Page 26 - 35-2

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

均數顯著高於負面口碑的平均數（M 正面 ,n=419 = 5.90, SD =.98 vs. M 負面 ,n=591 = 2.46, SD
= 1.56）。由此得知，AIoT 智慧醫療科技口碑效價符合本研究實驗的操弄。兩個
版本的品牌口碑操弄性檢驗結果顯示，兩則正面口碑之間沒有顯著差異（M 正面 1,n=209
= 5.81, SD = 1.07 vs. M 正面 2,n=220 = 5.69, SD = 1.42, t = .98, p > .05）；兩則負面口碑
之間亦沒有顯著差異（M 負面 1,n=302 = 2.54, SD = 1.40 vs. M 負面 2,n=311 = 2.46, SD = 1.42,

t = .69, p > .05），符合本研究實驗的操弄。兩個版本的 AIoT 智慧醫療科技口碑操
弄性檢驗結果顯示，兩則正面口碑之間沒有顯著差異（M 正面 1,n=217 = 5.99, SD = .97

vs. M 正面 2,n=202 = 5.80, SD = .99, t = 1.90, p > .05）；兩則負面口碑之間亦沒有顯著差
異（M 負面 1,n=294 = 2.46, SD = 1.59 vs. M 負面 2,n=297 = 2.46, SD = 1.54, t = .01, p > .05），
符合本研究實驗的操弄。

三、信效度分析
表 2 顯示，每個變數的 Cronbach α 值均超過 .8，這表明內部一致性較高

(DeVellis, 1991)。此外，組合信度 (CR)均超過 .7，平均變異抽取量 (AVE) 均超過0.5，
這表明該研究具有良好的收斂效度 (Convergent Validity)。例如，心律檢測功能智慧
手錶的 CR 為 .85，表明該測量工具在評估此變數時具有高度可靠性。由表 2 可見，
效度檢驗中，各構面的 KMO 值皆大於或等於 .8，符合標準，各題項在每個構面的
因素負荷量也均大於 .8。表 3 的區別效度檢驗顯示，所有變項的 AVE 平方根均大
於非對角線上其他變項之間的相關係數，顯示變項之間具備良好的區別效度（吳明
隆，2013）。表 4 則呈現變數間的相關性，進一步強化了本研究變數的信效度。基
於這些信效度結果，本研究也分析了年齡分組的信效度（附件 A），發現各構面的

Cronbach α 值和組合信度均大於 .7，平均變異抽取量 (AVE) 皆超過 0.5，顯示兩組
資料具備良好的信效度。此外，因本研究採用了自我報告問卷，可能導致共同方法
偏差，進而影響變數之間的關係。為此，使用了 Harman’s 單因素分析，結果顯示
每個變項的特徵值 (Eigenvalue) 均大於 1，且最高相關係數 (.80) 低於建議的臨界值
.90 (Bagozzi, Yi, and Phillips, 1991)。本結果顯示，資料並無共同方法偏差。

四、假說與研究問題檢驗
H1 提出說服力之中介效果。本研究採用 Hayes (2017) PROCESS 巨集 Model 8

分析，結果（表 5）顯示間接效果達顯著水準 (β = -.05, boot SE = .03, 95% boot CI =
[-.11, -.01])，表示說服力負向中介 AIoT 智慧醫療科技態度一致性與極化間的關係。
一致性對態度極化的直接影響並不顯著。當大眾閱讀 AIoT 智慧醫療科技既有態度
一致的口碑，其認為口碑說服力較高，會產生較小的態度極化。反之，當大眾閱讀
態度不一致的口碑，其認為說服力較低，會產生較大的態度極化。科技態度一致性

18