Forschungsartikel

Vorschlag zur Einführung öffentlicher IT mit theoretischer Grundlage und empirischen Ergebnissen

0 Aufrufe

⸱

DOI:

10.3791/73614

⸱

15. September 2026

 ,  , 
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

In diesem Artikel

Zusammenfassung

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.

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 haben 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 die Ablehnung vernachlässigt wurde. Ohne aktive Beteiligung der Nutzer könnten IT-Implementierungen in öffentlichen Einrichtungen keine praktische Anwendung finden.

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 beinhaltet und die Nutzer vor eine klare Entscheidung für oder gegen die Nutzung stellt. Zwei Forschungsfragen leiteten die Studie. F1: Wie beeinflussen wahrgenommene Gewinne und Verluste die Akzeptanz bzw. Ablehnung eines öffentlichen IT-Dienstes durch die Nutzer? F2: Ist der gesamte Wert, der für die Akzeptanz erforderlich ist, größer als der für die Ablehnung, wie die Prospect-Theorie vorhersagt? Dementsprechend wurde ein neuer theoretischer Rahmen vorgeschlagen und durch Branchenexperten mittels der IBR-Strategie (Intervention-Based Research)17 validiert (Abbildung 1). Die vorliegende Studie verbindet somit die Prospect-Theorie mit Modellen zur Akzeptanz von Informationssystemen und liefert handfeste Erkenntnisse für das Management öffentlicher IT-Dienste.

figure-introduction-1
Abbildung 1: Der Forschungsprozess der theoretischen Modellrahmung und -entwicklung. Das Diagramm zeigt den gesamten Forschungsablauf, beginnend mit der theoretischen Modellrahmung basierend auf früheren Adoptionsmodellen 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 IT 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 geht von freiwilliger Nutzung aus, DOI vernachlässigt Nutzerwiderstand, und UTAUT wurde vorwiegend für organisationale 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 Einführung 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 Status quo der derzeitigen Dienstleistungen nicht offensichtlich. Die disruptiven Eigenschaften der Informationstechnologie können die Umgestaltung bestehender Systeme behindern36; zudem erfordert die Einführung eine Veränderung der Einstellungen und Verhaltensweisen der Nutzer, was ein klares Verständnis der Nutzerperspektiven voraussetzt. Angesichts dieser Merkmale sind bisherige Modelle, die sich auf die individuelle oder Unternehmensebene konzentrieren, möglicherweise nicht ausreichend, um die kritische Masse für die öffentliche Einführung von Informationstechnologie zu bestimmen. Da innovationsgetriebene Dienstleistungen durch Informationstechnologie entscheidend für die Kostensenkung und die Verbesserung von Dienstleistungen37,38 und letztlich für den gesellschaftlichen Fortschritt39 sind, ist ein gezieltes theoretisches Rahmenkonzept für die öffentliche Einführung von Informationstechnologie von entscheidender Bedeutung.

IndividualebeneUnternehmensebeneÖffentliche Ebene
AdoptionseinheitIndividuenUnternehmen (privat)Unternehmen (öffentlich)
NutzerIndividuenMitarbeiter von UnternehmenIndividuen
NutzungsabsichtGewissGewiss (erzwungen)Unsicher
Psychologische TrägheitVernachlässigbarVernachlässigbar (erzwungen)Bedeutsam
Wahrnehmung des NutzensUnverzichtbarUnverzichtbar (erzwungen)Unverzichtbar
Hauptzweck der EinführungPrivatEffizienz, KosteneinsparungÖffentliches Interesse
Relevante Modelle zur IT-EinführungTAM2, UTAUT4DOI1, TOE3Diese 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 zwangsläufige (Unternehmensebene) Absicht haben, einen bestimmten IT-Dienst zu nutzen2,40, was darauf hindeutet, dass die Einführung vorbestimmt 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 der Akzeptanz und Ablehnung von IT-Diensten einer öffentlichen Institution durch Nutzer ist das Hauptziel dieser Studie, das anhand zweier Wertewahrnehmungen untersucht wurde: wahrgenommener Gewinn und wahrgenommener Verlust. Der wahrgenommene Gewinn leitet sich aus dem Diffusionsmodell von Innovationen ab1,46; diese Konstrukte wurden umfassend zur Untersuchung von Wahrnehmungen verwendet, die der IT-Akzeptanz förderlich sind47,48, und weisen eine hohe Validität über verschiedene Kontexte hinweg auf40. Im Gegensatz dazu umfasst der wahrgenommene Verlust die Merkmale, die erklären, warum Menschen ihren gegenwärtigen Lebensstil trotz Anpassungsdrucks beibehalten; basierend auf dem Konzept der Innovationsresistenz42,49 untersucht dieser Forschungsansatz, warum einige Personen die Einführung einer Innovation hinauszögern oder sie vollständig ablehnen49,50,51,52,53. Ein mehrdimensionaler Ansatz erfasste diese Wahrnehmungen, anstatt Verlust und Gewinn als allgemeine Konstrukte zu behandeln.

Der wahrgenommene Verlust wurde über fünf Konstrukte operationalisiert53,54. Zeitverlust (TIL) bezeichnet die wahrgenommene Zeit, die beim Erlernen und Nutzen des Dienstes verloren geht, sowie dann, 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 Nutzensteigerung (PG) zu erklären, wurden die Faktoren relativer Vorteil, Kompatibilität, Erprobbarkeit und Komplexität herangezogen1,46. Der relative Vorteil (REA) ist das Ausmaß, in dem eine Innovation als vorteilhafter angesehen wird als ihr Vorgänger; die Kompatibilität (COM) beschreibt, wie gut sie mit den Werten, Bedürfnissen und früheren Erfahrungen eines potenziellen Anwenders übereinstimmt; die Erprobbarkeit (TRI) bezeichnet das Ausmaß, in dem eine vorübergehende Nutzung vor der endgültigen Übernahme möglich ist; und die Komplexität (CPX), die mit dem im Technologieakzeptanzmodell (TAM) beschriebenen Konzept der wahrgenommenen Leichtigkeit der Nutzung verwandt ist, bezieht sich darauf, wie schwierig die Innovation in der Anwendung und im Verständnis ist. Beobachtbarkeit wurde ausgeschlossen, da sie zu unklar für eine verlässliche 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; falls dies anhält, könnte die Ablehnung zu einem konstanten 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 eine positive Wirkung auf die Ablehnung haben.
H2. Wahrgenommener Verlust wird eine negative Wirkung auf die Akzeptanz haben.
H3. Wahrgenommene Zunahme wird eine negative Wirkung auf die Ablehnung haben.
H4. Wahrgenommene Zunahme wird eine positive Wirkung auf die Akzeptanz haben.

Jede IT-getriebene Verbesserung im öffentlichen Dienstleistungssektor zielt darauf ab, die Gesellschaft voranzubringen (z. B. schnelleres und sicheres Einsteigen durch Biometrie am Flughafen). Doch ein kürzlich eingeführter öffentlicher IT-Dienst ist mit zahlreichen Risiken und Unsicherheiten verbunden, sodass die Nutzer die intendierten Vorteile möglicherweise nicht annehmen. Laut der Prospect-Theorie55 treffen Menschen solche irrationalen Entscheidungen auf der Grundlage von Bewertungen alternativer Optionen, 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 steht in direktem Zusammenhang 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 hauptsächlich auf Akzeptanzabsichten und vernachlässigten dabei die für öffentliche IT-Angebote zentrale Dimension der Ablehnung.

Nutzer öffentlicher IT-Dienste verhalten sich so, als ob sie entscheiden, den Dienst zu akzeptieren oder abzulehnen, basierend auf den erforderlichen Gesamtwerten (d. h. der Summe aus wahrgenommenem Gewinn und Verlust). Keine vorherige Studie zur Einführung öffentlicher IT hat dieses Phänomen aus dieser Perspektive untersucht. Entsprechend wurden die Pfadkoeffizienten (d. h. PL zu REJ) als Werte codiert55, 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 im Hinblick auf Ablehnung, wahrgenommene Gewinne im Hinblick auf Ablehnung, wahrgenommene Verluste im Hinblick auf Akzeptanz sowie wahrgenommene Gewinne im Hinblick auf Akzeptanz sind; diese standardisierten Koeffizienten ergeben V(R) und V(A) als zusammengesetzte Werte des gesamten Einflusses von Verlust und Gewinn. Da öffentliche IT-Dienste darauf ausgelegt sind, Nutzern zugutezukommen, während Nutzer 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 Nettogleichgewicht 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.

figure-introduction-2
Abbildung 2: Konzeptionelles PITA-Modell. Das Diagramm zeigt wahrgenommenen Verlust (PL) und wahrgenommenen Gewinn (PG) als Einflussfaktoren für 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 größere Version dieser Abbildung anzusehen.

Protokoll

Alle Studienvorgaben entsprachen den ethischen Grundsätzen für Forschung mit menschlichen Teilnehmern an der aSSIST University, der Sungkyunkwan University und der Dong-A University. Da die Umfrageantworten bereits zum Erhebungszeitpunkt anonymisiert wurden und keine personenbezogenen Daten erhoben wurden, stufte die Institutional Review Board der aSSIST University die Studie als von einer vollständigen ethischen Prüfung ausgenommen ein. Die beteiligten Institutionen beantragten keine separaten Genehmigungen der IRB, da sie sich auf die Ausnahmefeststellung der Institutional Review Board der aSSIST University verließen, die sowohl das Forschungsdesign als auch die Verfahren zur Datenerhebung abdeckte. Diese Feststellung erfolgte gemäß Artikel 15 des Bioethik- und Sicherheitsgesetzes der Republik Korea und den in Artikel 13 der dazugehörigen Durchführungsverordnung festgelegten Kriterien für Ausnahmen (https://public.irb.or.kr/pt/pt01/PT0103/PT0103R01.do). Vor dem Zugriff auf den Qualtrics-Fragebogen erhielten alle Teilnehmer eine elektronische Erklärung zur informierten Einwilligung, in der der akademische Zweck der Forschung, die anonyme Verarbeitung der Antworten, die ausschließliche Nutzung der Daten zu Forschungszwecken sowie das Fehlen vernünftigerweise vorhersehbarer Risiken erläutert wurden. Nur Teilnehmer, die ausdrücklich ihre Einwilligung erteilten, durften die Umfrage fortsetzen.

Übersicht der Studien
Es wurden zwei empirische Studien und zwei Experteninterventionen durchgeführt, um die fünf Hypothesen und 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 getrennt zu erfassen, die Möglichkeit einer gemeinsamen Methodenverzerrung (CMB) in den Daten zu verringern und die Generalisierbarkeit der Studie zu erhöhen61,62.

figure-protocol-1
Abbildung 3: Übersicht der Studien. Die Zeitachse fasst das Zwei-Wellen-Design zusammen: Studie 1 (4. Quartal 2019, vor COVID-19, koreanische Stichprobe, N = 322), gefolgt von der ersten Expertenintervention, und Studie 2 (2. und 3. Quartal 2020, 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 hinsichtlich der Akzeptanz 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 Determinanten der Ablehnung (REJ) und Akzeptanz (ACC), die die Absichten der Nutzer zum Gebrauch öffentlicher IT-Dienste repräsentieren.

figure-protocol-2
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 Ablehnung und Akzeptanz modelliert (H1–H4). Bitte klicken Sie hier, um eine vergrößerte Darstellung dieser Abbildung anzusehen.

Forschungsdaten der Studie 1
Die erste Datenerhebung basierte auf insgesamt 322 koreanischen Teilnehmern (weiblich: 46,6 %, männlich: 53,4 %), die bereits Erfahrung mit dem Betreten eines Flugzeugs hatten. mindestens einmal innerhalb des vergangenen Jahres, wurde vom 13. bis 18. November 2019 (vor Beginn der COVID-19-Pandemie) erhoben. Im Einleitungsteil der Umfrage wurden Definitionen und Beispiele öffentlicher IT-Dienstleistungen (z. B. biometrische Anwendungen an Flughäfen) bereitgestellt. Die Rohdaten für Studie 1 sind in Zusatzdatei 1Die Flugfrequenz wurde in fünf sich gegenseitig ausschließenden Kategorien (FF1–FF5) gemessen, die ein, zwei, drei, vier bzw. fünf oder mehr Flüge im vergangenen Jahr entsprachen (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 Fragenelemente, um deren Stabilität, Anwendbarkeit und Interpretierbarkeit zu erhöhen; nach dem Pilottest wurden keine Konstrukte oder Elemente hinzugefügt oder entfernt. Das begleitende Dokument enthält den vollständigen Fragebogen sowie relevante Statistiken und den theoretischen Hintergrund. Es wurden Bestätungsanalysen der Faktoren (CFA) und kovarianzbasierte Strukturgleichungsmodellierungsanalysen (CB-SEM) durchgeführt.

Expertenintervention für Studie 1
Fünf Experten mit mindestens zehn Jahren Berufserfahrung wurden eingeladen, um die Objektivität sicherzustellen und die Qualität dieser Arbeit zu verbessern, darunter zwei von internationalen Organisationen (Airports Council International und International Air Transport Association), zwei von staatlichen Organisationen (Flughafen Singapur Changi und Korea Airports Corporation) sowie einer von 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 (siebenstufige Likert-Skala) Bewertungen durchgeführt. Für die quantitative Beurteilung wurde eine überarbeitete Version der Fragebogenitems zu den Entscheidungsberichtsmerkmalen verwendet (siehe Zusatzdatei 3)65, die mithilfe des Intraklassenkorrelationskoeffizienten 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 überschreitet zudem die weit verbreitete 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 (rund 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. Zudem boten die drei Länder eine Mischung aus ostasiatischen und westlichen kulturellen Traditionen. Daher wurde der kombinierte Datensatz dieser Länder verwendet, um das Wahrnehmungs-Intention-Modell der Nutzer für den neuartigen öffentlichen IT-Dienst (d. h. Flughafen-Biometrie) zu untersuchen.

Expertenintervention für Studie 2
Die gleichen Experten wurden erneut eingeladen, es wurden dieselben quantitativen und qualitativen Bewertungen durchgeführt, und ihr Feedback wurde eingeholt, um die Ergebnisse der Studie 2 zu validieren.

Ergebnisse

Studie 1
Um mögliche CMB im Zusammenhang mit selbstberichteten Daten zu beurteilen, wurde zunächst eine Einfaktorenanalyse durchgeführt67. Gemäß den Ergebnissen des Tests erklärte ein einzelner Faktor 36,56 % der Varianz; ein einzelner Faktor, der weniger als 50 % der Varianz erklärt, weist darauf hin, dass CMB keine Bedenken hinsichtlich der Datenstruktur aufwirft62,67,68. Anschließend wurden die Konstruktvalidität und Zuverlässigkeit überprüft. Die Ergebnisse in Tabelle 2 zeigten, dass der durchschnittliche erklärte Varianzanteil (AVE, 0,585 bis 0,836) und die zusammengesetzte Reliabilität (CR, 0,872 bis 0,939) die erforderlichen Mindestanforderungen erfüllten69,70. Zusätzlich überstieg die Quadratwurzel des AVE für jedes Konstrukt, die auf der Diagonalen angegeben ist, die Korrelationen mit den anderen Konstrukten, was die diskriminante Validität unterstützt69.

CRAVEMSVMaxR(H)PLPGACCREJ
PL0.8720.5850.3070.9020.765
PG0.9020.7050.5990.97-0.380.839
ACC0.9270.8090.5960.9410.554-0.670.9
REJ0.9390.8360.5990.941-0.430.774-0.770.914

Tabelle 2: Konstrukt-Reliabilität und Validität (Studie 1). Die Tabelle zeigt die zusammengesetzte Reliabilität (CR), die durchschnittlich erklärte Varianz (AVE) und die Interkonstrukt-Korrelationen für das Messmodell der Studie 1.

Anschließend wurden die Hypothesen mittels Strukturgleichungsmodellierung (SEM) hinsichtlich wahrgenommenem Gewinn, wahrgenommenem Verlust, Akzeptanz und Zurückweisung geprüft. Wie in Abbildung 5 dargestellt, wies das Modell akzeptable Fit-Indizes auf (CMIN/DF = 2,25, CFI = 0,936, SRMR = 0,075, RMSEA = 0,062), die alle die empfohlenen Schwellenwerte erfüllten (CMIN/DF < 3, CFI > 0,90, SRMR < 0,08, RMSEA < 0,08), und die Ergebnisse stützen die aufgestellten Hypothesen stark. Die fünf Einflussfaktoren (PER, TIR, SOR, PHR und FIR) für den wahrgenommenen Verlust sowie die vier Einflussfaktoren (REA, COM, TRI und CPX) für den wahrgenommenen Gewinn (PG) zeigten jeweils beträchtliche Effekte. Die Prüfung der Hypothesen 1 und 2 ergab, dass der wahrgenommene Verlust einen moderaten positiven Einfluss auf die Zurückweisung (β = 0,357, p < 0,001) und einen signifikant negativen Einfluss auf die Akzeptanz (β = -0,148, p < 0,001) hatte. Somit werden sowohl H1 als auch H2 bestätigt. Im Gegensatz dazu zeigten die Prüfungen der Hypothesen 3 und 4, dass der wahrgenommene Gewinn entgegengesetzte Effekte im Vergleich zum wahrgenommenen Verlust aufwies: einen starken positiven Einfluss auf die Akzeptanz (β = 0,721, p < 0,001) und einen negativen Einfluss auf die Zurückweisung (β = -0,507, p < 0,001). Daher werden auch H3 und H4 bestätigt. Die Gesamtübersicht der Ergebnisse der Prüfung des Forschungsmodells von Studie 1 mittels SEM ist in Tabelle 3 dargestellt. Das Strukturmodell erklärte 62,4 % der Varianz in der Akzeptanz und 52,5 % der Varianz in der Zurückweisung (R2 = 0,624 bzw. 0,525).

figure-results-1
Abbildung 5: Ergebnisse der Hypothesentests der Studie 1. Das Diagramm zeigt die standardisierten Pfadkoeffizienten und deren Signifikanzniveaus für das Strukturmodell, das an der Stichprobe der Studie 1 (N = 322) geschätzt wurde; alle postulierten Pfade waren in der erwarteten Richtung signifikant. PEL = Leistungsverlust; TIL = Zeitverlust; SOL = sozialer Verlust; PHL = körperlicher Verlust; FIL = finanzieller Verlust; REA = relativer Vorteil; COM = Kompatibilität; TRI = Überprüfbarkeit; CPX = Komplexität; PL = wahrgenommener Verlust; PG = wahrgenommener Gewinn; REJ = Ablehnung; ACC = Akzeptanz Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

HypothesePfadβt-Wertp-WertErgebnis
H1a: PL → REJ0.3576.592***Unterstützt
H2b: PL → ACC-0.148-3.059***Unterstützt
H3c: PG → REJ-0.507-7.29***Unterstützt
H4d: PG → ACC0.7218.966***Unterstützt

Tabelle 3: Gesamtergebnisse der Studie 1. Die Tabelle fasst die standardisierten Pfadkoeffizienten, Signifikanzniveaus und Ergebnisse der Hypothesenprüfungen für Studie 1 zusammen. ***p < 0,001

Weiterhin wurden die Gesamtwerte für REJ und ACC berechnet, um H5 zu überprüfen und festzustellen, ob das Modell mit der Prospect-Theorie vereinbar ist55. In den Gleichungen (1) und (2) entspricht a dem Pfad von wahrgenommenem Verlust zur Ablehnung (CLR = 0,357), c dem Pfad von wahrgenommenem Gewinn zur Ablehnung (CGR = -0,507), b dem Pfad von wahrgenommenem Verlust zur Akzeptanz (CLA = -0,148) und d dem Pfad von wahrgenommenem Gewinn zur Akzeptanz (CGA = 0,721). Die Ergebnisse zeigten, dass V(R) = a + c = -0,150 und V(A) = b + d = 0,573; somit gilt V(R) < V(A), wodurch H5 bestätigt wurde.

Ergebnisse der Expertenintervention für Studie 1
Die Ergebnisse zeigten, dass die Experten den Aussagen nicht vollständig zustimmten; die Mittelwerte lagen zwischen 3,40 und 4,40 für die Konstrukte systematische Orientierung, Qualität und ausreichende Problembeschreibung. Auch das Konstrukt allgemeine negative Affektivität wies eine Spannweite von 3,20 bis 3,60 auf (ICC = 0,609, p = 0,008). In ihren subjektiven Bewertungen identifizierten die Experten zwei weitere Verbesserungsbereiche: Der Datensatz war nicht repräsentativ für den situativen Faktor (da er vor der COVID-19-Pandemie erhoben wurde), und eine ausschließlich koreanische Stichprobe wäre für eine Verallgemeinerung nicht ausreichend. Diese Ergebnisse bildeten die Grundlage für Studie 2, die nach den Experteninterventionen durchgeführt wurde, um diese Probleme zu beheben.

Studie 2
In Studie 2 wurde ein Verfahren durchgeführt, das analog zu Studie 1 war. Zunächst wurde eine Einfaktorenanalyse durchgeführt, um zu prüfen, ob CMB ein Problem in dem Datensatz darstellte67. Die Testergebnisse zeigten, dass CMB in der Stichprobe keinen wesentlichen Einfluss hatte, da ein einzelner Faktor 38,97 % der Varianz erklärte, was unterhalb der kritischen Schwelle von 50 % lag62,67,68. Zusätzlich zu CMB legten die Ergebnisse in Tabelle 4 nahe, dass Zuverlässigkeit und Validität des Modells ebenfalls ausreichend gegeben waren69,70. Darüber hinaus lagen alle Heterotrait-Monotrait- (HTMT-) Verhältnisse unter der Schwelle von 0,85, was die diskriminante Validität weiter bestätigt.

CRAVEMSVMaxR(H)PLPGACCREJ
PL0.8610.560.3640.8850.748
PG0.9020.7050.6670.947-0.4220.84
ACC0.960.8890.6670.961-0.5080.8160.943
REJ0.9420.8440.6590.9570.603-0.745-0.8120.919

Tabelle 4: Reliabilität und Validität der Konstrukte (Studie 2). In der Tabelle sind die zusammengesetzte Reliabilität (CR), die durchschnittlich erklärte Varianz (AVE) und die Interkonstrukt-Korrelationen für das Messmodell der Studie 2 aufgeführt.

Die SEM-Testergebnisse von Studie 2 mit allen drei Ländern ergaben CMIN/DF = 3,835, CFI = 0,945, RMSEA = 0,058. Der CFI und der RMSEA lagen innerhalb der empfohlenen Schwellenwerte; obwohl der CMIN/DF-Wert von 3,835 das strengere Kriterium von <3,0 nicht erfüllte, deutete er dennoch auf eine akzeptable Modellanpassung hin, basierend auf dem weniger strengen Kriterium von <5,0. Die Testergebnisse waren daher in hohem Maße konsistent mit den entwickelten Argumenten und mit den Ergebnissen von Studie 1, wie in Abbildung 6 und Tabelle 5 dargestellt. Ähnlich wie bei den Ergebnissen von Studie 1 waren die Beziehungen zwischen PL und REJ (β = 0,345, p < 0,001) sowie zwischen PG und ACC (β = 0,767, p < 0,001) signifikant positiv, während die Beziehungen zwischen PL und ACC (β = -0,202, p < 0,001) sowie zwischen PG und REJ (β = -0,644, p < 0,001) signifikant negativ waren. Somit wurden H1, H2, H3 und H4 alle bestätigt. Das Strukturmodell erklärte 76,0 % der Varianz in der Akzeptanz und 72,1 % in der Ablehnung (R2 = 0,760 bzw. 0,721).

figure-results-2
Abbildung 6: Ergebnisse der Hypothesentests der Studie 2. Das Diagramm zeigt die standardisierten Pfadkoeffizienten und deren Signifikanzniveaus für das Strukturmodell, das anhand der gepoolten Stichprobe aus drei Ländern der Studie 2 (N = 602) geschätzt wurde; das Muster der Ergebnisse repliziert die Studie 1. PEL = Leistungsverlust; TIL = Zeitverlust; SOL = sozialer Verlust; PHL = körperlicher Verlust; FIL = finanzieller Verlust; REA = relativer Vorteil; COM = Kompatibilität; TRI = Überprüfbarkeit; CPX = Komplexität; PL = wahrgenommener Verlust; PG = wahrgenommener Gewinn; REJ = Ablehnung; ACC = Akzeptanz Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

HypothesePfadβt-Wertp-WertErgebnis
H1a: PL → REJ0.3459.342***Unterstützt
H2b: PL → ACC-0.202-6.81***Unterstützt
H3c: PG → REJ-0.644-12.694***Unterstützt
H4d: PG → ACC0.76713.707***Unterstützt

Tabelle 5: Gesamtergebnisse der Studie 2. Die Tabelle fasst die standardisierten Pfadkoeffizienten, die Signifikanzniveaus und die Ergebnisse der Hypothesentests für Studie 2 zusammen. ***p < 0,001

Anschließend wurden die Gesamtwerte, die für REJ und ACC erforderlich waren, genauer untersucht, um H5 zu überprüfen und festzustellen, ob das Modell die Argumentation der Prospect-Theorie stützt55. Mit derselben Koeffizientenabbildung wie in Studie 1 zeigten die Ergebnisse, dass V(R) = a + c = -0,299 und V(A) = b + d = 0,565; somit gilt V(R) < V(A). H5 wurde auch in Studie 2 bestätigt, und der Unterschied zwischen V(R) und V(A) in Studie 2 (0,864) war größer als in Studie 1 (0,723).

Ergebnisse der Expertenintervention für Studie 2
Die Ergebnisse der quantitativen Bewertung waren signifikant positiv (ICC = 0,960, p < 0,001); die Spannweite der Mittelwerte für die Konstrukte zur systematischen Orientierung, Qualität und Angemessenheit der Problemstellung lag zwischen 6,20 und 6,80, für das Konstrukt zur allgemeinen negativen Affektivität zwischen 1,20 und 1,80. Die hohe Intraklassenkorrelation weist auf eine starke Übereinstimmung der Experten hinsichtlich der systematischen Orientierung, Qualität und Angemessenheit der Problemstellung des Modells hin, und in ihrer subjektiven Bewertung brachten die Experten keine weiteren Bedenken vor. Es wurde daher gefolgert, dass die Untersuchung schließlich die Anforderungen erfüllt, um das vorgeschlagene PITA-Modell abzuschließen.

DATENVERFÜGBARKEIT:
Die Daten werden hochgeladen als Zusatzdatei 1 (Studie 1) und Zusatzdatei 4 (Studie 2); die vollständigen CB-SEM-Modellausgaben werden bereitgestellt in Zusatzdatei 5und die Variablendefinitionen und Codierungen sind im Datenwörterbuch dokumentiert (Zusatzdatei 6). In den Datendateien und CB-SEM-Ausgaben entsprechen die im Manuskript verwendeten Abkürzungen PEL, TIL, SOL, PHL, FIL und REJ den Variablenlabels PER, TIR, SOR, PHR, FIR bzw. RES, und die Konstrukte zweiter Ordnung PL und PG sind als Perceived_Risk und Perceived_Benefit gekennzeichnet.

Zusatzdatei 1: Forschungsdaten (Studie 1) Bitte klicken Sie hier, um diese Datei herunterzuladen.

Zusatzdatei 2: Umfragefragebogen Bitte klicken Sie hier, um diese Datei herunterzuladen.

Zusatzdatei 3: Interventionsfragebogen Bitte klicken Sie hier, um diese Datei herunterzuladen.

Zusatzdatei 4: Forschungsdaten (Studie 2) Bitte klicken Sie hier, um diese Datei herunterzuladen.

Zusatzdatei 5: CB-SEM-Modellausgabedateien Bitte klicken Sie hier, um diese Datei herunterzuladen.

Zusatzdatei 6: Datenwörterbuch Bitte klicken Sie hier, um diese Datei herunterzuladen.

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 TAM2 und des DOI1, die den Prozess der öffentlichen IT-Einführung nicht ausreichend erklären konnten. Vor allem berücksichtigten diese Studien die Unsicherheit der Nutzer beim Einsatz öffentlicher IT-Dienste nicht angemessen. Daher wurde die Frage gestellt, welchen Einfluss der vom PITA-Modell vorgeschlagene Wahrnehmungs-Intentions-Rahmen auf die Entscheidung zur Einführung öffentlicher IT-Dienste hat. Ein Nutzer muss die Vor- und Nachteile der bestehenden Option berücksichtigen, wenn ihm ein neuer, innovativer öffentlicher IT-Dienst angeboten wird. Lehnt er die neue Option ab, kehrt er in den vorherigen Zustand zurück, wodurch die neue Option überflüssig wird. Das PITA-Modell ermöglicht das Verständnis der zugrundeliegenden Wertewahrnehmungen, die eine solche Entscheidung beeinflussen. Darüber hinaus wurden mehrere Vorschläge gemacht, wie solche Fehlschläge vor Investitionen in einen neuen öffentlichen IT-Dienst vermieden werden können1,42. Diese Studie untersuchte, wie wahrgenommene Gewinne und Verluste die Akzeptanz und Ablehnung eines öffentlichen IT-Dienstes beeinflussen; alle fünf Hypothesen wurden bestätigt. Die Wahrnehmung von öffentlichen IT-Diensten durch Nutzer kann aus zwei Perspektiven betrachtet werden, wobei davon auszugehen ist, dass negative Wahrnehmungen überwiegen. Die Ergebnisse zeigten jedoch, dass positive Wahrnehmungen die Nutzer zur Akzeptanz ermutigten und Widerstände verringerten. Beispiele für wahrgenommene Verluste sind inkonsistente Leistungen, unangemessen langwierige Verfahren, Widerstand aus dem sozialen Umfeld der Nutzer, körperliche Schäden durch Geräte und Fehler bei Finanztransaktionen. Dagegen wären austauschbare Funktionen, Open-Beta-Testveranstaltungen und einfache Bedienbarkeit Beispiele für Komponenten wahrgenommener Gewinne. Die Ergebnisse beider Studien stimmten mit früheren Forschungsergebnissen zum Innovationsresistenzmodell und zur Diffusion von Innovationen überein, beispielsweise1,42.

Eine bedeutende Entdeckung war, dass der Gesamtwert der Akzeptanz nahezu fünfmal so hoch war wie der der Ablehnung. Dieser große Unterschied zwischen V(A) und V(R) resultierte hauptsächlich aus dem stark positiven Effekt des wahrgenommenen Gewinns auf die Akzeptanz (β = 0,721) und dem negativen Effekt des wahrgenommenen Gewinns auf die Ablehnung (β = -0,507), was darauf hindeutet, dass die Wahrnehmung von Vorteilen durch die Nutzer – wie beispielsweise einfache Bedienbarkeit und austauschbare Funktionen – eine dominantere Rolle spielt als die Wahrnehmung von Verlusten bei der Gestaltung von Entscheidungen zur Einführung. Damit Nutzer die riskantere Entscheidung treffen, einen neuen und unbekannten öffentlichen IT-Dienst zu akzeptieren, müssen positive Wahrnehmungen die negativen deutlich überwiegen. Nutzer können sich ausserdem gegen neue öffentliche IT-Dienste entscheiden, auch wenn dadurch Verluste entstehen, da die Entscheidungsfindung möglicherweise nicht vollständig rational ist. Dieses Phänomen lässt sich durch die starke Bindung an den derzeitigen Dienst erklären sowie dadurch, dass öffentliche IT-Dienste nicht für die regelmäßige tägliche Nutzung vorgesehen sind. Die Nutzer können ihren derzeitigen Zustand beibehalten, wenn sie Unannehmlichkeiten feststellen. Sie werden nicht versuchen, ihre psychologische Widerstandskraft gegen die Annahme neuer öffentlicher IT-Dienste zu überwinden, wenn die wahrgenommenen Gewinne unzureichend sind oder die wahrgenommenen Verluste höher als erwartet sind. In Studie 2, die durchgängig dieselben Muster im Wahrnehmungs-Intentions-Modell der Nutzer im Kontext eines öffentlichen IT-Dienstes zeigte, wurde eine konkretere und umfassendere Bestätigung für das vorgeschlagene theoretische Modell erzielt. Zusätzlich war V(A) deutlich höher als V(R), was die Erweiterung der Prospect-Theorie55 stützt.

Die Auswirkung des situativen Faktors (COVID-19) auf V(A) und V(R) war ein weiterer faszinierender Befund in Studie 2. Die Lücke zwischen V(R) und V(A) in Studie 2 vergrößerte sich im Vergleich zu Studie 1. Während einer globalen Gesundheitskrise mochten Nutzer größere potenzielle Verluste durch eine Infektion wahrgenommen haben, während sie gleichzeitig größere potenzielle Gewinne durch berührungslose Dienste erkannten, und dieser doppelte Effekt verstärkte die für die Akzeptanz erforderliche Wertdifferenz. Dieser Befund unterstützt den Versuch, die Prospect-Theorie weiterzuentwickeln, indem er darauf hinweist, dass die riskantere Option (die Annahme eines neuartigen öffentlichen IT-Dienstes in einer riskanteren Situation, COVID-19) einen höheren Wert55 erfordert. Unweigerlich unterstützten die Evaluierungsergebnisse aus Studie 2 erneut diejenigen aus Studie 1. Der situative Faktor war ein potenzielles Element, das die entscheidungsbezogenen Werte der Nutzer verändern konnte, wie die Experten während der ersten Intervention vorhergesagt hatten. Zudem bestätigten die Ergebnisse die Gültigkeit der Modellannahmen anhand größerer Stichproben im Fall der Flughafen-Biometrie und verliehen dem Modell dadurch mehr Robustheit und Allgemeingültigkeit. Dennoch setzte die gepoolte multinationale Analyse voraus, dass die Konstrukte in den verschiedenen Ländern ähnlich interpretiert wurden; formelle Tests zur Messinvarianz und länderübergreifende Vergleiche wurden jedoch nicht durchgeführt und bleiben eine Aufgabe zukünftiger Forschung.

Laut der Analyse, die mit Hilfe des Wahrnehmungs-Intentions-Rahmens durchgeführt wurde, würden Nutzer die Status-quo-Option nicht wählen, wenn sie glauben, durch die Nutzung des öffentlichen IT-Dienstes einen deutlich größeren Nutzen zu erzielen. Dies legt nahe, dass Nutzer erst dann bereit sind, ihr Gleichgewicht zu verlassen, wenn die wahrgenommenen Vorteile die riskante Annahme-Option attraktiver erscheinen lassen. Im Nachhinein ist es begrifflich nachvollziehbar, dass die Annahme stärker von wahrgenommenen Gewinnen als von Verlusten beeinflusst wird. Der derzeitige dem Nutzer angebotene Service ist die sichere, „risikoaverse“ Option, da es sich um eine bekannte Größe handelt, mit der die Nutzer bereits Erfahrungen gesammelt haben, gemäß der Prospect-Theorie55. Das bedeutet, dass der Nutzer erwarten kann, dass er dasselbe Ergebnis ohne Risiko erhält, ohne sein Verhalten oder seine Verhaltensbedingungen anpassen oder ändern zu müssen. Die riskante Option wird jedoch vermutlich gewählt, sobald die wahrgenommenen Gewinne die wahrgenommenen Verluste deutlich überwiegen, wodurch von der „risikoaversen“ Option abgewichen wird. Interessanterweise waren diese Effekte stärker ausgeprägt, wenn ein Nutzer sich in einer riskanteren Situation befand, wie beispielsweise während der COVID-19-Pandemie, was den Wertbedarf erhöht haben könnte, falls er die Nutzung des neuen öffentlichen IT-Dienstes in Betracht zog. Es wurde ein konsistenter Zusammenhang zwischen wahrgenommenem Gewinn und Verlust sowie der Akzeptanz oder Ablehnung öffentlicher IT-Dienste festgestellt. Die Daten legen nahe, dass ein tieferes Verständnis darüber erforderlich ist, wie Nutzer potenzielle Vorteile wahrnehmen und wie dieses Verständnis beeinflusst, ob sie sich für die Nutzung eines öffentlichen IT-Dienstes entscheiden oder nicht. Es scheint, dass die Annahme eines neuen IT-Dienstes für jeden Nutzer erheblich schwieriger ist, wenn eine neue Option präsentiert wird, da er gegen eine mögliche psychologische Trägheit ankämpfen muss. Dies zeigte sich auch darin, dass Verbesserungen im Rahmen von Wahrnehmung und Intention deutlicher ausgeprägt sein mussten. Diese Ergebnisse entsprechen der grundlegenden Idee der Prospect-Theorie55: riskantere Entscheidungen erfordern höhere Werte als sicherere. Bemerkenswert ist das asymmetrische Muster, bei dem der wahrgenommene Gewinn die Akzeptanz stärker vorhersagte als der wahrgenommene Verlust die Ablehnung – dies deutet darauf hin, dass die Entscheidungsfindung in diesem Kontext nicht rein verlustavers, sondern vielmehr gewinnorientiert ist, eine Nuance, die die typische Betonung der Verlustaversion in der Prospect-Theorie erweitert. Diese Ergebnisse stimmen auch mit früheren Studien zur Technologieakzeptanz überein: Der starke Einfluss des wahrgenommenen Gewinns auf die Akzeptanz entspricht der Betonung der wahrgenommenen Nützlichkeit im Technologie-Akzeptanz-Modell (TAM)2, während der signifikante Einfluss des wahrgenommenen Verlusts auf die Ablehnung die Aussage des Innovationsresistenzmodells unterstützt, dass Barrieren bei der Einführung potenzielle Vorteile überwiegen können42,49. Diese Studie erweitert diese Literatur, indem sie zeigt, dass Gewinne und Verluste gleichzeitig sowohl Akzeptanz als auch Ablehnung beeinflussen, anstatt unabhängig voneinander zu wirken. Die Ergebnisse tragen somit zum theoretischen Verständnis dessen bei, was Nutzer öffentlicher IT-Dienste motiviert, den Status quo beizubehalten (d. h. Ablehnung) oder ihr Risikoverhalten zu erhöhen (d. h. Akzeptanz). Die wachsende Forschungsliteratur zum Widerstand gegen die Einführung von IT wurde durch diese Studie weiterentwickelt. Es wurde gezeigt, dass die Ablehnung und Annahme von IT unterschiedliche Entscheidungskriterien darstellen, was auf frühere Arbeiten in der Literatur auf individueller und organisationeller Ebene aufbaut45,50,51. Alle Nutzer haben eine Schwelle42,49; jedoch hat bisher keine Studie zur Einführung öffentlicher IT-Dienste untersucht, wie diese Schwellen aussehen könnten. Daher war die Einbeziehung des wahrgenommenen Verlusts eine nützliche Methode, um diese Toleranz zu untersuchen, und beeinflusste signifikant sowohl die Entscheidung zur Annahme als auch zur Ablehnung des öffentlichen IT-Dienstes. Diese Ergebnisse ergänzten frühere Forschungsarbeiten, die dasselbe Prinzip von Akzeptanz und Ablehnung anwenden, indem sie es in einem neuen Kontext erweitern51.

Die Ergebnisse haben einige bedeutende managementrelevante Konsequenzen für öffentliche Institutionen. Erstens ist bekannt, dass diese Institutionen Schwierigkeiten mit Veränderungen haben und der Wechsel zu digitaler Infrastruktur schwierig ist. Daher können schlechte Entscheidungen öffentlicher Organisationen beim Umstieg auf einen IT-Dienst langanhaltende negative Auswirkungen haben. Nutzer sind wahrscheinlich nicht bereit, den vorgeschlagenen IT-Dienst zu übernehmen, wenn sie den Verlust als zu groß empfinden. Im Gegensatz dazu könnten Investitionen in den öffentlichen IT-Dienst erfolgreicher sein, wenn ein leitender Angestellter einer öffentlichen Institution Faktoren benennt, die die Ablehnung durch wahrgenommene Gewinne verringern. Indem Führungskräfte den wahrgenommenen Gewinn erhöhen und den wahrgenommenen Verlust vermindern, können sie letztlich die Akzeptanz erhöhen und die Ablehnung verringern, indem sie PITA nutzen, um Lösungen zu finden, die eine positive Reaktion hervorrufen. Beispielsweise könnte ein öffentlicher Flughafen, der biometrische Kontrollen einführt, PITA verwenden, um die Nutzerwahrnehmung vor der Investition zu bewerten: Wenn V(R) dem Wert von V(A) nahekommt oder diesen überschreitet, könnten sich die Verantwortlichen in ihrer Kommunikation auf greifbare Vorteile wie eine schnellere Abfertigung (Erhöhung des wahrgenommenen Gewinns) konzentrieren oder Alternativen zur Abwahl anbieten (Verminderung des wahrgenommenen Verlusts). Aufgrund der Einfachheit des Modells können V(A) und V(R) direkt aus Umfragedaten berechnet werden, wodurch Führungskräften eine klare Orientierungsgröße zur Verfügung steht, um die Nutzerabsichten bezüglich der Nutzung zu verstehen und den Status sowie die Chancen der Einführung ihres vorgeschlagenen IT-Dienstes einzuschätzen.

Diese Studie weist mehrere wichtige Einschränkungen auf. Erstens sind, obwohl die Effekte in beiden Studien ähnlich waren, weitere Untersuchungen erforderlich, um die weniger signifikanten Effekte bei der Messung des wahrgenommenen Verlusts vollständig zu verstehen; die in dieser Studie berücksichtigten Faktoren könnten die im Modell gefundene Varianz nur teilweise erklären. Zweitens verwendeten beide Studien querschnittliche, selbstberichtete Umfragedaten von Flugreisenden; dieses Design schließt kausale Schlussfolgerungen aus, könnte Selektions- und sozial erwünschte Antwortverzerrungen hervorrufen und beschränkt die Verallgemeinerbarkeit über diese Population hinaus. Eine formale Prüfung der Messinvarianz über die drei Länder hinweg steht noch aus. Drittens wurden die Daten in bestimmten Zeiträumen erhoben (4. Quartal 2019 und Mitte 2020), und die Nutzerwahrnehmungen könnten sich im Verlauf der Pandemie verändert haben. Viertens wurde angenommen, dass ein Manager nur eine neue potenzielle Option berücksichtigt, wobei die aktuelle Option eine weitere Einschränkung darstellt. Zukünftige Arbeiten sollten verschiedene PITA-Technologieoptionen einbeziehen, da laut dem Sicherheitseffekt mehrere Optionen mit unterschiedlichem Grad an Sicherheit risikofreudiges Verhalten fördern71 und somit eine lohnenswerte Forschungsrichtung darstellen könnten. Zukünftige Forschung sollte außerdem andere Formen und Schwellenwerte der Innovationsresistenz63 untersuchen, PITA auf andere öffentliche IT-Dienste (z. B. E-Government-Portale und öffentliche Gesundheitsanwendungen) sowie auf andere Bereiche ausweiten, in denen wahrgenommener Nutzen und Risiko gemeinsam die Akzeptanz beeinflussen64, Längsschnittdesigns verwenden, um die zeitliche Entwicklung von V(A) und V(R) zu verfolgen, und prüfen, ob kulturelle Dimensionen die Beziehungen im Modell moderieren. Insgesamt sollte diese Studie zu einem besseren Verständnis der Akzeptanz öffentlicher IT beitragen. Indem das PITA-Modell sowohl wahrgenommenen Gewinn als auch wahrgenommenen Verlust einbezieht, erfasst es die duale Natur der Nutzerentscheidungsfindung: Die Akzeptanz wird durch den Reiz von Gewinnen angetrieben, während die Ablehnung durch die Angst vor Verlusten motiviert ist. Bevor eine Investition getätigt wird, können Manager durch fundierte und genaue Entscheidungen in den frühen Phasen der Identifizierung potenzieller IT-Lösungen in die richtige Richtung gelenkt werden. Manager sollten ihre IT-Dienststrategie überdenken, wenn der Gesamtwert der Akzeptanz unzureichend ist, da PITA Managern die Summe des für Akzeptanz und Ablehnung notwendigen Werts liefert. Die Erkenntnis, dass situatives Risiko die für die Akzeptanz erforderliche Wertdifferenz vergrößert, stellt einen neuartigen Beitrag sowohl für die Prospect-Theorie als auch für die Literatur zur Technologieakzeptanz dar. PITA sollte Manager daher dabei unterstützen, eine Lösung zu finden, deren Gesamtwert der Akzeptanz höher ist als der der Ablehnung: Nur dann sind Nutzer bereit, einen neuen öffentlichen IT-Dienst zu nutzen.

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.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
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 Ltdhttps://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, LLCRRID:SCR_016728Webbasierte 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

  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.

Nachdrucke und Genehmigungen

Tags

Prospect TheorieWahrnehmungs Intentions RahmenmodellE Government DiensteAnwendungen im ffentlichen Gesundheitswesenbiometrische SystemeNutzerakzeptanzwahrgenommener Wertl nder bergreifende UmfrageInterventionsforschung
Kontaktieren Sie uns
Der Bibliothek empfehlen

Datenschutz

Nutzungsbedingungen

Richtlinien

Urheberrecht © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.