基于声誉反馈机制的医患在线互动演化博弈分析

李美玉 许鑫

摘要：[目的/意义]在线声誉是维持网络医疗秩序的重要调节机制，通过探讨在线声誉反馈机制对医患互动影响的内在作用机理，为完善在线医疗社区的监督和管理提供策略。[方法/过程]构建医生与患者两大群体之间有限理性的演化博弈模型，通过计算复制动态方程并求解均衡稳定策略，同时利用Matlab软件进行仿真分析，找出促进医患在线积极互动的关键影响因素及影响路径。[结果/结论]研究结果表明，负面评价行为可以缓解患者不满情绪的程度、医生积极应对付出的成本、医生积极性被打击的失落情绪对医患互动具有负向作用；患者正确信息反馈减少的信息差距和医生努力被认可的精神激励对医患互动具有正向作用。

关键词：在线医疗    声誉反馈    激勵机制    医患互动    演化博弈论

分类号：G252；R197.323

引用格式：李美玉， 许鑫. 基于声誉反馈机制的医患在线互动演化博弈分析[J/OL]. 知识管理论坛， 2022， 7（5）： 562-573[引用日期]. http：//www.kmf.ac.cn/p/315/.

1  引言

随着移动社交媒体的广泛使用和公共卫生事业的快速发展，在线医疗社区应运而生，并逐步改变人们了解健康信息和自我健康管理的方式。截至2021年12月，我国在线医疗平台用户规模已达2.98亿[1]，在线医疗社区为有相同兴趣或有相似需求的用户提供了信息交互空间，用户既可生成网络健康信息，也可获取医疗健康资源。在线医疗社区具有鲜明的群体特征，主要提供线上问诊、远程医疗、健康科普等医疗信息服务，节省了医疗时间和经济成本[2]。新冠肺炎疫情期间，服务于患者及家属的在线医疗社区诸如国外的Patientslikeme，国内的有医享网、好大夫在线等平台，在疫情防控工作中承担起在线问诊的责任，未来线上问诊或将成为新常态、新趋势[3]。

在网络医疗市场中，医疗服务可以看作无形的交易商品，而医生往往比患者掌握更多的医疗信息，患者无法对医生的诊疗水平、治疗方案以及信息质量作出准确的判断。因此，很多在线医疗网站都建立了声誉反馈机制，以降低由于信息不对称造成的道德风险问题。良好的在线声誉反馈系统对于优化在线医疗环境、增强患者对医生的信任感、改善医患关系以及提高用户对平台的忠诚度都具有重要意义[4]。因此，本文试图通过建立演化博弈模型对基于声誉反馈机制的医患在线互动行为进行分析，探索促进医患互动良性发展的演化路径与稳定策略。

2  文献综述

2.1  医患在线交互的相关研究

目前国内外对于医患在线交互（Doctor-Patient， D-P）的研究视角主要集中在两个方面：

（1）以用户为中心。D. Mcgeady等[5]从用户满意度视角出发，认为医患交流对于患者服务体验具有关键影响作用，当沟通效率提高时患者满意度也会提高。J. Zhang 等[6]通过实证分析验证医生使用的医学术语对在线医疗服务质量的影响，结果显示，对于健康素养较低的患者，医生使用医学术语会降低其服务质量；而对于健康素养较高的患者，医生使用医疗术语可以显著提高其服务质量，说明医生可以根据患者的健康素养调整医疗术语的使用，从而提高在线医疗服务质量。S. Chen等[7]认为在在线医疗社区医患互动过程中，医生的信息支持和情感支持对于患者的满意度至关重要。其中，信息支持指与疾病相关的健康信息和个人经验，包括饮食、药物处方、锻炼、情绪以及睡眠等相关建议[8]；情感支持是指医生对患者反复确认问题的热情、包容度以及患者之间的鼓励、安慰等情感交流，与疾病无关但带有关心、陪伴、鼓励等情感，可以加强用户的社区认同感，提高用户满意度[9]。医患沟通不充分、患者诉求得不到重视等问题是造成医患矛盾的主要问题，N. K. Arora等指出应当强化以患者为中心的医疗服务理念，将患者体验作为衡量医生服务质量的重要因素[10]。医患交流应该是平等的，患者不应该处在被动的位置上，医生要以患者为中心最大程度考虑患者需求。例如，满足患者的求知欲，减少双方的信息差距；帮助患者了解自身疾病的相关知识，打消患者的顾虑[11]；使患者对疾病治疗风险和预期结果有一定的认知等。D. Haluza等[12]也提出未来的在线医患互动将围绕缓和医患关系、提高患者的知识水平以及提高社会医疗质量和服务水平等方面进行。

（2）以过程为中心。医患关系是一种很复杂的人际关系，涉及不同社会阶层个体间的交流互动，医患互动的深入和有效性是影响医疗服务效果的重要因素[13]。促进医生积极输出知识、提供服务的核心驱动力包括内驱动因素和外驱动因素，其中内驱动因素包括道德感、责任感等心理因素，外驱动因素包括经济回报和社会回报等物质、名誉收益。而患者在就医前掌握的医疗知识、医院信息和医生背景越多，发现优质医疗服务的几率越高，在接受医疗服务时获得的收益就越高[14]。医患互动是医生与患者在相互交流、反馈与协商的基础上就诊疗方案达成一致的过程。吴红[15]以在线医疗的多样化服务模式与自由定价为视角，将医患在线互动过程进行了多阶段细分并开展实证研究，结果表明，高质量的诊前、诊后服务可以提高患者对医生的回报行为。从社会交换视角来看，医生提供的医疗服务、服务价格和服务质量是获得患者反馈和回报行为的交换资源。然而，由于患者缺乏相关医疗知识，容易对医生产生过高的期待，当诊疗结果不符合预期时，便会产生愤怒失望的情绪。出于对自身权益的维护或不满情绪会采取线上投诉、给差评等反馈行为，以此来削弱自身利益受到损失的不平衡心理[16]。

2.2  在线声誉的相关研究

在线声誉传递了一种信号，是对用户以往行为、专业能力以及人格特质的综合评价，预示着该信息主体未来可能的行为倾向[17]。声誉也是利益相关者衡量行为主体是否值得信任的重要因素，这一信号将通过信息流的方式在社区中传播并被其他用户知晓，从而达到高效识别优质资源的目的[18]。在经济学领域，商家的声誉被视为无形资本，良好的声誉意味着更好的发展前景[19]，商家为了维护自身口碑和品牌形象会自觉提高产品质量和服务态度，以此来获得更多的潜在收益。在医疗市场，医生的声誉同样相当重要，拥有良好口碑的医生在同行中更具有竞争优势，将被更多的患者所青睐[20]。相比于传统的线下医疗，在线医疗平台提供的声誉反馈机制能够帮助医生更为迅速地建立自身声誉，声誉会给医生带来超额收益，除了可以带来物质上的回报，还可以获得心理上的成就感和精神上的满足感[21]。此外，传统的医疗情境难以关注患者的情绪和体验，缺乏有效的监督方式，而线上医疗环境中医生声誉将直接影响患者的选择，因此，在线医疗社区中的声誉反馈机制也是规避道德风险的重要隐性约束。患者生成信息如服务评分、赠送礼物和投票数量等和系统生成信息如服务数量、综合评价等对医生服务价格均有显著影响[22]。

综上所述，目前有关医患在线互动的研究大多是从用户满意度和医患关系的视角展开讨论，而将医患双方作为利益相关者的系统性研究较为匮乏，并且在线声誉作为医患交互过程中的重要调节机制，在已有研究中也常被忽视。因此本文将医生和患者两个群体作为博弈双方，利用演化博弈方法构建基于在线声誉反馈机制的医患互动博弈矩阵，并通过分析系统演化稳定策略的影响机制和作用机理，以期为完善在线医疗平台建设提供理论依据。

3  模型描述和基本假设

3.1  模型描述

演化博弈过程中两个最重要的概念就是演化稳定策略和复制动态方程。其中，演化稳定策略是指被群体中的大部分成员所采取的措施，即达到了稳定状态。复制动态方程是指模型从不稳定状态向稳定状态发展的过程。演化博弈论认为博弈的主体是有限理性的，强调动态的演化发展过程，博弈参与方采取的策略会随着时间变化，演化博弈的目的是探究群体动态演化的过程以及如何达到稳定状态。在医患在线互动过程中，医生要考虑投入的时间、精力成本和获得的经济回报、声誉收益等，患者要考虑付出的金钱与获得的健康医疗服务包括信息支持、情感支持等。由于医患信息的不对称性、双方主体在博弈过程中都是有限理性的，患者会根据前人的试错结果与医生在线声誉反馈情况调整自己的择医策略，医生需要在多次交易过程中，与患者群体建立起信任关系以获得更多潜在和长远的利益，最终双方形成稳定策略。在线声誉反馈机制既是对患者群体的保护，督促医生履行契约精神、约束自身行为的一种机制，同时也是医生树立自身口碑，打造个人品牌以获得更多潜在收益的机遇。本文在充分考虑医患在线博弈存在的收益和损失的基础上，作出相关假设并通过计算求解出演化博弈模型的稳定策略，探索在线声誉机制影响医患互动行为的内在机制。

3.2  基本假设

医生和患者群体是在线医疗社区中的主要用户，双方作为服务提供者和服务需求者出于对各自利益的考量会在社区中作出不同的策略选择。其中，医生的积极应对方式表现为在工作过程中保持着较高的热情，并且遇到繁琐的工作能够积极应对[23]；消极应对方式则体现在对患者的态度和诊疗行为上的敷衍和不耐烦，医生的消极应对行为不仅会影响医疗服务质量，还会使得医患关系恶化[24]。患者在诊疗结束后可以就医生的医疗质量和服务态度进行主观评价，评价内容按照情感类型可以分为正面评价和负面评价，患者生成信息将成为衡量医生在线口碑的重要内容。医患在线互动行为是一个动态且不断变化的过程，因此，本文作出以下假设：

H1：博弈主体界定为医生、患者两大群体。假设患者会通过在线医疗平台进行择医就医行为，每次博弈的参与者都是医生和患者群体中的个体进行随机配对。医生对于接诊的患者可以采取的策略有两种：积极应对和消极应对。患者在就诊后可以采取的策略也有两种：正面评价和负面评价（用户不评价行为不会对医生声誉和其他患者群体的择医选择造成任何影响，因此，本模型不考虑用户的不评价行为）。

H2：双方都是有限理性主体，在决策之前均无法准确判断采取哪种措施会给自身带来最大化的利益。医生的选择策略为私人信息，而非公开信息。且在单次博弈中，医生会首先作出策略选择，而患者需要根据在诊疗过程中的体验和主观感受作出评价。双方在不断试错的过程中会动态调整自身策略，彼此的行为均会受到博弈另一方的影响。因此，医患在线互动过程可以看作是一种非对称信息下的演化博弈模型。

H3：假设患者作出正面评价是对医生的服务感到满意，作出负面评价是对医生的服务感到不满意。患者作出正确的信息反馈，即患者评价与医生服务质量相符合，则说明患者能够辨别优质和劣质医生，双方的信息差减少；反之，则表明患者不能够有效辨别优质资源，双方信息差增大。

4  演化博弈模型构建

4.1  参数设定

依据动机理论，经济回报、声誉和利他主义的自我实现感等因素会促进用户的在线努力程度，而用户执行时消耗的时间精力成本则会产生相反的阻碍作用[25]；而依据社会交换理论，医生需要给予患者信息支持和情感支持来换取相应的报酬和奖励，在这个过程中双方都需要付出一定的成本来换取自身的利益[26]。医患双方的收益、成本及参数表示如下：

（1）医生的收益和成本。R1表示医生的声誉提升；M表示医生的经济回报，即医生收取的经济回报；I表示医生在线声誉提升带来的潜在收益；E表示医生努力被肯定的精神激励；C1表示医生积极应对需要付出的成本，包括时间成本、精力成本等；R2表示医生的声誉降低；P表示医生积极性被打击的失落情绪；L表示医生在线声誉降低带来的潜在收益损失。

（2）患者的收益和成本。D表示医生采取积极应对策略时，患者可以获得的优质医疗服务；B表示患者正确信息反馈带来的收益，如减少信息差距，避免错失优质医生或误选低质医生等；M表示患者正常支付的医疗费用，包括挂号费、问诊费用等；C2表示患者诊后评价需要付出的时间、精力等发布成本；U表示患者负面评价行为对缓解不满情绪的作用；Q表示医生采取消极应对策略时，劣质医疗服务给患者身体健康带来的潜在威胁。

4.2  收益矩阵

假定以上参数的取值均大于0，以便进行后续分析。假设医生选择积极应对策略的概率为x （0≤x≤1），选择消极应对策略的概率为1–x。患者采取正面评价策略的概率为y （0≤y≤1），选择负面评价策略的概率为1–y。构建演化博弈双方的收益矩阵，如表1所示：

由收益矩阵可知，医生采取积极应对策略时的期望收益為：

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）

医生采取消极应对策略时的期望收益为：

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

医生的平均收益为：

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

患者采取正面评价策略时的期望收益为：

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

患者采取负面评价策略时的期望收益为：

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）

患者的平均收益为：

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

两个群体策略演化的复制动态方程分别为：

令F（x）=0和F（y）=0，可以得到医患双方在线博弈有五个均衡点，分别是（0，0）、（1，0）、（0，1）、（1，1）、，当且仅当U<2B，且C1

本文通过构造雅可比矩阵行列式来判断均衡点的稳定性，对F（x）和F（y）依次求x、y的偏导数，得到雅可比矩阵为：

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）

当雅可比矩阵的行列式大于0，且迹的值小于0，即当满足：

（1）；（2）trJ=

a+d<0时，则表示该均衡点达到了演化稳定策略。

令（x0， y0）=，根据假设条件，初

始点以及演化后的点应该落在二维空间V={（x，y）|0≤x≤1，0≤y≤1}范围内才有意义，因此可知U<2B，且C1

由表3可知，在5个均衡点中，O（0，0）和C（1，1）是演化稳定状态，A（1，0）和B（0，1）是不稳定点，D（x0， y0）是鞍点，医患在线互动博弈的演化动态相位图如图1所示：

由图1可知，均衡点O（0，0）、A（1，0）、B（0，1）、C（1，1）和D（x0， y0）将演化相位图分为4个区域S1、S2、S3和S4。此时，当初始状态在S1和S2区域时，演化路径收敛于O（0，0）稳定点，系统最终趋向于{消极应对，负面评价}稳定策略。当初始状态在S3和S4区域时，演化路径收敛于C（1，1）稳定点，系统最终趋向于{积极应对，正面评价}稳定策略。D（x0， y0）是S1、S2、S3和S4 4个区域的交界点，因此，点D也是判断医患双方最终策略选择的临界点。

当SOADB>SACBD时，医患双方采取{积极应对，正面评价}策略的概率更大，当SOADB

面积进行进一步分析：，

当SACBD越大，博弈双方采取积极策略的倾向性越大。其中影响SACBD的参数有5个，分别为U、B、C1、P和E。用SACBD分别对这5个参数求偏导数，可以得到各參数对SACBD的影响结果如表4所示：

由表4可知，患者负面评价行为对缓解不满情绪的作用U、医生积极应对需要付出的成本C1、医生积极性被打击的失落情绪P与SACBD呈现负相关关系，即当U、C1、P增加时，SACBD减少。理解为当患者通过负面评价行为能够缓解不满情绪的程度越高、医生采取积极应对策略付出的成本越高或医生努力不被认可后积极性受到打击的程度越严重时，越会降低医患双方持续在线互动的积极意愿，最终均倾向于采取消极应对策略。而患者正确的信息反馈B、医生努力被认可获得的精神激励E与SACBD呈现正相关关系，理解为当双方的信息差距越小，或者医生采取积极应对策略得到的正向反馈越多时，越会促进双方的持续参与在线互动的意愿，最终均倾向于采取积极应对策略。

基于以上分析，演化博弈双方最终的策略选择会趋向于{积极应对，正面评价}和{消极应对，负面评价}两种稳定均衡状态。为验证数理推导结果和进一步探索各个参数对医患互动行为的内在影响机制，需要给参数赋值计算复制动态方程和构建演化博弈模型，通过Matlab模拟仿真的方式分析医患双方在线博弈演化的动态过程。

5  模型检验与仿真分析

5.1  模型检验

本文使用软件Matlab2016b作为数值仿真工具，以横轴表示时间。变量赋值是建立在满足所有参数的取值均大于0和满足约束条件U<2B且C1

初始参数时将鞍点调整到了图

形中间的位置。初始值设置分别为U=1，B=3，C1=1，P=2，E=4；仿真的初始时间为0，结束时间为10。此外，为了使初始点的取值具有代表性，能够反映不同区域内初始值的最终演化策略，本文选取由鞍点和坐标轴划分成的4个不同区域内的点作为（x，y）的初始值，对落在不同区域内的初始值点向均衡点演化的路径进行检验，模型检验结果如图2所示：

由图2可知，当确定初始状态点的位置时，最终博弈演化的均衡策略已经可以确定，说明演化结果对于初始状态具有依赖性。在初始值设定状态下，鞍点D（x0， y0）的数值可由计算得出大致为（0.583，0.5），当初始值落在SOADB区域，则最终收敛于点（0，0），博弈主体将选择{消极应对，负面评价}的稳定策略。当初始值落在SACBD区域，则最终收敛于点（1，1），博弈主体将选择{积极应对，正面评价}的稳定策略。

5.2   仿真分析

为进一步探讨方程中各参数对博弈主体最终演化结果的影响机制，在保持其他参数不变且满足条件U<2B，C1

（1）负面评价行为对缓解患者不满情绪的作用U，令U取值为1、3、5，博弈主体演化结果随参数U调整所呈现的趋势见图3。当U的值较低（U=1）时，患者倾向于采取正面评价策略、医生倾向于采取积极应对策略，且患者演化速度快于医生，说明当患者通过负面评价行为的获利较小时，双方群体最终会向{积极应对，正面评价}策略演化。随着U的增大（U=3，U=5），患者趋于负面评价策略的速度和医生趋于消极应对策略的速度均越来越快，且患者总是先于医生达到稳定状态。可见，随着患者通过负面评价行为的获利U增加，双方倾向于采取{消极应对，负面评价}策略的演化速度越来越快。因此，参数U对博弈双方向最优策略的动态演化起到了负面影响的作用。

（2）患者正确的信息反馈B，令B取值为3、4、5。博弈主体演化结果随参数调整所呈现的趋势见图4，随着B的增大，双方趋于{积极应对，正面评价}策略的速度越来越快，且患者向正面评价策略演化的速度总是先于医生向积极应对策略演化的速度。说明当患者的评价与医生实际服务质量相符时，患者可以有效识别高质量医生和低质量医生，医患双方的信息差距减少，加速了双方群体向{积极应对，正面评价}策略演化的速度。因此，患者正确的信息反馈B对博弈双方向最优策略的动态演化起到了正向影响的作用。

（3）医生积极应对需要付出的成本C1，令C1取值为1、2、3。博弈主体演化结果随参数C1调整所呈现的趋势见图5，当C1值较小（C1=1）时，双方最终倾向于采取{积极应对，正面评价}策略，说明当医生采取积极应对策略需要付出的成本较低时，医生群体的演化速度虽滞后于患者群体的演化速度，但经过一段时间的博弈，双方仍然选择积极互动策略。随着C1的增大，双方则最终趋向于{消极应对，负面评价}应对策略，且双方群体向消极互动策略演化的速度也越来越快。因此，医生积极应对需要付出的成本C1对博弈双方动态演化起到了负向影响的作用。此外，当C1值较大（C1=2，C1=3）时，医生倾向于消极应对策略的演化速度在开始阶段要快于患者采取负面评价策略的演化速度，而当医生消极应对倾向达到一定值時，患者采取负面评价策略的演化速度开始超过医生群体的演化速度。说明当医生的消极态度越明显时，越容易激发患者的不满情绪，从而加速双方向消极互动策略演化的速度。

（4）医生积极性被打击的失落情绪P，令P取值为2、5、8。博弈主体演化结果随参数P调整所呈现的趋势见图6，当P值较低（P=2）时，双方最终倾向于采取{积极应对，正面评价}稳定策略；当P值增大（P=8）时，医生群体采取消极应对策略的演化速度快于患者群体采取负面评价策略的演化速度。且随着P的增大，双方倾向于{消极应对，负面评价}策略的演化速度越来越快，因此，医生努力不被认可的情绪损失P负向影响博弈双方向最优策略动态演化的过程。说明当医生积极应对却得到患者的负面反馈时，医生的积极性受挫，并随着失望情绪的增大而加速医生群体向消极应对策略演化的速度。

（5）医生努力被认可获得的精神激励E，令E取值为4、7、10。博弈主体演化结果随参数E调整所呈现的趋势见图7，随着E的增大，双方倾向于采取{积极应对，正面评价}策略的速度越来越快，且当E值较低（E=4）时，医生群体达到稳定状态的速度要比患者群体达到稳定状态的速度慢；但随着E值的增大（E=7，E=10），医生群体总是比患者群体更快达到演化稳定状态。说明当医生采取积极应对策略付出的努力被患者认可时，医生的积极性明显提高，推动了双方群体向积极互动策略演化的过程。因此，医生努力被认可获得的精神激励E对博弈双方向最优策略的动态演化起到了正向影响的作用。

6  对策建议

本文从非对称信息下的演化博弈视角出发，将在线医疗社区中的医生和患者群体作为有限理性的博弈主体，构建了基于在线声誉反馈机制的医患互动博弈模型。通过分析演化博弈模型，识别出了影响系统演化稳定策略的五个关键因素，其中患者负面评价行为可以排解不满情绪的程度、医生积极应对需要付出的成本和医生积极性被打击的失落情绪对医患在线互动起负向影响作用；患者正确的信息反馈和医生努力被认可的精神激励对医患在线互动起正向影响作用。此外，通过仿真分析进一步探讨了各关键因素对于演化结果的影响机制，仿真结果表明不同参数变化对于医患双方达到演化稳定策略的影响路径也存在差异。基于以上分析结果，本文对网络医疗服务平台建设提出以下几点建议和对策：

（1）构建在线评价监管机制，加强不实评价信息的甄别与核查。在线声誉机制的有效运行是建立在多次正确信息反馈累积的基础上，因此需要建立一定的监管机制，对于平台的不实评价信息进行有效甄查。对于恶意评论信息，如诋毁、报复性文字以及夸大、过高评价等内容进行智能识别，通过标记该评论为恶意评价或虚假评价等方式，降低不实评价对于在线声誉系统有效性的影响。此外，还可以通过用户生成内容的情感倾向、态度倾向、观点倾向等多个维度识别相似评价作为推荐评价内容，评价信息排序可通过智能排序，对可靠信息进行优先展示。然而，信息评估需要建立在大量用户生成信息的基础上，因此，需要建立信息激励措施保证信息的充分性，最大限度降低失真信息或伪信息在社区中的传播。

（2）建立患者真實评价激励机制，降低医患信息差。患者评价与医生服务质量相符合的评价行为十分关键，不仅可以鼓励真正付出努力的医生，还能够督促不够积极对待的医生反思自己的问题，提高医疗质量。由个人经验得到的信息具有传递性，一方面平台要最大化发掘和利用患者诊疗经验等信息的价值，以减少医患双方的信息不对称；另一方面，应对患者评论内容的可信度进行评估，以达到有效监督医生过去行为以及预测未来可能行为、降低其他患者的择医成本和潜在风险的目的。因此，平台应该制定相关的激励措施，鼓励患者在对医生服务满意的情况下进行积极评价、对医生的诊疗方案或诊断结果不满意的情况进行如实反馈，可以通过奖励积分、抵扣医疗费用等方式，鼓励患者提供客观真实的评价内容。

（3）建立医生申诉渠道，维护医患信任机制。由仿真结果可知，当患者通过负面评价行为可以对医生产生较大负面影响时，极有可能出现患者达不到预期就故意差评的报复行为。而患者的心理预期较为主观，可能与实际情况并不相符，且信任破坏要比信任关系的建立更容易，一次较为严重的恶意评价就有可能对医生长期建立的声誉造成巨大损失。因此，在线医疗平台有必要设置医生的申诉渠道，对于内容审查不符合事实的恶意评论予以剔除，维护医生的正当利益。此外，平台对于医生的考核不能过于依赖用户评价，患者群体对医生的信任关系是动态建立的，双方在多次交互过程中形成更加稳固的信任关系，对医生的考核和评估要从多方面考虑，并在一段时间动态更新对医生的评估描述。

（4）结合移动云计算等技术降低医生在线诊疗成本，强化医生积极应对的激励效果。平台要为医生准确判断患者病情提供技术支持，通过医疗信息共享，建立健康档案，使医生能够在最短的时间内通过患者的既往病史、过敏史等了解患者背景信息。涉及利益的关系往往是很脆弱的，因此，在保证医疗服务质量的基础上，平台要为医生与患者协商治疗方案提供便利，做到双方共同承担责任。医生需要帮助患者认识自身健康状况，充分了解诊疗过程和预期的诊后效果，避免医生出于对自身利益的维护不明确回复患者的问题，或使用模棱两可、含糊不清的回答逃避可能的医疗责任。另外，对于好评率高的医生，平台可以给予额外的奖励，加强医生努力被认可的激励效果，用优质服务带动医疗平台的持续发展。

致谢

感谢华东师范大学侯经川教授和南京大学赵月华博士提出修改意见。

参考文献：

中国互联网网络信息中心. 第50次《中国互联网络发展状况统计报告》[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. 信息精细加工可能性模型对公众在线择医意愿影响研究[J]. 教育传媒研究， 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.

张星， 陈星， 夏火松， 等.在线健康社区中用户忠诚度的影响因素研究： 从信息系统成功与社会支持的角度[J].情报科学， 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， 孙永强. 服务和互惠规范对于在线医疗社区用户自我表露意愿的影响研究[J]. 情报科学， 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.

郝亚楠， 郭文秀， 贺培凤， 等.患者信息搜寻行为的调查分析[J].晋图学刊， 2011（6）：63-67.

吴红. 基于服务提供与定价视角的在线医患多阶段交互机制研究[D].武汉：华中科技大学， 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， 高维龙. 契约视角下政府委托第三方提供养老服务的激励约束机制分析[J].内蒙古社会科学（汉文版）， 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．

陆泉， 李易时， 陈静， 等. 在线医疗社区患者择医行为影响因素研究[J]. 图书情报工作， 2019， 63（8）：87-95.

姜劲， 白闪闪， 王云婷， 等. 线上和线下医疗服务质量对患者线下就医决策的影响[J].管理科学， 2020， 33（1）：46-53.

张梦林， 李玉玲， 申宁宁， 等. 齐齐哈尔市某三甲医院医生职业认同与工作压力、应对方式的关系研究[J]. 医学与社会， 2019， 32（6）：107-110.

董霏， 罗园园.医生心理健康状况与应对方式的初步研究[J].职业与健康， 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.

作者貢献说明：

李美玉：撰写、修改和完善论文；

許  鑫：论文框架的指导与确定。

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