Page 10 - 35-2

The Bias Assimilation Effect and Attitude Polarization in AIoT Smart Healthcare Word-of-Mouth
Communication

壹、緒論

關於機器像人類一樣思考、處理抽象問題，並自我成長，McCarthy 在 1956 年
將這樣的科技定義為人工智慧 (Artificial Intelligence; AI) (Childs, 2011)。AIoT 智慧
醫療結合了 AI 和物聯網 (IoT) 技術。透過嵌入式設備、感測器網路和通訊協定，這

些技術可以連接並無線傳輸醫療資料。人工智慧則負責整合和分析這些數據，並與
其他設備和人類進行溝通。相關應用包括電子健康、遠距照護、診斷、預防、復健
和監測 (Pise, Almuzaini, Ahanger, Farouk, Pant, Pareek, and Nuagah, 2022)。
醫療相關產業之人工智慧的應用在 2026 年可達到 452 億美元 (Markets and
Markets, 2020)。2050 年，全球將邁入高齡社會，尤其需要性價比高又快速的智慧
醫療維持或治療人類的健康，預估整體市場規模將在 2030 年達到 3,852 億美元。其
中，「智慧監護設備與器材」預計成長性高（季平，2023）。然而，迄今學界對於

消費者對 AIoT 智慧醫療的決策不甚了解。消費者既可能是是使用醫療服務的病患
或潛在使用者，他們對於 AIoT 智慧醫療科技的態度將影響此科技的接受度，也決
定了此項革新的成功與否。本研究因此專注於智慧醫療物聯網（以下稱 AIoT 智慧
醫療）。
醫療機器人、醫療診斷與影像辨識、藥物研究及健康管理四大類 AI 醫療成為
主流 (Markets and Markets, 2020)。前人研究多針對技術或應用程式的創舉或專業性
的改善。研究主題包括深度學習在模式辨識 (Pattern Recognition) 上的進步。例如，
IBM Watson 能夠提供影像辨識與醫療診斷 (Hutson, 2017)、聊天機器人提供醫療建
議 (Frangoudes, Hadjiaros, Schiza, Matsangidou, Tsivitanidou, and Neokleous, 2021)、
SkinVision 檢測皮膚癌 (Haenssle, Fink, Schneiderbauer, Toberer, Buhl, Blum, Kalloo,

Ben Hadj Hassen, Thomas, Enk, and Uhlmann, 2018)、識別眼睛病變的演算法有專業
醫生般的判定水準 (Abràmoff, Lavin, Birch, Shah, and Folk, 2018)。亦有學者調查 AI
技術如何提升神經腫瘤放射領域的診斷與治療精確度預測病症的復發率與生存率
(Rudie, Rauschecker, Bryan, Davatzikos, and Mohan, 2019)。AIoT 智慧醫療的主要目
標客群可能為需求預防性醫療者、慢性病患者、老年人或需要遠距醫療的群體。這
些目標客群需要隨時監測特定疾病，聽取醫療專業人員的建議，密切關注身體狀況

(Huang and Lee, 2023; Longoni, Bonezzi, and Morewedge, 2019)。AIoT 技術為醫療產
業帶來革新，主要可分為四大類別之應用 (Markets and Markets, 2020)。第一，預防
性醫療：主要目的為健康追蹤、疾病預警。AIoT 透過可穿戴設備和連網感測器進
行即時健康監測，收集心率、血壓、血糖等生理數據，並利用 AI 進行分析，提前
預警潛在疾病風險 (Greco, Percannella, Ritrovato, Tortorella, and Vento, 2020)。第二，
診斷支持：透過 AI 影像分析技術提升醫療影像分析、數據診斷的準確性，並利用

2