移动学习用户隐私信息披露行为实证研究

郭宇 段其姗 王晰巍

〔摘 要〕[目的/意义]通过构建移动学习用户隐私信息披露行为影响因素的理论模型，探究移动学习用户隐私行为的影响关系，以提高用户隐私信息披露意愿和对隐私信息的控制能力。[方法/过程]本文通过对隐私信息披露文献的查阅，运用问卷调查和实证研究相结合的方法，从行为态度、主观规范和行为控制3个方面分析了移动学习用户隐私信息披露行为，利用结构方程对提出的假设进行分析验证。[结果/结论]数据研究结果表明，隐私信息披露意愿对隐私信息披露行为有正向影响，感知移动学习收益性、移动学习用户社会影响、隐私控制自我效能和感知移动学习便利性对隐私信息披露意愿呈正向影响，而感知移动学习风险性则对隐私信息披露意愿呈负向影响。本研究能够帮助移动学习平台开发商更好地收集信息，为用户定制个性化的服务。[局限]研究的调查对象覆盖面较窄，对年龄、性别等因素之间的关系缺乏深入地分析。

〔关键词〕隐私信息；披露行为；移动学习

DOI：10.3969/j.issn.1008-0821.2018.04.014

〔中图分类号〕G203 〔文献标识码〕A 〔文章编号〕1008-0821（2018）04-0098-08

〔Abstract〕[Purpose/Significance]This paper explored the influencing factors of disclosure behaviour of mobile learning users in order to enhance the users the ability to control private information by constructing a theoretical model of influencing factors of mobile learning users privacy disclosure.[Method/Process]Through reading the document，this paper used the combination of questionnaires and empirical research methods，making a hypothesis testing with structural equation modeling from the aspects of attitude，subjective norm and behavior control.[Result/Conclusion]The research found that privacy disclosure intention had a positive impact on privacy disclosure behavior.Perceived benefit，society influenced，self-efficacy and perceived facilitation positively influence privacy disclosure intention，while perceived risk negatively influences privacy disclosure intention.It could help mobile learning platform operators to collect information and provide users more personalized service.[Limitations]The coverage of the subjects investigated in this paper was narrow，and the relationship between age，sex and other factors was not deeply analyzed.

〔Key words〕privacy information；disclosure behaviour；mobile learning

隨着互联网技术和移动智能终端的飞速发展，信息社会大众的需求发生了巨大变化，移动互联网应运而生并且快速发展，教育资源也得以与不同信息环境的服务融合[1]。截至2016年6月，我国手机网民规模达6.56亿，在线教育用户规模达1.18亿，其中手机端在线用户占比59.3%[2]。移动互联网技术正在改变着人们的生活学习方式，微博、微信、微课等各类便捷的微服务无处不在，而移动学习作为一种新的微学习方式，极大地满足了用户利用零碎时间进行学习的需求，并且其提供的个性化服务也深受用户的喜爱。2016年《中国个人信息安全和隐私保护报告》指出个人信息安全已成为社会普遍的焦虑[3]。隐私信息披露风险逐渐增加，很多用户不愿意向移动学习平台提供个人信息。但对于移动学习平台而言，只有获取用户更多的真实信息，才可以向用户提供更好的、更具特色化的产品和服务。因此提高用户的隐私信息披露意愿是移动学习平台开发商极为关注且亟待解决的难题之一。

近年来国内外学者开始广泛关注隐私信息的研究。国外学者C.Morosan等从感知个人利益、感知隐私风险、感知价值、情绪、信任等方面构建了相应模型，通过实证方法研究了美国消费者向酒店透露个人信息的意愿[4]。S.Sharma和R.E.Crossler从信息交换的公平性、隐私披露风险和收益角度阐述了影响电子商务用户隐私披露意愿的情境因素[5]。G.Bansal等基于理性行动理论（TRA）提出个人信息敏感性和其在隐私方面的关注度是影响信任和隐私披露的显著因素[6]。国内学者朱侯等以隐私计算理论为基础，研究了SNS用户隐私悖论现象[7]。巫月娥等以成本——利益理论和感知信息公平理论为基础，提出了社交电子商务中用户隐私披露意愿模型[8]。麦范金等针对图书馆云服务构建了移动用户的隐私信息五维模型[9]。

综观上述国内外学者关于隐私披露的相关研究，国内外学者的研究主要聚焦在社交网站、电子商务网站和移动App应用中用户隐私披露意愿的相关研究，针对移动学习用户隐私披露意愿影响因素的研究相对较少。如今，隐私问题越来越受到人们的关注，那么是什么原因使得越来越多的人愿意使用移动互联网平台进行学习？又是什么因素影响了用户的隐私信息披露行为？是否可以借鉴其它理论中隐私披露影响因素模型来构建移动学习用户隐私信息披露影响因素？本文将运用文献归纳和实证分析的方法解决以上3个问题。以计划行为理论和隐私计算理论为基础，构建移动学习用户隐私披露行为影响因素的模型，通过调查问卷收集数据，然后利用结构方程进行检验分析得出结论。本研究可以帮助移动学习平台开发商更好地获取用户信息，并为用户提供更具个性化的服务。

1 相关理论

1.1 隐私计算理论

隐私最初被定义为不受外界干扰且与公共利益无关的个人信息[10]，隐私保护则指对于个人信息被收集和被使用的控制[11]。综合看来，信息隐私的界定和研究可以划分为隐私态度和隐私行为视角[12]。隐私态度包含信息搜集、未经授权的二次使用、不正确的获取和错误4个维度，隐私行为则包含信息搜集、信息处理、信息披露和信息侵犯等一系列信息行为。如今，除用户个人信息、社会关系等传统互联网环境下存在的隐私信息外，隐私信息还包括位置和行踪隐私[13]。隐私信息泄露的问题也给移动信息生态平衡带来了巨大的挑战。隐私计算理论被认为是解决用户信息隐私问题最有用的框架，是当前很多实证研究的基础[14]。隐私计算的概念最早由国外学者M.J.Culnan提出，是指对用户泄露个人信息与随之带来的收益和风险进行评估。若这些个人信息能被公正地使用并且不产生负面影响，用户将愿意透露个人信息[15]。

1.2 TPB理论

计划行为理论是由I.Ajzen在理性行为理论（Theory of Reasoned Action，TRA）基础上提出的，他认为人的行为并不是完全出于自愿，而是处在控制之下。TPB理论从态度、主观规范、行为知觉控制、行为意向、行为5个方面来进行分析，认为在个人能力、机会以及资源等实际控制条件充分的情况下，行为意向直接决定行为，而行为意向由行为态度、主观规范和知觉行为控制3个主要变量决定，态度越积极、主观规范影响越强、知觉行为控制越强，行为意向就越大，反之就越小[16]。计划行为理论从信息加工的角度来解释个体行为的决策过程，已被广泛地应用于多个领域，是个体行为研究的重要理论基础之一。

1.3 移动学习用户隐私披露行为问题的提出

随着用户教育理念的不断变化和智能手机、平板电脑等设备的迅速普及，各种移动应用程序快速发展，基于移动智能终端的学习类App竞争愈发激烈[17]。移动学习作为一种学习技术，其便携性、交互性、泛在性等特点，逐渐成为广大学习者关注的焦点，对于移动学习平台开发商而言，如何吸引用户的注意力，了解用户深层次的真实需求，为其制定个性化的学习方案？如何借助移动学习平台的核心资源，有效整合线上和线下的资源，改善用户的学习体验？这些是移动学习平台开发商必须要重视的问题。在这个过程中，开发商收集用户的个人信息有助于分析移动用户学习属性特征和行为差异；但对于用户而言，披露个人隐私信息可能会带来意想不到的风险和损失，这就导致用户在填写信息时提供虚假的信息或拒绝提供个人信息[18]。为了解决这一矛盾，就需要对移动学习用户隐私披露行为的影响因素进行研究，充分挖掘用户对于移动学习App的使用行为，帮助移动学习平台针对用户的行为特点定制个性化的学习服务，从而更好地激励用户披露隐私信息。

2 模型与假设研究

2.1 模型的构建

本文将计划行为理论与隐私计算理论相结合，分析移动学习用户的隐私信息披露意愿的影响因素，进而分析隐私信息披露意愿对其披露行为的影响。H.Li等人利用隐私计算理论分析隐私披露行为与感知收益、隐私忧虑间的关系，认为感知收益性正向影响用户的信息披露意愿，而感知风险性对用户隐私信息披露意愿产生负向影响[19]。N.Fortes和P.Rita利用TPB和TAM模型对消费者在线购买行为影响因素分析时发现感知易用性、感知有用性对隐私关注有显著影响[11]。I.Arpaci等人利用TPB模型研究云服务教育时发现学生对安全隐私的关注态度对其使用云服务教育的意愿有显著影响[20]。M.H.Hsu和F.Y.Kuo运用TPB理论研究与信息隐私保护有关的决策影响因素时发现态度受到主观规范的影响，而主体规范又受到组织自尊的影响[21]。

综合上述学者的相关研究，以用户的行为态度、主观规范、行为控制为自变量，以移动学习用户的隐私披露意愿为中介变量，以其隐私披露行为为因变量，构建了移动学习用户的隐私披露行为影响因素模型，具体如图1所示。

2.2 研究假設的提出

2.2.1 行为态度对移动学习用户隐私信息披露意愿的影响

行为态度是指个人对行为所抱持的正面或负面的感觉，即指个人对特定行为评价后的态度[16]。本研究针对移动学习的特点，重点关注感知收益和感知风险这两种行为态度。感知收益是指用户在使用过程中预期该行为可能给自己带来的利益和回报[22]。国外学者I.Pentina等利用隐私计算理论考察用户的隐私披露行为时指出只有在感知收益大于感知风险时用户才会选择披露个人隐私[23]。国内学者张星等从个性化服务与情感支持两个方面考察了感知收益，并指出感知收益会改善用户对隐私披露的态度[24]。基于上述文献的研究结果，本文认为：

H1a：感知移动学习收益性对移动学习用户的隐私信息披露意愿呈正向影响。

感知风险是指决策中隐含着对结果的不确定性。学者N.Lim从技术风险、供应风险、消费风险以及产品风险的角度进行考察，指出用户与互联网平台供应商信息的不对等会导致用户不愿意披露个人信息[25]。学者F.Xu等指出感知风险会提高用户的隐私关注度，隐私关注水平越高，越不利于信息的分享[26]。基于上述文献的研究结果，本文认为：

H1b：感知移动学习风险性对移动学习用户的隐私信息披露意愿呈负向影响。

2.2.2 主观规范对移动学习用户隐私信息披露意愿的影响

主观规范是指个人对于是否采取某项特定行为所感受到的社会压力[16]。针对移动学习的特点，本研究主要从互惠规范和社会影响来考虑主观规范对意愿的影响。

霍曼斯交换理论指出人能理性地算计自己某一行为的长期结果，并试图交换某些事物以获取最大的利益[27]。学者L.Wang等认为人们愿意揭露自己的个人隐私是为了获取信息补偿、资金补偿等[28]。学者李延晖等考察了娱乐性补偿、信息补偿和资金补偿对隐私披露意愿的影响，发现娱乐性补偿和信息补偿对披露意愿产生正向影响，而资金补偿对披露意愿没有影响[29]。基于上述文献的研究结果，本文认为：

H2a：移动学习用户互惠规范对移动学习用户的隐私信息披露意愿呈正向影响。

个体所处环境能对个体产生一定的影响，并改变个体在某一方面的行为[24]。学者C.Hallam和G.Zanella認为个体通过披露个人信息可以满足情感需求，进而获得社会满足感[30]。学者T.L.James等研究指出披露个人信息能够使用户获得更多的社会认同感，并且与他人建立更强的纽带[31]。学者L.N.Zlatolas和T.Welzer指出隐私社会规范对隐私披露行为有重要影响，他人行为会对个体进行隐私披露决策时产生一定影响[32]。基于上述文献的研究结果，本文认为：

H2b：移动学习用户社会影响对移动学习用户的隐私信息披露意愿呈正向影响。

2.2.3 行为控制对移动学习用户隐私信息披露行为的影响

行为控制是指个体由于过去经验而对行为所感到的难易程度以及预期的障碍[16]。针对移动学习的特点，本研究主要从自我效能和感知便利性的方面进行考虑。

在用户隐私披露行为研究中，自我效能重点关注用户的信息控制能力，用来反映用户对所披露信息的控制能力。用户通过阅读移动学习平台的隐私政策以及对自己发布的信息的控制来对自己的隐私信息进行控制。学者B.C.F.Choi和L.Land研究发现应用平台和用户对于信息的交互控制能够帮助用户更好地管理用户信息，进而促进用户的信息披露[33]。学者T.Wang等指出如果用户感觉到风险，则会增强对信息的控制，从而规避风险[34]。基于上述文献的研究结果，本文认为：

H3a：隐私控制自我效能对移动学习用户的隐私信息披露意愿呈正向影响。

感知便利性是指用户对移动学习平台能否为其提供便捷高效的服务的认知。学者N.Fortes和P.Rita通过研究发现便利性认知不仅能促进用户对隐私的披露，还有助于用户对应用平台的使用[11]。学者M.J.Keith等指出便利性认知能使用户更愿意披露自己的个人信息[35]。基于上述文献的研究结果，本文认为：

H3b：感知移动学习便利性对移动学习用户的隐私信息披露意愿呈正向影响。

2.2.4 隐私披露意愿对移动学习用户隐私信息披露意愿的影响

行为意愿反映了个体对是否采取某一特定行为的主观判断[19]。本研究中，意愿反映的是用户对移动学习隐私披露行为的总体评价。N.K.Malhotra和J.Agarwal研究指出隐私披露意愿对隐私披露行为产生正向影响[36]。学者张星等也指出信息披露意愿能够促进用户的信息披露行为[24]。通过阅读有关TPB理论的文献，可以发现意愿与行为的关系在各类研究中得到强力的实证支持，基于此，本文认为：

H4：隐私信息披露意愿对移动学习用户的隐私信息披露行为呈正向影响。

3 实证分析

3.1 数据收集与验证方法

本次调查主要采用网络问卷调查的方式，问卷以问卷星、微信、QQ等方式发放，邀请好友及其同学进行填写。调查对象主要有吉林大学、四川大学、重庆大学等高校好友及其同学。此次网络调查共收回问卷256份。对回收的问卷进行鉴定与筛选，剔除无效问卷。剔除标准为：①整个问卷勾选选项均为同一个选项；②漏答题数超过10个。根据上述标准，共得到有效问卷203份，有效问卷回收率达79.3%。本研究采用结构方程模型（Structural Equation Modeling，简称SEM），对上述提出的移动学习用户隐私信息披露行为影响因素进行验证分析。

3.2 信度和效度检验

信度（Reliability）是指测量结果的一致性或稳定性，是反映被测量因素真实程度的指标[37]。本研究通过克朗巴哈系数（Cronbachs α）来反映测量量表内部的一致性和评价信度的高低。结果显示移动学习用户隐私披露意愿影响因素量表的总体Cronbachs α=0.868，说明总测量量表有较好的一致性，信度较高。同时，量表中包含的8个维度的Cronbachs α系数均在0.741～0.862之间，表明量表具备较好的内部一致性与较高的信度。具体数值如表1所示。

效度是指测验或量表能够实际测出所需要测量的因素的程度。区别效度是指测量同一潜在特质的各维度间所呈现出的差异[38]。通过比较各变量AVE值的平方根与其它变量间相关系数的大小，可以看出各变量的AVE值的平方根均大于其它变量的相关系数，说明有较好的区别效度。具体数值如表2所示。

3.3 验证性因子与模型检验

验证性因子分析（Confirmatory Factor Analysis，CFA）可以用来检验测量变量与可以解释变量的因素构念间的关系。因素负荷量（Factor Loading）表示共同因素对测量变量的影响，一般认为因素负荷量值应介于0.50～0.95之间，值越大说明指标变量越能有效地反映其要测得的概念特质[39]。本研究所测得的因素负荷量均在0.668～0.883之间，表示模型的基本适配度良好。多元相关平方（SMC）用于解释测量变量的信度系数。一般认为多元相关平方值若大于0.50，表示模型内在检验良好[40]。测量变量TNR2、TNR3、SI1、PF3、PDB1和PDB2的多元平方相关值介于0.446～0.486之间，接近0.50。除此之外，其余个别测量变量的信度系数均在0.500以上，表明该模型的内在检验良好。潜在变量的组合信度（CR）也是判断模型内在质量的准则之一。本研究所得的组合信度均大于0.740，表示模型内在质量佳。平均方差抽取量（AVE）作为一种收敛效度的指标，能够反映相对变量的测量误差，平均方差抽取量越大，测量误差越小[39]。一般认为平均方差抽取量应大于0.50，本研究所得的平均方差抽取量除互惠规范指标外均达到要求，均大于0.50，表示模型内在质量理想，具体数值如表3所示。

本文使用AMOS24.0对结构模型进行识别评估——所得结果如图2所示。图中所示的数值均为标准化路径系数。标准化系数的大小反映影响程度的大小，数值的正负表示正相关或负相关，并且不同测量变量间的标准化路径系数可以直接比较，以便度量各种变量间的相对变化水平。

模型拟合指数用于考察理论结构模型与数据的适配程度。AMOS中提供了多种拟合指数，本文主要从简约适配度指数（X2/df）、绝对适配度指数（RMSEA和GFI）和增值适配度指数（CFI和NFI）对模型的拟合度进行判断，具体值如表4所示。总体来看模型拟合度较好，可接受拟合。

3.4 参数估计与假设检验

本研究采用最大似然法对模型进行运算，Relationship表示变量间正相关或负相关的关系；C.R.表示临界比值，相当于t检验值，如果其绝对值大于1.96，表示估计值达到p=0.05的显著水平；如果其绝对值大于2.58，表示估计值达到p=0.01的显著水平。当参数估计值达到显著水平的路径系数获得数据支持，而未达到显著水平的路径系数不被数据支持。当显著性P值小于0.001时，会呈现出“***”的符号，当显著性P值>0.001时，则P值中会直接呈现P值大小[39]。Standardized Structural Coefficients列为标准化回归系数值，代表共同因素对测量变量的影响，能够反映各潜在因素的相对重要性。结构方程模型估计值如表5所示。

从表5可以看出，H1b、H3b和H4的临界比值分别为-3.352、3.911和6.311，它们的显著性P值均小于0.001，所以H1b、H3b和H4通过假设检验，即感知移动学习风险性对隐私披露意愿产生负向影响、感知移动学习便利性对隐私信息披露意愿产生正向影响和隐私信息披露意愿对隐私信息披露行为产生正向影响。假设H1a的C.R.的值为2.194，大于1.96，P值为0.028，小于0.05；假设H3a的C.R.的值为2.266，大于1.96，P值为0.023，小于0.05；说明其显著性达到了0.05的水平，即感知移动学习收益性和隐私控制自我效能对隐私信息披露意愿均产生正向的影响。假设H2b的C.R.的值为2.693，大于2.58，P值为0.007，小于0.01，说明其显著性达到了0.01的水平，即移动用户社会影响对隐私信息披露意愿产生正向影响。假设H2a的C.R.的值为-0.856，P值为0.392，未达到显著性水平的要求，故不支持原假设。

3.5 讨论分析

结合以上数据分析可以看出模型中所提出的7个假设除假设H2a外均得到验证支持。现具体分析如下：

3.5.1 行为态度（感知移动学习收益性和风险性）对移动学习用户隐私信息披露意愿的影响

感知移动学习收益性对移动学习用户隐私信息披露意愿的路径系数为0.248，P值为0.028，说明感知移动学习收益性对用户隐私信息披露意愿产生较大的影响。用户向移动学习平台提供个人信息，往往会得到相应的补偿，例如资金补偿、信息补偿或娱乐补偿等。目前，移动学习的用户主要以大学生和白领为主，学习目的多为通过外语考试或是技能考试，具有针对性内容的移动学习应用自然就更受他们的青睐。移动学习的内容形式也愈发丰富化，除了基础功能模块外，移动学习平台也开始推出视频直播、语音互动等课程，增强与用户的交互性。各大移动学习平台也会定期举行优惠活动或抽奖活动，吸引新用户，提高老用户的粘性。

感知移动学习风险性对移动学习用户隐私信息披露意愿的路径系数为-0.254，P值小于0.001，说明感知移动学习风险性对隐私信息披露意愿产生显著的影响，相较移动学习平台能给他们带来的收益，他们更加关注信息泄露可能会产生的风险。为了能得到更多个性化的服务，用户也往往会被要求提供更多的个人信息。在信息大爆炸的时代，信息的管理是一个大难题，对于移动学习平台来讲，所获取的信息量越大，管理难度也越大，对于用户的隐私泄露风险也就越高。越来越多移动学习平台开始提供云端服务，帮助用户实现在不同时间、不同地点的无缝学习，但是云计算作为多租用户共享资源，用户数据耦合性较高，一旦云平台受到攻击，大量的用户信息都会面临泄露的风险。所以开发商需要综合考虑收益性和风险性对移动学习平台的设计、运营和管理。

3.5.2 主观规范（移动学习用户互惠规范和社会影响）对移动学习用户隐私信息披露意愿的影响

移动学习用户互惠规范对移动学习用户隐私信息披露意愿的路径系数为-0.092，P值为0.392，互惠规范对用户隐私信息披露意愿会产生正向影响的假设并没有得到验证。原因可能有多方面。现在众多的移动学习平台都开始推出学习社群，增强社交性、互动性，同时也在社群中设置了跟读练习、打卡晒笔记等功能。但是由于缺乏管理与反馈机制，用户提供的自身学习信息并没有得到相应的评价，并且学习社群常常出现许多无效信息，大大降低了用户的体验。移动学习平台用户基数大，个人需求不能被及时准确地满足，这也导致了互惠规范水平低。

移动学习用户社会影响对移动学习用户隐私信息披露意愿的路径系数为0.231，P值为0.007，说明移动学习用户社会影响对用户隐私披露意愿产生较大的影响。个人的想法很容易受到他人或团体力量的影响，从而使个人的行为态度转向具有优势的趋势。现在很多移动学习平台都会提供相应的激励措施来鼓励用户披露个人信息，例如已注册用户成功邀请好友注册给予积分奖励等。信息传播速度快、范围广、影响大，每个用户都可以成为信息的生产者和传播者，向他人提供信息并产生影响。如果向移动学习平台提供个人隐私信息的用户越多，出于对社会认同感的追求，个体也倾向于披露自己的隐私信息，隐私信息披露意愿也会提高。

3.5.3 行为控制（隐私控制自我效能和感知便利性）对移动学习用户隐私信息披露意愿的影响

隐私控制自我效能对移动学习用户隐私信息披露意愿的路径系数为0.201，P值为0.023，说明隐私控制自我效能对用户隐私信息披露意愿产生较大的影响。这也在一定程度上反映了自我效能在影响人们选择和面对事物态度的重要影响。用户在披露个人信息时，如果认为自己能够控制隐私不被泄露，隐私披露意愿也会相应提高，进而愿意披露更多的个人信息。目前很多移动学习平台都会赋予用户对个人信息的权限，用户在填写个人信息后，可以选择个人信息对他人的可见状态，增强用户对信息的控制和对移動学习平台的信任感。

感知移动学习便利性对移动学习用户隐私信息披露意愿的路径系数为0.386，P值小于0.001，说明感知移动学习便利性对用户隐私信息披露意愿产生显著影响。移动学习与普通学习相比具有微型化、个性化、及时性等特点，而这些特点使得传递信息的效能更高。多数移动学习平台都采用APP+PC+线下混合学习模式，具有智能推送、断点续播、课后测试等功能，不仅能保证教学信息传播的顺利进行，还能对用户学习程度进行检验，以便进一步对用户进行个性化学习方案的制定。

3.5.4 移动学习用户隐私信息披露意愿对其隐私信息披露行为的影响

移动学习用户隐私信息披露意愿对其隐私信息披露行为的路径系数为0.574，P值小于0.001，说明移动学习用户隐私信息披露意愿对其隐私信息披露行为有直接的显著影响。隐私信息披露行为主要由隐私信息披露意愿决定，隐私信息披露意愿在感知收益性、感知风险性、互惠规范、社会影响、自我效能和感知便利性中起到中介变量的作用。移动互联网环境下，移动学习平台的竞争非常激烈，由于一些移动应用程序滥用权限，过度收集个人信息，甚至将用户信息泄露给第三方，导致用户失去信任，不愿意披露个人信息。根据隐私计算理论和数据结论，认为隐私披露所带来的收益大于其带来的风险时，用户会选择披露自己的个人信息。移动学习平台开发商有时为了有效降低用户注册和使用的门槛，为用户提供了绑定第三方账号的服务，同时也降低了自身对新用户身份鉴别的难度，但是对于用户而言风险也是存在的，一旦账号信息被泄露，用户在别的网站上的信息也会被泄露。因此，对于移动学习应用平台而言，不仅要向用户提供合理的隐私保护政策，降低用户的隐私顾虑，还要合理地收集、存储和利用用户信息，增强用户披露隐私的意愿，促进用户的隐私披露行为。

4 研究结论

本文结合隐私计算理论和TPB理论，运用实证研究方法分析了移动学习用户隐私信息披露的影响因素。理论贡献在于，在隐私计算理论和TPB理论的基础上，构建了移动学习用户隐私信息披露行为影响因素的理论模型。该模型揭示了感知移动学习收益性、感知移動学习风险性、移动学习用户互惠规范、移动学习用户社会影响、隐私控制自我效能和感知移动学习便利性6个因素对用户隐私信息披露行为的影响，同时引入用户隐私信息披露意愿作为中介变量，为移动学习用户隐私信息披露行为影响因素的分析提供了新的研究视角和构建了新的理论模型。实践价值在于，运用结构模型方程对所构建的理论模型及研究假设进行验证。数据研究结果表明，用户隐私信息披露意愿对隐私信息披露行为有正向影响，感知移动学习收益性、移动学习用户社会影响、隐私控制自我效能和感知移动学习便利性对用户的隐私信息披露意愿呈正向影响，而感知移动学习风险性则对用户隐私信息披露意愿呈负向影响。因此，对于移动学习平台开发商而言，要完善平台功能，加强信息安全建设，建立良好的信息反馈机制，增强移动学习的趣味性与交互性，努力为用户提供更多针对性的信息推送服务和制定更具特色的学习方案。而对于用户而言，需要加强对网站隐私策略的认识和自己对隐私信息的控制能力，适度地披露信息，以获得特色化的服务。

在研究中，本文也存在一定的局限性。首先，研究的调查对象主要是针对高校学生，但移动学习的用户其实分布在各个年龄段，这在一定程度上造成分析结果只代表部分样本群体的特征。因此在后续研究中，将扩大样本研究对象的范围。其次，本研究对年龄、性别等因素之间的关系也没有进行深入分析，在未来的研究中会将其作为重要的变量进行研究。

参考文献

[1]窦天芳，张成昱，张蓓，等.移动互联网与传统互联网的服务融合——以清华大学图书馆WAP网站建设为例[J].图书情报工作，2011，55（9）：67-70.

[2]中文互联网数据资讯中心.第38次中国互联网络发展状况统计报告[EB/OL].http：//www.199it.com/archives/502934.html，2016-08-03.

[3]中国青年政治学院互联网法治研究中心.中国个人信息安全和隐私保护报告[EB/OL].https：//www.ishuo.cn/doc/nwdeinqf.html，2017-03-03.

[4]Morosan C，Defranco A.Disclosing Personal Information Via Hotel Apps：A Privacy Calculus Perspective[J].International Journal of Hospitality Management，2015，47：120-130.

[5]Sharma S，Crossler R E.Disclosing too Much？Situational Factors Affecting Information Disclosure in Social Commerce Environment[J].Electronic Commerce Research & Applications，2014，13（5）：305-319.

[6]Bansal G，Zahedi F M，Gefen D.Do Context and Personality Matter？Trust and Privacy Concerns in Disclosing Private Information Online[J].Information & Management，2016，53（1）：1-21.

[7]朱侯，王可，严芷君，等.基于隐私计算理论的SNS用户隐私悖论现象研究[J].情报杂志，2017，36（2）：134-139.

[8]巫月娥.社交电子商务中用户隐私披露意愿影响因素研究[J].重庆邮电大学学报：社会科学版，2015，27（2）：54-60.

[9]麦范金，张兴旺，李晨晖.云图书馆中移动用户隐私五维保护模型的构建[J].情报理论与实践，2014，37（4）：92-97.

[10]Westin A F.Privacy and Freedom[J].Michigan Law Review，1968，（33）：173.

[11]Fortes N，Rita P.Privacy Concerns and Online Purchasing Behaviour：Towards an Integrated Model[J].European Research on Management & Business Economics，2016，22（3）：167-176.

[12]张玥，朱庆华.国外信息隐私研究述评[J].图书情报工作，2014，58（13）：140-148.

[13]谢刚，冯缨，田红云，等.信息生态视角下移动网络隐私问题及防治措施[J].情报理论与实践，2015，38（8）：21-26.

[14]王彦兵，郑菲.国外SNS用户个人信息披露实证研究的影响因素及其理论评述[J].情报杂志，2016，35（5）：201-206.

[15]Culnan M J.Protecting Privacy Online：Is Self-Regulation Working？[J].Journal of Public Policy & Marketing，2013，19（1）：20-26.

[16]Ajzen I.The Theory of Planned Behavior[J].Research in Nursing & Health，1991，14（2）：137-144.

[17]马玉慧，赵乐，李南南，等.新型移动学习资源 ——教育APP发展模式探究[J].中国电化教育，2016，（4）：64-70.

[18]刘百灵，夏惠敏，李延晖.移动购物用户信息披露意愿影响因素的实证研究——基于公平理论和理性行为理论视角[J].情报理论与实践，2017，（5）：87-93.

[19]Li H，Sarathy R，Xu H.Understanding Situational Online Information Disclosure as a Privacy Calculus[J].Journal of Computer Information Systems，2010，51（1）：62-71.

[20]Arpaci I，Kilicer K，Bardakci S.Effects of Security and Privacy Concerns on Educational Use of Cloud Services[J].Computers in Human Behavior，2015，45（C）：93-98.

[21]Hsu M H，Kuo F Y.The Effect of Organization-Based Self-Esteem and Deindividuation in Protecting Personal Information Privacy[J].Journal of Business Ethics，2003，42（4）：305-320.

[22]Culnan M J，Bies R J.Consumer Privacy：Balancing Economic and Justice Considerations[J].Journal of Social Issues，2003，59（2）：323-342.

[23]Pentian I，Zhang L，Bata H，et al.Exploring Privacy Paradox in Information-Sensitive Mobile App Adoption：A Cross-Cultural Comparison[J].Computers in Human Behavior，2016，65：409-419.

[24]张星，陳星，侯德林，等.在线健康信息披露意愿的影响因素研究：一个集成计划行为理论与隐私计算的模型[J].情报资料工作，2016，37（1）：48-53.

[25]Lim N.Consumers Perceived Risk：Sources Versus Consequences[J].Electronic Commerce Research & Applications，2003，2（3）：216-228.

[26]Xu F，Michael K，Chen X.Factors Affecting Privacy Disclosure on Social Network Sites：An Integrated Model[J].Electronic Commerce Research，2013，13（2）：151-168.

[27]黄晓京.霍曼斯及其行为交换理论[J].国外社会科学，1983，（5）：70-73.

[28]Wang L，Yan J，Lin J，et al.Let the Users Tell the Truth：Self-Disclosure Intention and Self-Disclosure Honesty in Mobile Social Networking[J].International Journal of Information Management，2017，37（1）：1428-1440.

[29]李延晖，梁丽婷，刘百灵.移动社交用户的隐私信念与信息披露意愿的实证研究[J].情报理论与实践，2016，39（6）：76-81.

[30]Hallam C，Zanella G.Online Self-Disclosure：The Privacy Paradox Explained as a Temporally Discounted Balance Between Concerns and Rewards[J].Computers in Human Behavior，2017，68：217-227.

[31]James T L，Warkentin M，Collignon S E.A Dual Privacy Decision Model for Online Social Networks[J].Information & Management，2015，52（8）：893-908.

[32]Zlatolas L N，Welzer T.Privacy Antecedents for SNS Self-Disclosure[J].Computers in Human Behavior，2015，45（C）：158-167.

[33]Choi B C F，Land L.The Effects of General Privacy Concerns and Transactional Privacy Concerns on Facebook Apps Usage[J].Information & Management，2016，53（7）：868-877.

[34]Wang T，Duong T D，Chen C C.Intention to Disclose Personal Information Via Mobile Applications：A Privacy Calculus Perspective[J].International Journal of Information Management，2016，36（4）：531-542.

[35]Keith M J，Maynes C，Lowry P B，et al.Privacy Fatigue：The Effect of Privacy Control Complexity on Consumer Electronic Information Disclosure[C]// International Conference on Information Systems，2014：C135.

[36]Malhotra N K，Agarwal J.Internet Users Information Privacy Concerns（IUIPC）：The Construct，the Scale，and a Causal Model[J].Information Systems Research，2004，15（4）：336-355.

[37]張虎，田茂峰.信度分析在调查问卷设计中的应用[J].统计与决策，2007，（21）：25-27.

[38]陈维，黄程琰，毛天欣，等.多维测评工具聚敛和区分效度的SEM分析——以领悟社会支持量表为例[J].西南师范大学学报：自然科学版，2016，（2）：136-140.

[39]吴明隆.结构方程模型：AMOS的操作与应用[M].重庆：重庆大学出版社，2010：212-240.

[40]徐万里.结构方程模式在信度检验中的应用[J].统计与信息论坛，2008，23（7）：9-13.

（责任编辑：孙国雷）