Diese Studie schlägt das Public-IT-Adoptionsmodell vor, ein auf der Prospect Theory basierendes Wahrnehmungs-Intentions-Modell, das erklärt, wie wahrgenommene Gewinne und Verluste die Akzeptanz oder Ablehnung öffentlicher IT-Dienste durch Nutzer beeinflussen, beispielsweise bei Flughafen-Biometrie. Zwei Umfragen, darunter eine multinationale Umfrage, sowie Experteninterventionen bestätigten das Modell und stützen die Prospect Theory über Länder und Kontexte hinweg.
Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.
Forschungsartikel
Vorschlag zur Einführung öffentlicher IT mit theoretischer Grundlage und empirischen Ergebnissen
In diesem Artikel
Zusammenfassung
Zusammenfassung
Diese Studie schlägt ein theoretisches Modell der öffentlichen Einführung von Informationstechnologie (PITA) vor. Öffentliche IT-Dienstleistungen bezeichnen IT-basierte Angebote öffentlicher Institutionen für alle Bürger, wie beispielsweise E-Government-Portale, Anwendungen im öffentlichen Gesundheitswesen oder biometrische Systeme an Flughäfen. Aufgrund der besonderen Eigenschaften öffentlicher IT-Dienstleistungen wurden bisherige Modelle, die sich hauptsächlich auf individueller oder unternehmerischer Ebene konzentrierten, als unzureichend erachtet, um die kritische Masse bei der Einführung öffentlicher IT-Dienstleistungen zu erklären. Um diese Lücke zu schließen, wurde ein Wahrnehmungs-Intentions-Modell auf Grundlage der Prospect-Theorie entwickelt, das untersucht, wie Nutzer Verluste und Gewinne bei der Nutzung eines neuen öffentlichen IT-Dienstes wahrnehmen. Diese Wahrnehmungen gelten als entscheidende Voraussetzungen dafür, ob ein neuer öffentlicher IT-Dienst abgelehnt oder angenommen wird. Es wurden zwei Studien durchgeführt, darunter eine mit Umfragedaten aus drei Ländern (Südkorea, Vereinigtes Königreich und Vereinigte Staaten). Außerdem wurden fünf Experten aus der Praxis im Rahmen eines interventionsbasierten Forschungsansatzes eingeladen, um das Modell qualitativ zu verfeinern und zu validieren, sodass es in praktischen Szenarien angewendet werden kann. Die Ergebnisse zeigten, dass der gesamte Akzeptanzwert – also der aggregierte wahrgenommene Nutzen, der erforderlich ist, damit Nutzer den Dienst annehmen –, berechnet als Summe der entsprechenden Pfadkoeffizienten, durchgängig höher war als der Wert der Ablehnung. Ein ähnliches Ergebnis zeigte sich beim wahrgenommenen Gewinn, der stärker als die wahrgenommene Verlustwahrnehmung sowohl die Akzeptanz als auch die Ablehnung vorhersagte. Obwohl die Ergebnisse auf querschnittlichen, selbstberichteten Daten basieren, liefern sie eine starke Unterstützung für die Prospect-Theorie und tragen zu einem tieferen Verständnis ihrer grundlegenden Rolle bei der Einführung öffentlicher IT-Dienstleistungen bei. Indem die Prospect-Theorie auf den Kontext öffentlicher IT-Dienstleistungen übertragen wird, bietet PITA Forschenden eine validierte theoretische Grundlage und Praktikern ein praktisches Instrument zur Diagnose der Einführung öffentlicher IT-Dienstleistungen.
Einleitung
Die Informationstechnologie (IT) hat sich in den letzten Jahrzehnten zu einem beherrschenden und allgegenwärtigen Werkzeug zur Förderung von Innovationen entwickelt und das alltägliche Leben erheblich verändert. Seit der Einführung von IT-Akzeptanzmodellen, die auf psychologischen Perspektiven basieren1,2,3,4, wurde die Beziehung zwischen Nutzern und IT auf individueller sowie auf Unternehmensebene umfassend erforscht5.
Unterdessen hatten viele öffentliche Organisationen Schwierigkeiten, unter überwältigenden gesellschaftlichen Anforderungen betriebliche Effizienz zu erreichen, beispielsweise bei der Überlastung von Flughäfen, was die Wirksamkeit und Qualität öffentlicher Dienstleistungen beeinträchtigt. Die Erweiterung physischer Infrastrukturen könnte kurzfristige Vorteile bringen, erfordert jedoch erhebliche Investitionen von Zeit und Geld6. Im Gegensatz dazu haben innovative Anbieter öffentlicher Dienstleistungen dieses Problem durch IT-getriebene Innovationen angegangen7, wobei sie Neuerungen in bestehende Infrastrukturen integrieren, um die Dienstleistungsqualität und betriebliche Effizienz sicherzustellen8,9,10,11. Öffentliche Organisationen setzen heute neuartige IT-Technologien (z. B. Cloud-Dienste, Cybersicherheit und Biometrie) ein, um ihre Kernressourcen neu zu beleben, was zusätzliche Herausforderungen bei der Einführung mit sich bringt12. Dieses Problem könnte auf ein unzureichendes Verständnis der tatsächlichen Nutzer zurückzuführen sein: Frühere Forschungsarbeiten konzentrierten sich vorwiegend auf Faktoren, die die Akzeptanz fördern, während sie die Ablehnung vernachlässigten. Ohne aktive Beteiligung der Nutzer könnten IT-Implementierungen in öffentlichen Einrichtungen keine praktische Akzeptanz erzielen.
Die Einführung von IT im öffentlichen Sektor birgt jedoch besondere Herausforderungen, die sich von jenen im privaten Sektor unterscheiden. Obwohl „Akzeptanz“ und „Ablehnung“ als zwei entgegengesetzte Status quo zu sein scheinen13, könnte die Förderung der einen Seite die andere behindern; daher sollten beide Seiten des gegenläufigen Effekts berücksichtigt werden. Frühere Untersuchungen zur IT-Dienstleistungsinnovation im öffentlichen Sektor konzentrierten sich überwiegend auf positive Ergebnisse10,11,14,15,16. Daher wurden in diesem Beitrag „Akzeptanz“ und „Ablehnung“ gemeinsam untersucht, wobei psychologiebasierte IS-Modelle (d. h. Diffusion von Innovationen und Innovationsresistenz) mit der Verhaltensökonomie (d. h. Prospect Theory) zusammengeführt wurden.
Der Fall der Flughafen-Biometrie, bei dem die biometrische Identifikation dokumentenbasierte Verfahren ersetzt, wurde ausgewählt, da dieser öffentliche IT-Dienst allen Bürgern angeboten wird, sensible personenbezogene Daten umfasst und die Nutzer vor eine klare Entscheidung für oder gegen die Nutzung stellt. Zwei Forschungsfragen leiteten die Studie. FQ1: Wie beeinflussen wahrgenommene Gewinne und Verluste die Akzeptanz oder Ablehnung eines öffentlichen IT-Dienstes durch die Nutzer? FQ2: Ist der gesamte Wert, der für die Akzeptanz erforderlich ist, größer als der für die Ablehnung, wie die Prospect Theory vorhersagt? Dementsprechend wurde ein neuer theoretischer Rahmen vorgestellt und durch Experten aus der Industrie mittels der IBR-Strategie (Intervention-Based Research)17 (Abbildung 1) validiert. Die Studie verbindet somit die Prospect Theory mit Modellen zur Akzeptanz von Informationssystemen und liefert umsetzbare Erkenntnisse für das Management öffentlicher IT-Dienste.
Abbildung 1: Der Forschungsprozess der theoretischen Modellbildung und -entwicklung. Das Diagramm zeigt den gesamten Forschungsablauf, beginnend mit der theoretischen Modellbildung auf Grundlage bestehender Adoptionsmodelle und der Prospect-Theorie, über Studie 1 und Studie 2, jeweils gefolgt von einer Expertenintervention, bis hin zur Fertigstellung des PITA-Modells. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.
Die Einführung von Informationstechnologie wurde umfassend untersucht: Das Technologieakzeptanzmodell (TAM)2 und die vereinheitlichte Theorie zur Akzeptanz und Nutzung von Technologie (UTAUT)4 auf individueller Ebene sowie die Diffusion von Innovationen (DOI)1 und das Technologie-Organisation-Umgebung-Framework (TOE)3 auf Unternehmensebene haben Folgestudien zu Augmented Reality und Sprachlernen18,19, Chatbots und digitalen Zahlungen20,21, Mobilitätsdiensten22,23 sowie Fernarbeit24 hervorgerufen. Diese Modelle weisen jedoch erhebliche Einschränkungen für öffentliche IT-Anwendungen auf: TAM setzt eine freiwillige Nutzung voraus, DOI vernachlässigt Nutzerwiderstand, und UTAUT wurde hauptsächlich für organisatorische Kontexte entwickelt, sodass ihre Anwendbarkeit auf quasi-verbindliche öffentliche IT-Dienste fraglich bleibt. Es existieren ebenfalls Studien zur Einführung öffentlicher IT-Systeme, die auf diesen Modellen basieren, beispielsweise Erweiterungen von UTAUT zur Untersuchung eines Online-Beschwerdemanagementsystems25 oder die Anwendung von TOE auf Personalinformationssysteme im öffentlichen Sektor14; zahlreiche weitere Studien verfolgten ähnliche Ansätze26,27,28,29,30,31,32,33,34,35.
Die Einführung von Informationstechnologie auf öffentlicher Ebene unterscheidet sich jedoch erheblich von der auf individueller oder Unternehmensebene (siehe Tabelle 1): Die Akteure, die die Technologie einführen, und die Nutzer sind nicht identisch, und die Absichten der Nutzer sind aufgrund psychologischer Trägheit und des bestehenden Status quo der derzeitigen Dienstleistungen nicht offensichtlich. Die disruptiven Eigenschaften der IT können die Umgestaltung bestehender Systeme erschweren36; außerdem erfordert die Einführung eine Veränderung der Einstellungen und Verhaltensweisen der Nutzer, was ein klares Verständnis der Nutzerperspektiven voraussetzt. Angesichts dieser Merkmale sind frühere Modelle, die sich auf individueller oder Unternehmensebene konzentrieren, möglicherweise nicht ausreichend, um die kritische Masse für die öffentliche Einführung von IT zu identifizieren. Da die serviceorientierte Innovation durch IT entscheidend für die Kostensenkung und Dienstleistungsverbesserung37,38 und letztlich für den gesellschaftlichen Fortschritt39 ist, ist ein gezielter theoretischer Rahmen für die öffentliche Einführung von IT von großer Bedeutung.
| Auf individueller Ebene | Auf Unternehmensebene | Auf öffentlicher Ebene | |
| Adoptionsträger | Individuen | Unternehmen (privat) | Unternehmen (öffentlich) |
| Nutzer | Individuen | Unternehmensmitarbeiter | Individuen |
| Nutzungsabsicht | Sicher | Sicher (erzwungen) | Unsicher |
| Psychologische Trägheit | Vernachlässigbar | Vernachlässigbar (erzwungen) | Auffällig |
| Wahrnehmung des Nutzens | Unverzichtbar | Unverzichtbar (erzwungen) | Unverzichtbar |
| Hauptsächlicher Adoptionszweck | Privat | Effizienz, Kosteneinsparung | Öffentliches Interesse |
| Relevante Modelle zur IT-Adoption | TAM2, UTAUT4 | DOI1, TOE3 | Diese Studie |
Tabelle 1: Verschiedene Stufen der IT-Nutzung. Die Tabelle vergleicht die IT-Nutzung auf individueller, unternehmerischer und öffentlicher Ebene hinsichtlich repräsentativer theoretischer Modelle, nutzender Einheiten und Anwender.
Die bestehende Literatur hat gezeigt, dass Einzelpersonen und Mitarbeiter eine a priori (individuelle Ebene) oder vorgegebene (Unternehmensebene) Absicht haben, einen bestimmten IT-Dienst zu nutzen2,40, was darauf hindeutet, dass die Einführung vorab festgelegt war4,41. Nicht alle Nutzer beabsichtigen jedoch, IT zu verwenden42, und nur wenige IS-Studien haben die Merkmale und Begründungen für die Ablehnung identifiziert43,44. Demnach würde ein neuer öffentlicher IT-Dienst gezielt abgelehnt werden, bis die Innovation entweder akzeptiert wird oder scheitert45.
Das Verständnis dafür, warum Nutzer die IT-Dienste einer öffentlichen Institution annehmen oder ablehnen, ist das Hauptziel dieser Studie, das anhand zweier Wertewahrnehmungen untersucht wird: wahrgenommener Gewinn und wahrgenommener Verlust. Der wahrgenommene Gewinn leitet sich vom Modell der Diffusion von Innovationen1,46 ab; diese Konstrukte wurden umfassend genutzt, um Wahrnehmungen zu erforschen, die der Akzeptanz von IT begünstigen47,48, und weisen eine hohe Validität über verschiedene Kontexte hinweg auf40. Im Gegensatz dazu umfasst der wahrgenommene Verlust jene Merkmale, die erklären, warum Menschen ihre gegenwärtige Lebensweise beibehalten, trotz Anpassungsdrucks; basierend auf dem Konzept der Innovationsresistenz42,49 untersucht dieser Forschungsansatz, warum manche Personen die Einführung einer Innovation hinauszögern oder sie vollständig ablehnen49,50,51,52,53. Ein mehrdimensionaler Ansatz wurde gewählt, um diese Wahrnehmungen abzubilden, anstatt Verlust und Gewinn als allgemeine Konstrukte zu behandeln.
Der wahrgenommene Verlust wurde über fünf Konstrukte operationalisiert53,54. Zeitverlust (TIL) ist die wahrgenommene Zeit, die beim Erlernen und Nutzen des Dienstes verloren geht, sowie wenn Erwartungen nicht erfüllt werden53. Sozialer Verlust (SOL) ist das Risiko, innerhalb einer sozialen Gruppe an Ansehen zu verlieren, indem man als töricht oder veraltet erscheint54. Finanzieller Verlust (FIL) umfasst mögliche monetäre Verluste durch Kaufkosten, Gebühren oder den Diebstahl persönlicher Informationen54. Körperlicher Verlust (PHL) ist die Wahrnehmung, dass die Nutzung Schaden, Unbehagen oder Erschöpfung verursachen könnte53,54. Leistungsverlust (PEL) ist der wahrgenommene Rückgang der Dienstleistungsqualität oder Funktionalität im Vergleich zu bestehenden Alternativen, einschließlich Fehlfunktionen und der Nichterbringung der gewünschten Vorteile53.
Um die wahrgenommene Vorteilhaftigkeit (PG) zu erklären, wurden die relative Vorteilhaftigkeit, die Kompatibilität, die Prüfbarkeit und die Komplexität herangezogen1,46. Die relative Vorteilhaftigkeit (REA) beschreibt das Ausmaß, in dem eine Innovation als vorteilhafter angesehen wird als ihr Vorgänger; die Kompatibilität (COM) das Ausmaß, in dem sie mit den Werten, Bedürfnissen und früheren Erfahrungen eines potenziellen Nutzers übereinstimmt; die Prüfbarkeit (TRI), inwieweit eine Erprobung vor der Einführung möglich ist; und die Komplexität (CPX), die mit der im Technologieakzeptanzmodell (TAM) beschriebenen wahrgenommenen Benutzerfreundlichkeit zusammenhängt, bezieht sich darauf, wie schwierig es ist, die Innovation zu nutzen und zu verstehen. Beobachtbarkeit wurde ausgeschlossen, da sie zu unklar für eine Messung ist46 und da biometrische Ergebnisse im öffentlichen IT-Kontext für andere nicht leicht beobachtbar sind.
Der Verlust-Gewinn-Ansatz wurde vorgeschlagen, um die wahrgenommenen Werte zu erklären, die Reaktionen auf einen neuen öffentlichen IT-Dienst motivieren. Wenn der Dienst radikal ist und das gewohnte Verhalten bedroht, wurde vermutet, dass der wahrgenommene Verlust den wahrgenommenen Gewinn überwiegt, was zur Ablehnung führt; wenn dies anhält, könnte die Ablehnung zu einem ständigen Aspekt der Verhaltensintention werden42,49. Umgekehrt hat der Nutzer kaum Gründe, den Dienst abzulehnen, wenn die wahrgenommenen Vorteile die erwarteten Verluste überwiegen. Daher wurden die folgenden Hypothesen aufgestellt:
H1. Wahrgenommener Verlust wird einen positiven Einfluss auf die Ablehnung haben.
H2. Wahrgenommener Verlust wird einen negativen Einfluss auf die Akzeptanz haben.
H3. Wahrgenommener Gewinn wird einen negativen Einfluss auf die Ablehnung haben.
H4. Wahrgenommener Gewinn wird einen positiven Einfluss auf die Akzeptanz haben.
Jede durch IT unterstützte Verbesserung öffentlicher Dienstleistungen zielt darauf ab, die Gesellschaft voranzubringen (z. B. schnelleres und sichereres Boarding durch biometrische Verfahren am Flughafen). Doch ein kürzlich eingeführter öffentlicher IT-Dienst ist mit zahlreichen Risiken und Unsicherheiten verbunden, sodass die Nutzer die intendierten Vorteile möglicherweise nicht akzeptieren. Laut der Prospect-Theorie55 treffen Menschen solche irrationalen Entscheidungen auf Grundlage der Bewertung von Alternativen, Werten und Einstellungen gegenüber Unsicherheit, wobei die Beurteilung relativ zu einem Referenzpunkt erfolgt (Referenzabhängigkeit). Der zentrale Erkenntnis der Theorie ist die Verlustaversion, also die Tendenz, Verluste stärker zu gewichten als gleichwertige Gewinne, verbunden mit abnehmender Sensitivität; dieser Fokus auf Gewinne und Verluste im Vergleich zum Status quo korreliert direkt mit der hier untersuchten Dichotomie von Akzeptanz und Ablehnung. Die Prospect-Theorie wurde in jüngeren IS- und IT-Studien verwendet, um irrationale Entscheidungen unter Risiko und Unsicherheit zu erklären56,57,58,59,60, wobei unterschiedliche Kontexte abgedeckt wurden – von KI-unterstützter Arbeit und digitaler Gesundheit bis hin zu öffentlichem WLAN und mobilen Zahlungen. Obwohl diese Studien die Relevanz der Theorie bestätigen, konzentrierten sie sich vorwiegend auf Akzeptanzabsichten und vernachlässigten dabei die für öffentliche IT-Dienste zentrale Dimension der Ablehnung.
Nutzer öffentlicher IT-Dienste verhalten sich so, als ob sie die Annahme oder Ablehnung des Dienstes anhand der erforderlichen Gesamtwerte entscheiden (d. h. der Summe aus wahrgenommenem Gewinn und Verlust). Keine vorherige Studie zur Einführung öffentlicher IT hat dieses Phänomen aus dieser Perspektive untersucht. Daher wurden die Pfadkoeffizienten (d. h. PL zu REJ) als Werte kodiert55, und die für die Ablehnung und Annahme erforderlichen Gesamtwerte wurden wie folgt berechnet:
V(R) = CLR + CGR (1)
V(A) = CLA + CGA (2)
wobei CLR, CGR, CLA und CGA die Pfadkoeffizienten für wahrgenommene Verluste bei Ablehnung, wahrgenommene Gewinne bei Ablehnung, wahrgenommene Verluste bei Akzeptanz und wahrgenommene Gewinne bei Akzeptanz sind; diese standardisierten Koeffizienten ergeben V(R) und V(A) als zusammengesetzte Werte des Gesamteinflusses von Verlust und Gewinn. Da öffentliche IT-Dienste darauf ausgelegt sind, Nutzern zugutezukommen, Nutzer jedoch Verluste stärker gewichten als Gewinne, wenn sie vom Status quo abweichen, wurde erwartet, dass die riskantere Entscheidung – die Akzeptanz – einen größeren Gesamtwert erfordert als die Ablehnung. Aufbauend auf H1–H4 prüft H5 das Nettoergebnis dieser Effekte:
H5. Der Gesamtwert, der für die Akzeptanz erforderlich ist, V(A), wird größer sein als der für die Ablehnung, V(R). Das resultierende konzeptionelle PITA-Modell (öffentliche Technologieakzeptanz im Bereich der Informationstechnologie) ist in Abbildung 2 dargestellt.
Abbildung 2: Konzeptionelles PITA-Modell. Das Diagramm zeigt empfundenen Verlust (PL) und empfundenen Gewinn (PG) als Ursachen von Ablehnung (REJ) und Akzeptanz (ACC); die Pfade a, b, c und d entsprechen den Koeffizienten, die zur Berechnung der Gesamtwerte V(R) und V(A) verwendet werden. Hinweis: a = CLR, b = CLA, c = CGR und d = CGA Bitte klicken Sie hier, um eine vergrößerte Ansicht dieser Abbildung einzusehen.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Protokoll
Alle Studienschritte entsprachen den ethischen Grundsätzen für Forschung mit menschlichen Teilnehmenden an der aSSIST University, der Sungkyunkwan University und der Dong-A University. Da die Umfrageantworten zum Erhebungszeitpunkt anonymisiert wurden und keine personenbezogenen Informationen erhoben wurden, stufte die Institutional Review Board der aSSIST University die Studie als von der vollständigen ethischen Prüfung ausgenommen ein. Die beteiligten Institutionen beantragten keine separaten IRB-Zulassungen, da sie sich auf die Freistellungsentscheidung der Institutional Review Board der aSSIST University stützten, die sowohl das Forschungsdesign als auch die Verfahren zur Datenerhebung abdeckte. Diese Entscheidung erfolgte gemäß Artikel 15 des Bioethik- und Sicherheitsgesetzes der Republik Korea und den in Artikel 13 der dazugehörigen Durchführungsverordnung festgelegten Kriterien für die Freistellung (https://public.irb.or.kr/pt/pt01/PT0103/PT0103R01.do). Vor dem Zugriff auf den Qualtrics-Fragebogen erhielten alle Teilnehmenden eine elektronische Erklärung zur informierten Einwilligung, in der der wissenschaftliche Zweck der Studie, die anonyme Verarbeitung der Antworten, die ausschließliche Nutzung der Daten für Forschungszwecke sowie das Fehlen vernünftigerweise vorhersehbarer Risiken erläutert wurden. Nur Teilnehmende, die ausdrücklich ihre Einwilligung gaben, konnten die Umfrage fortsetzen.
Überblick über die Studien
Es wurden zwei empirische Studien und zwei Experteninterventionen durchgeführt, um die fünf Hypothesen sowie das vorgeschlagene PITA-Modell zu überprüfen. Die Ergebnisse sind in Abbildung 3 dargestellt. Zwei Erhebungen in zwei Wellen wurden vor der COVID-19-Pandemie (2019, viertes Quartal) und während der Pandemie (2020, zweites und drittes Quartal) durchgeführt, um die Konstrukte zu unterschiedlichen Zeitpunkten separat zu messen, die Möglichkeit einer gemeinsamen Methodenverzerrung (CMB) in den Daten zu verringern und die Generalisierbarkeit der Studie zu erhöhen61,62.
Abbildung 3: Übersicht der Studien. Der Zeitplan fasst das Zwei-Wellen-Design zusammen: Studie 1 (2019 Q4, vor COVID-19, koreanische Stichprobe, N = 322), gefolgt von der ersten Expertenintervention, und Studie 2 (2020 Q2–Q3, während COVID-19, Stichproben aus Korea, Großbritannien und den USA, N = 602), gefolgt von der zweiten Expertenintervention. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Modell der Studie 1
Das anfängliche Forschungsmodell wurde basierend auf den entwickelten Hypothesen erstellt, um die Absichten der Nutzer bezüglich der Annahme oder Ablehnung eines kürzlich eingeführten öffentlichen IT-Dienstes (d. h. Biometrie an Flughäfen) zu untersuchen, wie in Abbildung 4 dargestellt. Die Meinungen der Nutzer zu öffentlichen IT-Diensten spiegelten sich in zwei Konstrukten zweiter Ordnung wider, dem wahrgenommenen Verlust (PL) und dem wahrgenommenen Gewinn (PG), die jeweils aus entsprechenden Konstrukten erster Ordnung gebildet wurden. Diese beiden Konstrukte zweiter Ordnung fungieren als Einflussfaktoren für die Ablehnung (REJ) und die Annahme (ACC), welche die Nutzerabsichten zur Nutzung öffentlicher IT-Dienste repräsentieren.
Abbildung 4: Forschungsmodell der Studie 1. Fünf Konstrukte erster Ordnung bezüglich Verlust (PEL, TIL, SOL, PHL und FIL) bilden das Konstrukt zweiter Ordnung wahrgenommener Verlust, und vier Konstrukte erster Ordnung bezüglich Gewinn (REA, COM, TRI und CPX) bilden den wahrgenommenen Gewinn; die beiden Konstrukte zweiter Ordnung werden als Einflussfaktoren für Zurückweisung und Akzeptanz modelliert (H1–H4). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Forschungsdaten der Studie 1
Die erste Datenerhebung basierte auf insgesamt 322 südkoreanischen Teilnehmern (weiblich: 46,6 %, männlich: 53,4 %), die innerhalb des vergangenen Jahres mindestens einmal Flugerfahrung hatten, und wurde vom 13. bis 18. November 2019 (vor Beginn der COVID-19-Pandemie) durchgeführt. Im einleitenden Teil der Umfrage wurden Definitionen und Beispiele für öffentliche IT-Dienste (d. h. biometrische Anwendungen an Flughäfen) bereitgestellt. Die Rohdaten der Studie 1 sind als Zusatzdatei 1 verfügbar. Die Flughäufigkeit wurde in fünf sich gegenseitig ausschließende Kategorien (FF1–FF5) erfasst, die ein, zwei, drei, vier bzw. fünf oder mehr Flüge im vergangenen Jahr entsprechen (Studie 1: 138, 91, 34, 21 und 38 Teilnehmer; Studie 2: 174, 153, 109, 82 und 84 Teilnehmer).
Die Prädiktor-Konstrukte wurden anhand einer siebenstufigen Likert-Skala bewertet, die von „stimme überhaupt nicht zu (1)“ bis „stimme voll und ganz zu (7)“ reichte (siehe Zusatzdatei 21,46,53,54,63,64 für den Studienfragebogen). Nach einem Pilottest mit 20 Teilnehmern beschränkten sich die Überarbeitungen auf sprachliche Verbesserungen der Fragen, um deren Stabilität, Anwendbarkeit und Interpretierbarkeit zu erhöhen; nach dem Pilottest wurden keine Konstrukte oder Items hinzugefügt oder entfernt. Das begleitende Dokument enthält den vollständigen Fragebogen sowie relevante Statistiken und den theoretischen Hintergrund. Es wurden Bestätungsanalysen (CFA) und kovarianzbasierte Strukturgleichungsmodellierungen (CB-SEM) durchgeführt.
Expertenintervention für Studie 1
Fünf Experten mit mindestens zehnjähriger Berufserfahrung wurden eingeladen, um die Objektivität sicherzustellen und die Qualität dieser Arbeit zu verbessern. Dazu gehörten zwei Experten aus internationalen Organisationen (Airports Council International und International Air Transport Association), zwei aus staatlichen Organisationen (Singapore Changi Airport und Korea Airports Corporation) sowie einer aus einem privaten Unternehmen, das Dienstleistungen in öffentlichen Einrichtungen anbietet (Korean Air). Diese Expertenintervention war entscheidend, um Rückmeldungen zur Verbesserung des Modells und des Fachwissens über den Zielkontext zu erhalten. Es wurden sowohl qualitative (d. h. subjektive Rückmeldungen) als auch quantitative Bewertungen (siebenstufige Likert-Skala) durchgeführt. Für die quantitative Bewertung wurde eine überarbeitete Version der Entscheidungsbericht-Merkmals-Fragebogenitems verwendet (siehe Supplementary File 3)65, die mithilfe des Intraklassen-Korrelationskoeffizienten validiert wurde66. In jeder Interventionsrunde füllte jeder Experte den quantitativen Fragebogen einzeln aus und gab anschließend offene, qualitative Rückmeldungen ab; dasselbe Expertengremium, dieselben Instrumente und dasselbe Vorgehen wurden bei beiden Interventionen angewandt, um eine Reproduzierbarkeit zu ermöglichen.
Studie 2
Um die in Studie 1 identifizierten Probleme anzugehen und die Generalisierbarkeit des Modells zu verbessern, wurde in Studie 2 dasselbe Modell wie in Studie 1 angewandt. Studie 2 umfasste 602 Teilnehmer (weiblich: 42,3 %, männlich: 57,7 %, Korea: 200, Großbritannien: 201 und USA: 201). Die Datenerhebung erfolgte zwischen dem 23. Juli und dem 19. August 2020 (während der COVID-19-Pandemie). Die Rohdaten für Studie 2 sind in Zusatzdatei 4 enthalten. Bei 33 beobachteten Indikatoren bietet diese Stichprobengröße etwa 18 Beobachtungen pro Indikator, was über dem allgemein empfohlenen Kriterium von 10 Beobachtungen pro Indikator für die CB-SEM liegt, und übersteigt zudem die häufig verwendete Mindestschwelle von 200 Beobachtungen. Südkorea, Großbritannien und die USA wurden ausgewählt, da sie von Juli 2019 bis Juni 2020 für 29,1 % aller internationalen Flugreisenden weltweit (etwa 1,6 Milliarden von 5,5 Milliarden) verantwortlich waren. Die COVID-19-Pandemie betraf diese Länder zu unterschiedlichen Zeitpunkten, begann in Korea und erreichte später die USA und Großbritannien. Außerdem boten die drei Länder eine Kombination aus ostasiatischen und westlichen kulturellen Traditionen. Daher wurde der kombinierte Datensatz dieser Länder verwendet, um den Wahrnehmungs-Intentions-Modellrahmen für den neuartigen öffentlichen IT-Dienst (d. h. Flughafen-Biometrie) zu untersuchen.
Intervention der Experten für Studie 2
Derselben Experten wurden erneut eingeladen, dieselben quantitativen und qualitativen Bewertungen durchgeführt, und ihr Feedback wurde eingeholt, um die Ergebnisse der Studie 2 zu validieren.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Ergebnisse
Studie 1
Um mögliche CMB im Zusammenhang mit selbstberichteten Daten zu bewerten, wurde zunächst eine Einfaktorenanalyse durchgeführt67. Gemäß den Testergebnissen erklärte ein einzelner Faktor 36,56 % der Varianz; ein einzelner Faktor, der weniger als 50 % der Varianz erklärt, zeigt an, dass CMB keine besorgniserregende Rolle spielt62,67,68. Anschließend wurden die Konstruktvalidität ...
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Diskussion
Diese Untersuchung mit zwei Studien überprüfte das PITA-Modell zur öffentlichen Einführung von Informationstechnologie; in beiden Studien wurden alle fünf Hypothesen bestätigt, und die Kluft zwischen V(A) und V(R) vergrößerte sich im riskanteren Kontext von COVID-19, was der Vorhersage der Prospect-Theorie entspricht, dass riskantere Entscheidungen einen höheren wahrgenommenen Nutzen erfordern. Es zeigte sich eine Lücke in den theoretischen Grundlagen der Literatur zur IT-Einführung, einschließlich des TAM
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Offenlegungen
Die Autoren geben keine Interessenkonflikte an. Während der Erstellung dieses überarbeiteten Manuskripts wurde ein generatives KI-Tool (ChatGPT 5o) zur Unterstützung bei der sprachlichen Bearbeitung und Formatierung verwendet. Die Autoren haben alle Inhalte geprüft und verifiziert und übernehmen die volle Verantwortung für das Manuskript; es wurde kein KI-Tool verwendet, um Daten zu generieren, Analysen durchzuführen oder Abbildungen zu erstellen.
Danksagungen
Diese Arbeit wurde durch Forschungsmittel der aSSIST University unterstützt.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Materialien
| Name | Unternehmen | Katalognummer | Kommentare |
|---|---|---|---|
| IBM SPSS Amos (CB-SEM-Software) | IBM Corp. (Armonk, NY, USA) | version 27; https://www.ibm.com/products/structural-equation-modeling-sem/ | Wird für alle Analysen der kovarianzbasierten Strukturgleichungsmodellierung (CB-SEM) verwendet, einschließlich der Bewertung des Messmodells (CFA: zusammengesetzte Reliabilität, AVE und diskriminante Validität) sowie der Pfadanalyse des Strukturmodells. |
| Prolific (Online-Plattform zur Rekrutierung von Teilnehmern) | Prolific Academic Ltd | https://www.prolific.com/ | Online-Plattform zur Rekrutierung von Umfrageteilnehmern. Die Teilnehmer wurden anhand von Eignungskriterien (z. B. Flughafenerfahrung) ausgewählt und gemäß den Fair-Pay-Richtlinien von Prolific vergütet. |
| Qualtrics (Online-Umfrageplattform) | Qualtrics, LLC | RRID:SCR_016728 | Webbasierte Umfrageplattform zur Gestaltung, Verteilung und Datensammlung von Fragebögen. Alle Messinstrumente wurden über Qualtrics mithilfe einer 7-Punkte-Likert-Skala (1 = stimme voll und ganz nicht zu, 7 = stimme voll und ganz zu) erhoben. https://www.qualtrics.com/ |
Referenzen
- Rogers EM, Singhal A, Quinlan MM. Diffusion of innovations. In: An integrated approach to communication theory and research. London: Routledge; 2014. p. 432-448.
- 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.
- Tornatzky LG, Fleischer M, Chakrabarti AK. Processes of technological innovation. Lexington (MA): Lexington Books; 1990.
- Venkatesh V, Morris MG, Davis GB, Davis FD. User acceptance of information technology: toward a unified view. MIS Q. 2003;27(3):425-478.
- 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.
- Balliauw M, Onghena E. Expanding airport capacity of cities under uncertainty: strategies to mitigate congestion. J Air Transp Manag. 2020;84:101791.
- Marjanovic O, Cecez-Kecmanovic D. Open government data platforms - a complex adaptive sociomaterial systems perspective. Inf Organ. 2020;30(4):100323.
- 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.
- 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.
- Negri NAR, Borille GMR, Falcão VA. Acceptance of biometric technology in airport check-in. J Air Transp Manag. 2019;81:101720.
- Morosan C. An empirical examination of US travelers' intentions to use biometric e-gates in airports. J Air Transp Manag. 2016;55:120-128.
- Price A, Prusak A, Wright M. Tech trends 2021: a government perspective. Deloitte Insights; 2021.
- Samuelson W, Zeckhauser R. Status quo bias in decision making. J Risk Uncertain. 1988;1(1):7-59.
- Troshani I, Jerram C, Hill SR. Exploring the public sector adoption of HRIS. Ind Manag Data Syst. 2011;111(3):470-488.
- 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.
- Warkentin M, Orgeron C. Using the security triad to assess blockchain technology in public sector applications. Int J Inf Manag. 2020;52:102090.
- Oliva R. Intervention as a research strategy. J Oper Manag. 2019;65(7):710-724.
- 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.
- 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.
- 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.
- 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.
- Epstein B. Two decades of e-government diffusion among local governments in the United States. Gov Inf Q. 2022;39(2):101665.
- Hasselwander M, Bigotte JF, Fonseca M. Understanding platform internationalisation to predict the diffusion of new mobility services. Res Transp Bus Manag. 2022;43:100765.
- Ng PM, Lit KK, Cheung CT. Remote work as a new normal? The technology-organization-environment (TOE) context. Technol Soc. 2022;70:102022.
- 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.
- Alawadhi S, Morris A. Factors influencing the adoption of e-government services. J Softw. 2009;4(6):584-590.
- Chan FKY, et al. Modeling citizen satisfaction with mandatory adoption of an e-government technology. J Assoc Inf Syst. 2010;11(10):519-549.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- Dahabiyeh L, Constantinides P. Legitimating digital technologies in industry exchange fields: the case of digital signatures. Inf Organ. 2022;32(1):100392.
- Feller I. Managerial response to technological innovation in public sector organizations. Manage Sci. 1980;26(10):1021-1030.
- Dawson GS, Denford JS, Desouza KC. Governing innovation in US state government: an ecosystem perspective. J Strateg Inf Syst. 2016;25(4):299-318.
- Oliveira T, Fraga M. Literature review of information technology adoption models at firm level. Electron J Inf Syst Eval. 2011;14(1):110-121.
- 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.
- 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.
- Ram S. A model of innovation resistance. Adv Consum Res. 1987;14(1):208-212.
- Lapointe L, Rivard S. A multilevel model of resistance to information technology implementation. MIS Q. 2005;29(3):461-491.
- Davidson E, Baird A, Prince K. Opening the envelope of health care information systems research. Inf Organ. 2018;28(3):140-151.
- Bradley L, Stewart K. A Delphi study of the drivers and inhibitors of Internet banking. Int J Bank Mark. 2002;20(6):250-260.
- 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.
- 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.
- 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.
- Ram S, Sheth JN. Consumer resistance to innovations: the marketing problem and its solutions. J Consum Mark. 1989;6(2):5-14.
- 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.
- Gatignon H, Robertson TS. Technology diffusion: an empirical test of competitive effects. J Mark. 1989;53(1):35-49.
- Weber EU, Bottom WP. Axiomatic measures of perceived risk: some tests and extensions. J Behav Decis Mak. 1989;2(2):113-131.
- Stone RN, Grønhaug K. Perceived risk: further considerations for the marketing discipline. Eur J Mark. 1993;27(3):39-50.
- Featherman MS, Pavlou PA. Predicting e-services adoption: a perceived risk facets perspective. Int J Hum Comput Stud. 2003;59(4):451-474.
- Kahneman D, Tversky A. Prospect theory: an analysis of decision under risk. Econometrica. 1979;47(2):263-291.
- 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.
- 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.
- Choi HS, Carpenter D, Ko MS. Risk taking behaviors using public Wi-Fi. Inf Syst Front. 2021:1-18.
- 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.
- 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.
- 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.
- 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.
- Szmigin I, Foxall G. Three forms of innovation resistance: the case of retail payment methods. Technovation. 1998;18(6-7):459-468.
- 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.
- Aldag RJ, Power DJ. An empirical assessment of computer-assisted decision analysis. Decis Sci. 1986;17(4):572-588.
- Shrout PE, Fleiss JL. Intraclass correlations: uses in assessing rater reliability. Psychol Bull. 1979;86(2):420-428.
- Podsakoff PM, Organ DW. Self-reports in organizational research: problems and prospects. J Manag. 1986;12(4):531-544.
- 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.
- Fornell C, Larcker DF. Evaluating structural equation models with unobservable variables and measurement error. J Mark Res. 1981;18(1):39-50.
- Kline E, et al. Convergent and discriminant validity of attenuated psychosis screening tools. Schizophr Res. 2012;134(1):49-53.
- 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.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.