量化自我的隐私披露行为：内涵特征、理论框架与研究展望*

张 茜 谢卫红, 2

(1. 广东工业大学管理学院 广州 510520；2.广东工业大学经济与贸易学院 广州 510520)

0 引 言

在物联网、信息技术、可穿戴设备等的发展推动下，以数据驱动的量化自我时代正在来临[1]。量化自我已成为改变用户生活方式和个人优化的主要趋势[2]，被广泛运用到医疗、教育、消费等多个领域。量化自我采用的是即时披露个人信息的方式[3]，在实现物体与物体、物体与人、人与人之间交流的前提下，自动收集数据并基于用户数据进行决策[4]。一方面，量化自我的相关企业通过分析用户数据预测消费行为，提供丰富的个性化服务，进而提升市场竞争优势[5]；另一方面，对用户而言，这些个人信息通过可视化的方式反馈，让用户了解自身的健康状况和行为习惯，实现自我跟踪、自我认知、自我优化[6]。可见，收集和使用个人数据对量化自我的企业和用户均有重要影响。然而，与传统互联网相比，量化自我广泛地与用户互动、与其他设备互联以及与互联网进行无处不在的连接，使得个人信息收集的广度、深度、频率和颗粒度持续增加[7]，这将极大改变量化自我隐私披露行为的决策和结果。

隐私披露行为一直是隐私领域研究的重点，因为它是用户根据不同情境做出的主观反应，受多种因素的复杂影响[8]。已有多位学者针对不同领域的隐私披露行为进行理论探讨和机制研究，如在线网络领域[9]、社交媒体领域[10]、移动商务领域[11]等。随着隐私披露行为研究的逐渐深化，发现隐私认知和行为高度依赖于情境[12]，相关研究已从传统互联网隐私的研究扩展到万物互联的研究情境中，研究重点也从一般或不特定的情境转向特定的情境中[13]。然而，由于量化自我的发展处于早期阶段，该领域隐私披露行为的研究相对缺乏。因此，研究量化自我隐私披露行为对拓展新情境下的隐私研究有着重要意义。

1 研究方法与数据来源

本文采用文献综述法，遵循Linnenluecke等[14]确定的方法和步骤，进行系统的文献梳理和总结：第一步是通过设定搜索关键词等标准，从数据库中进行搜索，确定纳入的文献；第二步是根据筛选标准进行数据清理，删除不相关或者重复的内容；第三步是分析和综合，包括对相关文献进行综合和分类的主题编码；最后，将涉及到系统文献综述结果进行展示。

本文以Web of Science数据库(核心合集)为文献检索数据库。具体检索方法以主题："Quantified self" AND privacy disclosure OR 主题："Self-tracking" AND privacy disclosure OR 主题："Wearable device" AND privacy disclosure OR 主题："Internet of things" AND privacy disclosure OR 主题：Self-quantification AND privacy disclosure为关键词进行检索，文献类型为论文(Article)。检索论文的时间跨度设为2013年 1 月 1 日(数据库收录的最早时间)至 2021年12月31日。根据本文的研究问题，分别阅读每篇文章的题目、摘要和全文，删除与主题不符的文献，增加和补充被遗漏的文献，挑选出39篇文献作为分析对象。

本研究通过总结2013—2021年量化自我隐私披露行为的发文量和引文量情况，并结合Yun等[13]的研究，发现针对用户隐私的研究已经从发展阶段进入扩展阶段，研究情境从互联网、社交媒体和共享经济背景向自动化、智能化的背景转移。可见，随着人工智能、物联网、以可穿戴设备为主的量化自我等新兴技术的发展，这将不断拓展隐私问题的内涵和外延，激发新的研究视角和方法，成为研究新趋势。

2 量化自我隐私披露行为的内涵及特征

2.1 量化自我的定义

量化自我的概念在2007年被首次提出，并被预测为未来20年科技发展趋势之一，现已在医疗、健身、消费等多个领域被广泛运用。

量化自我，也被称为自我追踪，是指为了提升自我感知、意识或绩效等目标[15]，用户利用可穿戴技术和自我追踪应用[3]，收集、管理和反思个人生理、行为或环境等数据的过程。简单而言，量化自我是通过数据认识自我的过程[16]，这一过程是以数据为驱动、以目标为导向、以追踪工具为中介来展开工作的[17]。

鉴于量化自我的特征，需要通过使用传感器和软件进行数据交换、通信和实时获取信息，帮助用户实现自我连接，多位学者将量化自我的技术、设备和应用视为物联网的组成部分[18-19]。

2.2 量化自我隐私披露行为的定义

用户有多种隐私行为选择，如隐私披露、隐私回避、隐私隐藏等。本文重点研究的是量化自我用户的隐私披露行为，目的并不是期望用户减少信息披露，而是因为在量化自我的过程中，披露、互动和反馈对企业和用户来说都是必要的。因此，研究用户的隐私披露行为是为了促进隐私披露行为的健康发展[20]。

针对现有研究的梳理，发现学者从3个视角对量化自我隐私披露行为进行概念化。从行为视角认为其是一种用户有意或者无意与另一方的信息分享行为[3,21]，如向某类量化自我技术提供者、相关企业或设备提供个人信息的行为[22-23]；从过程视角认为其是一种量化自我用户披露个人信息的过程[24]，或动态调整个人信息边界进行信息披露[25]的过程；从结果视角认为其是一种基于量化自我用户成本与收益权衡后的结果(在与物联网设备互动中，用户根据成本与收益进行权衡，决定是否向另一方提供个人信息)。

在量化自我中，用户不仅与他人、团体或企业进行交互，还可以实现在人机互动中进行隐私披露。虽然披露个人信息的方式可以是被动的、主动的或交互式的，但在量化自我中，用户可以通过数据的收集和反馈获得披露的直接好处，比如了解健康状况、观测运动数值、实现自我认知等[6]，从而变成了隐私披露的共同受益者和参与者，是一种主动的、交互式的披露。因此，本文认为量化自我的隐私披露行为是一种自愿的披露行为，是指用户有意或自愿向量化自我相关设备或者应用程序披露个人信息的决策。由于许多研究将意图视为解释行为最直接和最重要的预测因素，因此本文研究的量化自我隐私披露行为包含量化自我用户的披露意图和实际披露行为。

2.3 量化自我隐私披露行为的特征

与传统互联网相比，量化自我的隐私披露行为具有明显的不同之处：a.隐私披露的方式不同。量化自我采用的是即时披露个人信息的方式[3]，通过设备传感器和追踪应用可以实现在自动或用户最小干预的条件下，即时地、交互地、持续不断地收集和传送用户信息。b.披露的数据数量不同。每一天，全球有无数用户进行量化自我，所有连接的设备将导致全球用户产生、传输、存储和共享的数据呈指数级增长[18]。有研究发现，在量化自我出现之前，从未有过如此大量的与用户相关的信息被收集、传输和存储[27]。c.披露的数据类型不同。量化自我披露的是用户真实的敏感型数据，如健康数据或位置数据，因而与传统互联网相比，量化自我会给用户带来更多的隐私顾虑和更大的隐私风险[28]。d.用户在隐私披露中扮演的角色不同。在量化自我中，用户不再是被动的隐私披露者，而是成为隐私披露的主动参与方和直接受益者，即量化自我相关技术通过对用户披露数据进行整合、处理成定制化和可视化的反馈[29]，使用户可以更加直观和详细地了解自己的身体、健康行为以及与周围世界进行互动，进行自我反思和优化，享受隐私披露带来的益处。

3 量化自我隐私披露行为的理论基础

通过梳理现有研究文献发现：不同的学者主要从4种理论视角解读量化自我的隐私披露行为，分别是隐私计算理论、传播隐私管理理论、详尽可能性模型和可供性理论。其中，隐私计算理论有助于理解量化自我隐私披露行为的决策依据；传播隐私管理理论有助于剖析量化自我隐私披露行为的决策边界；详尽可能性模型有助于厘清量化自我隐私披露行为的决策路径；可供性理论有助于解释量化自我隐私披露行为的决策结果，如图1所示。

图1 量化自我隐私披露行为的理论基础

3.1 隐私计算理论

隐私计算理论是分析用户隐私披露的常用理论，其认为用户选择披露隐私是一种基于计算的行为结果，是在特定情境下的预期收益和感知风险之间的比较[30]，当隐私披露的收益大于隐私披露的风险时，用户会倾向于隐私披露。最先是由Laufer和Wolfe提出，用于解释用户行为和隐私感知[31]，后来被Culnan和Armstrong应用于信息系统(IS)领域[32]，成为分析隐私披露行为的理论框架。

用户通过量化自我的设备或应用，使得日常生活数字化，这往往需要大量的个人信息来产生其预期的效益[22]。然而，当量化自我设备或应用存储或分享用户信息时，无论用户知道与否，都有可能带来隐私顾虑。因此，有学者将隐私计算理论引入量化自我领域的研究中。

Kim等[33]研究指出：相较于隐私风险而言，隐私披露的收益对隐私披露更具有积极影响，因为大多数物联网服务是基于个人信息提供有价值的个性化服务。因此，与非物联网服务相比，用户提供隐私信息以换取个性化服务变得至关重要，也更加有用。而Belanger 等[22]的研究结论正好相反，其认为在使用量化自我技术中，感知利益与隐私披露呈正相关，而信息隐私顾虑与隐私披露呈负相关。相较于用户获得的好处，信息隐私顾虑是决定隐私披露更重要的因素。通过隐私计算理论可知，感知收益与隐私风险的权衡是量化自我隐私披露决策的重要依据。

3.2 传播隐私管理理论

传播隐私管理理论是利用隐私边界来解释个体如何在互动关系中做出隐私披露的决定，起初是为了研究个人在面对面的人际交流中如何以及为何披露私人信息，但后来被广泛运用于各种技术的交流背景中[25]。如量化自我的设备和技术通过与用户产生直接和间接的互动，引起独特的用户体验，实现特定的目标[34]。可见，研究量化自我的隐私披露行为，即是研究用户在与量化自我互动中是如何进行隐私披露决策，因此可将该理论作为解释量化自我隐私披露行为是如何形成的有用框架。

传播隐私管理理论认为每个人都有一个动态边界来维护自身隐私，并且通过不同的规则来管理隐私边界[35]。有学者将传播隐私管理理论视为基于规则的理论，规则的建立和研究是为了帮助人们了解何时、何地以及与谁共享私人信息是可以被接受和允许的[36]，主要包括3个要素：边界规则形成、边界协调和边界动荡[37]。这些要素的作用是解释人们是如何调整、协调和管理自己的边界以维护自己的隐私和是否决定隐私披露[38]。

根据传播隐私管理理论，量化自我的隐私披露是一个辩证的、动态的边界调节过程，隐私边界是开放的还是封闭的，是“厚的”还是“薄的”，取决于个人隐私边界规则是如何形成的。根据Petronio[39]研究发现，边界规则的形成取决于5个因素的影响，分别是成本效益比、环境、动机、性别和文化。当用户在使用量化自我过程中进行隐私披露时，数据主体(量化自我的用户)和数据接收者(如量化自我的相关企业)会成为信息共同拥有者，共同负责保护数据主体的信息。但由于边界协调过程复杂，当边界协调失败或隐私规则被破坏时，信息的共同拥有者之间会出现动荡，这会降低数据主体与破坏隐私规则者之间的信任[38]，同时用户还会通过更新、修正或重新调整隐私规则来解决边界动荡问题[40]。

Kang等[25]研究证实：传播隐私管理理论同样适用于物联网设备中，并发现隐私披露行为是多维的、动态的、受边界调节的过程，而隐私边界的管理是通过各种个人和环境因素制定的隐私规则来进行的。此外，用户在使用物联网设备时，会根据信息敏感性划分多层隐私边界，包含最内层的高度敏感信息(如银行账户、密码等)和最外层的不太敏感的信息(如日程安排等)。

3.3 详尽可能性模型

详尽可能性模型是基于认知心理学中人类认知的双重过程理论模型[41]。该模型解释说明了人们在形成信念和做出决定时，会耗费不同程度的认知努力[42]。Dinev等[43]研究指出用户的隐私认知和决策会受到高努力认知水平和低努力认知水平的加工，高努力认知涉及进行深思熟虑的、较多认知努力的、理性的思考和分析；而低努力认知涉及相对较少的认知努力或意识知觉，即是基于过去经验、习惯、惯例等简单且相对自动的认知启发式思维，或是自发的反应，而不涉及逻辑和详细推理的费力分析。

根据详尽可能性模型，用户在量化自我的隐私披露行为遵循两条不同的路线：中心路线和外围路线。沿着中心路线，用户的隐私决策是基于深入的、逻辑的、理性的分析，对信息进行高度精细的处理；而在外围路线，用户的决策更依赖于启发式思维，对信息处理往往取决于线索，涉及较少的认知努力[44]，受到诸如心情、整体感觉、情景因素或其他行为的影响[45]。

Zhu等[45]在研究移动医疗设备时发现，用户会将信息管理(隐私政策有效性、隐私设置可供性)视为中心路线，交互管理(数据透明、系统互动、系统个性化)视为外围路线，并通过隐私计算权衡、隐私疲劳对隐私披露产生影响。该研究验证了详尽可能性模型在量化自我背景下研究隐私披露双重路线的有效性，为理解量化自我隐私披露的决策路径提供有用的理论框架[46]。

3.4 可供性理论

可供性被认为是与实现具体结果有关的行为潜力，是由人工制品和目标导向的行为者之间的互动关系所产生的[47]。Naik等[48]指出可供性理论作为行动机会的驱动力，并不关注技术本身的特点用以解释技术的结果，而是关注用户的目标和技术特点之间的互动。Benbunan-Fich[49]研究发现，用户实现自我量化效果的一个必要条件是为了达到某种目标，与可穿戴信息系统的所有组件进行互动。由于，可供性是发生在用户、技术和结果之间的关系行动[50]，只有当用户使用并提供个人偏好时，才能为用户提供使用价值[51]。研究还发现可供性是影响用户行为的最重要的刺激因素，会在特定的环境中促进或限制用户的行为结果[50]。

Zhao等[52]从信息系统(IS)的角度发展了可供性的概念，认为可供性是研究个人如何寻求和使用信息以及系统和服务如何影响其信息行为的分析工具。Naik等[48]也证实可供性理论将研究重点从对技术特征的探索和对其使用结果的描述，扩展到用户与技术特征互动结果的研究中。作为量化自我的用户，为了达到使用目标，必须以披露个人信息为前提，与量化自我系统进行互动，从而产生不同的可供性，实现不同的行动结果。研究发现，可供性的存在和程度决定了用户隐私披露的程度[53]和结果。

4 量化自我隐私披露行为的影响因素及作用结果

4.1 量化自我隐私披露行为的影响因素

4.1.1用户因素

在关于量化自我的现有研究中，影响隐私披露的用户因素主要包括隐私感知(隐私顾虑、信任)、隐私计算(隐私收益、隐私风险)、人格特征、用户使用程度等。

第一，隐私感知是指用户对隐私的看法和态度。由于量化自我用户披露的信息不仅是敏感信息，而且是海量数据[7]，通过分析比对这些数据可以精确推断用户的行为、偏好和习惯，这会让用户产生隐私顾虑。隐私顾虑是隐私披露行为相关研究中最常出现的变量之一，它描述了用户对信息披露导致的潜在隐私损失的担忧[11]。相关研究发现：隐私顾虑会加剧用户对量化自我相关设备的威胁评估[54]，减少披露个人信息的意图[55]。与隐私顾虑相反的隐私感知是信任，其反映了用户对一项技术的可靠性、完整性、安全性、依赖性和能力的信心和期望[56]。信任对隐私披露行为的影响已被充分研究，被证实为用户愿意披露个人信息的基本条件。因为在量化自我的背景下，用户是以即时披露信息换取身体或健康数据，从而获得个性化服务，因此，信任是使用量化自我设备和技术的必要条件，即用户的信任将会提高披露个人信息的决策意愿。

第二，隐私计算是采用经济学的观点来理解用户对个人信息披露的决定[33]。大量研究将隐私计算视为一种理性的决策计算，感知风险和感知利益之间的权衡成为用户隐私披露的前提条件。感知隐私风险是指用户对披露隐私所造成的经济、安全和其他损失的预期[37]，其可以显著降低个人信息披露的意愿，以及实际的信息披露行为[44]。感知利益与换取个人信息的经济回报、个性化和社会调整利益相关[57]，有研究甚至发现，在移动医疗应用中，与隐私顾虑相比，感知利益对披露意图有更大的影响，即用户感知利益越强，越有可能在移动医疗应用中披露个人信息[45]。

第三，人格特征可通过直接影响披露个人信息的风险/成本认知而对隐私披露行为发挥作用，如Dang等[58]研究发现：具有不同性格特征的人可能对披露量化自我信息的成本和收益有不同的看法，进而影响隐私披露行为。

第四，用户使用量化自我的程度也成为影响隐私披露行为的因素之一。根据使用体验、使用时间和使用频率来区分重度用户和轻度用户[59]。相较于轻度用户，重度用户会对披露和分享的信息进行深度加工，与其他用户建立更强的联系，会有更强的参与感和社会存在感[60]，这将极大地促进隐私披露行为。

4.1.2信息因素

通过梳理现有文献发现，诸如信息敏感性、信息控制感知等因素会影响量化自我隐私披露行为。首先，信息敏感度是指在特定情况下，用户披露特定类型的信息时可能产生的隐私担忧程度，披露风险较大或不宜透露的信息被认为是比较敏感的[61]。Pal等[21]研究与量化自我相关的物联网服务时发现：信息敏感度的水平影响着用户披露其个人信息的意愿，用户对他们认为不太敏感的信息比较放松，并且不介意与其他第三方分享这些信息，只要能从隐私披露过程中获取某些好处。而Kim等[33]在研究中却发现信息敏感性会因为物联网服务类型的不同而对隐私披露产生不同影响，如在智能家居服务中，信息敏感性对披露隐私信息的意愿有显著影响，而在医疗保健、智能交通等服务中，信息敏感性对披露隐私信息的意愿没有显著的统计影响。其次，信息控制感知是一种感知结构，反映用户对管理个人信息的分享和传播能力的信念[37]，由于量化自我的设备和应用具有各种功能，如位置监测、运动跟踪、身体测量等，会比其他个人设备收集更多的敏感信息[26]，因此用户会更关注数据收集类型是否可控，相关设备和企业会出于什么目的、与哪些第三方分享数据。Princi等[62]研究发现，对于使用物联网设备的用户而言，信息控制感知会降低在披露过程中的风险评估，并对隐私披露有正向的影响。

4.1.3情境因素

情境因素是由影响量化自我隐私披露决策的外部环境组成。首先，国情或文化会影响量化自我的隐私披露行为。不同的国家有不同的国情和不同的文化，进而会产生不同的隐私披露行为，如Ilhan等[63]分析德国和美国的活动跟踪技术用户的数据隐私相关行为时发现：德国与美国在数据管理行为会因为不同的技术(SNS与活动追踪技术)、不同的使用阶段(使用应用程序期间的数据管理与停止使用后的数据管理)而存在差异。Menard等[7]在研究影响物联网服务的个人信息披露因素时，以泰国和新加披为例，发现文化有着显著的影响作用，对披露个人信息的意愿有直接或间接的影响。

其次，隐私保证提供安全和有保障的外部环境，成为解决隐私顾虑和隐私披露问题的关键因素。当用户认为在保护个人信息的收集和使用方面有高水平的隐私保障时，会减轻对隐私的担忧并披露个人信息[37]。因为在现实情境中，量化自我的用户就算担心潜在的风险，也不可能避免所有的威胁，因此，为了减少隐私和安全问题，政府、企业的参与是必要的[63]。Gong等[11]通过实证方法验证了政府的隐私保障方法可以促进用户的隐私披露行为，包括政府进行立法，对相关企业进行监管，以保护用户的个人信息免受数据泄露和滥用。政府的这种做法可以形成健康有序的社会环境，降低用户的隐私顾虑，促进用户进行隐私披露行为。对于量化自我的企业而言，应通过隐私政策告知用户数据将以何种方式被使用，以及将采取何种手段来保护个人信息不被滥用、丢失或篡改[63]。可见，相关企业的隐私政策有助于减少隐私风险，增加用户的信任，促进用户的隐私披露行为。

4.1.4设备或系统因素

除去上述影响因素，少量研究还讨论了设备或系统因素是如何影响用户隐私披露行为，主要包括设备特征(感知有用性、感知享受性)和系统特征(系统互动和系统个性化)。首先，有学者研究发现设备特征与量化自我隐私披露的关系，指出可穿戴设备的有用性和享受性将正向影响用户的感知价值，促进用户隐私披露，并将感知有用性定义为用户相信使用可穿戴设备会提高运动表现的程度；将感知享受性看作是用户对使用可穿戴设备享受程度的看法[26]。另外，有研究发现系统特征同样对量化自我隐私披露有影响，研究结果指出，越来越多的设备和应用之间连接后，会增加用户的互动功能，促进用户个人信息的交流与传递，而这些设备和应用又能根据大量的用户数据和行为信息，提供个性化服务，因此，系统互动和系统个性化会增加用户的感知收益，促进用户隐私披露行为[45]。

4.2 量化自我隐私披露行为的作用结果

根据可供性理论，用户为了达到使用量化自我的预期目标，需要披露个人信息，与量化自我的系统进行互动。可以发现，量化自我的隐私披露行为会受到目标导向的用户与量化自我技术互动的影响，产生两种截然不同的结果。

第一种是积极的结果，用户通过隐私披露行为达到使用量化自我的预期目的，可以测量心率、睡眠质量、情绪、锻炼、血压、消耗的食物、周围空气的质量，包含从心理、情绪、身体到日常生活和环境方面的任何数据[17]，通过允许用户即时追踪量化自我的相关数据，唤起用户的自我认知意识，进而促进行动的改变[64]。这是使用量化自我为用户所带来的积极效用，势必将鼓励用户进行更多的和持续的披露行为，促进量化自我的发展。

第二种是负面的结果，为了量化自我的使用选择披露个人信息，却造成一定的隐私侵犯和数据泄漏，尤其是当量化自我收集和使用的个人信息，其中包括生命体征和活动数据等，这对用户来说是非常私人和敏感的[26]。根据通信隐私管理理论，这将发生隐私边界动荡，导致用户隐私顾虑的产生，进而采用防护措施，如披露最少数据或伪造数据、停止使用、删除或保留数据等行为[65]，甚至采取公开反对的行动，如直接向第三方投诉、负面口碑、控告制造商等[66]，这将严重阻碍量化自我的发展。

另外，隐私悖论也被证实存在于量化自我中。隐私悖论是指用户的隐私认知与信息披露行为之间的差异，大多数用户表示有较高的隐私顾虑，但很少有用户采取行动来保护自己的隐私，会选择继续披露个人信息。如Zhang等[67]指出，在线健康社区用户知道潜在的隐私风险，并高度关注隐私顾虑；尽管如此，他们仍然愿意在虚拟社区中披露个人信息。Aleisa等[66]在论述隐私悖论这一现象已经在多个领域进行研究后，通过对物联网设备(如可穿戴设备、医疗设备、智能家居等)进行调查后发现，隐私悖论也存在与物联网设备中，即大多数用户宁愿保留物联网设备所提供的功能，而选择容忍可能的隐私侵犯。这一现象值得深入研究，一方面，量化自我是基于个人信息提供有价值的个性化服务，因此，与非物联网服务(如电子商务)相比，提供隐私信息以获得个性化服务至关重要，对用户也更有用[33]，但另一方面，量化自我获取丰富的用户数据是以即时披露个人信息为代价的[3]，并且是自动收集、分析、存储和传输潜在的敏感数据，这会给用户的隐私造成安全风险[28]，如何权衡好隐私认知和隐私披露行为之间的关系，对量化自我隐私披露行为的健康发展至关重要。

5 研究结论和未来研究展望

5.1 研究结论

通过对量化自我隐私披露行为的相关文献进行内容分析和整理归纳，从量化自我隐私披露行为的概念内涵、理论基础、影响因素和作用结果构建了相应的理论框架(如图2所示)。

图2 量化自我隐私披露行为的理论框架

研究发现：a.与传统互联网相比，量化自我隐私披露行为在披露方式、披露的数据数量、披露的数据类型和用户扮演的角色均不相同。b.量化自我隐私披露行为是多维的、动态的、受边界调节和管理的过程，会受到不同因素的影响，包括用户因素、信息因素、情境因素和设备或系统因素。c.量化自我隐私披露行为是用户的主观反应，因为不同认知努力的影响而形成不同的决策路径，包含深思熟虑的、理性的、高努力认知的中心路径和启发式的、低努力认知的外围路径。d.量化自我的用户在进行隐私信息决策和披露时，会根据使用量化自我的目标、与量化自我系统互动而产生不同的隐私披露结果：当结果是积极时，会鼓励用户进行更多更深层次的隐私披露，同时也促进量化自我的发展；当结果是消极时，会促使用户产生隐私顾虑，产生一系列负面效应，最终阻碍量化自我的发展；e.隐私悖论同样存在于量化自我中，即用户的隐私认知、态度和隐私行为不一致。

5.2 未来研究展望

关于隐私披露行为的研究已经从传统互联网的研究拓展到万物互联的研究中，隐私问题的内涵和外延已经发生变化。虽然隐私披露行为在多个领域已经获得一定有价值的研究成果和结论，但由于量化自我的发展仍处于早期阶段，关于该领域隐私披露行为的研究较为匮乏，仍有很多研究问题亟待解决：

第一，揭示量化自我隐私披露行为的内在影响机制。经研究表明，用户在进行量化自我的隐私披露行为时会根据不同的认知努力采用不同的决策方式。但是通过文献梳理发现，现有研究大多假设用户的隐私披露行为是一个理性的、不断进行权衡和计算的过程，缺乏针对低认知努力水平下隐私披露行为的探讨。对于以数据驱动的量化自我来说，了解用户会在何种条件下做出哪种认知努力水平的隐私披露行为，是获取持续发展的关键因素。

第二，深入探究量化自我隐私披露行为的动态决策过程。研究发现，量化自我隐私披露行为是多维的、动态的，与用户的隐私边界管理有关的决策行为。随着量化自我的不断发展，了解量化自我隐私披露行为的动态决策过程，探究用户是如何基于量化自我的使用产生隐私边界，以及如何根据隐私规则进行管理、协调和动荡后会采取哪些措施，这对于确保量化自我的日益普及和尽量避免隐私风险和隐私顾虑的增加是至关重要的。

第三，亟需从利益相关者视角分析量化自我隐私披露行为的影响因素。传统的研究多数从单一主体进行探讨，如从用户角度研究隐私披露行为，从企业角度研究隐私保护与企业绩效提升，从政府角度研究数据开放等。但随着物联网的发展和推动，万物互联的时代已经来临，量化自我中数据集的合并、传输、共享或出售，用户和数据处理者之间的关系也变得越来越复杂[68]。这就要求政府、量化自我相关企业为用户提供合法、安全的隐私环境，以支持用户的可持续和安全数据行为。因此有待进一步研究政府、量化自我相关企业、用户之间的互动关系是如何影响用户的隐私披露行为。

第四，解释隐私悖论在量化自我中产生的背景和原因。由于量化自我是即时收集用户大量的、真实的、敏感的信息，这会引发用户的隐私顾虑和导致隐私风险的增加，但在这样的背景下却产生隐私悖论现象，对量化自我的发展是好事还是坏事，值得进一步探讨。