數字青年對科普網紅的科普信息采納意愿影響因素研究

王玖玲　湯書昆

[摘? ?要] 社交媒體平臺是當代數字青年獲取科普信息的重要渠道，科普網紅則是社交媒體平臺上科普的重要參與者。本文以精細加工可能性模型和信息采納意愿模型為理論基礎，采用在線問卷調查的方式獲取數據，利用偏最小二乘結構方程模型的方法進行分析，考察了數字青年群體對社交媒體平臺上科普網紅所發布科普信息的采納意愿影響因素。研究發現，科普網紅發布的科普信息的質量對信息有用性感知的影響不顯著，但信源可信度、話語親和力、信息一致性、信息評級均對數字青年群體的信息有用性感知起到顯著正面影響，而信息有用性感知進一步正向影響信息采納意愿。研究結果在理論意義上進一步驗證和拓展了信息采納模型，在實踐意義上為不同主體提出了相應建議：科普博主可積極設置自身身份標簽，在進行科普時可采取具有親和力的語言表達策略；社交平臺可多維度呈現受眾對科普信息的評價，讓用戶更容易地參考他人意見。

[關鍵詞]科普網紅? ?科學普及? ?信息采納意愿? ?精細加工可能性模型

[中圖分類號] N4；G206.3 [文獻標識碼] A [ DOI ] 10.19293/j.cnki.1673-8357.2023.04.005

1研究緣起

社交媒體平臺的發展使人們獲取知識的渠道極大擴展，在線知識獲取已成為一種新的學習方式。作為伴隨著互聯網而成長起來的一代，數字青年（Digital Youth）群體的社交媒體平臺使用和在線知識獲取行為相較于其他年齡層更為活躍。數字青年指出生在20世紀90年代之后，能夠熟練使用互聯網和數字化設備的一代人[1]①。作為“數字原住民”的第一代，他們在互聯網使用過程中所表現出的信息行為和特征已獲得了國內外學者的關注。

習近平總書記指出，要“加強國家科普能力建設，深入實施全民科學素質提升行動”[2]。全民科學素質的提升離不開科學信息的共享，要實現科學信息的共享，信息貢獻和信息采納兩個環節缺一不可[3]。以往研究中，學者對社交媒體平臺上科普的傳者端關注較多，探討了科學傳播文本的話語親和力構建[4]、多元主體參與[5]、科學傳播行動者角色[6]、科學信息內容特征和模式[7]等內容。科普的受者端方面，既有學者從整體層面關注科學傳播過程中受眾的主體性轉向[8]、新媒體環境下科學傳播的受眾行為[9]，也有學者關注更為細致的方面，如不同電子健康素養水平的受眾對科普信息的采納意愿[10]、微博用戶關于科學話題的傳播網絡特征[11]。學者們對數字青年這一特定群體的科普信息采納意愿關注較少，但數字青年群體作為社會發展的中堅力量，研究這一群體的科普信息采納特征對提高全民科學素質具有啟發意義。

理論層面上，在說服研究中，受眾的信息采納意愿影響因素一直是學者關注的話題。佩蒂（Petty）和卡喬波（Cacioppo） 于20世紀80年代提出精細加工可能性模型（Elaboration Likelihood Model，ELM），將受眾的認知能力和意愿動機納入考量[12]。蘇斯曼（Sussman）和西戈（Siegal）于2003年提出信息采納模型（Information Adoption Model，IAM），認為論據質量和來源可信度共同影響接收者感知信息的有用性，信息有用性進而影響信息采納意愿[13]。理論應指導實踐，但隨著新媒體的發展，我國的科普現實情況出現一些新特征。在公眾科學傳播語境下，科學家是科普信息的“第一發球員”，其專業、權威的身份特征會讓公眾產生天然信賴感。但當前中國科學家的科普工作卻面臨著重重阻礙，即科普對象上，中國科學家重視共同體內部交流，對面向公眾的科普活動則興趣寥寥；科普價值上，科普工作并不納入科學家的績效考核，還可能讓科學家陷入“薩根效應”的泥潭之中；實現能力上，一線科學家科研壓力大，難以抽出時間做科普，相當數量科學家不了解科普技巧和工具；媒介選擇上，中國科學家群體對網絡媒體的信任度不高，更傾向于選擇傳統媒體而非網絡媒體進行科普[14]。科學家群體在新媒介場域的明顯缺位造成了社交媒體平臺上科普的關鍵角色缺席，于是在強需求拉動下，新形態的科普意見領袖——科普網紅開始出現。這些科普網紅在社交媒體平臺上的科普影響力到底如何？數字青年對他們所發布的科普信息的采納意愿受到哪些因素的影響？這些問題尚待解答。

2理論基礎與研究假設

2.1 精細加工可能性模型和信息采納模型

精細加工可能性模型和信息采納模型為本研究提供了堅實的理論基礎。精細加工可能性模型（見圖1）認為，當個體具有仔細思考和處理論據的動機和能力時，就遵循中樞路徑，個體會根據已有的經驗和知識圍繞信息的真實價值進行思考，從而帶來態度的改變。當個體不具有仔細思考和處理論據的動機和能力時，精細加工可能性就處于較低水平，邊緣路徑作用得到加強，個體會使用簡單線索如信息源和情感狀態來判斷信息的有效性[15]。信息采納模型（見圖2）認為，論據質量和來源可信度共同影響接收者感知信息的有用性，信息有用性進一步影響采納意愿。其中，論據質量可細分為完整性、一致性、準確性；信源可信度可細分為專業性和可靠性。在信息采納模型中，中樞路徑為論據質量，邊緣路徑為來源可信度，二者共同影響了信息有用性感知。

本研究中，信息有用性（Information Usefulness）指社交媒體平臺上科普網紅發布的科普信息能夠幫助數字青年了解科學知識或解決實際問題的程度。信息有用性對信息采納意愿的影響得到了諸多研究的驗證，如在線消費社區中，信息有用性能夠對用戶購買意愿產生正向影響[16]；在旅游電子商務領域，消費者對評論有用性的感知會積極影響消費者的信息采納行為[17]；在線評價的有用性決定了消費者的在線評價采納意向和購買行為[18]。基于此，本文提出假設：

H1：信息有用性正向影響數字青年對社交媒體平臺科普網紅發布的科普信息的采納意愿。

2.2 信息質量

信息質量（Information Quality）即用戶感知到的信息價值。通常認為包括4個主要維度，分別是情境維度的完整性、時效性；信息維度的準確性、可信性；獲取維度的安全性、無障礙性；概括維度的簡潔性、易于理解性[19]。在本文中，信息質量指科普網紅發布的科普信息對用戶而言具有信息價值，具體指科普信息的完整性、準確性，其中，完整性指科普信息具有一定的廣度和深度，準確性指信息精確解釋了科學現象或傳達科學精神。基于此，本文提出假設：

H2：信息質量正向影響數字青年對社交媒體平臺科普網紅發布的科普信息的信息有用性感知。

2.3 話語親和力

話語親和力（Discourse Affinity）是拉近科普人員與公眾之間的重要黏合劑。科學語言指一種細分專業領域內學術共同體的交流語言，旨在準確扼要地闡述研究成果與研究進展。使用科學語言對學術共同體內部的溝通具有重要意義，但在公共交流情境中，科學語言卻令公眾難以準確、清晰地理解，對科學信息的傳播造成障礙。大眾“通俗話語體系”與科學界內部交流“專業話語體系”之間存在著不可忽視的語義壁壘，而社交媒體平臺營造了一種平等開放的互動環境，為科學語言與通俗話語之間搭建了連接轉譯的橋梁。

親和力概念最早由美國學者梅拉比安（Albert Mehrabian）于1971年在《無聲的信息》（Silent Messages）一書中提出。傳播領域學者認為，可以從言語和文本的話語表述對親和力進行提煉，具體包括距離上的親近、地位上的對等、發自內心的真誠和善、以對方喜愛的方式或風格去接近、溫婉親和的話語方式和語篇使用。已有研究證明了親和力的重要作用，如感知趣味性能夠正向影響大學生群體知識付費意愿[20]。傳統的科普中使用大量科學專業術語，語言客觀嚴謹，給公眾造成了距離感。社交媒體平臺上的科普網紅為更好地與受眾溝通，會使用多種方式使科普信息更具話語親和力，讓受眾易于接受和獲取。基于此，本文提出假設：

H3：話語親和力正向影響數字青年對社交媒體平臺科普網紅發布的科普信息的信息有用性感知。

2.4 信源可信度

信源可信度（Source Credibility）指用戶對社交媒體平臺科普網紅專業度和可靠性的感知。當受眾面對網絡上良莠不齊的科普信息缺乏能力和動機去判斷真假時，會啟動邊緣路徑進行信息加工，這種依賴信源等邊緣線索而非信息本身來做決策的認知方式叫作啟動式信息處理模式（Heuristic Information Processing）[21]。研究表明，信源可信度會直接影響信息有用性感知和信息采納意愿。在社交媒體平臺上，消費者會考量同伴所分享信息的來源可信度[22]；移動應用使用領域，信息來源可信度能夠對移動應用用戶的應用有用性感知產生積極影響[23]；在線知識付費平臺中，知識提供者的聲譽、經驗和信用對用戶知識付費行為有積極影響[24]。

在社交媒體平臺上，部分科普網紅來源于專業機構，有較高知識水平，如中國科學技術大學“科技袁人”袁立峰、? 《中國國家地理》融媒體部主任“無窮小亮”張辰亮、清華大學畢業的“畢導”畢嘯天博士等。同時也有并不具備科學專業身份但以科普工作為業的科普網紅，如安森垚、何同學等。這些科普網紅在我國科普的民間場域中發揮了重要作用。本研究中，擬從科普網紅專業性、可靠性、聲譽特征3個層面進行信源可信度的衡量，其中專業性、可靠性來自信息采納模型，聲譽特征來源于以往研究，即在社交媒體、在線問答平臺、用戶生成內容（User Generated Content，UGC）平臺中有較多粉絲數或較大影響力的用戶被認為更可信[25]。基于此，本文提出假設：

H4：信源可信度正向影響數字青年對社交媒體平臺科普網紅發布的科普信息的有用性感知。

2.5 信息一致性與信息評級

社會影響理論（Information Influence）將群體對個體的影響劃分為信息性社會影響和規范性社會影響。信息性社會影響強調個體從參照群體獲得的信息作為自己對信息真實性判斷的標準，規范性社會影響強調個體對參照群體中他人喜愛的迎合，與參照群體保持一致[26]。基于社會影響理論，數字青年群體在閱讀互聯網上真假混淆的科普信息時，會傾向于參考其他用戶對該科普信息的態度來決定是否認可與采納。本研究將社會影響劃分為信息一致性和信息評級兩個變量。

信息一致性（Information Consistency）指社交媒體平臺上用戶感知到所閱讀的科普網紅發布的科普信息與其他信息源所發布的信息一致性，即不同信息源間共同認可的知識，如不同科普博主所發布的科普信息的知識方面的一致性、科普信息評論區中其他用戶表達的對知識的認可和贊同。評論的一致性影響消費者對評論的采納，接收者對周邊線索的依賴程度取決于其專業知識和投入程度，專業知識和參與度都較高的人更依賴中樞線索，但是知識水平較高、參與度較低的人并不一定更依賴邊緣線索，而是更傾向于依賴評論的一致性[27]。因此，不同信息源所一致呈現的信息更有可能被數字青年認為是可信的。基于此，本文提出假設：

H5：信息一致性正向影響數字青年對社交媒體平臺科普網紅發布的科普信息的信息有用性感知。

信息評級（Information Rating）指其他用戶對科普網紅發布的科普信息的評價。其他用戶的評級是反映他們態度的有效線索，進而可幫助用戶判定科普信息的價值和有用性。有研究證明了在線評論評分與客戶行為之間的關系[28]，高評分意味著以往用戶對信息的高評價。在社交媒體中點贊、轉發、評論是評分的一種表現形式。點贊允許用戶對相關信息做出積極回應，表達了用戶的同意和贊同[29]。轉發則讓用戶主動傳播他們認為有價值的信息，如果這些信息是有趣的、值得信賴的、認同的，他們會更愿意使用轉發功能[30]。但是評論功能卻不能用于表達態度，因為評論只是體現了用戶的參與度，發表的可能是負面評論[31]。因此，本研究對信息評級的衡量以點贊、轉發為標準。在社交媒體平臺上，如果科普網紅發布的科普信息得到了大量的點贊和轉發，會對用戶的科普信息有用性感知產生積極影響，進而愿意采納該科普信息。基于此，本文提出假設：

H6：信息評級正向影響數字青年對社交媒體平臺科普網紅發布的科普信息的信息有用性感知。

2.6 研究模型

本文以精細加工可能性模型和信息采納模型為基礎，從中樞路徑和邊緣路徑兩種路徑出發，探究數字青年對社交媒體平臺上科普網紅發布的科普信息采納意愿的影響因素。其中，中樞路徑包括信息質量；邊緣路徑包括話語親和力、信源可信度、信息一致性、信息評級4個層面。中樞路徑和邊緣路徑共同影響受眾的信息有用性感知，進而影響信息采納意愿。本研究形成了數字青年對科普網紅發布的科普信息的接收模型（見圖3）。

3量表設計與數據收集

3.1量表設計

本文的測量題項來自以往研究的成熟量表，并結合科普的研究情境進行了完善，問卷變量均采用利克特（Likert）五級量表測量，測量范圍為“非常不同意”“比較不同意”“一般”“比較同意”“非常同意”5個層次。量表測度項和文獻來源見表1。

3.2數據收集

正式調查前邀請志愿者進行預調查，以確定問卷結構合理性和語義準確度，并據此對題項以及模糊表述進行修改。問卷通過線上線下兩種方式發放。線上利用社交媒體、即時通信工具、問卷星平臺發放；線下則于中國科學技術大學圖書館邀請受訪者填寫問卷，線下問卷可有效補足線上便利抽樣帶來的樣本代表性不足和外部效度問題。問卷前設了年齡題，過濾了年齡不屬于18～30歲的樣本。剔除無效問卷后，得到有效問卷213份。樣本的基本信息見表2。

4數據分析與結果

研究采用偏最小二乘（Partial Least Squares，PLS）結構方程模型（Structural Equation Model，SEM）方法來驗證本文提出的研究模型，使用軟件為Smart PLS 3。PLS-SEM可處理小樣本量的數據，且不要求數據的臨界正態分布；可處理具有多個潛變量的模型；適用于探索式的研究，在社會科學領域應用廣泛[36]。PLS-SEM的建議樣本數為內生潛變量的最多路徑乘10，或構面題目最多題項數乘10，因此本研究最低樣本數為50，而本文收集到213個樣本，滿足最低樣本量要求。

4.1共同方法偏差檢驗

共同方法差異檢驗借鑒梁會剛等的方法[37]，采用PLS進行CMV的檢定，大部分的方法因素負荷量皆不顯著，且各指標平均實質解釋變異量為0.702，平均共同方法的變異量為0.015，兩者的比例達到46.8：1。大多數方法因子載荷系數不顯著，而全部的實質因子載荷系數都顯著，因此研究數據不存在嚴重的共同方法偏差。

Harman單因子檢驗法結果顯示，特征值大于1的因子有3個。其中第一個因子提取的方差值為44.827%。根據海爾（Hair）等的建議，不超過50%基本說明不存在嚴重的共同方法偏差[38]。

4.2測量模型信效度檢驗

測量模型的信度水平通過組合信度（Composite Reliability，CR）和內部一致性系數（Cronbachs Alpha）共同檢驗。從表4得知，CR的最小值為0.845，大于0.800，Cronbachs

Alpha 的最小值為0.728，大于0.700，因此本文的測量模型具有較好信度。測量模型的效度檢驗包括內容效度、收斂效度和區分效度的檢驗。內容效度方面，本文所有測量變量均改編自現有文獻，且在大范圍調查之前進行了預調查，保證了測量模型題項的準確性和有效性。收斂效度方面，佛奈爾（Fornell）等認為，潛在變量的抽取平均方差AVE（Average Variance Extracted）大于0.5則說明測量模型具有理想的收斂效度[39]。本文中潛變量的AVE最小值為0.646，大于0.5，說明本文的測量模型具有理想收斂效度。

模型的區分效度可通過比較潛在變量AVE 的平方根與潛在變量間的相關系數來進行評估。如表5所示，測量模型中潛在變量的 AVE 平方根均大于該潛在變量與其他潛在變量間的相關系數，表明文本的測量模型具有良好的區分效度。同時，表6顯示，測量模型潛在變量的因子載荷均大于交叉因子載荷，進一步說明測量模型具有良好的收斂效度和區分效度。

此外，標準化的均方根殘差（Standardized Root Mean Square Residual，SRMR）是用于評估觀察和預期相關矩陣差異的平均大小，根據胡（Hu）和本特勒（Bentler）的標準[40]，SRMR<0.1即可接受，本文模型的SRMR值為0.080。

4.3主模型檢驗結果

R²代表了對模型的解釋力，即內生潛變量的可變性可由預測變量表示的部分。根據海爾的建議，R²為0.25、0.50、0.75時，分別代表模型具有弱、中、強的解釋力[41]。從表7可知，信息有用性和信息采納意愿的R²值分別為0.643和0.566，表明本文研究模型具有良好的預測效果。

Q²代表了模型的預測能力，表示模型變量間的相關性，該值使用Blindfolding算法求得。Q²大于0即代表具有預測相關性，Q²越大則代表預測相關性越強[42]。本研究中，信息有用性和信息采納意愿的Q²值分別為0.436和0.406，均接近0.5，因此模型對信息有用性和信息采納意愿均具有良好的預測能力。

顯著性檢驗采用Bootstrapping重復抽樣法，該方法建議的重復抽樣次數應大于等于500[43]，故本文設置重復抽樣數為5 000。檢驗結果見圖4和表8。對數字青年群體而言，科普網紅發布的科普信息的信息有用性對信息采納具有顯著正向影響（β=0.752，t=22.654，p＜0.001），假設H1成立。中樞路徑上，社交媒體平臺上科普網紅所發布的科普信息的信息質量與信息有用性（β=0.028，t=0.438，p＞0.05）之間沒有顯著正向關系，假設H2不成立。邊緣路徑上，對數字青年群體而言，社交媒體平臺上科普網紅發布的科普信息的話語親和力（β=0.260，t=5.355，p＜0.001）、信源可信度（β=0.222，t=2.619，p＜0.01）、信息一致性（β=0.123，t=2.117，p＜0.1）、信息評級（β=0.352，t=4.593，p＜0.001）均與信息有用性存在顯著的正向關系，因此假設H3、假設H4、假設H5、假設H6均成立。

5討論與啟示

5.1 討論

研究結果驗證了信息有用性對信息采納意愿具有顯著正向影響，信息有用性到信息采納意愿的路徑系數為0.752，說明信息有用性對信息采納意愿具有較強的解釋力。與“全盤皆信”的中老年群體不同，作為長期與互聯網接觸的一代，數字青年有更強的能力去判斷科普信息是否對自己有益、有幫助，他們對社交媒體上的科普信息采取“為我所用”的態度，只有與自己的生活切實相關、對自己有所幫助的，他們才會對其給予注意力和采納意愿，這體現出年輕一代媒介素養的提高。值得注意的是，在社交媒體平臺上，用戶對科普網紅的信息采納也可能不是從信息本身的有用性出發，而是其對科普網紅本身具有較強的忠實度，因為科普網紅的個人特質而采納信息。

從信息性社會影響的角度來看，信源可信度對信息有用性產生顯著的正向影響，路徑系數為0.222。科普網紅自身所體現出的專業、可靠、有聲譽等有利于加強其“可信任”印象的特征，進而會促使受眾更愿意接受科普信息。此外，交叉因子載荷表中，在信源可信度維度，觀察變量SC1的載荷量高于觀察變量SC2，這代表“科普網紅在相關領域擁有足夠的知識”對信源可信度的解釋程度高于“科普網紅是相關領域的專家”。當代青年在判斷信源的專業性時，更多依賴于科普網紅所體現出的知識涵養本身，而非僅僅依靠身份標簽。

但信息質量與信息有用性的路徑系數為0.028，并不存在顯著的正向影響。原因可能是，雖然信息質量和信源可信度都是對信息本身的評估，但是信源可信度更依賴對科普信息發布者本身的評估，而信息質量是對信息自身屬性的評估。數字青年群體更多依靠邊緣線索而非中樞線索來判斷信息的有用性。相當一部分被調查者對所發布的科普信息的質量本身持有負面態度，但是在科普信息的有用性評估和信息采納上卻呈現出正面態度。社交媒體平臺上的科普信息由于發布主體的多樣性、信息發布意圖的不確定性、信息發布的隨意性，信息質量難以得到保障。科普網紅依據個人知識和經驗而隨意發送，以個人信譽對信息質量負責，信息準確性缺乏第三方機構審核。因此，對數字青年而言，屬于中樞路徑的信息質量并不是他們采納科普信息的關鍵影響因素。相較于傳統媒體時代，網絡科普的流行也使得“娛樂”成為突出的特點，觀眾在接收科普信息時，邊緣線索的判斷更能契合當下“短平快”的傳播節奏。

話語親和力對信息有用性具有顯著正向影響，路徑系數為0.260。研究表明，如果傳播者能夠讓觀眾感到幽默和歡樂，科學信息則更容易得到公眾關注，獲得更高傳播效率[44]。相比于大眾傳播時代科普單向線性互動時候話語的距離感、疏離感，社交媒體時代的科普網紅們更擅長使用幽默有趣、有身邊感、友好親和的話語與讀者進行對話和交流。從傳受雙方地位看，社交媒體平臺上的科普網紅以點贊量、粉絲數作為其工作業績的重要衡量標準，部分科普網紅以自媒體事業為生，這使得他們有時會“討好”以數字青年為代表的網民群體，因此更具親和力的話語策略會被他們積極采納。從信息的情感強度上看，親和力是一種人與人之間的吸引力和維持情感紐帶的約束力，這意味著讀者能夠在獲取科學知識的同時感受到情感上的滿足。

從規范性社會影響角度看，數字青年群體對社交媒體科普網紅發布的科普信息的一致性和信息評級感知都正向影響了信息有用性的感知，其中信息一致性的路徑系數為0.123，信息評級的路徑系數為0.352。由此推斷，面對浩如煙海的科普信息，為了降低精力投入度和減少認知性錯誤，他們會選擇以他人的觀點和評價作為信息有用性的參考依據。當社交媒體平臺上的用戶感知到科普網紅發布的科普信息與其他信息源發布的科普信息一致時，更愿意認為該條信息對自己有用并采納。尤其是對爭議性的科學事件，不同觀點方意見激烈交鋒，感知信息一致性更易讓讀者感到認知協調，進而對該信息產生好感。信息評級是反映其他用戶態度的有效工具，若是點贊、轉發的數量較多，則說明該科普信息得到了其他用戶的認可，從眾心理使得人們更愿意跟隨多數人的選擇以降低自身的決策風險。科普網紅本身擁有較為龐大的粉絲量，他們發布的科普信息能夠在短時間內得到較多的曝光和成千上萬人的瀏覽，并獲得點贊、轉發，因此用戶有足夠多的信息評級信息來輔助自己進行相應的信息有用性感知。

5.2 啟示

一是信源身份標簽標注，專業認證獲取信任。社交媒體平臺作為一個去中心化的傳播場域，賦予了每個人創造并傳播科普內容的能力。這些科普網紅的身份可能是學生、研究人員、某一專業的愛好者、雜志社編輯等。對科普網紅本身而言，在社交媒體平臺上積極進行身份標識，如標注“知名科普博主”“科學博主”“視頻號知識榜第××名”等依然是有效的策略，不過對數字青年群體而言，標簽背后所體現的真才實學才是信源可信度的切實來源。

二是語言形式注重親和，警惕過度通俗片面。社交媒體作為一個平等對話的交流空間，其所傳播的話語內容天然具有較好的親和力。科普網紅在社交媒體上發布信息時，可與受眾進行即時的互動對話，親和友好的情緒也可瞬時傳達，專業的“科學語言”與日常的“通俗語言”之間的隔閡通過親和力有效化解。數字青年作為與互聯網相伴的一代人，對流行用語、網絡熱梗、新興詞匯具有較高的接受度，科普網紅的親和話語策略也更容易得到這類人群的認可。但需警惕的是，要避免語言過度通俗帶來的娛樂化、片面性等弊端。在社交媒體平臺上，部分作者為了短時間內奪取用戶注意力，選擇一種“放大結論忽視過程”或“只講結論不講前提”的話語模式，將最不合常理、最引人震驚的結論放置到一開頭，這樣的話語模式雖在情感上與受眾達到了共鳴，但卻不利于受眾真正理解科學結論的復雜前提和適用范圍。此外，在科普信息的傳播形式上也要盡可能更具親和力。文字作為一種冷媒介，在傳播科學信息時，需要閱讀者本身調動大量的想象力進行信息補充，對缺乏相應科學知識的人而言，這會使得他們產生畏難情緒進而放棄相應的信息加工。因此，科普網紅在打磨內容的同時可添加圖片、動圖、視頻、AR/VR技術等，增加信息的豐富度，讓科普信息從形式上更易于被受眾理解。

三是多維呈現信息評級，幫助用戶參考他人觀點。社交媒體作為一種卷入度較低的媒體平臺，大多數人并不期望在使用時進行長時間、強精力的信息加工，他們傾向于以他人的態度作為信息有用性評價的線索。目前大多數社交媒體平臺僅記載了其他用戶對信息的點贊、評論和轉發等數據，這些數據并不具有完整性與具體性。點贊只能看出用戶的正面態度，但不能看出持負面態度用戶的評價。因此，可增加“這條信息對我沒有幫助”功能并細化點贊維度，例如“這條信息在知識性上是準確的”“這條信息很完整、全面”等，以便讀者在閱讀時獲得更為細致的他人評價信息。

6結語

本文檢驗了信息采納模型在科普領域的適用性，并加入了話語親和力、信息一致性、信息評級等變量，進一步考察了數字青年群體對社交媒體平臺上科普網紅發布的科普信息的采納意愿影響因素及其作用機制。研究局限性在于樣本選取上偏重于覆蓋平均學歷較高的高校大學生群體，而數字青年群體作為一個較大的群體范圍，需在未來研究中補充更加多樣性的樣本。此外，社交媒體平臺是一系列具有公開、交流、對話、社區化、連通化特性平臺的總稱，例如微博、微信、小紅書、知乎、抖音、B站等。不同的媒介平臺之間具有天然的屬性區隔，媒介本身的區別會影響科普網紅的內容創作偏好和數字青年的信息接收策略，因此未來的研究可將不同的平臺特性納入考察范圍。研究結果表明了在新媒介形態發展的當下，受眾的科普信息采納意愿影響因素呈現出“邊緣路徑”主導的特點，即面對數量浩繁的科普信息，數字青年難以有足夠的時間和精力去完成“中樞路徑”的加工，而網絡平臺上易于辨識的信源身份、話語語氣、他人評價則能使青年群體快速地獲取邊緣線索，并做出是否采納信息的判斷。娛樂化、短平快的傳播環境塑造著青年群體的科普信息獲取習慣，而青年群體本身的認知模式也在順應這樣的塑造。

參考文獻

Charles C. The “Digital Native” in Context：Tensions Associated with Importing Web 2. 0 Practices into the School Setting [J]. Oxford Review of Education，2012，38（1）：63-80.

習近平在中共中央政治局第三次集體學習時強調 切實加強基礎研究 夯實科技自立自強根基[EB/OL].（2023-02-22）[2023-03-20]. https：//www.gov.cn/xinwen/2023-02/22/content_5742718.htm.

Chung N，Han H，Koo C. Adoption of Travel Information in User-generated Content on Social Media：The Moderating Effect of Social Presence[J]. Behavior & Information Technology，2015，34（9）：902-919.

趙莉，韓新明，湯書昆.新媒體科學傳播親和力的話語構建研究[J].科普研究，2014，9（6）：25-33.

匡文波，方圓.突發性公共衛生事件中科學傳播的多元主體參與模式——基于六個新冠病毒科學議題的分析[J].西北師大學報（社會科學版），2022，59（5）：56-64.

余夢瓏，余紅.科學傳播行動者的角色呈現與關系互動研究[J].情報雜志，2022，41（5）：169-175，91.

李明德，張玥，張帆，等.疫情科學信息傳播內容特征、模式、回應策略及優化路徑——基于10名科學家相關熱門微博的內容分析[J].情報雜志，2022，41（3）：133-142，190.

黃時進.科學傳播發展中受眾的主體性轉向[J].華東理工大學學報（社會科學版），2007 （4）：111-113，117.

王艷麗，鐘琦.新媒體環境下科學傳播中的受眾行為研究[J].科技傳播，2020，12（15）：5-11.

宮賀，徐瑩，黃苗紅.新冠疫情中科普網紅的說服機制與反思：基于精細加工可能性模型的兩組實驗研究[J].國際新聞界，2022，44（5）：110-133.

楊輝，尚智叢.微博科學傳播機制的社會網絡分析——以轉基因食品議題為例[J].科學學研究，2015，33（3）：337-346.

Petty E R，Cacioppo T J，Schumann D. Central and Peripheral Routes to Advertising Effectiveness：The Moderating Role of Involvement[J]. Journal of Consumer Research，1983，10（2）：135-146.

Sussman W S，Siegal S W. Informational Influence in Organizations：An Integrated Approach to Knowledge Adoption[J]. Information Systems Research，2003，14（1）：47-65.

劉娟.科學傳播主體與公眾對話——中國科學家數字媒介素養調查[J].科普研究，2020，15（5）：49-56，109.

Petty E R，Cacioppo T J. The Elaboration Likelihood Model of Persuasion [J]. Advances in Experimental Social Psychology，1984，19（4）：123-205.

Cheung R. The Influence of Electronic Word-of-Mouth on Information Adoption in Online Customer Communities[J]. Global Economic Review，2014，43（1）：42-57.

Liu H，Guo P，Yin H. Consistent Comments and Vivid Comments in HotelsOnline Information Adoption：Which Matters More？[J]. International Journal of Hospitality Management，2022，107：103329.

Atikur M R，Kamrul M H H，Al A A，et al. The Interplay Between eWOM Information and Purchase Intention on Social Media：Through the Lens of IAM and TAM Theory[J]. PloS One，2022，17（9）：e0272926.

Wang Y R，Strong M D. Beyond Accuracy：What Data Quality Means to Data Consumers[J]. Journal of Management Information Systems，1996，12（4）：5-33.

魏澤.大學生在線知識付費意愿影響因素研究[D].廣州：華南理工大學，2019.

Chaiken S. Heuristic Versus Systematic Information Processing and the Use of Source Versus Message Cues in Persuasion[J]. Journal of Personality and Social Psychology，1980，39（5）：752-766.

George O，Raffaele F，Lorraine K. Social Media Interactions，Purchase Intention，and Behavioural Engagement：The Mediating Role of Source and Content Factors[J]. Journal of Business Research，2022，142：100-112.

Lee S. Enhancing CustomersContinued Mobile App Use in the Service Industry[J]. Journal of Services Marketing，2018，32（6）：680-691.

Mohammad D，Amjad G，Wathiq M. Information Adoption Patterns and Online Knowledge Payment Behavior：The Moderating Role of Product Type[J]. Information，2022，13（9）：414-414.

楊旭.融合用戶權威性和內容相似性的 UGC 質量評估研究 [D].武漢：華中師范大學，2019.

Deutsch M，Gerard H B. A Study of Normative and Informational Social Influences Upon Individual Judgement[J]. Journal of Abnormal Psychology，1955，51（3）：629-636.

Cheung C M Y，Sia C L，Kuan K K Y. Is This Review Believable？ A Study of Factors Affecting the Credibility of Online Consumer Reviews from an ELM Perspective[J]. Journal of the Association for Information Systems，2012，13（8）：618-635.

Clemons E，Gao G，Hitt L. When Online Reviews Meet Hyper Differentiation：A Study of the Craft Beer Industry[J]. Journal of Management Information Systems，2006，23（2）：149-171.

Xinchuan L，Jia L，Haiyan W. When Health Information Meets Social Media：Exploring Virality on Sina Weibo[J]. Health Communication，2017，32（10）：1-9.

Noland A. Like，Share，Retweet：Testing Competing Models of the Theory of Planned Behavior to Predict Slacktivism Engagement[J]. Journal of Nonprofit and Public Sector Marketing，2019，32（3）：264-285.

Wasike B. Memes，Memes，Everywhere，nor Any Meme to Trust：Examining the Credibility and Persuasiveness of COVID-19-Related Memes[J]. Journal of Computer-Mediated Communication，2022，27（2）：zmab024.

Cheung C M K，Lee M K O，Rabjohn N. The Impact of Electronic Word-of-Mouth：The Adoption of Online Opinions in Online Customer Communities[J]. Internet Research，2008，18（3）：229-247.

Huo C，Zhang M，Ma F. Factors Influencing Peoples Health Knowledge Adoption in Social Media：The Mediating Effect of Trust and the Moderating Effect of Health Threat [J]. Library Hi Tech，2018，36 （1）：129-151.

Bhattacherjee A，Sanford C. Influence Processes for Information Technology Acceptance：An Elaboration Likelihood Model[J]. MIS Quarterly，2006，30（4）：805-825.

Taylor S，Todd A P. Understanding Information Technology Usage：A Test of Competing Models[J]. Information Systems Research，1995，6（2）：144-176.

Hair F J，Sarstedt M，Ringle M C，et al. An Assessment of the Use of Partial Least Squares Structural Equation Modeling in Marketing Research[J]. Journal of the Academy of Marketing Science，2012，40（3）：414-433.

Liang H，Saraf N，Hu Q，et al. Assimilation of Enterprise Systems：The Effect of Institutional Pressures and the Mediating Role of Top Management[J]. MIS Quarterly，2007，31（1）：59-87.

Hair F J，Tatham R L，Anderson R E，et al. Multivariate Data Analysis，5/E[M]. Hoboken：Prentice Hall，1998：648-650.

Fornell C，Larcker F D. Evaluating Structural Equation Models with Unobservable Variables and Measurement Error[J]. Journal of Marketing Research，1981，18（1）：39-50.

Hu L T，Bentler P M. Fit Indices in Covariance Structure Modeling：Sensitivity to Underparameterized Model Misspecification[J]. Psychol Methods，1998，3（4）：424-453.

Hair F J，Risher J J，Sarstedt M，et al. When to Use and How to Report the Results of PLS-SEM[J]. European Business Review，2019，31（1）：2-24.

Stone M. Cross-Validatory Choice and Assessment of Statistical Predictions[J]. Journal of the Royal Statistical Society. Series B （Methodological），1974，36（2）：111-147.

Wetzels M，Odekerken-Schr?der G，Oppen V C. Using PLS Path Modeling for Assessing Hierarchical Construct Models：Guidelines and Empirical Illustration[J]. MIS Quarterly，2009，33（1）：177-195.

Yeo Sara K，Becker A B，Cacciatore M A，Anderson A A，Patel K. Humor Can Increase Perceived Communicator Effectiveness Regardless of Race，Gender，and Expertise—If You are Funny Enough[J]. Science Communication，2022，44（5）：593-620.

（編輯? 袁? ?博）