编者按：

在人口老龄化加速与数字健康服务不断普及的背景下，中国老年人对在线健康信息的需求持续增长，但健康信息专业性强、表述复杂、适老化程度不足等问题仍然普遍存在，直接影响老年人对健康内容的理解与使用，进而关系到其健康决策与自我照护能力。传统健康信息优化方式高度依赖人工编辑，不仅成本高、效率低，也难以实现规模化、标准化的适老化改造。大语言模型凭借强大的语言理解与生成能力，为健康信息的自动化、低成本适老化优化提供了新的技术路径，但其在中文语境下对老年人健康信息感知理解的实际作用与效果，仍然缺乏系统、严谨的实证检验。本研究以264名中国老年人为研究对象，采用拉丁方设计开展随机对照实验，系统检验由大语言模型生成的简洁化、增强连贯性、积极框架、叙事框架、隐喻框架五类内容补偿策略对老年人健康信息感知理解度的改善效果。研究结果显示，所有优化方式均能显著提升老年人对健康信息的理解感受，其中隐喻框架的提升效果最为突出。同时，研究发现健康素养和年龄是影响感知理解的关键因素，而教育水平与主观健康状况并未表现出显著作用。本研究首次提出适用于老年人健康信息的大语言模型两阶段内容补偿模型，可为老年友好型健康信息生产、智能健康传播工具开发提供可落地的科学依据，对缩小老年群体数字健康鸿沟、推动高质量健康老龄化具有重要的实践意义。

受认知能力衰退、健康素养不均等因素影响，老年人更容易因信息理解不足或误读而产生健康风险。目前改善老年人健康信息理解主要包括能力补偿、内容补偿和代理解读三种思路，国内针对数字平台的内容补偿仍处于初步发展阶段，多数优化仅停留在字体放大、色彩调整等表层形式，缺少针对内容结构、语言表达与信息框架的深度设计。同时，现有相关研究多以英文语境和西方老年群体为对象，针对中文环境与中国老年人的实证研究较为缺乏。大语言模型在医疗健康领域快速发展，能够高效完成文本简化、句式重构、内容改写等任务，大幅降低健康信息优化成本，但AI生成内容可能存在事实性错误与幻觉问题，因此更适合在已有权威信息基础上进行适老化改造，而非直接生成全新健康结论。现有研究对健康信息的评估多依赖客观可读性公式，较少关注老年人最真实的主观感知理解度，而主观易用性与易理解性恰恰是决定老年人是否愿意阅读、信任与使用健康信息的关键。基于上述现实与理论缺口，本研究围绕两大核心问题展开探索，一是大语言模型生成的内容补偿策略能否有效提升老年人对健康信息的感知理解度，二是年龄、健康素养等个体差异如何影响这一提升效果。

本研究整合信息框架理论、概念隐喻理论与情感传染理论，从语言特征优化与信息框架设计两大维度构建研究假设。在语言特征层面，文本简洁性与连贯性是影响可读性的核心要素，简化专业词汇、缩短复杂句式能够降低阅读负荷，增强逻辑衔接则能帮助老年人更顺畅地把握信息脉络，因此研究假设提升简洁性与连贯性均能正向改善老年人的健康信息感知理解。在信息框架层面，积极框架通过强调健康收益与正向结果降低情绪阻力，提升阅读意愿；叙事框架借助故事化表达增强内容亲和力与记忆度；隐喻框架将抽象医学概念转化为生活化经验，降低认知负荷。基于已有理论与相关研究成果，本研究提出积极框架、叙事框架与隐喻框架均能显著提升老年人对健康信息的感知理解度。

本研究采用双盲、拉丁方设计的随机对照实验，通过拉丁方设计有效控制材料顺序、材料类型等潜在混淆因素，提升研究结果的内部效度。实验的自变量为六组健康信息版本，包括原始版本以及由大语言模型优化后的简洁化版本、增强连贯性版本、积极框架版本、叙事框架版本和隐喻框架版本，因变量为老年人对健康信息的感知理解度，同时将年龄、性别、教育水平、健康状况、电子健康素养以及信息相关性作为控制变量纳入分析。实验材料选取自春雨医生平台的六类老年高发疾病健康文本，涉及中风、骨质疏松、白内障、心血管疾病、骨关节炎与痴呆，文本长度平均为500字，符合老年人日常阅读范围。所有优化内容均通过ChatGPT 4o结合思维链提示词完成，确保改写过程可解释、核心信息不偏离，优化完成后由研究人员进行人工核查，保证医学信息准确。研究对象通过腾讯问卷平台进行招募，纳入标准为55岁及以上、能够独立完成问卷填写的老年人，在剔除填写时间过短、答案规律化等无效样本后，最终获得有效样本264人，平均年龄61.7岁，样本覆盖中国26个省份的78座城市，在地域、年龄、性别与教育水平上均具有较好代表性。测量工具采用成熟量表，感知理解度与信息相关性使用7点李克特量表测量，电子健康素养使用中文版eHEALS量表测量，所有量表信度系数均高于0.9，内部一致性良好。数据处理使用SPSS 22.0完成，主要包括方差分析、事后检验以及线性回归分析。

随机分组均衡性检验显示，各实验组在年龄、性别、教育水平、健康状况与电子健康素养等关键变量上均无显著差异，说明随机分组有效，组间基线均衡可比。主效应分析结果表明，五种由大语言模型优化的健康信息版本，相较于原始版本均能显著提升老年人的感知理解度，所有研究假设均得到支持。在各类优化策略中，效果由高到低依次为隐喻框架、积极框架、叙事框架、增强连贯性与简洁化提升，其中隐喻框架带来的改善作用最为显著。同时，信息相关性对感知理解度具有极强的正向预测作用，信息与老年人自身健康需求越贴近，老年人越容易认为内容易于理解。个体因素回归分析结果显示，健康素养对感知理解度的影响最强，健康素养越高的老年人理解效果越好，年龄与性别同样存在显著影响，年龄更高的老年人与女性老年人的感知理解度相对更高。与之相对，教育水平、主观健康状况以及健康文本的长度均未对感知理解度产生显著影响。

研究发现，第一，大语言模型驱动的内容补偿设计能够显著、稳定地提升中国老年人对健康信息的感知理解度，且五种优化策略均具备实践价值。第二，隐喻框架的效果最优，能够以最低认知成本帮助老年人理解抽象、专业的医学内容。第三，健康素养是影响老年人健康信息理解的核心因素，而非教育水平，因此适老化健康信息设计应重点面向低健康素养群体开展精准优化，同时信息相关性越高，老年人的理解体验越好，内容设计应更贴近老年人真实健康需求。

在理论层面，首先，研究聚焦健康传播中的拟人化框架，以老年人为研究对象，填补了AI拟人化研究在年龄群体与应用场景上的空白，拓展了计算机作为社会行动者（CASA）范式与框架效应理论的应用边界；其次，基于信号理论揭示了拟人化框架影响老年人健康AI态度的双重中介路径，明确了信息效价（valence）对路径激活的调节作用，深化了对拟人化框架作用机制的理解；最后，证实了教育水平对感知风险路径的调节效应，丰富了老年人技术接受与风险感知的理论研究，为老年心理学与传播理论的交叉融合提供了实证支撑。在实践层面，对健康平台与智能产品设计而言，可依托大语言模型开发一键适老化工具，快速批量生成更易理解的健康内容，在解释慢病管理、检查项目、用药知识等，抽象内容时优先使用隐喻框架。同时，面向老年人的健康传播不必过度强调教育水平提升而应通过内容优化降低理解门槛，尤其关注低健康素养老年群体的信息接受习惯。

资料来源：

根据Liu等于2026年发表在Humanities & Social Sciences Communications期刊题目为《Content compensation design for older adults’ perceived health information comprehension based on large language models: a random experiment in China》的文章缩写整理而成。

（本文责任编辑：周帆）