数据连续视角下网络健康信息可信性影响因素分析

初彦伯 王萍 毛若竹 胡姝姝

摘 要： ［目的／ 意义］ 数据连续性概念的提出， 为网络健康信息可信性的研究提供一种新的视角。通过数据连续性的引入， 将研究聚焦于健康数据层面， 挖掘网络健康信息可信性的健康数据时间、空间及内容各维度表征， 以及对网络用户感知信任的作用关系， 这将从时间、空间及内容维度全面揭示信任建立的表征要素， 为全面提升网络健康信息可信性提供策略指导， 这也可能是提升网络健康信息可信性的一种新思路。［方法／ 过程］ 以扎根理论为基础， 通过系统编码挖掘健康数据时间、空间及内容维度表征方式与关系， 构建网络健康信息可信性影响因素模型， 并使用结构方程进行验证。［结果／ 结论］ 挖掘出健康数据时间、空间及内容三维共２４ 个表征要素， 研究发现健康数据三维架构分别与网络健康信息来源、健康信息可读性、感知健康信息质量及网络用户感知可信的相互影响关系， 为后续数据连续性的多场景应用提供参考。

关键词： 健康数据； 网络健康信息； 健康信息可信性

ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１００８－０８２１．２０２３．０８．００９

〔中图分类号〕Ｇ２０３ 〔文献标识码〕Ａ 〔文章编号〕１００８－０８２１ （２０２３） ０８－００９１－１１

公共卫生事件频发的背景下， 用户通过互联网获取健康信息的现象朝着常态化方向发展。研究发现， 高达８３ ２％的用户认为网络上的健康相关信息不总是可信的， １３ ６％的用户认为网络健康信息高度可信， 仅３ ２％的用户认为网络健康信息不可信［１］ ． 网络用户在线访问健康信息时面临的主要挑战之一是评估信息可信性［２］ 。虚假健康信息一旦被采纳， 便会对网络用户及家人的健康带来严重危害， 甚至存在威胁生命的危险。通过引入数据连续性［３］ 概念， 能够将网络健康信息可信性的研究聚焦于健康数据层面， 减少健康数据失信、失控及失用的风险， 使其具有证据链作用， 并具备可信的前提条件。从健康数据时间、空间及内容维度全面揭示信任建立的表征要素， 为全面提升网络健康信息可信性提供参考。

１ 数据连续性与网络健康信息可信性辨析

将数据连续性的思想及基本框架应用于当前研究之中， 健康数据三维架构是由健康数据时间、空间及内容三维组成， 三维度一般表征为： 时间维度的健康数据溯源是其基本概念， 而对于健康数据溯源目的及价值， 可以在一般数据溯源的目的及价值相关研究中发现， 涉及“数据从哪来” 和“有哪些中间数据可以用来实现数据溯源” 等相关问题［４］ 。后来对数据溯源的内涵定义不断被拓展， 数据溯源是与数据产生直接影响的源头数据， 通过数据溯源发现目标数据在源头数据库中的位置［５］ 。数据溯源，不仅要从源头数据的产生及演变过程开始记录， 还需要更加具体的信息来保证目标数据的可重复使用［６］ 。数据溯源不断迭代后， 主要有两层含义， 第一层含义是将目标数据的溯源描述为导致其创建的一般过程， 另一层含义是关注演变数据的原始数据来源［７］ 。数据溯源本质上是一种记录目标数据的演变路径及其注释的元数据［８］ 。健康数据三维架构时间维解决的是健康数据在其生命周期内的数据活动记录都可以被记录， 支持证据链的作用， 并且健康数据是否具有证明其自身论据的功能以及相关可信性评估指标等问题。健康数据空间维度一般表征为健康数据可关联， 代表健康数据是否具有开放关联、开放共享的能力。健康数据内容维度一般表征为健康数据可理解， 此处的可理解代表网络用户感知层面的可理解以及是否具有可以被计算机识别纠错的能力。

在网络用户使用健康信息过程中， 对于网络用户而言， 网络用户的认知基础、感知控制、电子健康素养及对健康信息的需求均是网络用户本身在对健康信息可信性方面有关的要素。对于健康信息而言， 健康信息是由健康数据进行分析处理后被网络用户所理解的， 健康信息的来源、健康信息内容、健康信息质量、健康信息可读性及健康信息载体都是决定健康信息可信性的关键要素。此外， 除网络用户及健康信息外， 还需要互联网、媒体及通信等多种技术在健康数据采集、处理、存储、传播及网络用户利用过程中将易操作的问题进行保障。研究发现， 网络用户对健康信息来源以及传播途径的信任， 与健康信息中的内容无关［９］ 。网络健康信息可信性是健康信息源被网络用户信任的程度及对健康信息内容质量的综合［１０］ 。除了健康信息源是否具有权威性、专业性、吸引力及可信赖程度外， 网络健康信息可信性还包括用户对健康信息感知质量及健康信息内容的描述是否具有精确性的主观判断［１１］ ， 是网络用户主观所认为的接收到的健康信息是否值得信赖。网络健康信息质量、信息源可信性及网络健康信息可读性是影响健康信息可信性的重要因素［１２］ 。“网络健康信息可信性” 指的是健康信息的特征， 例如： 健康信息来源权威性、传播途径［１３］ 及健康信息质量中涉及的健康信息客观性、相关性、完整性、一致性［１４］ 等。在健康数据的时间维度实现对数据来源、数据产生及生命周期内的活动、数据加工过程中的活动进行全程跟踪记录，使其具有证据链的功能。在空间维度通过数据关联及数据空间等相关信息技术， 有效解决健康数据不一致、同一主题下多种不同观点的分歧问题。在数据内容维度解决健康信息术语规范、语言逻辑不同及不可理解的语句错误等问题， 并在健康數据时间、空间及内容维度共同作用下实现网络健康信息可信。

２ 研究方法及过程

２ １ 研究方法

１９６５ 年， Ｇｌａｓｅｒ Ｂ Ｇ 等［１５］ 首次提出扎根理论作为一套数据开发理论。扎根理论中涉及到的基本准则和方法具有高度的影响力［１６］ 。通过对原始文本资料进行收集， 逐句阅读并逐级归纳， 从访谈资料中衍生出理论， 并以此解释社会现象中存在的问题和联系。扎根理论是一种从下而上构建实质理论的方法， 在系统收集资料基础上探寻反映现象的核心概念， 通过概念间的关联建构相关理论［１７］ 。扎根理论包含３ 个阶段， 即开放式编码、主轴编码及选择性编码。开放式编码是原始访谈文本进行抽象化处理， 通过对初始概念的总结形成初始范畴。主轴编码起到建立概念间关系的作用。选择性编码是将以上所有过程进行系统分析， 并且确定核心范畴与各范畴之间的网络关系。本研究对不同年龄段、不同职业的网络健康信息使用者进行半结构化访谈、收集访谈数据及关系解构， 在实验过程中严格遵守数据隐私性原则， 分级进行系统编码， 以此提炼健康数据时间、空间及内容维在网络健康信息可信性中的各维度表征以及作用关系。

２ ２ 研究设计

本部分遵循Ｋａｌｌｉｏ Ｈ［１８］ 的五步法确定访谈大纲。借鉴健康数据三维架构的３ 个维度： 空间维、时间维及数据内容维分别一般表征为健康数据可关联性、健康数据可溯源性及健康数据可理解性在各维度的表征要素。网络健康信息的受众人群呈现不同年龄段、不同学历背景及不同认知基础对其呈现出的信任态度均有差异， 所以在对访谈群体进行实验时， 分别选取不同年龄段及不同学历背景的人群，以此保证访谈质量。在访谈前确定访谈者能够接受访谈及录音， 访谈结束前对其进行告知， 并在访谈后签署保密协定， 保证受访者的隐私安全。表１ 为受访者信息。

２ ３ 编码过程

在进行访谈资料回收工作后， 首先进行开放式编码， 为访谈收回的数据进行粗略的贴标签和概念界定。在开放式编码过程中， 要比较事件与事件之间的异同， 尽可能多地归纳出概念， 对初始数据进行分类并赋予其概念含义。主轴编码过程中， 要选择最为重要的访谈内容， 以及出现最多频次的初始编码。此过程将进行类别检查， 并且确定类别间的包含关系， 以此完善已有类别的属性及维度。随著类别围绕核心概念的形成， 核心类别开始逐渐凸显，将有助于后续确定类别间的关系奠定坚实的基础。

选择性编码过程中， 需整合类属间关系， 梳理故事线。故事线是通过产生连贯的扎根理论来促进研究成果的整合、构建、表达及展示的策略， 可以作为理论整合工具［１９］ 。在访谈结束后， 留出两位受访者的访谈数据作为理论饱和度检验数据， 重新回到文本中， 确保分析出的各范畴相互独立且具有清晰的逻辑关系。

３ 质性分析编码与范畴提炼

３ １ 开放式编码

开放性编码是打碎资料的过程。在没有预定假设的情况下， 根据“相关性” 和“适用性” 原则，通过定义现象来分类， 对材料不断比较从而归纳关键词、描述概念并发现初始范畴。从健康数据时间、空间及内容维度出发， 对受访者的录音进行文字转译后， 开始反复比较， 逐字阅读， 删除频次较少的范畴， 最终得到初始范畴表。表２ 为初始范畴， 为节约篇幅取部分进行展示。

３ ２ 主轴编码

主轴编码是恢复已经打碎资料的过程， 主要目的是为了寻找范畴和概念的相关关系， 将类属与次类属联系起来发展出主轴范畴， 使编码更具指导性和理论性［２０］ 。表３ 为主轴编码表。

通过表３ 发现， 健康数据时间维度包括显示来源、发布日期、健康管理数据溯源、治愈案例呈现、认证／ 实名、医生签名、备注内容、诊疗记录。健康数据空间维度包括健康预警、健康全局图谱、仓储认证、网站信息披露、备注权威链接、一致性、客观性、索引拓展。健康数据内容维度包括可用性、有用性、可理解性、逻辑性、简洁性、术语规范性、安全性、论据可靠性。健康信息可读性包括表述规范、论据支撑、逻辑准确、描述语言简练。健康信息来源包括权威性、可信认证、获取渠道、组织代码。健康信息质量包括准确性、时效性、完整性、合理性。

３ ３ 选择性编码

选择性编码是析出核心范畴的过程， 经过系统分析围绕核心范畴梳理故事线， 将分析集中到研究的核心范畴中， 凝聚出理论［２１］ 。经过扎根理论得到１６ 条因果关系， 表４ 为典型结构。

通过主轴编码过程， 得到如表４ 所示的典型结构。将剩余两人的访谈材料重新回到编码材料中，发现本文构建的关系通过理论饱和度检验。对以上挖掘出的关系进行整理， 并且根据本部分的研究情境， 将数据时间、空间及内容维度分别进行分析与合并， 精炼提取其中的主要关系。整理出如表５ 所示的健康数据三维架构整体与网络用户健康信息感知可信关系。

作用关系①为健康数据三维架构→健康信息感知可信。健康数据三维架构的表征共同正向影响网络健康信息用户的感知可信， 健康数据三维架构三维度表征在上文中已经提及， 由健康数据三维架构中的各维度表征， 其中包括时间维度健康数据可溯源、空间维度健康数据可关联及内容维度健康数据可理解， 与其三者之间的关系， 以此促使网络健康信息用户感觉到健康信息可信。

作用关系②为健康数据三维架构→健康信息来源→健康信息可读性→健康信息感知可信。健康数据三维架构通过影响健康信息来源影响健康信息可读性， 进而正向影响网络健康信息用户感知可信。

作用关系③为健康数据三维架构→健康信息来源→健康信息质量→健康信息感知可信。健康数据三维架构通过影响健康信息来源影响健康信息质量，进而实现对网络健康信息用户感知可信正向影响。

作用关系④为健康数据三维架构→健康信息来源→健康信息可读性→健康信息质量→健康信息感知可信。健康数据三维架构对健康信息来源产生正向影响， 进而对健康信息可读性直至健康信息质量产生影响， 最终对网络健康信息用户的感知可信产生正向影响关系。

作用关系⑤为健康信息三维架构→健康信息质量→健康信息感知可信。健康信息三维架构对健康信息质量产生正向影响， 通过对健康信息质量的作用关系， 进而对网络健康信息用户的感知可信产生正向影响关系。

４ 基于结构方程的关系验证

以往研究中多采用主成分分析、结构方程或回归等定量研究方法， 因结构方程是一种验证性因子分析方法， 因此本文实证部分采用构建结构方程模型的方法较有说服性。首先， 采用调查问卷的方式收集原始数据， 按照以上研究中围绕健康数据三维度、健康信息来源、健康信息质量、健康信息可读性及感知可信建立假设。

４ １ 研究假设

健康数据三维架构各维度表征为健康数据可溯源、健康数据可关联及健康数据可理解。三者之间存在内在联系， 时间维度是健康数据以往版本之间具有证据作用， 而空间维度健康数据生命周期的活动， 需具有时间维度的印证。空间维度数据关联及数据空间与数据内容之间互相影响。因不同信息接受者的受教育程度、专业背景等都与是否发生可信的采纳行为密切相关， 健康信息可信性影响因素包括健康信息可靠性、健康信息质量及可读性［２２］ 等。有学者［２３］ 认为感知可信度感受与信息内容无关［２４］ ，也有学者［２５］ 提出健康信息可信度是健康信息源被信息接收者信任的程度和健康信息内容的综合。除对健康信息用户的吸引力及信息对用户可信赖程度之外， 健康信息可信还包括用户对健康信息内容质量及内容描述精确度的主观上的判断［２６］ 。健康信息质量、信息源可信度是影响信息可信度的重要因素［１２］ 。健康信息来源权威性、传播途径、健康信息完整性、健康信息一致性及健康信息的客观性等与健康信息可读性有关［２７］ 。综上所述， 结合本文实际情况做如下假设， 图１ 为假设模型。

４ １ １ 健康数据三维架构对健康信息来源、健康信息质量及感知可信

Ｈ１ａ： 健康数据三维架构正向影响健康信息来源

Ｈ１ｂ： 健康数据三维架构正向影响感知可信

Ｈ１ｃ： 健康数据三维架构正向影响健康信息质量

４ １ ２ 健康信息来源对健康信息质量及健康信息可读性

Ｈ２ａ： 健康信息来源正向影响健康信息质量

Ｈ２ｂ： 健康信息来源正向影响健康信息可读性

４ １ ３ 健康信息可读性对健康信息质量及感知可信

Ｈ３ａ： 健康信息可读性正向影响健康信息质量

Ｈ３ｂ： 健康信息可读性正向影响感知可信

４ １ ４ 健康信息质量对感知可信

Ｈ４： 健康信息质量正向影响感知可信

４ ２ 数据分析

４ ２ １ 问卷设计与回收

多领域统计文献发现， Ｋｌｉｎｅ 提出在使用结构方程模型過程中， 样本数量在２００ 个是最合理的，３００ 非常适合统计分析。Ｈａｉｒ 也认为样本量在２００是合适的。Ｍａｎｄｅｖｉｌｌｅ、Ｒｏｓｃｏｅ 研究发现， 样本问卷量应大于实际题目十倍的数量。结合以上研究，本文结构方程模型实证部分共发放问卷２４０ 份， 剔除无效问卷２２ 份， 最终有效问卷２１８ 份， 问卷回收率为９０ ８３％， 表６ 为人口统计学变量。

通过人口统计学变量分析， 发现本次选择的调研群体中， 男生和女生的性别比例大致相同。３１～４０ 岁用户较多， ２０～３０ 岁、４１～５０ 岁及５０ 岁以上用户数量差异不大。教育程度方面本科居多， 高中最少。职业方面， 以私企工作人员居多， 其数量与国企职工、公务员或事业单位员工及其他行业从业者的总和相差不大。

４ ２ ２ 信效度分析

本部分采用测算Ｃｒｏｎｂａｃｈ α 值的方法检验内部一致性、可靠性、聚集性。α 值越高代表问卷的内部一致性越好， Ｃｒｏｎｂａｃｈα 系数越接近１， 表明问卷数据的信度越好。表７ 为本文测量题项及整体问卷的α 系数。

通过表７ 发现， 健康数据三维架构、健康信息来源、健康信息可读性的α 值均大于０ ７， 总体２５道题的α 值为０ ９１３， 代表问卷具有较高的内在一致性， 满足进一步分析的要求。在效度检验中， 使用ＫＭＯ 值进行测算。当ＫＭＯ 值越接近１ 时， 代表各变量间的共同要素越多， 适合做因子分析。探索性因子分析如表８ 所示， 本研究中ＫＭＯ 值为０ ９１１，Ｓｉｇ ＜０ ００１， 说明Ｂａｒｔｌｅｔｔｓ 球形度检验显著， 证明本研究的问卷具有良好效度， 符合统计学意义。

４ ２ ３ 验证因子分析

１） 收敛效度。在收敛效度方面需要计算模型的ＣＲ 及ＡＶＥ 值， 如式（１） 和式（２） 所示。将各维度的ＣＲ 及ＡＶＥ 值进行汇总， 如表９ 所示。

健康数据三维架构的组合信度ＣＲ 值为０ ９９２，平均变异数抽取量为０ ５９８。健康信息来源的组合信度ＣＲ 值为０ ８５８， 平均变异数抽取量为０ ５０１。健康信息可读性的组合信度ＣＲ 值为０ ８９４， 平均变异数抽取量为０ ６２９。健康信息质量的组合信度ＣＲ 值为０ ８５３， 平均变异数抽取量为０ ６６０。感知可信的组合信度ＣＲ 值为０ ８８９， 平均变异数抽取量为０ ７２８。

２） 区分效度。区分效度是根据测量各个变量之间是否有效区分的指标。由ＡＶＥ 值的平方根与变量间的相关系数评估。ＡＶＥ 值的平方根需大于所有变量的相关系数， 以此表明模型具有较好的区分效度。表１０ 为区分效度分析结果。

４ ３ 检验结果分析

根据以上测量模型， 构建大数据视域下网络健康信息可信性影响因素结构方程模型， 共有５ 个潜变量。显著性与假设如表１１ 所示。

通过表１１ 发现共有８ 条假设关系。其中健康数据三维架构与健康信息来源Ｐ 值为０ ００４， 假设成立。健康数据三维架构与健康信息质量Ｐ 值小于等于０ ００１， 假设成立。健康数据三维架构与感知可信Ｐ 值为０ ００７， 假设成立。健康信息来源与健康信息可读性Ｐ 值小于等于０ ００１， 假设成立。健康信息来源与健康信息质量Ｐ 值为０ ０２９， 假设成立。健康信息可读性与健康信息质量Ｐ 值为０ ００４， 假设成立。健康信息可读性与感知可信Ｐ 值小于等于０ ００１， 假设成立。健康信息质量与感知可信的Ｐ 值为０ ０２０， 假设成立。图２ 为模型初始路径。

在经过以上的信效度检验及相关检验之后， 将对本文构建的结构方程模型进行适配度检验， 通常对结构方程适配度检验指标较多， 常用指标有： 卡方值、自由度ｄｆ、卡方自由度比、ＧＦＩ、ＡＧＦＩ、ＲＭＲ均方根残差、ＲＭＳＥＡ 近似均方根误差、ＣＦＩ、ＮＦＩ、ＴＬＩ、ＥＣＶＩ 等。各指标在结构方程模型适配度中检验结果为： 卡方越小越好、自由度ｄｆ 越大越好、卡方／ 自由度为１～３ 之间模型可以接受、ＧＦＩ 值在０ ９０ 以上理想代表模型、ＡＧＦＩ 在０ ８ 以上代表模型可以接受、ＲＭＲ 均方根残差越小越好、ＲＭＳＥＡ近似均方根误差越小越好、ＣＦＩ、ＮＦＩ 及ＴＬＩ 均为越接近１ 越好。表１２ 为初始路径模型适配度检验结果。

４ ３ １ Ｈ１ａ： 健康数据三维架构正向影响健康信息来源

健康数据三维架构对健康信息来源的路径系数为０ １６， Ｐ 值为０ ００４＜０ ０５， 假设成立。健康数据三维架构正向显著影响健康信息来源， 健康数据三维架构在健康数据生命周期内， 是否具有数据回溯并且具有证据链的作用， 其中健康数据处理过程等人工活动是否进行记录并支持查询， 是否具有来源标识及官方权威认证将对健康信息来源产生影响， 而在健康信息传播过程中涉及的健康信息源及健康信息传播媒介都可以通过健康数据的方式进行回查。而以往研究发现， 健康信息来源权威性极易影响网络用户的感知可信。本部分的研究与以往研究结果相契合， 证明本部分研究具有合理性。

４ ３ ２ Ｈ１ｂ： 健康数据三維架构正向影响感知可信

健康数据三维架构对感知可信的路径系数为０ ２１， Ｐ 值为０ ００７＜０ ０５， 假设成立。健康数据三维架构正向显著影响网络用户感知可信。健康数据时间、空间及内容维在网络健康信息可信性中的三维度表征整体共同促进网络健康信息人感知可信。按照上文中的分析， 健康数据三维架构代表健康数据可信、可控及可用， 如果在健康数据分析过程中， 是秉承客观、真诚且理性的态度， 即可以实现健康信息的可信， 但如果在健康数据处理分析过程中过于主观， 那么健康信息也不具有客观性和合理性。因此， 本部分研究发现健康数据三维架构正向影响网络用户感知可信。

４ ３ １ Ｈ１ａ： 健康数据三维架构正向影响健康信息来源

健康数据三维架构对健康信息来源的路径系数为０ １６， Ｐ 值为０ ００４＜０ ０５， 假设成立。健康数据三维架构正向显著影响健康信息来源， 健康数据三维架构在健康数据生命周期内， 是否具有数据回溯并且具有证据链的作用， 其中健康数据处理过程等人工活动是否进行记录并支持查询， 是否具有来源标识及官方权威认证将对健康信息来源产生影响， 而在健康信息传播过程中涉及的健康信息源及健康信息传播媒介都可以通过健康数据的方式进行回查。而以往研究发现， 健康信息来源权威性极易影响网络用户的感知可信。本部分的研究与以往研究结果相契合， 证明本部分研究具有合理性。

４ ３ ２ Ｈ１ｂ： 健康数据三维架构正向影响感知可信

健康数据三维架构对感知可信的路径系数为０ ２１， Ｐ 值为０ ００７＜０ ０５， 假设成立。健康数据三维架构正向显著影响网络用户感知可信。健康数据时间、空间及内容维在网络健康信息可信性中的三维度表征整体共同促进网络健康信息人感知可信。按照上文中的分析， 健康数据三维架构代表健康数据可信、可控及可用， 如果在健康数据分析过程中， 是秉承客观、真诚且理性的态度， 即可以实现健康信息的可信， 但如果在健康数据处理分析过程中过于主观， 那么健康信息也不具有客观性和合理性。因此， 本部分研究发现健康数据三维架构正向影响网络用户感知可信。实现网络健康信息的高效利用， 还需要更全面的政策引导、更有效的监管流程及更先进的信息技术作为保障， 对健康数据在生命周期内的活动实现可追溯、监管并实施相关的干预措施。本文挖掘出的２４ 个信任表征要素可以为后续以技术应用的形式实现网络健康信息可信性保障的研究提供引导。

参考文献

［１］ 聂丽丽， 王沅． 基于移动互联网的健康信息搜索行为研究［Ｊ］．现代医院管理， ２０１７， １５ （１）： ６４－６７．

［２］ Ｃｈａｎｇ Ｙ Ｓ， Ｚｈａｎｇ Ｙ， Ｇｗｉｚｄｋａ Ｊ． Ｔｈｅ Ｅｆｆｅｃｔｓ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｏｕｒｃｅａｎｄ ｅＨｅａｌｔｈ Ｌｉｔｅｒａｃｙ ｏｎ Ｃｏｎｓｕｍｅｒ Ｈｅａｌｔｈ Ｉｎｆｏｒｍａｔｉｏｎ Ｃｒｅｄｉｂｉｌｉｔｙ Ｅ⁃ｖａｌｕａｔｉｏｎ Ｂｅｈａｖｉｏｒ ［ Ｊ］． Ｃｏｍｐｕｔｅｒｓ ｉｎ Ｈｕｍａｎ Ｂｅｈａｖｉｏｒ， ２０２１，１１５： １０６６２９．

［３］ 朝乐门． 数据连续性： 未来跨学科研究的重要课题［ Ｊ］． 情报学报， ２０１６， ３５ （３）： ２２７－２３６．

［４］ 刘海鸥， 何旭涛， 李凯， 等． 区块链数据溯源机制研究综述［Ｊ］． 情报杂志， ２０２２， ４１ （７）： １００－１０６， ４０．

［５］ Ｃｕｉ Ｙ， Ｗｉｄｏｍ Ｊ， Ｗｉｅｎｅｒ Ｊ Ｌ． Ｔｒａｃｉｎｇ ｔｈｅ Ｌｉｎｅａｇｅ ｏｆ Ｖｉｅｗ Ｄａｔａｉｎ ａ Ｗａｒｅｈｏｕｓｉｎｇ Ｅｎｖｉｒｏｍｅｎｔ ［Ｊ］． ＡＣＭ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ＤａｔａｂａｓｅＳｙｓｔｅｍｓ （ＴＯＤＳ）， ２０００， ２５ （２）： １７９－２２７．

［６］ Ｇｏｂｌｅ Ｃ． Ｐｏｓｉｔｉｏｎ Ｓｔａｔｅｍｅｎｔ： Ｍｕｓｉｎｇｓ ｏｎ Ｐｒｏｖｅｎａｎｃｅ， Ｗｏｒｋｆｌｏｗａｎｄ （Ｓｅｍａｎｔｉｃ Ｗｅｂ） Ａｎｎｏｔａｔｉｏｎｓ ｆｏｒ Ｂｉｏｉｎｆｏｒｍａｔｉｃｓ ［ Ｃ］ ／ ／ Ｐｒｏ⁃ｃｅｅｄｉｎｇｓ ｏｆ Ｗｏｒｋｓｈｏｐ ｏｎ Ｄａｔａ Ｄｅｒｉｖａｔｉｏｎ ａｎｄ Ｐｒｏｖｅｎａｎｃｅ． Ｃｈｉｃａ⁃ｇｏ， ＩＩＩｉｎｏｉｓ， ＵＳＡ， ２００２： １－５．

［７］ Ｇｌａｖｉｃ Ｂ， Ｄｉｔｔｒｉｃｈ Ｋ Ｒ． Ｄａｔａ Ｐｒｏｖｅｎａｎｃｅ： Ａ Ｃａｔｅｇｏｒｉｚａｔｉｏｎ ｏｆ Ｅｘ⁃ｉｓｔｉｎｇ Ａｐｐｒｏａｃｈｅｓ ［Ｃ］ ／ ／ Ｄａｔａｂａｎｋｓｙｓｔｅｍ ｉｎ Ｂｕｓｉｎｅｓｓ， ＴｅｃｈｎｏｌｏｇｉｅＵｎｄ Ｗｅｂ （ＢＴＷ ２００７）． Ａａｃｈｅｎ， Ｇｅｒｍａｎｙ， ２００７： ２２７－２４１．

［８］ 乔蕊， 曹琰， 王清贤． 基于联盟链的物联网动态数据溯源机制［Ｊ］． 软件学报， ２０１９， ３０ （６）： １６１４－１６３１．

［９］ Ｗｅｓｔ Ｍ Ｄ． Ｖａｌｉｄａｔｉｎｇ Ａｓｃａｌｅ ｆｏｒ ｔｈｅ Ｍｅａｓｕｒｅｍｅｎｔ ｏｆ Ｃｒｅｄｉｂｉｌｉｔｙ： ＡＣｏｖａｒｉａｎｃｅ Ｓｔｒｕｃｔｕｒｅ Ｍｏｄｅｌｉｎｇ Ａｐｐｒｏａｃｈ ［ Ｊ］． Ｊｏｕｍａｌｉｓｍ Ｑｕａｒｔｅｒ⁃ｌｙ， １９９４， ７１ （１）： １５９－１６８．

［１０］ Ｈａｒｒｉｓ Ｗ， Ｓｕｓａｎ Ｂ． Ｔｈｅ Ｄｅｌｉｃａｔｅ Ａｒｔ ｏｆ Ｂｅｉｎｇ Ｃｒｅｄｉｂｌｅ ［ Ｊ］．Ｃｏｍｐｕｔｅ Ｗｏｒｌｄ， １９９０， ２４ （２５）： ９９－１０１．

［１１］ Ｍｅｔｚｇｅｒ Ｍ Ｊ． Ｍａｋｉｎｇ Ｓｅｎｓｅ ｏｆ Ｃｒｅｄｉｂｉｌｉｔｙ ｏｎ ｔｈｅ Ｗｅｂ： Ｍｏｄｅｌｓ ｆｏｒＥｖａｌｕａｔｉｎｇ Ｏｎｌｉｎｅ Ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ Ｒｅｃｏｍｍｅｎｄａｔｉｏｎｓ ｆｏｒ Ｆｕｔｕｒｅ Ｒｅ⁃ｓｅａｒｃｈ ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ａｓｓｏｃｉａｔｉｏｎ ｆｏｒ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ ＆Ｔｅｃｈｎｏｌｏｇｙ， ２００７， ５８ （１３）： ２０７８－２０９１．

［１２］ 李月琳， 张秀， 王姗姗． 社交媒体健康信息质量研究： 基于真伪健康信息特征的分析［Ｊ］． 情报学报， ２０１８， ３７ （３）： ２９４－３０４．

［１３］ 查先进， 张晋朝， 严亚兰． 微博环境下用户学术信息搜寻行为影响因素研究———信息质量和信源可信度双路径视角［ Ｊ］．中国图书馆学报， ２０１５， ４１ （３）： ７１－８６．

［１４］ Ｃｈｕｎｇ Ｃ Ｊ， Ｎａｍ Ｙ， Ｓｔｅｆａｎｏｎｅ Ｍ Ａ． Ｅｘｐｌｏｒｉｎｇ Ｏｎｌｉｎｅ Ｎｅｗｓ Ｃｒｅｄ⁃ｉｂｉｌｉｔｙ： Ｔｈｅ Ｒｅｌａｔｉｖｅ Ｉｎｆｌｕｅｎｃｅ ｏｆ Ｔｒａｄｉｔｉｏｎａｌ ａｎｄ Ｔｅｃｈｎｏｌｏｇｉｃａｌ Ｆａｃ⁃ｔｏｒｓ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ－Ｍｅｄｉａｔｅｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ， ２０１２， １７（２）： １７１－１８６．

［１５］ Ｇｌａｓｅｒ Ｂ Ｇ， Ｓｔｒａｕｓｓ Ａ Ｌ． Ａｗａｒｅｎｅｓｓ ｏｆ Ｄｙｉｎｇ ［ Ｊ］． ＡｍｅｒｉｃａｎＳｏｃｉｏｌｏｇｉｃａｌ Ｒｅｖｉｅｗ， １９６５， ３１ （４）．

［１６］ Ｂｒｙａｎｔ Ａ． Ｇｒｏｕｎｄｉｎｇ Ｓｙｓｔｅｍｓ Ｒｅｓｅａｒｃｈ： Ｒｅ－ｅｓｔａｂｌｉｓｈｉｎｇ Ｇｒｏｕｎｄ⁃ｅｄ Ｔｈｅｏｒｙ ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ３５ｔｈ Ａｎｎｕａｌ Ｈａｗａｉｉ Ｉｎｔｅｒｎａ⁃ｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｓｙｓｔｅｍ Ｓｃｉｅｎｃｅ， ２００２．

［１７ ］ Ｗｏｏｄｓ Ｐ， Ｇａｐｐ Ｒ， Ｋｉｎｇ Ｍ Ａ． Ｇｅｎｅｒａｔｉｎｇ ｏｒ ＤｅｖｅｌｏｐｉｎｇＧｒｏｕｎｄｅｄ Ｔｈｅｏｒｙ： Ｍｅｔｈｏｄｓ ｔｏ Ｕｎｄｅｒｓｔａｎｄ Ｈｅａｌｔｈ ａｎｄ Ｉｌｌｎｅｓｓ ［ Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｌｉｎｉｃａｌ Ｐｈａｒｍａｃｙ， ２０１６， ３８ （３）： １－８．

［１８］ Ｋａｌｌｉｏ Ｈ， Ｐｉｅｔｉｌä Ａ Ｍ， Ｊｏｈｎｓｏｎ Ｍ， ｅｔ ａｌ． Ｓｙｓｔｅｍａｔｉｃ Ｍｅｔｈｏｄｏｌｏｇ?ｉｃａｌ Ｒｅｖｉｅｗ： Ｄｅｖｅｌｏｐｉｎｇ ａ Ｆｒａｍｅｗｏｒｋ ｆｏｒ ａ Ｑｕａｌｉｔａｔｉｖｅ Ｓｅｍｉ－ｓｔｒｕｃ⁃ｔｕｒｅｄ Ｉｎｔｅｒｖｉｅｗ Ｇｕｉｄｅ ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ａｄｖａｎｃｅｄ Ｎｕｒｓｉｎｇ， ２０１６，７２ （１２）： ２９５４－２９６５．

［１９］ Ｂｉｒｋｓ Ｍ， Ｍｉｌｌｓ Ｊ， Ｆｒａｎｃｉｓ Ｋ， ｅｔ ａｌ． Ａ Ｔｈｏｕｓａｎｄ Ｗｏｒｄｓ Ｐａｉｎｔ ａＰｉｃｔｕｒｅ： Ｔｈｅ Ｕｓｅ ｏｆ Ｓｔｏｒｙｌｉｎｅ ｉｎ Ｇｒｏｕｎｄｅｄ Ｔｈｅｏｒｙ Ｒｅｓｅａｒｃｈ ［ Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｒｅｓｅａｒｃｈ ｉｎ Ｎｕｒｓｉｎｇ， ２００９， １４ （５）： ４０５－４１７．

［２０］ Ａｓａｋｕｒａ Ｋ． Ｔｈｅｏｒｉｚｉｎｇ Ｐａｔｈｗａｙｓ ｔｏ Ｒｅｓｉｌｉｅｎｃｅ Ａｍｏｎｇ ＬＧＢＴＱ Ｙｏｕｔｈ：Ａ Ｇｒｏｕｎｄｅｄ Ｔｈｅｏｒｙ Ｓｔｕｄｙ ［ Ｄ］． Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｏｒｏｎｔｏ， Ｃａｎａｄａ，２０１５．

［２１］ Ｊａｎｔｕｎｅｎ Ｓ， Ｇａｕｓｅ Ｄ Ｃ． Ｕｓｉｎｇ ａ Ｇｒｏｕｎｄｅｄ Ｔｈｅｏｒｙ Ａｐｐｒｏａｃｈ ｆｏｒＥｘｐｌｏｒｉｎｇ Ｓｏｆｔｗａｒｅ Ｐｒｏｄｕｃｔ Ｍａｎａｇｅｍｅｎｔ Ｃｈａｌｌｅｎｇｅｓ ［ Ｊ］． Ｊｏｕｒｎａｌｏｆ Ｓｙｓｔｅｍ ＆ Ｓｏｆｔｗａｒｅ， ２０１４， ９５ （９）： ３２－５１．

［２２］ Ｍｕｄｉｙａｎｓｅｌａｇｅ Ｔ， Ｌｅｅｌａｗａｒｄａｎａ Ｈ． Ｔｈｅ Ｉｍｐａｃｔ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｅ⁃ｃｕｒｉｔｙ ａｎｄ Ｉｔｓ Ｒｅｌａｔｅｄ Ｃｏｎｓｔｒｕｃｔｓ ｏｎ Ｐｕｒｃｈａｓｅ Ｉｎｔｅｎｔｉｏｎ ｏｆ ＳｏｃｉａｌＣｏｍｍｅｒｃｅ Ｕｓｅｒｓ． ２０１５．

［２３］ Ｓａｌｗｅｎ Ｍ， Ｓｔａｃｋｓ Ｄ． Ａｎ Ｉｎｔｅｇｒａｔｅｄ Ａｐｐｒｏａｃｈ ｔｏ ＣｏｍｍｕｎｉｃａｔｉｏｎＴｈｅｏｒｙ ａｎｄ Ｒｅｓｅａｒｃｈ ［Ｍ］． Ｍａｈｗａｈ， ＮＪ： Ｌａｗｒｅｎｃｅ Ｅｒｌｂａｕｍ Ａｓ⁃ｓｏｃｉａｔｅｓ， １９９６： ４２１－４４１．

［２４］ Ｗｅｓｔ Ｍ Ｄ． Ｖａｌｉｄａｔｉｎｇ Ａｓｃａｌｅ ｆｏｒ ｔｈｅ Ｍｅａｓｕｒｅｍｅｎｔ ｏｆ Ｃｒｅｄｉｂｉｌｉｔｙ：Ａ Ｃｏｖａｒｉａｎｃｅ Ｓｔｒｕｃｔｕｒｅ Ｍｏｄｅｌｉｎｇ Ａｐｐｒｏａｃｈ ［ Ｊ］． Ｊｏｕｍａｌｉｓｍ Ｑｕａｒ⁃ｔｅｒｌｙ， １９９４， ７１ （１）： １５９－１６８．

［２５］ Ｈａｒｒｉｓ Ｗ， Ｓｕｓａｎ Ｂ． Ｔｈｅ Ｄｅｌｉｃａｔｅ Ａｒｔ ｏｆ Ｂｅｉｎｇ Ｃｒｅｄｉｂｌｅ ［ Ｊ］．Ｃｏｍｐｕｔｅ Ｗｏｒｌｄ， １９９０， ２４ （２５）： ９９－１０１．

［２６］ Ｍｅｔｚｇｅｒ Ｍ Ｊ． Ｍａｋｉｎｇ Ｓｅｎｓｅ ｏｆ Ｃｒｅｄｉｂｉｌｉｔｙ ｏｎ ｔｈｅ Ｗｅｂ： Ｍｏｄｅｌｓ ｆｏｒＥｖａｌｕａｔｉｎｇ Ｏｎｌｉｎｅ Ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ Ｒｅｃｏｍｍｅｎｄａｔｉｏｎｓ ｆｏｒ Ｆｕｔｕｒｅ Ｒｅ⁃ｓｅａｒｃｈ ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ａｓｓｏｃｉａｔｉｏｎ ｆｏｒ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ ＆Ｔｅｃｈｎｏｌｏｇｙ， ２０１４， ５８ （１３）： ２０７８－２０９１．

［２７］ Ｃｈｕｎｇ Ｃ Ｊ， Ｎａｍ Ｙ， Ｓｔｅｆａｎｏｎｅ Ｍ Ａ． Ｅｘｐｌｏｒｉｎｇ Ｏｎｌｉｎｅ Ｎｅｗｓ Ｃｒｅｄ⁃ｉｂｉｌｉｔｙ： Ｔｈｅ Ｒｅｌａｔｉｖｅ Ｉｎｆｌｕｅｎｃｅ ｏｆ Ｔｒａｄｉｔｉｏｎａｌ ａｎｄ Ｔｅｃｈｎｏｌｏｇｉｃａｌ Ｆａｃ⁃ｔｏｒｓ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ－Ｍｅｄｉａｔｅｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ， ２０１２， １７（２）： １７１－１８６．

（责任编辑： 郭沫含）