費、問診費用等；C2表示患者診后評價需要付出的時間、精力等發布成本；U表示患者負面評價行為對緩解不滿情緒的作用；Q表示醫生采取消極應對策略時，劣質醫療服務給患者身體健康帶來的潛在威脅。

4.2? 收益矩陣

假定以上參數的取值均大于0，以便進行后續分析。假設醫生選擇積極應對策略的概率為x （0≤x≤1），選擇消極應對策略的概率為1–x。患者采取正面評價策略的概率為y （0≤y≤1），選擇負面評價策略的概率為1–y。構建演化博弈雙方的收益矩陣，如表1所示：

由收益矩陣可知，醫生采取積極應對策略時的期望收益為：

U1a=y（R1+M+I+E–C1）+（1–y）（M–C1–R2–P–L）=y（R1+R2+I+E+P+L）+M–C1–R2–P–L? ? 公式（1）

醫生采取消極應對策略時的期望收益為：

U1b=y（M+R1+I）+（1–y）（M–R2–L）=y（R1+R2+I+L）+M–R2–L? ? ? ? ? ? 公式（2）

醫生的平均收益為：

U1=xU1a+（1–x）U1b=xy（P+E）–x（C1+P）+y（R1+R2+I+L）+M–R2–L? ? ? ? ? ? ? 公式（3）

患者采取正面評價策略時的期望收益為：

U2a=x（D+B–M–C2）+（1–x）（–M–C2–Q–B）=x（D+Q+2B）–M–C2–Q–B? ? ? ? ? 公式（4）

患者采取負面評價策略時的期望收益為：

U2b=x（D+U–M–C2–B）+（1–x）（–M–C2–Q+B）=?x（D+U+Q–2B）–M–C2–Q+B? ? ?公式（5）

患者的平均收益為：

U2=yU2a+（1–y）U2b=xy（4B–U）–2By+x（D+U+Q–2B）–M–C2–Q+B? ? ? 公式（6）

兩個群體策略演化的復制動態方程分別為：

令F（x）=0和F（y）=0，可以得到醫患雙方在線博弈有五個均衡點，分別是（0，0）、（1，0）、（0，1）、（1，1）、，當且僅當U<2B，且C1

本文通過構造雅可比矩陣行列式來判斷均衡點的穩定性，對F（x）和F（y）依次求x、y的偏導數，得到雅可比矩陣為：

其中，a=（1–2x）[y（P+E）–C1–P]

b=x（1–x）（P+E）

c=y（1–y）4B

d=（1–2y）（4Bx–U–2B）

當雅可比矩陣的行列式大于0，且跡的值小于0，即當滿足：

（1）；（2）trJ=

a+d<0時，則表示該均衡點達到了演化穩定策略。

令（x0， y0）=，根據假設條件，初

始點以及演化后的點應該落在二維空間V={（x，y）|0≤x≤1，0≤y≤1}范圍內才有意義，因此可知U<2B，且C1

由表3可知，在5個均衡點中，O（0，0）和C（1，1）是演化穩定狀態，A（1，0）和B（0，1）是不穩定點，D（x0， y0）是鞍點，醫患在線互動博弈的演化動態相位圖如圖1所示：

由圖1可知，均衡點O（0，0）、A（1，0）、B（0，1）、C（1，1）和D（x0， y0）將演化相位圖分為4個區域S1、S2、S3和S4。此時，當初始狀態在S1和S2區域時，演化路徑收斂于O（0，0）穩定點，系統最終趨向于{消極應對，負面評價}穩定策略。當初始狀態在S3和S4區域時，演化路徑收斂于C（1，1）穩定點，系統最終趨向于{積極應對，正面評價}穩定策略。D（x0， y0）是S1、S2、S3和S4 4個區域的交界點，因此，點D也是判斷醫患雙方最終策略選擇的臨界點。

當SOADB>SACBD時，醫患雙方采取{積極應對，正面評價}策略的概率更大，當SOADB

面積進行進一步分析：，

當SACBD越大，博弈雙方采取積極策略的傾向性越大。其中影響SACBD的參數有5個，分別為U、B、C1、P和E。用SACBD分別對這5個參數求偏導數，可以得到各參數對SACBD的影響結果如表4所示：

由表4可知，患者負面評價行為對緩解不滿情緒的作用U、醫生積極應對需要付出的成本C1、醫生積極性被打擊的失落情緒P與SACBD呈現負相關關系，即當U、C1、P增加時，SACBD減少。理解為當患者通過負面評價行為能夠緩解不滿情緒的程度越高、醫生采取積極應對策略付出的成本越高或醫生努力不被認可后積極性受到打擊的程度越嚴重時，越會降低醫患雙方持續在線互動的積極意愿，最終均傾向于采取消極應對策略。而患者正確的信息反饋B、醫生努力被認可獲得的精神激勵E與SACBD呈現正相關關系，理解為當雙方的信息差距越小，或者醫生采取積極應對策略得到的正向反饋越多時，越會促進雙方的持續參與在線互動的意愿，最終均傾向于采取積極應對策略。

基于以上分析，演化博弈雙方最終的策略選擇會趨向于{積極應對，正面評價}和{消極應對，負面評價}兩種穩定均衡狀態。為驗證數理推導結果和進一步探索各個參數對醫患互動行為的內在影響機制，需要給參數賦值計算復制動態方程和構建演化博弈模型，通過Matlab模擬仿真的方式分析醫患雙方在線博弈演化的動態過程。

5? 模型檢驗與仿真分析

5.1? 模型檢驗

本文使用軟件Matlab2016b作為數值仿真工具，以橫軸表示時間。變量賦值是建立在滿足所有參數的取值均大于0和滿足約束條件U<2B且C1

初始參數時將鞍點調整到了圖

形中間的位置。初始值設置分別為U=1，B=3，C1=1，P=2，E=4；仿真的初始時間為0，結束時間為10。此外，為了使初始點的取值具有代表性，能夠反映不同區域內初始值的最終演化策略，本文選取由鞍點和坐標軸劃分成的4個不同區域內的點作為（x，y）的初始值，對落在不同區域內的初始值點向均衡點演化的路徑進行檢驗，模型檢驗結果如圖2所示：

由圖2可知，當確定初始狀態點的位置時，最終博弈演化的均衡策略已經可以確定，說明演化結果對于初始狀態具有依賴性。在初始值設定狀態下，鞍點D（x0， y0）的數值可由計算得出大致為（0.583，0.5），當初始值落在SOADB區域，則最終收斂于點（0，0），博弈主體將選擇{消極應對，負面評價}的穩定策略。當初始值落在SACBD區域，則最終收斂于點（1，1），博弈主體將選擇{積極應對，正面評價}的穩定策略。

5.2? ?仿真分析

為進一步探討方程中各參數對博弈主體最終演化結果的影響機制，在保持其他參數不變且滿足條件U<2B，C1

（1）負面評價行為對緩解患者不滿情緒的作用U，令U取值為1、3、5，博弈主體演化結果隨參數U調整所呈現的趨勢見圖3。當U的值較低（U=1）時，患者傾向于采取正面評價策略、醫生傾向于采取積極應對策略，且患者演化速度快于醫生，說明當患者通過負面評價行為的獲利較小時，雙方群體最終會向{積極應對，正面評價}策略演化。隨著U的增大（U=3，U=5），患者趨于負面評價策略的速度和醫生趨于消極應對策略的速度均越來越快，且患者總是先于醫生達到穩定狀態。可見，隨著患者通過負面評價行為的獲利U增加，雙方傾向于采取{消極應對，負面評價}策略的演化速度越來越快。因此，參數U對博弈雙方向最優策略的動態演化起到了負面影響的作用。

（2）患者正確的信息反饋B，令B取值為3、4、5。博弈主體演化結果隨參數調整所呈現的趨勢見圖4，隨著B的增大，雙方趨于{積極應對，正面評價}策略的速度越來越快，且患者向正面評價策略演化的速度總是先于醫生向積極應對策略演化的速度。說明當患者的評價與醫生實際服務質量相符時，患者可以有效識別高質量醫生和低質量醫生，醫患雙方的信息差距減少，加速了雙方群體向{積極應對，正面評價}策略演化的速度。因此，患者正確的信息反饋B對博弈雙方向最優策略的動態演化起到了正向影響的作用。

（3）醫生積極應對需要付出的成本C1，令C1取值為1、2、3。博弈主體演化結果隨參數C1調整所呈現的趨勢見圖5，當C1值較小（C1=1）時，雙方最終傾向于采取{積極應對，正面評價}策略，說明當醫生采取積極應對策略需要付出的成本較低時，醫生群體的演化速度雖滯后于患者群體的演化速度，但經過一段時間的博弈，雙方仍然選擇積極互動策略。隨著C1的增大，雙方則最終趨向于{消極應對，負面評價}應對策略，且雙方群體向消極互動策略演化的速度也越來越快。因此，醫生積極應對需要付出的成本C1對博弈雙方動態演化起到了負向影響的作用。此外，當C1值較大（C1=2，C1=3）時，醫生傾向于消極應對策略的演化速度在開始階段要快于患者采取負面評價策略的演化速度，而當醫生消極應對傾向達到一定值時，患者采取負面評價策略的演化速度開始超過醫生群體的演化速度。說明當醫生的消極態度越明顯時，越容易激發患者的不滿情緒，從而加速雙方向消極互動策略演化的速度。

（4）醫生積極性被打擊的失落情緒P，令P取值為2、5、8。博弈主體演化結果隨參數P調整所呈現的趨勢見圖6，當P值較低（P=2）時，雙方最終傾向于采取{積極應對，正面評價}穩定策略；當P值增大（P=8）時，醫生群體采取消極應對策略的演化速度快于患者群體采取負面評價策略的演化速度。且隨著P的增大，雙方傾向于{消極應對，負面評價}策略的演化速度越來越快，因此，醫生努力不被認可的情緒損失P負向影響博弈雙方向最優策略動態演化的過程。說明當醫生積極應對卻得到患者的負面反饋時，醫生的積極性受挫，并隨著失望情緒的增大而加速醫生群體向消極應對策略演化的速度。

（5）醫生努力被認可獲得的精神激勵E，令E取值為4、7、10。博弈主體演化結果隨參數E調整所呈現的趨勢見圖7，隨著E的增大，雙方傾向于采取{積極應對，正面評價}策略的速度越來越快，且當E值較低（E=4）時，醫生群體達到穩定狀態的速度要比患者群體達到穩定狀態的速度慢；但隨著E值的增大（E=7，E=10），醫生群體總是比患者群體更快達到演化穩定狀態。說明當醫生采取積極應對策略付出的努力被患者認可時，醫生的積極性明顯提高，推動了雙方群體向積極互動策略演化的過程。因此，醫生努力被認可獲得的精神激勵E對博弈雙方向最優策略的動態演化起到了正向影響的作用。

6? 對策建議

本文從非對稱信息下的演化博弈視角出發，將在線醫療社區中的醫生和患者群體作為有限理性的博弈主體，構建了基于在線聲譽反饋機制的醫患互動博弈模型。通過分析演化博弈模型，識別出了影響系統演化穩定策略的五個關鍵因素，其中患者負面評價行為可以排解不滿情緒的程度、醫生積極應對需要付出的成本和醫生積極性被打擊的失落情緒對醫患在線互動起負向影響作用；患者正確的信息反饋和醫生努力被認可的精神激勵對醫患在線互動起正向影響作用。此外，通過仿真分析進一步探討了各關鍵因素對于演化結果的影響機制，仿真結果表明不同參數變化對于醫患雙方達到演化穩定策略的影響路徑也存在差異。基于以上分析結果，本文對網絡醫療服務平臺建設提出以下幾點建議和對策：

（1）構建在線評價監管機制，加強不實評價信息的甄別與核查。在線聲譽機制的有效運行是建立在多次正確信息反饋累積的基礎上，因此需要建立一定的監管機制，對于平臺的不實評價信息進行有效甄查。對于惡意評論信息，如詆毀、報復性文字以及夸大、過高評價等內容進行智能識別，通過標記該評論為惡意評價或虛假評價等方式，降低不實評價對于在線聲譽系統有效性的影響。此外，還可以通過用戶生成內容的情感傾向、態度傾向、觀點傾向等多個維度識別相似評價作為推薦評價內容，評價信息排序可通過智能排序，對可靠信息進行優先展示。然而，信息評估需要建立在大量用戶生成信息的基礎上，因此，需要建立信息激勵措施保證信息的充分性，最大限度降低失真信息或偽信息在社區中的傳播。

（2）建立患者真實評價激勵機制，降低醫患信息差。患者評價與醫生服務質量相符合的評價行為十分關鍵，不僅可以鼓勵真正付出努力的醫生，還能夠督促不夠積極對待的醫生反思自己的問題，提高醫療質量。由個人經驗得到的信息具有傳遞性，一方面平臺要最大化發掘和利用患者診療經驗等信息的價值，以減少醫患雙方的信息不對稱；另一方面，應對患者評論內容的可信度進行評估，以達到有效監督醫生過去行為以及預測未來可能行為、降低其他患者的擇醫成本和潛在風險的目的。因此，平臺應該制定相關的激勵措施，鼓勵患者在對醫生服務滿意的情況下進行積極評價、對醫生的診療方案或診斷結果不滿意的情況進行如實反饋，可以通過獎勵積分、抵扣醫療費用等方式，鼓勵患者提供客觀真實的評價內容。

（3）建立醫生申訴渠道，維護醫患信任機制。由仿真結果可知，當患者通過負面評價行為可以對醫生產生較大負面影響時，極有可能出現患者達不到預期就故意差評的報復行為。而患者的心理預期較為主觀，可能與實際情況并不相符，且信任破壞要比信任關系的建立更容易，一次較為嚴重的惡意評價就有可能對醫生長期建立的聲譽造成巨大損失。因此，在線醫療平臺有必要設置醫生的申訴渠道，對于內容審查不符合事實的惡意評論予以剔除，維護醫生的正當利益。此外，平臺對于醫生的考核不能過于依賴用戶評價，患者群體對醫生的信任關系是動態建立的，雙方在多次交互過程中形成更加穩固的信任關系，對醫生的考核和評估要從多方面考慮，并在一段時間動態更新對醫生的評估描述。

（4）結合移動云計算等技術降低醫生在線診療成本，強化醫生積極應對的激勵效果。平臺要為醫生準確判斷患者病情提供技術支持，通過醫療信息共享，建立健康檔案，使醫生能夠在最短的時間內通過患者的既往病史、過敏史等了解患者背景信息。涉及利益的關系往往是很脆弱的，因此，在保證醫療服務質量的基礎上，平臺要為醫生與患者協商治療方案提供便利，做到雙方共同承擔責任。醫生需要幫助患者認識自身健康狀況，充分了解診療過程和預期的診后效果，避免醫生出于對自身利益的維護不明確回復患者的問題，或使用模棱兩可、含糊不清的回答逃避可能的醫療責任。另外，對于好評率高的醫生，平臺可以給予額外的獎勵，加強醫生努力被認可的激勵效果，用優質服務帶動醫療平臺的持續發展。

致謝

感謝華東師范大學侯經川教授和南京大學趙月華博士提出修改意見。

參考文獻：

中國互聯網網絡信息中心. 第50次《中國互聯網絡發展狀況統計報告》[EB/OL].[2022-10-24]. http：//www.cnnic.cn/n4/2022/0914/c88-10226.html.

ZHAI Y， GE X， LIU X， et al. An internet-based multidisciplinary online medical consultation system to help cope with pediatric medical needs during the COVID-19 outbreak： a cross-sectional study[J]. Translational pediatrics， 2021， 10（3）：560-568.

周敏， 郅慧. 信息精細加工可能性模型對公眾在線擇醫意愿影響研究[J]. 教育傳媒研究， 2021（1）：38-42.

WANG P， WANG J， LI Q. Cognitive mechanisms underlying interaction and contribution in online health communities： the perspectives of doctors and patients[J]. Aslib journal of information management， 2021， 73（3）：367-385.

MCGEADY D， KUJALA J， ILVONEN K. The impact of patient–physician Web messaging on healthcare service provision [J]. International journal of medical informatics， 2008， 77（1）： 17-23.

ZHANG J， WANG， K. et al. Should doctors use or avoid medical terms？ the influence of medical terms on service quality of e-health[J/OL]. Electronic commerce research， 2021.[2022-04-19]. https：//link.springer.com/article/10.1007/s10660-021-09516-6#citeas.

CHEN S， GUO X， WU T， et al. Exploring the online doctor-patient interaction on patient satisfaction based on text mining and empirical analysis[J]. Information processing & management， 2020， 57（5）： 102-253.

NAVEH S， BRONSTEIN J. Sense making in complex health situations： virtual health communities as sources of information and emotional support[J]. Aslib journal of information management， 2019， 71（6）：789-805.

張星， 陳星， 夏火松， 等.在線健康社區中用戶忠誠度的影響因素研究： 從信息系統成功與社會支持的角度[J].情報科學， 2016， 36（3）：133-138.

ARORA N K， WEAVER K E， CLAYMAN M L， et al. Physicians decision-making style and psychosocial outcomes among cancer survivors[J]. Patient education and counseling， 2009， 77（3）： 404-412.

王瑜超， 孫永強. 服務和互惠規范對于在線醫療社區用戶自我表露意愿的影響研究[J]. 情報科學， 2018， 36（5）：149-157.

HALUZA D， JUNGWIRTH D. ICT and the future of healthcare： aspects of pervasive health monitoring[J]. Informatics for health and social care， 2018， 43（1）： 1-11.

OKORO O E， MBAH I O. Use of social media in doctor–patient relationship by patients in federal medical center， keffi， north-central nigeria[J] Journal of consumer health on the internet， 2021， 25（3）： 230-241.

郝亞楠， 郭文秀， 賀培鳳， 等.患者信息搜尋行為的調查分析[J].晉圖學刊， 2011（6）：63-67.

吳紅. 基于服務提供與定價視角的在線醫患多階段交互機制研究[D].武漢：華中科技大學， 2019.

LIU J， HOU S， EVANS R， et al. What do patients complain about online： a systematic review and taxonomy framework based on patient centeredness[J]. Journal of medical internet research， 2019， 21（8）：e14634.

李士梅， 高維龍. 契約視角下政府委托第三方提供養老服務的激勵約束機制分析[J].內蒙古社會科學（漢文版）， 2018， 39（2）：117-124， 2.

YANG R， WANG D. Hierarchical aggregation for reputation feedback of services networks[J]. Mathematical problems in engineering， 2020（1）：1-12.

KRAWCKE N. Effectively managing your companys online reputation[J]. Air conditioning， heating & refrigeration news， 2018， 263（14）：4-4.

GAO G G， MC CULLOUGH J S， AGARWAL R， et al. A changing landscape of physician quality reporting： analysis of patients online ratings of their physicians over a 5－year period [J]. Journal of medical internet research， 2012， 14（1）： 38-46．

陸泉， 李易時， 陳靜， 等. 在線醫療社區患者擇醫行為影響因素研究[J]. 圖書情報工作， 2019， 63（8）：87-95.

姜勁， 白閃閃， 王云婷， 等. 線上和線下醫療服務質量對患者線下就醫決策的影響[J].管理科學， 2020， 33（1）：46-53.

張夢林， 李玉玲， 申寧寧， 等. 齊齊哈爾市某三甲醫院醫生職業認同與工作壓力、應對方式的關系研究[J]. 醫學與社會， 2019， 32（6）：107-110.

董霏， 羅園園.醫生心理健康狀況與應對方式的初步研究[J].職業與健康， 2006（3）：161-165.

YAN Z J， WANG T M， CHEN Y， et al. Knowledge sharing in online health communities： a social exchange theory perspective[J]. Information & management， 2016， 53（5）： 643-653.

ZHANG X， LIU S. Understanding relationship commitment and continuous knowledge sharing in online health communities： a social exchange perspective[J/OL]. Journal of knowledge management， 2021， 17（12）： 1123-1147 [2022-04-28]. https：//doi.org/10.1108/JKM-12-2020-0883.

作者貢獻說明：

李美玉：撰寫、修改和完善論文；

許? 鑫：論文框架的指導與確定。

An Evolutionary Game Analysis of Doctor-Patient Online Interaction based on Reputation Feedback Mechanism

Li Meiyu1? Xu Xin1，2

1Faculty of Economics and Management， East China Normal University， Shanghai 200062

2Social Survey and Data Center， East China Normal University， Shanghai 200241

Abstract： [Purpose/Significance] Online reputation is an important regulating mechanism to maintain the order of online medical care. Through exploring the internal mechanism of online reputation feedback mechanism on doctor-patient interaction， this paper provided strategies for improving the supervision and management of online medical community. [Method/Process] The finite rational evolutionary game model between doctors and patients was constructed. The dynamic equation was calculated， the equilibrium and stability strategy was solved， and the Matlab software was used for simulation analysis to find out the key influencing factors and influencing paths of promoting doctor-patient online positive interaction. [Result/Conclusion] The results show that the degree to which negative evaluation behavior can alleviate patients dissatisfaction， the cost of doctors positive response， and the frustration of doctors enthusiasm being depressed have a negative effect on doctor-patient interaction. The information gap reduced by correct information feedback of patients and doctors mental incentive to be recognized have a positive effect on doctor-patient interaction.

Keywords： online medical treatment? ? reputation feedback? ? incentive mechanism? ? doctor-patient interaction? ? evolutionary game theory