研究假设的验证

将性别、年龄、婚姻、所属地区（城乡）、收入、受教育程度、自评健康状况、传统媒体健康信息使用作为控制变量，互联网接入、互联网健康信息使用和互联网投入度作为自变量，教育*互联网接入、教育*互联网健康信息使用、教育*互联网投入度作为交互变量，对癌症知识做多元阶层回归分析，结果见表1。该表显示，控制变量可以解释癌症知识总变差的3.9%。其中对癌症知识影响最大的是受教育程度（β =0.135，p＜0.001），其次为自评健康状况（β =0.114，p＜0.001）、年龄（β =0.081，p＜0.001）和城市（β =0.053，p＜0.05），其余变量没有显著影响癌症知识水平。值得一提的是，传统媒体的健康信息使用并没有显著影响人们的癌症知识水平，无论人们是否借助传统媒体获取健康信息，其癌症知识水平都不存在显著差异。

表1　预测互联网接入、互联网使用和互联网投入度对癌症知识影响的多元阶层回归分析

续表

(https://www.daowen.com)

注：*表示＜0.05，**表示p＜0.01，***表示p＜0.001，表中β系数为标准化系数。传统媒体使用和互联网使用均指的是健康信息使用。性别、城乡、婚姻作为哑变量处理，女性、农村/郊区和未婚作为参照组。

在控制了人口统计变量和自评健康状况、传统媒体健康信息使用等因素对癌症知识的影响后，自变量可以解释因变量总变差的2.5%（p＜0.001）。其中对癌症知识水平预测能力最强的变量是互联网投入度（β =0.228，p＜0.001），其次是互联网接入（β =-0.065，p＜0.05）和互联网使用（β =0.038，NS2）。可见，人们的网络投入度越高，其癌症知识水平也越高，网络投入度与癌症知识水平之间存在正相关关系，从而证明了假设H5。互联网接入也能够显著预测癌症知识水平，但是与研究假设相反的是，实现互联网接入的人群其癌症知识水平反而低于没有互联网接入的人群，互联网接入与癌症知识水平之间有着负相关关系（两者间的β系数为负），从而否定了假设H1。互联网健康信息使用并没有显著影响人们的癌症知识水平，使用互联网接触健康信息和不使用互联网接触健康信息的群体之间不存在显著的癌症知识水平差异，从而否定了假设H2。同时，以上数据进一步显示，互联网接入对癌症知识水平的预测能力要大于互联网健康信息使用。

再来看交互变量对癌症知识水平的影响。表1显示，各交互变量仅能解释癌症知识总变差的1%（p＜0.001），这主要是因为仅有教育和互联网接入对癌症知识水平存在显著的交互作用（β =-0.074，p＜0.05），而教育与互联网健康信息使用（β =-0.015，NS ^[21]）、教育与互联网投入度（β =-0.045，NS）之间均不存在显著的交互作用。以上数据也显示，从对基于受教育程度的癌症知沟的影响程度来看，互联网接入的影响力要大于互联网健康信息使用和互联网投入度，而互联网投入度的影响要大于互联网健康信息的使用，从而否定了假设H3：互联网的癌症信息使用比互联网接入更能预测基于受教育程度的癌症知沟，以及假设H6：互联网投入度比互联网使用更能预测基于受教育程度的癌症知识差异。由于在教育、互联网健康信息使用和互联网投入度之间不存在显著的交互作用，因此假设H7没有得到证明，不同社会经济地位群体并不会因为互联网投入度高低而从互联网健康信息使用中获得不同水平的癌症知识。

进一步结合各自变量对癌症知识获取的主效应分析以上结论可以发现，虽然网络投入度对癌症知识水平的影响非常显著，但由于它对不同受教育程度群体的影响是一样的，即不同受教育程度群体因为网络投入而获取的知识水平提升量不存在差异，因此网络投入度不会调节因受教育程度差异而导致的癌症知沟。而网络接入对癌症知识水平也有着显著影响，但它对不同受教育程度群体的影响是不同的。网络接入与教育之间的交互变量对癌症知识回归的β系数为负，说明受教育程度低的群体能从网络接入中获取更多的癌症知识，从而缩小不同受教育程度群体间的癌症知识差异。而互联网的健康信息使用既不能显著影响癌症知识水平，也对教育与癌症知识水平之间的关系无显著影响。 ^[22]这就对本文提出的研究问题Q2做出了回应。关于研究问题Q1，研究结果显示，受教育程度显著影响了互联网接入、互联网健康信息使用和互联网投入度，但仅有互联网接入和互联网投入度显著预测了癌症知识水平，互联网健康信息使用对癌症知识水平的影响不显著，因此受教育程度通过影响互联网接入和互联网投入度影响着人们的癌症知识水平，而互联网健康信息使用不是教育和癌症知识水平之间的中介变量。