需要JoVE订阅才能观看此内容。 请登录或开始免费试用

研究文章

基于理论基础与实证研究的公共信息技术采纳建议

75 次观看

⸱

DOI：

10.3791/73614

⸱

2026年9月15日

 ,  , 
1Seoul AI School, Seoul School of Integrated Sciences and Technologies (aSSIST University), 2School of Business, Sungkyunkwan University, 3Department of Management Information Systems, Dong-A University

本文内容

摘要

本研究提出了公共信息技术采纳模型，即一种基于前景理论的感知-意图框架，用于解释感知到的收益与损失如何驱动用户对公共信息技术服务（例如机场生物识别技术）的接受或拒绝。通过两项调查（包括一项跨国调查）以及专家干预验证了该模型，结果在不同国家和情境下均支持前景理论。

摘要

本研究提出了一种公共信息技术采纳（PITA）的理论模型。公共信息技术（IT）服务是指公共机构向所有公民提供的基于信息技术的服务，例如电子政务门户、公共卫生应用程序以及机场的生物识别系统。由于公共信息技术具有独特的性质，以往主要关注个体和企业层面的模型被认为不足以识别公共信息技术采纳的关键规模。为弥补这一不足，本研究基于前景理论提出了一个感知—意图框架，用以探讨用户在采纳新型公共IT服务过程中所感知到的损失与收益，并指出这些感知是用户拒绝或接受新型公共IT服务的前因。研究开展了两项实证工作，其中一项包含了来自三个国家（韩国、英国和美国）的调查样本。此外，通过基于干预的研究方法，邀请了五位行业专家对模型进行定性优化与验证，以确保其可在实际场景中应用。结果表明，接受的总价值（即用户接受该服务所需的综合感知价值，计算为相关路径系数之和）始终高于拒绝的总价值。在感知收益方面也发现了类似结果，即感知收益对接受和拒绝行为的预测力均强于感知损失。尽管研究结果依赖于横截面的自报数据，但仍为前景理论提供了有力支持，并进一步深化了对该理论在公共IT采纳中基础性作用的理解。因此，通过将前景理论拓展至公共部门IT情境，PITA为研究人员提供了经过验证的理论基础，也为实践者提供了诊断公共IT服务采纳情况的实用工具。

引言

信息技术（IT）在过去几十年中已发展成为推动创新的主导性和普及性工具，并显著改变了日常生活。自基于心理学视角的 IT 采纳模型被提出以来1,2,3,4，用户与 IT 之间的关系已在个人和企业层面得到了广泛研究5。

与此同时，许多公共机构在应对社会需求压力下难以实现运营效率，例如机场拥堵问题就严重影响了公共服务的有效性和质量。扩大实体基础设施可能带来即时效益，但需要投入大量的时间和资金6。相比之下，创新型公共服务提供者则通过信息技术驱动的创新来应对这一挑战7，将创新与现有基础设施相结合，以保障服务质量与运营效率8,9,10,11。当前，公共机构正在采用新型信息技术（如云计算、网络安全和生物识别技术）来振兴核心资源，但这同时也带来了额外的采纳难题12。这一问题可能源于对真实用户的理解不足：以往研究主要集中于推动技术接受的因素，而忽视了拒绝接受的现象。若缺乏用户的积极参与，公共机构中的信息技术实施将难以实现实际应用。

然而，公共部门的信息技术采纳面临与私营部门不同的独特挑战。尽管“接受”与“拒绝”看似是两种截然不同的现状而相互对立13，推动其中一方可能会抑制另一方，因此应同时考虑这种反向效应的两个方面。以往关于公共部门信息技术服务创新的研究往往强调积极结果10,11,14,15,16。因此，本文将“接受”与“拒绝”共同纳入研究，整合基于心理学的信息系统模型（即创新扩散理论与创新抵制理论）与行为经济学（即前景理论）。

选择机场生物识别技术这一案例，是因为该公共信息技术服务面向所有公民，以生物识别身份验证取代基于证件的流程，涉及敏感的个人信息，并使用户面临明确的接受或拒绝决策。本研究围绕两个研究问题展开。研究问题1（RQ1）：感知到的利益与损失如何影响用户对公共信息技术服务的接受与拒绝？研究问题2（RQ2）：如前景理论所预测，用户接受服务所需的整体价值是否大于拒绝服务所需的价值？基于此，本研究提出了一套全新的理论框架，并通过基于干预的研究（IBR）策略17（图1）由行业专家进行了验证。因此，本研究将前景理论与信息系统采纳模型相结合，为公共信息技术管理者提供了可操作的见解。

研究流程图：理论、模型、数据、分析、意义、影响、专家评审。
图1：理论模型构建与发展的研究流程。该图展示了整体研究流程，从基于已有采纳模型和前景理论的理论模型构建开始，经过研究1和研究2，每项研究后均进行专家干预，最终完成PITA模型的构建。请点击此处查看此图的放大版本。

信息技术采纳已得到广泛研究：在个体层面有技术接受模型（TAM）2 和统一技术接受与使用理论（UTAUT）4，在企业层面有创新扩散理论（DOI）1 和技术-组织-环境框架（TOE）3，这些理论已催生了关于增强现实与语言学习18,19、聊天机器人与数字支付20,21、出行服务22,23 以及远程工作24 的后续研究。然而，这些模型在应用于公共信息技术时存在明显局限性：TAM 假设使用是自愿的，DOI 忽视了用户抵制，而 UTAUT 主要针对组织环境开发，因此它们在准强制性公共信息技术服务中的适用性仍存疑问。基于这些模型的公共信息技术采纳研究也已存在，例如，扩展 UTAUT 以研究在线公共投诉处理系统25，或将 TOE 应用于公共部门的人力资源信息系统14；许多其他研究也采用了类似方法26,27,28,29,30,31,32,33,34,35。

然而，信息技术在公共层面的采纳与在个人或企业层面的采纳存在显著差异（见表1）：采纳主体与使用者并不一致，且由于心理惯性和现有服务现状的影响，使用者的采纳意愿并不明确。信息技术的颠覆性特征可能阻碍现有系统的重构36；其采纳还需改变使用者的态度与行为，这就要求对使用者的视角有清晰的理解。鉴于这些特征，以往强调个人和企业层面的模型可能不足以准确识别公共信息技术采纳的关键规模。由于以信息技术驱动的服务创新对于降低成本、提升服务质量至关重要37,38，并最终推动社会发展39，建立一个聚焦于公共信息技术采纳的理论框架显得尤为关键。

个体层面企业层面公共层面
采纳主体个体企业（私营）企业（公共）
用户个体企业员工个体
用户意图明确明确（强制）不确定
心理惯性可忽略可忽略（强制）显著
价值感知不可或缺不可或缺（强制）不可或缺
主要采纳目的个人化效率提升、节约成本公共利益
相关的信息技术采纳模型TAM2, UTAUT4DOI1, TOE3本研究

表1：信息技术采纳的不同层次。 该表格从代表性理论模型、采纳主体和用户等方面，对比了个人、企业及公共层面上的信息技术采纳情况。

现有文献表明，个人和员工对使用特定信息技术服务具有先验的（个体层面）或被迫的（企业层面）意图2,40，这意味着采用行为在事先已被决定4,41。然而，并非所有用户都打算使用信息技术42，且仅有少数信息系统研究识别出拒绝行为的特征与理由43,44。因此，一项新的公共信息技术服务可能会被有意拒绝，直至该创新被接受或失败45。

本研究的主要目标是理解用户对公共机构IT服务的接受与拒绝行为，通过两种价值感知——感知获益与感知损失——来加以考察。感知获益的概念源自创新扩散模型1,46；这些构念已被广泛用于研究促进IT接受的感知因素47,48，并在不同情境下表现出较高的效度40。相比之下，感知损失则包含了解释个体为何在面临变革压力时仍维持现有生活方式的特征；该概念基于创新抵制理论42,49，这一研究路径旨在探讨为何部分人群会延迟采纳某项创新，甚至完全拒绝接受49,50,51,52,53。本研究采用多维视角来捕捉这些感知，而非将损失与获益视为笼统的单一构念。

感知损失通过五个构念来操作化定义53,54。时间损失（TIL）指在学习和使用服务过程中因未达到预期而感知到的时间浪费53。社会损失（SOL）指因显得愚蠢或落伍而可能失去在社交群体中地位的风险54。财务损失（FIL）涵盖因购买成本、费用或个人信息被盗而导致的潜在金钱损失54。物理损失（PHL）指使用服务可能造成伤害、不适或疲惫的感知53,54。绩效损失（PEL）指与现有替代方案相比，服务质量和功能下降的感知，包括功能故障以及未能实现预期效益53。

为解释感知获益（PG），采用了相对优势、兼容性、可试用性和复杂性等概念1,46。相对优势（REA）指某项创新被认为相较于其前身更具优势的程度；兼容性（COM）指该创新与潜在采用者的价值观、需求及先前经验相契合的程度；可试用性（TRI）指在正式采用前进行试验的可能性程度；复杂性（CPX）与技术接受模型（TAM）中的感知易用性相关，表示该创新在使用和理解上的困难程度。可观察性未被纳入，因其概念过于模糊而难以测量46，且在公共信息技术背景下，生物识别结果不易被他人直接观察到。

提出得失框架用于解释促使人们对新公共信息技术服务产生反应的感知价值。如果该项服务具有颠覆性并威胁到常规行为，则假设感知到的损失将超过感知到的收益，从而导致拒绝；若此种情况持续存在，拒绝可能成为行为意向中一个稳定的组成部分42,49。相反，如果感知到的收益超过预期的损失，用户便缺乏拒绝该服务的理由。因此，提出以下假设：

假设1：感知到的损失对拒绝行为具有正向影响。
假设2：感知到的损失对接受行为具有负向影响。
假设3：感知到的收益对拒绝行为具有负向影响。
假设4：感知到的收益对接受行为具有正向影响。

政府服务中任何由信息技术推动的进步，其目的都是为了促进社会发展（例如，通过机场生物识别技术实现更快、更安全的登机），然而最近推出的一项公共信息技术服务却充满风险与不确定性，用户可能并不会如预期那样接受其带来的益处。根据前景理论55，人们在面对不确定性时，会基于对备选方案、价值以及对不确定性的态度进行评估，并以某一参照点（参照依赖）为基准做出看似非理性的决策。该理论的核心洞见是“损失厌恶”，即损失比同等程度的收益对人的影响更大，同时伴随着敏感度递减效应；这种对相对于现状的得失关注，直接对应于本文所探讨的接受—拒绝二分现象。近年来，前景理论已被应用于多项信息系统（IS）与信息技术（IT）研究中，用于解释在风险和不确定性条件下的非理性决策行为56,57,58,59,60，涵盖从人工智能赋能的工作、数字健康到公共Wi-Fi和移动支付等多种情境。尽管这些研究证实了该理论的相关性，但其主要关注的是接受意愿，而忽略了在公共IT情境中至关重要的拒绝维度。

使用公共信息技术服务的用户在行为上表现为根据所需总价值（即感知收益与损失之和）来决定接受或拒绝该服务。此前尚无关于公共信息技术采纳的研究从这一视角探讨过此现象。因此，路径系数（即 PL 到 REJ）被编码为数值55，并按如下方式计算拒绝与接受所需的总价值：

V(R) = CLR + CGR      (1)
V(A) = CLA + CGA       (2)

其中，CLR、CGR、CLA 和 CGA 分别表示感知损失对拒绝的影响路径系数、感知收益对拒绝的影响路径系数、感知损失对接受的影响路径系数以及感知收益对接受的影响路径系数；这些标准化系数生成 V(R) 和 V(A)，作为损失与收益总体影响的综合值。由于公共信息技术服务旨在使用户受益，而用户在偏离现状时对损失的权重大于收益，因此接受这一风险更高的选择，相较于拒绝，预期需要更大的总价值。基于假设 H1–H4，H5 检验这些效应的净平衡关系：

H5. 接受所需的总价值 V(A) 将大于拒绝所需的总价值 V(R)。由此得出的概念性 PITA（公共信息技术采纳）模型如图2所示。

决策过程示意图；感知损失与感知收益流向拒绝与接受。
图 2：PITA 概念模型。 该示意图显示感知损失（PL）和感知收益（PG）作为拒绝（REJ）和接受（ACC）的前因；路径 a、b、c 和 d 对应用于计算总价值 V(R) 和 V(A) 的系数。注：a = CLR，b = CLA，c = CGR，和 d = CGA 请点击此处查看此图的放大版本。

访问受限。请登录或开始试用以查看此内容。

方案

所有研究程序均遵守首尔科学综合大学院大学（aSSIST University）、成均馆大学（Sungkyunkwan University）和东阿大学（Dong-A University）关于涉及人类参与者的研究所适用的伦理原则。由于调查回应在收集时即为匿名，且未获取任何个人身份信息，首尔科学综合大学院大学的机构审查委员会（IRB）认定本研究免于接受完整的伦理审查。参与机构未另行获取独立的IRB批准，因其依赖首尔科学综合大学院大学机构审查委员会所发布的豁免决定，该决定涵盖研究设计及数据收集程序。此项豁免决定依据大韩民国《生物伦理与安全法》第15条以及其施行规则第13条所规定的豁免标准作出（https://public.irb.or.kr/pt/pt01/PT0103/PT0103R01.do）。在访问Qualtrics问卷之前，所有参与者均会看到一份电子版知情同意声明，内容包括研究的学术目的、回应数据的匿名处理、数据仅用于科研用途，以及不存在可合理预见的风险。仅明确提供同意的参与者方可继续参与调查。

研究概述
为检验五个假设及提出的PITA模型，共开展了两项实证研究和两项专家干预研究。结果如图3所示。在新冠疫情前（2019年第四季度）和疫情期间（2020年第二至第三季度）进行了两阶段调查，以在不同时间点分别测量各构念，降低数据中共同方法偏差（CMB）的可能性，并提升研究结果的普适性61,62。

研究比较流程图；新冠疫情前后、样本、地区；研究时间线、干预措施。
图3：研究概述。 该时间线总结了两阶段研究设计：第一阶段研究（2019年第四季度，新冠疫情前，韩国样本，N = 322）之后进行第一次专家干预，第二阶段研究（2020年第二至第三季度，新冠疫情期间，韩国/英国/美国样本，N = 602）之后进行第二次专家干预。请点击此处查看此图的放大版本。

研究1模型
根据所提出的假设，构建了初始研究模型，以揭示用户接受或拒绝一项新近推出的公共信息技术服务（即机场生物识别技术）的意愿，如图4所示。用户对公共信息技术服务的看法体现在两个二阶构念中，即感知损失（PL）和感知获益（PG），每个二阶构念均由其对应的三阶构念构成。这两个二阶构念作为拒绝（REJ）和接受（ACC）的前因变量，分别代表用户使用公共信息技术服务的意愿。

概念图；包含PL、PG、REJ、ACC构念的结构方程模型；研究分析。
图4：研究1的研究模型。 五个一阶损失构念（PEL、TIL、SOL、PHL和FIL）构成二阶构念“感知损失”，四个一阶获益构念（REA、COM、TRI和CPX）构成“感知获益”；这两个二阶构念被建模为拒绝与接受的前因变量（H1–H4）。请点击此处查看此图的放大版本。

研究1的科研数据
第一个数据样本采集于2019年11月13日至11月18日（在新冠肺炎疫情暴发之前），共包括322名韩国参与者（女性占46.6%，男性占53.4%），所有参与者均具有过去一年内至少乘坐过一次飞机的经历。在调查引言部分提供了公共信息技术服务（即机场的生物识别应用）的定义和示例。研究1的原始数据见补充文件1。飞行频率被划分为五个互斥的类别（FF1–FF5），分别对应过去一年内飞行次数为一次、两次、三次、四次以及五次或以上（研究1：分别为138、91、34、21和38名参与者；研究2：分别为174、153、109、82和84名参与者）。

采用七点李克特量表对预测因子构念进行评估，量表范围从“强烈不同意（1）”到“强烈同意（7）”（参见补充文件21,46,53,54,63,64中的研究问卷）。在对20名参与者进行预试验后，仅对问卷条目的措辞进行了细微修改，以提高其稳定性、适用性和解释便利性；预试验后未增删任何构念或条目。支持性文档包含了完整的问卷内容以及相关统计结果和理论背景。随后进行了验证性因子分析（CFA）和基于协方差的结构方程模型分析（CB-SEM）。

研究1的专家干预
邀请了五位具有至少十年经验的专家，以确保研究的客观性并提升本工作的质量，其中包括来自国际组织的两位专家（国际机场协会和国际航空运输协会）、来自政府机构的两位专家（新加坡樟宜机场和韩国机场公司），以及一位来自在公共环境中提供服务的私营企业的专家（大韩航空）。该专家干预对于提供反馈以增强模型和目标场景领域的知识至关重要。研究同时进行了定性（即主观反馈）和定量（七点李克特量表）评估。定量评估采用了修订版的决策报告特征问卷条目（见补充文件3）65，并使用组内相关系数进行验证66。在每轮干预中，每位专家独立完成定量问卷，随后提供开放式定性反馈；两次干预均使用相同的专家组、工具和流程，以确保可重复性。

研究2
为解决研究1中发现的问题并提升模型的普适性，研究2采用了与研究1相同的模型。研究2共纳入602名参与者（女性：42.3%，男性：57.7%，韩国：200人，英国：201人，美国：201人）。数据收集时间为2020年7月23日至8月19日（正值COVID-19大流行期间）。研究2的原始数据见补充文件4。该样本包含33个观测指标，每个指标约有18个观测值，超过了CB-SEM分析中每个指标建议至少10个观测值的常用标准，同时也超过了200个观测值的普遍最低样本量阈值。选择韩国、英国和美国，是因为在2019年7月至2020年6月期间，这三个国家占全球航空旅客总数的29.1%（约55亿人次中的16亿人次）。COVID-19大流行在这些国家的暴发时间不同，最早始于韩国，随后影响美国和英国。此外，这三个国家融合了东方与西方的文化传统。因此，本研究采用来自这些国家的合并数据集，以检验用户对新型公共信息技术服务（即机场生物识别技术）的认知—意图框架。

针对研究2的专家干预
邀请了相同的专家，进行了相同的定量与定性评估，并征求了他们的反馈意见，以验证研究2中的发现。

访问受限。请登录或开始试用以查看此内容。

结果

研究1
为了评估与自报数据相关的潜在共同方法偏差（CMB），首先进行了一项单因子分析67。根据检验结果，一个因子解释了36.56%的方差；若单一因子解释的方差低于50%，则表明共同方法偏差不是主要问题62,67,68。随后评估了构念效度和信度。如表2所示，各构念的平均方差提取值（AVE，0.585至0.836）和组合信度（CR，0.872至0.939）均达到了必要的最低标准69,70。此外，每个构念AVE的平方根（显示在对角线上）均高于其与其他构念之间的相关系数，支持了区分效度69。

访问受限。请登录或开始试用以查看此内容。

讨论

这项包含两项研究的调查检验了公共信息技术采纳的PITA模型；两项研究均支持全部五个假设，并且在风险更高的COVID-19情境下，V(A)与V(R)之间的差距扩大，这与前景理论的预测一致，即风险越高的选择需要更高的感知价值。研究发现，信息技术采纳文献的理论基础存在空白，包括TAM2和DOI1，这些理论未能充分解释公共信息技术的采纳行为。尤为重要的是，这些研究未能充分考虑用户在使用公共信息技术服务时的不确定性。因此，本研究探讨了PITA提出的感知—意图框架对公共信息技术服务采纳决策的影响。当用户面临一项新的、创新的公共信息技术服务时，必须权衡现有状态的利与弊。如果拒绝新选项，用户将回归先前状态，从而使新选项变得不必要。PITA模型有助于理解影响此类决策的潜在价值感知。此外，本研究还提出了若干建议，以在投资新的公共信息技术服务之前预防此类失败1,42。本研究探讨了感知收益与损失如何影响公共信息技术服务的接受与拒绝；全部五个假设均得到...

访问受限。请登录或开始试用以查看此内容。

披露

作者声明不存在利益冲突。在准备本修订稿件期间，使用了生成式人工智能工具（ChatGPT 5o）协助语言编辑和格式整理。作者已审阅并核实全部内容，并对稿件承担全部责任；未使用任何人工智能工具生成数据、进行分析或创建图表。

致谢

本工作获得了aSSIST大学研究基金的资助。

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名公司目录编号评论
IBM SPSS Amos（基于协方差的结构方程建模软件）IBM Corp. (Armonk, NY, USA)version 27; https://www.ibm.com/products/structural-equation-modeling-sem/用于所有基于协方差的结构方程建模（CB-SEM）分析，包括测量模型评估（CFA：组合信度、AVE 和区分效度）以及结构模型路径分析。 
Prolific（在线参与者招募平台）Prolific Academic Ltdhttps://www.prolific.com/用于招募调查参与者的在线平台。参与者根据资格标准（例如机场使用经验）进行筛选，并依据 Prolific 的公平支付指南获得报酬。 
Qualtrics（在线调查平台）Qualtrics, LLCRRID:SCR_016728基于网络的调查平台，用于问卷设计、发放和回收响应数据。所有测量题项均通过 Qualtrics 以 7 点李克特量表实施（1 = 非常不同意，7 = 非常同意）。https://www.qualtrics.com/

参考文献

  1. Rogers EM, Singhal A, Quinlan MM. Diffusion of innovations. In: An integrated approach to communication theory and research. London: Routledge; 2014. p. 432-448.
  2. Davis FD. A technology acceptance model for empirically testing new end-user information systems: theory and results [dissertation]. Cambridge (MA): Massachusetts Institute of Technology; 1985.
  3. Tornatzky LG, Fleischer M, Chakrabarti AK. Processes of technological innovation. Lexington (MA): Lexington Books; 1990.
  4. Venkatesh V, Morris MG, Davis GB, Davis FD. User acceptance of information technology: toward a unified view. MIS Q. 2003;27(3):425-478.
  5. Jeyaraj A, Sabherwal R. Adoption of information systems innovations by individuals: a study of processes involving contextual, adopter, and influencer actions. Inf Organ. 2008;18(3):205-234.
  6. Balliauw M, Onghena E. Expanding airport capacity of cities under uncertainty: strategies to mitigate congestion. J Air Transp Manag. 2020;84:101791.
  7. Marjanovic O, Cecez-Kecmanovic D. Open government data platforms - a complex adaptive sociomaterial systems perspective. Inf Organ. 2020;30(4):100323.
  8. Kim C, Lee KC, Costello FJ. The intention of passengers towards repeat use of biometric security for sustainable airport management. Sustainability. 2020;12(11):4528.
  9. Morosan C. Voluntary steps toward air travel security: an examination of travelers' attitudes and intentions to use biometric systems. J Travel Res. 2012;51(4):436-450.
  10. Negri NAR, Borille GMR, Falcão VA. Acceptance of biometric technology in airport check-in. J Air Transp Manag. 2019;81:101720.
  11. Morosan C. An empirical examination of US travelers' intentions to use biometric e-gates in airports. J Air Transp Manag. 2016;55:120-128.
  12. Price A, Prusak A, Wright M. Tech trends 2021: a government perspective. Deloitte Insights; 2021.
  13. Samuelson W, Zeckhauser R. Status quo bias in decision making. J Risk Uncertain. 1988;1(1):7-59.
  14. Troshani I, Jerram C, Hill SR. Exploring the public sector adoption of HRIS. Ind Manag Data Syst. 2011;111(3):470-488.
  15. Cordella A, Bonina CM. A public value perspective for ICT enabled public sector reforms: a theoretical reflection. Gov Inf Q. 2012;29(4):512-520.
  16. Warkentin M, Orgeron C. Using the security triad to assess blockchain technology in public sector applications. Int J Inf Manag. 2020;52:102090.
  17. Oliva R. Intervention as a research strategy. J Oper Manag. 2019;65(7):710-724.
  18. Oyman M, Bal D, Ozer S. Extending the technology acceptance model to explain how perceived augmented reality affects consumers' perceptions. Comput Hum Behav. 2022;128:107127.
  19. Hsu HT, Lin CC. Extending the technology acceptance model of college learners' mobile-assisted language learning by incorporating psychological constructs. Br J Educ Technol. 2022;53(2):286-306.
  20. Balakrishnan J, Abed SS, Jones P. The role of meta-UTAUT factors, perceived anthropomorphism, perceived intelligence, and social self-efficacy in chatbot-based services? Technol Forecast Soc Change. 2022;180:121692.
  21. Wu B, An X, Wang C, Shin HY. Extending UTAUT with national identity and fairness to understand user adoption of DCEP in China. Sci Rep. 2022;12(1):1-11.
  22. Epstein B. Two decades of e-government diffusion among local governments in the United States. Gov Inf Q. 2022;39(2):101665.
  23. Hasselwander M, Bigotte JF, Fonseca M. Understanding platform internationalisation to predict the diffusion of new mobility services. Res Transp Bus Manag. 2022;43:100765.
  24. Ng PM, Lit KK, Cheung CT. Remote work as a new normal? The technology-organization-environment (TOE) context. Technol Soc. 2022;70:102022.
  25. Rana NP, Dwivedi YK, Williams MD, Weerakkody V. Adoption of online public grievance redressal system in India: toward developing a unified view. Comput Hum Behav. 2016;59:265-282.
  26. Alawadhi S, Morris A. Factors influencing the adoption of e-government services. J Softw. 2009;4(6):584-590.
  27. Chan FKY, et al. Modeling citizen satisfaction with mandatory adoption of an e-government technology. J Assoc Inf Syst. 2010;11(10):519-549.
  28. Weerakkody V, El-Haddadeh R, Al-Sobhi F, Shareef MA, Dwivedi YK. Examining the influence of intermediaries in facilitating e-government adoption: an empirical investigation. Int J Inf Manag. 2013;33(5):716-725.
  29. Mensah IK. Impact of government capacity and e-government performance on the adoption of e-government services. Int J Public Adm. 2020;43(4):303-311.
  30. Al Mansoori KA, Sarabdeen J, Tchantchane AL. Investigating Emirati citizens' adoption of e-government services in Abu Dhabi using modified UTAUT model. Inf Technol People. 2018;31(2):455-481.
  31. Mukred M, et al. The key factors in adopting an electronic records management system (ERMS) in the educational sector: a UTAUT-based framework. IEEE Access. 2019;7:35963–35980.
  32. Naranjo-Zolotov M, Oliveira T, Casteleyn S. Citizens' intention to use and recommend e-participation: drawing upon UTAUT and citizen empowerment. Inf Technol People. 2019;32(2):364-386.
  33. Toufaily E, Zalan T, Dhaou SB. A framework of blockchain technology adoption: an investigation of challenges and expected value. Inf Manag. 2021;58(3):103444.
  34. Amron MT, Ibrahim R, Bakar NAA, Chuprat S. Acceptance of cloud computing in the Malaysian public sector: a proposed model. Int J Eng Bus Manag. 2019;11:1847979019880709.
  35. Chatfield AT, Reddick CG. The role of policy entrepreneurs in open government data policy innovation diffusion: an analysis of Australian federal and state governments. Gov Inf Q. 2018;35(1):123-134.
  36. Dahabiyeh L, Constantinides P. Legitimating digital technologies in industry exchange fields: the case of digital signatures. Inf Organ. 2022;32(1):100392.
  37. Feller I. Managerial response to technological innovation in public sector organizations. Manage Sci. 1980;26(10):1021-1030.
  38. Dawson GS, Denford JS, Desouza KC. Governing innovation in US state government: an ecosystem perspective. J Strateg Inf Syst. 2016;25(4):299-318.
  39. Oliveira T, Fraga M. Literature review of information technology adoption models at firm level. Electron J Inf Syst Eval. 2011;14(1):110-121.
  40. Tornatzky LG, Klein KJ. Innovation characteristics and innovation adoption-implementation: a meta-analysis of findings. IEEE Trans Eng Manag. 1982;EM-29(1):28-45.
  41. Harrison DA, Mykytyn PP Jr, Riemenschneider CK. Executive decisions about adoption of information technology in small business: theory and empirical tests. Inf Syst Res. 1997;8(2):171-195.
  42. Ram S. A model of innovation resistance. Adv Consum Res. 1987;14(1):208-212.
  43. Lapointe L, Rivard S. A multilevel model of resistance to information technology implementation. MIS Q. 2005;29(3):461-491.
  44. Davidson E, Baird A, Prince K. Opening the envelope of health care information systems research. Inf Organ. 2018;28(3):140-151.
  45. Bradley L, Stewart K. A Delphi study of the drivers and inhibitors of Internet banking. Int J Bank Mark. 2002;20(6):250-260.
  46. Moore GC, Benbasat I. Development of an instrument to measure the perceptions of adopting an information technology innovation. Inf Syst Res. 1991;2(3):192-222.
  47. Agarwal R, Prasad J. The role of innovation characteristics and perceived voluntariness in the acceptance of information technologies. Decis Sci. 1997;28(3):557-582.
  48. Karahanna E, Straub DW, Chervany NL. Information technology adoption across time: a cross-sectional comparison of pre-adoption and post-adoption beliefs. MIS Q. 1999;23(2):183-213.
  49. Ram S, Sheth JN. Consumer resistance to innovations: the marketing problem and its solutions. J Consum Mark. 1989;6(2):5-14.
  50. Ellen PS, Bearden WO, Sharma S. Resistance to technological innovations: an examination of the role of self-efficacy and performance satisfaction. J Acad Mark Sci. 1991;19(4):297-307.
  51. Gatignon H, Robertson TS. Technology diffusion: an empirical test of competitive effects. J Mark. 1989;53(1):35-49.
  52. Weber EU, Bottom WP. Axiomatic measures of perceived risk: some tests and extensions. J Behav Decis Mak. 1989;2(2):113-131.
  53. Stone RN, Grønhaug K. Perceived risk: further considerations for the marketing discipline. Eur J Mark. 1993;27(3):39-50.
  54. Featherman MS, Pavlou PA. Predicting e-services adoption: a perceived risk facets perspective. Int J Hum Comput Stud. 2003;59(4):451-474.
  55. Kahneman D, Tversky A. Prospect theory: an analysis of decision under risk. Econometrica. 1979;47(2):263-291.
  56. Verma S, Singh V. Impact of artificial intelligence-enabled job characteristics and perceived substitution crisis on innovative work behavior of employees from high-tech firms. Comput Hum Behav. 2022;131:107215.
  57. Fadel KJ, Meservy TO, Kirwan CB. Information filtering in electronic networks of practice: an fMRI investigation of expectation (dis)confirmation. J Assoc Inf Syst. 2022;23(2):491-520.
  58. Choi HS, Carpenter D, Ko MS. Risk taking behaviors using public Wi-Fi. Inf Syst Front. 2021:1-18.
  59. Khan WU, Shachak A, Seto E. Understanding decision-making in the adoption of digital health technology: the role of behavioral economics' prospect theory. J Med Internet Res. 2022;24(2):e32714.
  60. Wong D, Liu H, Meng-Lewis Y, Sun Y, Zhang Y. Gamified money: exploring the effectiveness of gamification in mobile payment adoption among the silver generation in China. Inf Technol People. 2022;35(1):281-315.
  61. Tarafdar M, Maier C, Laumer S, Weitzel T. Explaining the link between technostress and technology addiction for social networking sites: a study of distraction as a coping behavior. Inf Syst J. 2020;30(1):96-124.
  62. Podsakoff PM, MacKenzie SB, Lee JY, Podsakoff NP. Common method biases in behavioral research: a critical review of the literature and recommended remedies. J Appl Psychol. 2003;88(5):879-903.
  63. Szmigin I, Foxall G. Three forms of innovation resistance: the case of retail payment methods. Technovation. 1998;18(6-7):459-468.
  64. Lee MC. Factors influencing the adoption of internet banking: an integration of TAM and TPB with perceived risk and perceived benefit. Electron Commer Res Appl. 2009;8(3):130-141.
  65. Aldag RJ, Power DJ. An empirical assessment of computer-assisted decision analysis. Decis Sci. 1986;17(4):572-588.
  66. Shrout PE, Fleiss JL. Intraclass correlations: uses in assessing rater reliability. Psychol Bull. 1979;86(2):420-428.
  67. Podsakoff PM, Organ DW. Self-reports in organizational research: problems and prospects. J Manag. 1986;12(4):531-544.
  68. Podsakoff PM, MacKenzie SB, Podsakoff NP. Sources of method bias in social science research and recommendations on how to control it. Annu Rev Psychol. 2012;63:539-569.
  69. Fornell C, Larcker DF. Evaluating structural equation models with unobservable variables and measurement error. J Mark Res. 1981;18(1):39-50.
  70. Kline E, et al. Convergent and discriminant validity of attenuated psychosis screening tools. Schizophr Res. 2012;134(1):49-53.
  71. Tversky A, Kahneman D. Rational choice and the framing of decisions. In: Multiple criteria decision making and risk analysis using microcomputers. Berlin, Heidelberg: Springer; 1986. p. 81-126.

访问受限。请登录或开始试用以查看此内容。

重印与许可

探索更多文章

前景理论感知-意图框架电子政务服务公共卫生应用生物识别系统用户接受度感知价值跨国调查干预性研究
联系我们
向图书馆推荐

隐私政策

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。