Artículo de investigación

Propuesta de adopción de TI pública con su fundamento teórico y hallazgos empíricos

0 visualizaciones

⸱

DOI:

10.3791/73614

⸱

15 de septiembre de 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

En este artículo

Resumen

Este estudio propone el modelo de adopción pública de tecnologías de la información, un marco prospectivo basado en la teoría de la perspectiva que explica cómo las ganancias y pérdidas percibidas impulsan la aceptación o rechazo por parte de los usuarios de servicios públicos de tecnologías de la información, como los biométricos en aeropuertos. Dos encuestas, incluyendo una encuesta multinacional, junto con intervenciones de expertos, validaron el modelo, respaldando la teoría de la perspectiva en distintos países y contextos.

Resumen

Esta investigación propone un modelo teórico de adopción de tecnologías de la información públicas (PITA, por sus siglas en inglés). Los servicios públicos de tecnologías de la información (TI) se refieren a servicios basados en TI que las instituciones públicas ofrecen a todos los ciudadanos, como portales de gobierno electrónico, aplicaciones de salud pública y sistemas biométricos en aeropuertos. Debido a la naturaleza única de las TI públicas, los modelos desarrollados previamente, centrados principalmente en los niveles individual y empresarial, se han considerado insuficientes para identificar la masa crítica de adopción de TI públicas. Para abordar esta brecha, se propuso un marco percepción-intención basado en la teoría de la perspectiva para explorar las pérdidas y ganancias percibidas por los usuarios al adoptar un nuevo servicio de TI público, sugiriendo que estas percepciones son antecedentes de la aceptación o rechazo de un servicio novedoso de TI pública. Se realizaron dos estudios, uno de ellos con muestras de encuestas de tres países (Corea del Sur, el Reino Unido y Estados Unidos). También se invitó a cinco expertos del sector, mediante un enfoque de investigación basado en intervención, a refinar y validar cualitativamente el modelo para que pudiera utilizarse en un escenario práctico. Los resultados mostraron que el valor total de aceptación, es decir, el valor percibido agregado necesario para que los usuarios acepten el servicio, calculado como la suma de los coeficientes de las rutas relevantes, fue consistentemente mayor que el del rechazo. Un hallazgo similar se observó para la ganancia percibida, que resultó ser un predictor más fuerte tanto de la aceptación como del rechazo que la pérdida percibida. Aunque los hallazgos se basan en datos transversales autorreportados, proporcionan un sólido respaldo a la teoría de la perspectiva y contribuyen a una mayor comprensión del papel fundamental de esta teoría en la adopción de TI públicas. Por tanto, al extender la teoría de la perspectiva al contexto de TI en el sector público, PITA ofrece a los investigadores una base teórica validada y a los profesionales una herramienta práctica para diagnosticar la adopción de servicios de TI públicos.

Introducción

La tecnología de la información (TI) ha evolucionado durante las últimas décadas hasta convertirse en una herramienta dominante y omnipresente para impulsar la innovación y ha alterado significativamente la vida cotidiana. Desde la introducción de modelos de adopción de TI basados en perspectivas psicológicas1,2,3,4, la relación entre los usuarios y la TI ha sido ampliamente investigada a nivel individual y organizacional5.

Mientras tanto, muchas organizaciones públicas han tenido dificultades para lograr eficiencia operativa ante demandas sociales abrumadoras, como la congestión en aeropuertos, lo cual afecta la efectividad y calidad de los servicios públicos. Ampliar las infraestructuras físicas podría generar beneficios inmediatos, pero requiere inversiones significativas de tiempo y dinero6. En contraste, los proveedores innovadores de servicios públicos han abordado este problema mediante innovaciones impulsadas por tecnologías de la información7, integrando novedades con las infraestructuras existentes para garantizar la calidad del servicio y la eficiencia operativa8,9,10,11. Actualmente, las organizaciones públicas están adoptando tecnologías de la información novedosas (por ejemplo, servicios en la nube, ciberseguridad y biometría) para revitalizar sus activos fundamentales, lo que genera desafíos adicionales de adopción12. Este problema podría deberse a una comprensión inadecuada de los usuarios reales: investigaciones anteriores se han centrado predominantemente en los factores que impulsan la aceptación, descuidando el rechazo. Sin la participación activa de los usuarios, las implementaciones de tecnologías de la información en instituciones públicas podrían no alcanzar una adopción práctica.

Sin embargo, la adopción de tecnologías de la información en el sector público presenta desafíos únicos que se distinguen de los contextos del sector privado. Aunque la «aceptación» y el «rechazo» parecen ser opuestos como dos estados estacionarios distintos13, promover uno podría inhibir al otro, por lo que deben considerarse ambos aspectos del efecto contrapuesto. Estudios anteriores sobre innovación en servicios públicos de TI solían enfatizar resultados positivos10,11,14,15,16. Por lo tanto, este artículo examinó conjuntamente la «aceptación» y el «rechazo», integrando modelos de sistemas de información basados en la psicología (es decir, la difusión de la innovación y la resistencia a la innovación) con la economía conductual (es decir, la teoría de la perspectiva).

Se seleccionó el caso de la biométrica en aeropuertos, en el cual la identificación biométrica sustituye a los procedimientos basados en documentos, porque este servicio público de tecnologías de la información se ofrece a todos los ciudadanos, involucra información personal sensible y enfrenta a los usuarios con una decisión clara de aceptación o rechazo. Dos preguntas de investigación guiaron el estudio. Pregunta de investigación 1: ¿Cómo influyen las ganancias y pérdidas percibidas en la aceptación o rechazo por parte de los usuarios de un servicio público de tecnologías de la información? Pregunta de investigación 2: ¿Es el valor total requerido para la aceptación mayor que el necesario para el rechazo, tal como predice la teoría de la perspectiva? En consecuencia, se propuso un marco teórico novedoso, que fue validado por expertos del sector mediante la estrategia de investigación basada en intervenciones (IBR, por sus siglas en inglés)17 (Figura 1). Este estudio integra así la teoría de la perspectiva con los modelos de adopción de sistemas de información y ofrece conclusiones aplicables para los gestores de servicios públicos de tecnologías de la información.

figure-introduction-1
Figura 1: El proceso de investigación de formulación y desarrollo del modelo teórico. El diagrama muestra el flujo general de la investigación, desde la formulación del modelo teórico basado en modelos previos de adopción y en la teoría de la perspectiva, pasando por el Estudio 1 y el Estudio 2, cada uno seguido por una intervención de expertos, hasta la finalización del modelo PITA. Haga clic aquí para ver una versión más grande de esta figura.

La adopción de tecnologías de la información ha sido ampliamente estudiada: el modelo de aceptación de la tecnología (TAM)2 y la teoría unificada de aceptación y uso de la tecnología (UTAUT)4 a nivel individual, y la difusión de la innovación (DOI)1 y el marco tecnología-organización-entorno (TOE)3 a nivel empresarial, han generado estudios posteriores sobre realidad aumentada y aprendizaje de idiomas18,19, chatbots y pagos digitales20,21, servicios de movilidad22,23 y trabajo remoto24. Sin embargo, estos modelos presentan limitaciones notables para las tecnologías de la información públicas: TAM supone un uso voluntario, DOI pasa por alto la resistencia del usuario y UTAUT fue desarrollado principalmente para entornos organizacionales, por lo que su aplicabilidad a servicios públicos de tecnologías de la información cuasiobligatorios sigue siendo cuestionable. También existen estudios sobre la adopción de tecnologías de la información públicas basados en estos modelos, por ejemplo, la extensión de UTAUT para examinar un sistema en línea de resolución de quejas ciudadanas25 y la aplicación de TOE a sistemas de información de recursos humanos en el sector público14; muchos estudios adicionales han seguido enfoques similares26,27,28,29,30,31,32,33,34,35.

Sin embargo, la adopción de tecnologías de la información a nivel público difiere significativamente de la adopción a nivel individual o empresarial (véase Tabla 1): las entidades que adoptan y los usuarios no son los mismos, y las intenciones de los usuarios no son evidentes debido a la inercia psicológica y al estado actual de los servicios existentes. Las características disruptivas de las tecnologías de la información pueden dificultar la reestructuración de los sistemas existentes36; además, la adopción requiere cambiar las actitudes y comportamientos de los usuarios, lo cual exige una comprensión clara de sus perspectivas. Dadas estas características, los modelos anteriores que enfatizan los niveles individual y empresarial podrían no ser adecuados para identificar la masa crítica necesaria para la adopción pública de tecnologías de la información. Dado que la innovación en servicios impulsada por tecnologías de la información es fundamental para la reducción de costos y la mejora de los servicios37,38 y, en última instancia, para el avance de la sociedad39, es crucial contar con un marco teórico enfocado en la adopción pública de tecnologías de la información.

A nivel individualA nivel de empresaA nivel público
Entidad adoptanteIndividuosEmpresas (privadas)Empresas (públicas)
UsuarioIndividuosEmpleados de la empresaIndividuos
Intención del usuarioCiertaCierta (obligada)Inciera
Inercia psicológicaDespreciableDespreciable (obligada)Prominente
Percepción del valorIndispensableIndispensable (obligado)Indispensable
Principal propósito de adopciónPersonalEficiencia, ahorro de costosInterés público
Modelos relevantes de adopción de tecnologías de la informaciónTAM2, UTAUT4DOI1, TOE3Este estudio

Tabla 1: Diferentes niveles de adopción de tecnologías de la información. La tabla compara la adopción de tecnologías de la información a nivel individual, empresarial y público en términos de modelos teóricos representativos, entidades adoptantes y usuarios.

La literatura existente ha demostrado que los individuos y empleados tienen una intención a priori (a nivel individual) o forzada (a nivel empresarial) de utilizar un servicio de TI específico2,40, lo que implica que la adopción estaba predeterminada4,41. Sin embargo, no todos los usuarios tienen la intención de utilizar tecnologías de la información42, y solo unos pocos estudios sobre sistemas de información han identificado los rasgos y justificaciones para el rechazo43,44. Por consiguiente, un nuevo servicio público de TI sería rechazado deliberadamente hasta que la innovación sea aceptada o fracase45.

El objetivo principal de este estudio es comprender la aceptación y el rechazo por parte de los usuarios de un servicio de TI de una institución pública, analizado a través de dos percepciones de valor: la ganancia percibida y la pérdida percibida. La ganancia percibida fue adaptada del modelo de difusión de la innovación1,46; estas construcciones se han utilizado ampliamente para examinar percepciones favorables hacia la aceptación de tecnologías de la información47,48 y demuestran una alta validez en diversos contextos40. En contraste, la pérdida percibida incluye los rasgos que explican por qué las personas mantienen su forma actual de vida a pesar de las presiones para adaptarse; basada en la resistencia a la innovación42,49, esta línea de investigación examina por qué algunas personas retrasan la adopción de una innovación o la rechazan directamente49,50,51,52,53. Un enfoque multidimensional capturó estas percepciones, en lugar de tratar la pérdida y la ganancia como construcciones generales.

La pérdida percibida se operacionalizó mediante cinco constructos53,54. La pérdida de tiempo (TIL) es el tiempo percibido como perdido al aprender y utilizar el servicio, y cuando no se cumplen las expectativas53. La pérdida social (SOL) es el riesgo de perder el estatus dentro de un grupo social al parecer ingenuo o desactualizado54. La pérdida financiera (FIL) comprende las posibles pérdidas monetarias derivadas de costos de compra, tarifas o robo de información personal54. La pérdida física (PHL) es la percepción de que el uso podría causar daño, malestar o agotamiento53,54. La pérdida de rendimiento (PEL) es la disminución percibida en la calidad del servicio o en la funcionalidad en comparación con las alternativas existentes, incluyendo mal funcionamiento e incapacidad para proporcionar los beneficios deseados53.

Para explicar la ganancia percibida (PG), se utilizaron la ventaja relativa, la compatibilidad, la posibilidad de prueba y la complejidad1,46. La ventaja relativa (REA) es el grado en que se considera que una innovación es más ventajosa que su predecesora; la compatibilidad (COM), el grado en que se ajusta a los valores, necesidades y experiencias previas de un posible adoptante; la posibilidad de prueba (TRI), la extensión del experimento posible antes de la adopción; y la complejidad (CPX), que está relacionada con la facilidad de uso percibida del modelo TAM, se refiere a lo difícil que resulta usar y comprender la innovación. La observabilidad fue excluida porque es demasiado ambigua para medirla46 y porque los resultados biométricos en el contexto de tecnologías de la información públicas no son fácilmente observables por otras personas.

Se propuso el marco de pérdida-ganancia para explicar los valores percibidos que motivan las reacciones frente a un nuevo servicio público de tecnologías de la información. Si el servicio es radical y amenaza el comportamiento habitual, se hipotetizó que la pérdida percibida superaría la ganancia percibida, provocando el rechazo; si esto persiste, el rechazo podría convertirse en un aspecto constante de la intención conductual42,49. Por el contrario, si los beneficios percibidos superan las pérdidas anticipadas, el usuario tiene pocas razones para rechazar el servicio. Por lo tanto, se formularon las siguientes hipótesis:

H1. La pérdida percibida tendrá una influencia positiva sobre el rechazo.
H2. La pérdida percibida tendrá una influencia negativa sobre la aceptación.
H3. La ganancia percibida tendrá una influencia negativa sobre el rechazo.
H4. La ganancia percibida tendrá una influencia positiva sobre la aceptación.

Cualquier avance impulsado por tecnologías de la información (TI) en los servicios gubernamentales tiene como objetivo promover el progreso social (por ejemplo, embarque más rápido y seguro mediante biométrica en aeropuertos), sin embargo, un servicio público de TI recientemente lanzado está lleno de riesgos e incertidumbre, y es posible que los usuarios no acepten los beneficios tal como se pretendía. Según la teoría de la perspectiva55, las personas toman decisiones irracionales como resultado de la evaluación de alternativas, valores y actitudes frente a la incertidumbre, juzgadas en relación con un punto de referencia (dependencia del referente). La principal aportación de esta teoría es la aversión a la pérdida, la tendencia de que las pérdidas pesen más que ganancias equivalentes, junto con la sensibilidad decreciente; este enfoque en ganancias y pérdidas en relación con el estado actual se alinea directamente con la dicotomía de aceptación-rechazo analizada aquí. La teoría de la perspectiva ha sido utilizada en estudios recientes sobre sistemas de información (SI) y tecnologías de la información (TI) para explicar decisiones irracionales bajo riesgo e incertidumbre56,57,58,59,60, abarcando contextos que van desde el trabajo con inteligencia artificial y salud digital hasta Wi-Fi público y pagos móviles. Aunque estos estudios confirman la relevancia de la teoría, se centraron principalmente en las intenciones de aceptación y descuidaron la dimensión del rechazo, fundamental en el contexto de las TI públicas.

Los usuarios de servicios públicos de tecnologías de la información actúan como si decidieran aceptar o rechazar el servicio según los valores totales requeridos (es decir, la suma de la ganancia y la pérdida percibidas). Ningún estudio previo sobre la adopción de tecnologías de la información públicas ha investigado este fenómeno desde esta perspectiva. Por consiguiente, los coeficientes de camino (es decir, PL a REJ) se codificaron como valores55, y los valores totales requeridos para el rechazo y la aceptación se calcularon de la siguiente manera:

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

donde CLR, CGR, CLA y CGA son los coeficientes de trayectoria de la percepción de pérdida hacia el rechazo, de la percepción de ganancia hacia el rechazo, de la percepción de pérdida hacia la aceptación y de la percepción de ganancia hacia la aceptación, respectivamente; estos coeficientes estandarizados producen V(R) y V(A) como valores compuestos de la influencia total de la pérdida y la ganancia. Dado que los servicios públicos de tecnologías de la información están diseñados para beneficiar a los usuarios, y como los usuarios ponderan las pérdidas más fuertemente que las ganancias al abandonar el estado actual, se esperaba que la aceptación, la opción más arriesgada, requiriera un valor total mayor que el rechazo. Basándose en H1–H4, H5 evalúa el equilibrio neto de estos efectos:

H5. El valor total necesario para la aceptación, V(A), será mayor que para el rechazo, V(R). El modelo conceptual resultante de adopción pública de tecnologías de la información (PITA) se muestra en la Figura 2.

figure-introduction-2
Figura 2: Modelo conceptual PITA. El diagrama muestra la pérdida percibida (PL) y la ganancia percibida (PG) como antecedentes del rechazo (REJ) y la aceptación (ACC); las rutas a, b, c y d corresponden a los coeficientes utilizados para calcular los valores totales V(R) y V(A). Nota: a = CLR, b = CLA, c = CGR y d = CGA  Haga clic aquí para ver una versión más grande de esta figura.

Protocolo

Todos los procedimientos del estudio cumplieron con los principios éticos aplicables a la investigación con participantes humanos en la Universidad aSSIST, la Universidad Sungkyunkwan y la Universidad Dong-A. Dado que las respuestas a la encuesta se anonimizaron en el momento de su recolección y no se recopiló ninguna información identificable personalmente, la Junta de Revisión Institucional de la Universidad aSSIST clasificó el estudio como exento de revisión ética completa. Las instituciones participantes no obtuvieron aprobaciones independientes del comité de ética, ya que se basaron en la determinación de exención emitida por la Junta de Revisión Institucional de la Universidad aSSIST, la cual cubría tanto el diseño de la investigación como los procedimientos de recolección de datos. Esta determinación se realizó de conformidad con el Artículo 15 de la Ley de Bioética y Seguridad de la República de Corea y los criterios de exención especificados en el Artículo 13 de su Reglamento de Aplicación (https://public.irb.or.kr/pt/pt01/PT0103/PT0103R01.do). Antes de acceder al cuestionario de Qualtrics, todos los participantes recibieron una declaración electrónica de consentimiento informado en la que se explicaba el propósito académico de la investigación, el procesamiento anónimo de las respuestas, el uso exclusivo de los datos con fines de investigación y la ausencia de riesgos razonablemente previsibles. Solo se permitió a los participantes que dieron su consentimiento explícitamente avanzar con la encuesta.

Resumen de los estudios
Se llevaron a cabo dos estudios empíricos y dos intervenciones con expertos para probar las cinco hipótesis y el modelo PITA propuesto. Los resultados se muestran en la Figura 3. Se realizaron encuestas en dos oleadas antes de la COVID-19 (cuarto trimestre de 2019) y durante la COVID-19 (segundo y tercer trimestre de 2020) para medir los constructos por separado en momentos diferentes, reducir la posibilidad de sesgo por método común (SMC) en los datos y aumentar la generalización del estudio61,62.

figure-protocol-1
Figura 3: Resumen de los estudios. La línea de tiempo resume el diseño de dos oleadas: Estudio 1 (cuarto trimestre de 2019, antes de la COVID-19, muestra coreana, N = 322), seguido por la primera intervención de expertos, y Estudio 2 (segundo y tercer trimestre de 2020, durante la COVID-19, muestras de Corea, Reino Unido y Estados Unidos, N = 602), seguido por la segunda intervención de expertos. Haga clic aquí para ver una versión más grande de esta figura.

Modelo del estudio 1
El modelo de investigación inicial se creó basándose en las hipótesis desarrolladas para revelar las intenciones de los usuarios de aceptar o rechazar un servicio público de TI recientemente introducido (es decir, biometría en aeropuertos), como se muestra en la Figura 4. Las opiniones de los usuarios sobre los servicios públicos de TI se reflejaron en dos constructos de segundo orden, pérdida percibida (PL) y ganancia percibida (PG), cada uno formado por sus respectivos constructos de primer orden. Estos dos constructos de segundo orden actúan como antecedentes del rechazo (REJ) y la aceptación (ACC), que representan las intenciones de los usuarios de utilizar servicios públicos de TI.

figure-protocol-2
Figura 4: Modelo de investigación del estudio 1. Cinco constructos de pérdida de primer orden (PEL, TIL, SOL, PHL y FIL) forman el constructo de segundo orden de pérdida percibida, y cuatro constructos de ganancia de primer orden (REA, COM, TRI y CPX) forman la ganancia percibida; los dos constructos de segundo orden se modelan como antecedentes del rechazo y la aceptación (H1–H4). Haga clic aquí para ver una versión más grande de esta figura.

Datos de investigación del Estudio 1
La primera muestra de datos, basada en un total de 322 participantes coreanos (mujeres: 46,6% y hombres: 53,4%) que habían abordado un avión al menos una vez durante el último año, se recopiló del 13 al 18 de noviembre de 2019 (antes del inicio de la pandemia de COVID-19). En la introducción de la encuesta se proporcionaron definiciones y ejemplos de servicios públicos de tecnologías de la información (es decir, aplicaciones biométricas en aeropuertos). Los datos brutos del Estudio 1 se incluyen en el Archivo Suplementario 1. La frecuencia de vuelos se midió en cinco categorías mutuamente excluyentes (FF1–FF5), correspondientes a uno, dos, tres, cuatro y cinco o más vuelos en el último año (Estudio 1: 138, 91, 34, 21 y 38 participantes; Estudio 2: 174, 153, 109, 82 y 84 participantes, respectivamente).

Los constructos predictores se evaluaron utilizando una escala Likert de siete puntos que iba desde «totalmente en desacuerdo (1)» hasta «totalmente de acuerdo (7)» (véase Archivo Suplementario 21,46,53,54,63,64 para el cuestionario del estudio). Tras una prueba piloto con 20 participantes, las revisiones se limitaron a mejoras en la redacción de los ítems de las preguntas para aumentar su estabilidad, aplicabilidad y facilidad de interpretación; no se añadió ni eliminó ningún constructo ni ítem tras la prueba piloto. El documento complementario contiene el cuestionario completo, así como estadísticas relevantes y contexto teórico. Se realizaron análisis de análisis factorial confirmatorio (CFA) y de modelado de ecuaciones estructurales basado en covarianzas (CB-SEM).

Intervención de expertos para el Estudio 1
Se invitó a cinco expertos con al menos diez años de experiencia para garantizar la objetividad y mejorar la calidad de este trabajo, incluyendo a dos de organizaciones internacionales (Airports Council International y International Air Transport Association), dos de organizaciones gubernamentales (Aeropuerto Internacional de Singapur Changi y Corporación de Aeropuertos de Corea) y uno de una empresa privada que ofrece servicios en un entorno público (Korean Air). Esta intervención de expertos fue fundamental para obtener retroalimentación que mejorara el modelo y el conocimiento del dominio del entorno objetivo. Se realizaron evaluaciones tanto cualitativas (es decir, retroalimentación subjetiva) como cuantitativas (escala tipo Likert de siete puntos). Se adoptó una versión revisada de los ítems del cuestionario sobre características del informe de decisión (véase Archivo Suplementario 3)65 para la evaluación cuantitativa, y se validó utilizando el coeficiente de correlación intraclase66. En cada ronda de intervención, cada experto completó individualmente el cuestionario cuantitativo y luego proporcionó retroalimentación cualitativa abierta; se utilizó el mismo panel, instrumentos y procedimiento en ambas intervenciones para permitir la replicación.

Estudio 2
Para abordar los problemas identificados en el Estudio 1 y mejorar la generalizabilidad del modelo, el Estudio 2 aplicó el mismo modelo que el Estudio 1. El Estudio 2 incluyó a 602 participantes (mujeres: 42,3 %, hombres: 57,7 %, Corea: 200, Reino Unido: 201 y Estados Unidos: 201). Los datos se recopilaron entre el 23 de julio y el 19 de agosto de 2020 (durante la pandemia de COVID-19). Los datos brutos del Estudio 2 se proporcionan en el Archivo Suplementario 4. Con 33 indicadores observados, este tamaño muestral proporciona aproximadamente 18 observaciones por indicador, superando el criterio comúnmente recomendado de 10 observaciones por indicador para el CB-SEM, y también excede el umbral mínimo ampliamente utilizado de 200 observaciones. Se eligieron Corea, el Reino Unido y Estados Unidos porque representaron el 29,1 % de todos los viajeros aéreos del mundo (aproximadamente 1600 millones de 5500 millones) entre julio de 2019 y junio de 2020. La pandemia de COVID-19 afectó a estos países en momentos diferentes, comenzando en Corea y posteriormente en Estados Unidos y el Reino Unido. Además, las tres naciones ofrecían una combinación de tradiciones culturales orientales y occidentales. En consecuencia, se utilizó el conjunto de datos combinado de estos países para examinar el marco de percepción-intención de los usuarios respecto a un nuevo servicio público de tecnologías de la información (es decir, la biometría en aeropuertos).

Intervención de los expertos para el Estudio 2
Se invitó a los mismos expertos, se realizaron las mismas evaluaciones cuantitativas y cualitativas, y se solicitó su retroalimentación para validar los hallazgos en el Estudio 2.

Resultados

Estudio 1
Para evaluar posibles sesgos de método común (CMB) asociados con datos autoreportados, primero se realizó un análisis de un solo factor67. Según los resultados de la prueba, un factor explicó el 36,56 % de la varianza; un solo factor que explica menos del 50 % de la varianza indica que el CMB no es una preocupación62,67,68. Luego se evaluó la validez de constructo y la fiabilidad. Los resultados en la Tabla 2 sugirieron que la varianza media extraída (AVE, 0,585 a 0,836) y la fiabilidad compuesta (CR, 0,872 a 0,939) cumplían con los requisitos mínimos necesarios69,70. Además, la raíz cuadrada del AVE para cada constructo, mostrada en la diagonal, superó sus correlaciones con los demás constructos, lo que respalda la validez discriminante69.

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

Tabla 2: Confiabilidad y validez del constructo (Estudio 1). La tabla presenta la confiabilidad compuesta (CR), la varianza promedio extraída (AVE) y las correlaciones entre constructos para el modelo de medición del Estudio 1.

A continuación, se probaron las hipótesis mediante EME entre la percepción de ganancia, la percepción de pérdida, la aceptación y el rechazo. Como se ilustra en la Figura 5, el modelo mostró índices de ajuste aceptables (CMIN/DF = 2.25, CFI = 0.936, SRMR = 0.075, RMSEA = 0.062), todos ellos dentro de los umbrales recomendados (CMIN/DF < 3, CFI > 0.90, SRMR < 0.08, RMSEA < 0.08), y los resultados respaldan fuertemente las hipótesis formuladas. Los cinco factores determinantes (PER, TIR, SOR, PHR y FIR) de la percepción de pérdida y los cuatro factores determinantes (REA, COM, TRI y CPX) de la percepción de ganancia (PG) mostraron todos efectos sustanciales. Las pruebas de las hipótesis 1 y 2 revelaron que la percepción de pérdida tuvo una influencia positiva moderada sobre el rechazo (β = 0.357, p < 0.001) y un impacto significativamente negativo sobre la aceptación (β = -0.148, p < 0.001). Por lo tanto, ambas hipótesis H1 y H2 quedan respaldadas. Por otro lado, las pruebas de las hipótesis 3 y 4 mostraron que la percepción de ganancia tuvo efectos opuestos en comparación con la percepción de pérdida: una influencia positiva fuerte sobre la aceptación (β = 0.721, p < 0.001) y un impacto negativo sobre el rechazo (β = -0.507, p < 0.001), respectivamente. Por consiguiente, también se respaldan tanto H3 como H4. El resumen general de los resultados de la prueba del modelo de investigación del Estudio 1 mediante EME se muestra en la Tabla 3. El modelo estructural explicó el 62,4 % de la varianza en la aceptación y el 52,5 % en el rechazo (R2 = 0.624 y 0.525, respectivamente).

figure-results-1
Figura 5: Resultados de la prueba de hipótesis del Estudio 1. El diagrama muestra los coeficientes de trayectoria estandarizados y sus niveles de significancia para el modelo estructural estimado con la muestra del Estudio 1 (N = 322); todas las trayectorias hipotetizadas fueron significativas en las direcciones esperadas. PEL = pérdida de rendimiento; TIL = pérdida de tiempo; SOL = pérdida social; PHL = pérdida física; FIL = pérdida financiera; REA = ventaja relativa; COM = compatibilidad; TRI = capacidad de prueba; CPX = complejidad; PL = pérdida percibida; PG = ganancia percibida; REJ = rechazo; ACC = aceptación Haga clic aquí para ver una versión más grande de esta figura.

HipótesisCaminoβvalor tvalor pResultado
H1a: PL → REJ0.3576.592***Apoyada
H2b: PL → ACC-0.148-3.059***Apoyada
H3c: PG → REJ-0.507-7.29***Apoyada
H4d: PG → ACC0.7218.966***Apoyada

Tabla 3: Resultados generales del Estudio 1. La tabla resume los coeficientes de trayectoria estandarizados, los niveles de significancia y los resultados de las pruebas de hipótesis para el Estudio 1. ***p < 0.001

Además, se calcularon los valores totales requeridos para REJ y ACC para probar H5 y confirmar si el modelo es coherente con la teoría de la perspectiva55. En las ecuaciones (1) y (2), a corresponde a la ruta desde la pérdida percibida hasta el rechazo (CLR = 0.357), c a la ruta desde la ganancia percibida hasta el rechazo (CGR = -0.507), b a la ruta desde la pérdida percibida hasta la aceptación (CLA = -0.148) y d a la ruta desde la ganancia percibida hasta la aceptación (CGA = 0.721). Los resultados indicaron que V(R) = a + c = -0.150 y V(A) = b + d = 0.573; por lo tanto, V(R) < V(A), y se respaldó la hipótesis H5.

Resultados de la intervención de expertos para el Estudio 1
Los hallazgos indicaron que los expertos no estuvieron completamente de acuerdo con las afirmaciones; los valores medios oscilaron entre 3,40 y 4,40 para los constructos que miden la orientación sistemática, la calidad y la suficiencia del planteamiento del problema. El constructo de afecto negativo general también mostró un rango de 3,20 a 3,60 (CCI = 0,609, p = 0,008). Las evaluaciones subjetivas de los expertos identificaron dos áreas adicionales de mejora: el conjunto de datos no era representativo del factor situacional (se recopiló antes de la COVID-19), y una muestra exclusivamente surcoreana no sería adecuada para la generalización. Estos resultados sentaron las bases para el Estudio 2, que se llevó a cabo tras las intervenciones de los expertos para abordar estos problemas.

Estudio 2
Se siguió un procedimiento paralelo al del Estudio 1 en el Estudio 2. Primero, se realizó un análisis de un solo factor para evaluar si el sesgo metodológico común (CMB) constituía un problema en el conjunto de datos67. Los resultados de la prueba indicaron que no había un efecto sustancial del CMB en la muestra de datos, ya que un único factor explicó el 38,97 % de la varianza, por debajo del umbral de preocupación del 50 %62,67,68. Además del CMB, los resultados en la Tabla 4 sugirieron que la fiabilidad y validez del modelo también cumplían adecuadamente con los requisitos69,70. Asimismo, todas las razones heterotrait-monotrait (HTMT) estuvieron por debajo del umbral de 0,85, lo que proporcionó un respaldo adicional para la validez discriminante.

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

Tabla 4: Confiabilidad y validez del constructo (Estudio 2). La tabla presenta la confiabilidad compuesta (CR), la varianza promedio extraída (AVE) y las correlaciones entre constructos para el modelo de medición del Estudio 2.

Los resultados de la prueba de MLE del estudio 2 con los tres países fueron CMIN/DF = 3,835, CFI = 0,945, RMSEA = 0,058. El CFI y el RMSEA cumplieron con los umbrales recomendados, y aunque el valor de CMIN/DF de 3,835 no cumplió con el criterio más estricto de <3,0, aún indicó un ajuste aceptable del modelo según el criterio menos estricto de <5,0. Por lo tanto, los resultados de la prueba fueron muy coherentes con los argumentos desarrollados y con los resultados del estudio 1, tal como se presenta en la Figura 6 y la Tabla 5. De forma similar a los resultados del estudio 1, las relaciones entre PL y REJ (β = 0,345, p < 0,001) y entre PG y ACC (β = 0,767, p < 0,001) fueron significativamente positivas, mientras que las relaciones entre PL y ACC (β = -0,202, p < 0,001) y entre PG y REJ (β = -0,644, p < 0,001) fueron significativamente negativas. Por consiguiente, se respaldaron todas las hipótesis H1, H2, H3 y H4. El modelo estructural explicó el 76,0 % de la varianza en la aceptación y el 72,1 % en el rechazo (R2 = 0,760 y 0,721, respectivamente).

figure-results-2
Figura 6: Resultados de la prueba de hipótesis del Estudio 2. El diagrama muestra los coeficientes de trayectoria estandarizados y sus niveles de significancia para el modelo estructural estimado a partir de la muestra combinada de tres países del Estudio 2 (N = 602); el patrón de resultados replica el Estudio 1. PEL = pérdida de rendimiento; TIL = pérdida de tiempo; SOL = pérdida social; PHL = pérdida física; FIL = pérdida financiera; REA = ventaja relativa; COM = compatibilidad; TRI = capacidad de prueba; CPX = complejidad; PL = pérdida percibida; PG = ganancia percibida; REJ = rechazo; ACC = aceptación Haga clic aquí para ver una versión más grande de esta figura.

HipótesisTrayectoriaβvalor tvalor pResultado
H1a: PL → REJ0.3459.342***Apoyada
H2b: PL → ACC-0.202-6.81***Apoyada
H3c: PG → REJ-0.644-12.694***Apoyada
H4d: PG → ACC0.76713.707***Apoyada

Tabla 5: Resultados generales del Estudio 2. La tabla resume los coeficientes de trayectoria estandarizados, los niveles de significancia y los resultados de las pruebas de hipótesis para el Estudio 2. ***p < 0.001

A continuación, se examinaron más a fondo los valores totales requeridos para REJ y ACC para probar H5 y confirmar si el modelo respaldaba el argumento de la teoría prospectiva55. Con la misma asignación de coeficientes que en el Estudio 1, los resultados mostraron que V(R) = a + c = -0.299 y V(A) = b + d = 0.565; por lo tanto, V(R) < V(A). La hipótesis H5 también fue respaldada en el Estudio 2, y la diferencia entre V(R) y V(A) en el Estudio 2 (0.864) fue mayor que en el Estudio 1 (0.723).

Resultados de la intervención de expertos para el Estudio 2
Los resultados de la evaluación cuantitativa fueron significativamente positivos (ICC = 0.960, p < 0.001); el rango de valores medios para los constructos que miden la orientación sistemática, la calidad y la adecuación del enunciado del problema fue de 6,20 a 6,80, y para el constructo que mide el afecto negativo general fue de 1,20 a 1,80. La alta correlación intraclase indica un fuerte consenso entre los expertos sobre la orientación sistemática, la calidad y la adecuación del enunciado del problema del modelo, y los expertos no plantearon ningún otro problema en su evaluación subjetiva. Por lo tanto, se concluyó que la investigación finalmente cumplía con los requisitos necesarios para completar el modelo PITA propuesto.

DISPONIBILIDAD DE LOS DATOS:
Los datos se han subido como Archivo Suplementario 1 (Estudio 1) y Archivo Suplementario 4 (Estudio 2); las salidas completas del modelo CB-SEM se proporcionan en el Archivo Suplementario 5, y las definiciones y codificación de las variables se documentan en el diccionario de datos (Archivo Suplementario 6). En los archivos de datos y en las salidas de CB-SEM, las abreviaturas del manuscrito PEL, TIL, SOL, PHL, FIL y REJ corresponden respectivamente a las etiquetas de variables PER, TIR, SOR, PHR, FIR y RES, y los constructos de segundo orden PL y PG están etiquetados como Perceived_Risk y Perceived_Benefit.

Archivo suplementario 1: Datos de investigación (Estudio 1) Haga clic aquí para descargar este archivo.

Archivo suplementario 2: Cuestionario de encuesta Haga clic aquí para descargar este archivo.

Archivo suplementario 3: Cuestionario de intervención Haga clic aquí para descargar este archivo.

Archivo suplementario 4: Datos de investigación (Estudio 2) Haga clic aquí para descargar este archivo.

Archivo suplementario 5: Archivos de resultados del modelo CB-SEM Haga clic aquí para descargar este archivo.

Archivo complementario 6: Diccionario de datos Haga clic aquí para descargar este archivo.

Discusión

Esta investigación de dos estudios evaluó el modelo PITA de adopción pública de tecnologías de la información (IT); en ambos estudios, se respaldaron las cinco hipótesis, y la brecha entre V(A) y V(R) aumentó en el contexto más riesgoso de la COVID-19, en concordancia con la predicción de la teoría de la perspectiva de que decisiones más arriesgadas requieren un valor percibido mayor. Se identificó una laguna en los fundamentos teóricos de la literatura sobre adopción de IT, incluyendo el modelo TAM2 y la DOI1, que no lograron explicar adecuadamente la adopción pública de IT. Lo más importante es que estos estudios no consideraron suficientemente la incertidumbre de los usuarios al utilizar servicios públicos de IT. Por ello, se planteó la pregunta sobre qué impacto tiene el marco percepción-intención propuesto por PITA en la decisión de adoptar servicios públicos de IT. Un usuario debe considerar las ventajas y desventajas de la opción actual cuando se le presenta un nuevo servicio público de IT innovador. Si se rechaza la nueva opción, el usuario regresa al estado anterior, haciendo innecesaria la nueva opción. El modelo PITA permite comprender las percepciones de valor subyacentes que influyen en tal elección. Además, se ofrecieron varias sugerencias para prevenir tales fracasos antes de invertir en un nuevo servicio público de IT1,42. Este estudio investigó cómo las ganancias y pérdidas percibidas influyen en la aceptación y el rechazo de un servicio público de IT; se respaldaron las cinco hipótesis. Las percepciones de los usuarios sobre los servicios públicos de IT pueden analizarse desde dos perspectivas, y es probable que predominen las percepciones negativas. Sin embargo, los resultados indicaron que sus percepciones favorables los alentaron a aceptar el servicio y reducir la resistencia. Ejemplos relevantes de pérdida percibida incluyen rendimiento inconsistente, procedimientos excesivamente prolongados, resistencia del entorno del usuario, daño físico causado por dispositivos y fallos en transacciones financieras. Además, funciones intercambiables, eventos de pruebas beta abiertas y facilidad de uso servirían como ejemplos de componentes de ganancia percibida. Los hallazgos de ambos estudios fueron coherentes con investigaciones previas sobre el modelo de resistencia a la innovación y la difusión de innovaciones, por ejemplo1,42.

Un descubrimiento importante fue que el valor total de la aceptación era casi cinco veces mayor que el de rechazo. Esta gran diferencia entre V(A) y V(R) se debió principalmente al fuerte efecto positivo de la ganancia percibida sobre la aceptación (β = 0,721) y al efecto negativo de la ganancia percibida sobre el rechazo (β = -0,507), lo que sugiere que las percepciones de los usuarios sobre los beneficios, como la facilidad de uso y las funciones intercambiables, desempeñan un papel más dominante que las percepciones de pérdida al moldear las decisiones de adopción. Para que los usuarios tomen la decisión más arriesgada de aceptar un nuevo servicio público de TI desconocido, las percepciones positivas deben superar ampliamente a las negativas. Los usuarios también pueden decidirse en contra de nuevos servicios públicos de TI a expensas de pérdidas, ya que la toma de decisiones puede no ser completamente racional. Este fenómeno podría explicarse por el fuerte apego al servicio actual y por el hecho de que los servicios públicos de TI no están destinados a un uso diario regular. Los usuarios pueden mantener su estado actual si encuentran alguna molestia. No intentarán superar su resistencia psicológica para aceptar nuevos servicios públicos de TI si las ganancias percibidas son insuficientes o si las pérdidas percibidas son mayores de lo esperado. En el Estudio 2, que demostró consistentemente los mismos patrones en el marco percepción-intención de los usuarios dentro del contexto de un servicio público de TI, se obtuvo una corroboración más concreta y amplia del modelo teórico propuesto. Además, V(A) fue considerablemente mayor que V(R), lo que respalda la validez de ampliar la teoría de la perspectiva55.

El impacto del factor situacional (COVID-19) sobre V(A) y V(R) fue otro hallazgo interesante en el Estudio 2. La brecha entre V(R) y V(A) en el Estudio 2 se amplió en comparación con la del Estudio 1. Durante una crisis sanitaria global, los usuarios pueden haber percibido mayores pérdidas potenciales por infección al mismo tiempo que reconocían mayores beneficios potenciales del servicio sin contacto, y este doble efecto amplificó la diferencia de valor necesaria para la aceptación. Este hallazgo respalda el intento de avanzar la teoría de la perspectiva al indicar que la opción más arriesgada (aceptar un nuevo servicio público de TI en una situación más arriesgada, la COVID-19) requiere un mayor valor55. Inevitablemente, los resultados de la evaluación del Estudio 2 respaldaron una vez más los del Estudio 1. El factor situacional fue un elemento potencial que pudo haber alterado los valores relacionados con la decisión de los usuarios, tal como los expertos predijeron durante la primera intervención. Además, los resultados respaldaron la validez de los supuestos del modelo utilizando muestras más grandes para el caso de la biometría en aeropuertos, lo que le otorga mayor solidez y generalidad. Sin embargo, el análisis multinacional agrupado asumió que los constructos fueron interpretados de manera similar entre países; no se realizó una prueba formal de invariancia de medición ni comparaciones específicas por país, lo cual sigue siendo una tarea pendiente para investigaciones futuras.

De acuerdo con el análisis realizado utilizando el marco de percepción-intención, los usuarios no elegirían la opción del estado actual si creyeran que obtendrían una ganancia significativamente mayor al utilizar el servicio público de TI. Esto sugiere que solo cuando las ganancias percibidas hagan que la opción arriesgada de aceptación sea más atractiva, los usuarios estarán dispuestos a abandonar su equilibrio. En retrospectiva, tiene sentido conceptual que la aceptación esté más influenciada por las ganancias percibidas que por las pérdidas. El servicio actual ofrecido al usuario es la opción segura y «aversa al riesgo», ya que es una entidad conocida con la que los usuarios tienen experiencia previa, según la teoría de la perspectiva55. Esto significa que el usuario puede anticipar obtener el mismo resultado sin riesgo alguno, sin necesidad de adaptar ni cambiar ninguna condición conductual. Sin embargo, es probable que se seleccione la opción arriesgada, apartándose así de la opción «aversa al riesgo», tan pronto como las ganancias percibidas superen significativamente las pérdidas percibidas. Es interesante observar que estos efectos fueron más intensos cuando un usuario enfrentó una situación más arriesgada, como la pandemia de COVID-19, lo cual pudo haber incrementado la necesidad de valor si consideraban utilizar el nuevo servicio público de TI. Se descubrió una relación consistente entre la ganancia y la pérdida percibidas y la aceptación o rechazo de los servicios públicos de TI. Según los datos, es necesario comprender mejor cómo los usuarios perciben los beneficios potenciales y cómo esa percepción influye en su decisión de utilizar o no un servicio público de TI. Parece que aceptar un nuevo servicio de TI resulta significativamente más difícil para cualquier usuario cuando se le presenta una nueva opción, ya que debe luchar contra cualquier inercia psicológica que pueda existir. Esto también quedó demostrado por el hecho de que las mejoras dentro del marco de percepción e intención necesitaban ser más significativas. Estos hallazgos se ajustan a la idea fundamental propuesta por la teoría de la perspectiva55: las decisiones más arriesgadas requieren valores más altos que las decisiones más seguras. Destacablemente, el patrón asimétrico, según el cual la ganancia percibida predijo la aceptación con mayor fuerza que la pérdida percibida predijo el rechazo, sugiere que la toma de decisiones en este contexto no es puramente aversa a la pérdida, sino impulsada por la ganancia, un matiz que amplía el énfasis típico de la teoría de la perspectiva en la aversión a la pérdida. Estos resultados también coinciden con investigaciones previas sobre adopción: el fuerte efecto de la ganancia percibida sobre la aceptación es coherente con el énfasis del modelo TAM en la utilidad percibida2, mientras que el efecto significativo de la pérdida percibida sobre el rechazo respalda la afirmación del modelo de resistencia a la innovación de que las barreras para la adopción pueden superar a los beneficios potenciales42,49. Este estudio amplía dicha literatura al demostrar que las ganancias y las pérdidas influyen simultáneamente tanto en la aceptación como en el rechazo, en lugar de actuar de forma independiente. Por lo tanto, los hallazgos contribuyen al entendimiento teórico de lo que motiva a los usuarios de servicios públicos de TI a mantener el estado actual (es decir, el rechazo) o a incrementar su disposición al riesgo (es decir, la aceptación). Este estudio también impulsó el creciente cuerpo de investigación sobre la oposición a la adopción de tecnologías de la información. Se demostró que rechazar y aceptar tecnologías de la información son criterios de decisión distintos, ampliando trabajos previos en la literatura a nivel individual y organizacional45,50,51. Todos los usuarios tienen un umbral42,49; sin embargo, ningún estudio sobre la adopción de servicios públicos de TI ha examinado cuáles podrían ser esos umbrales. Por lo tanto, la inclusión de la pérdida percibida fue una forma útil de investigar esta tolerancia y afectó significativamente tanto la decisión de aceptar como de rechazar el servicio público de TI. Estos hallazgos complementan investigaciones previas que aplican el mismo principio de aceptación y rechazo, extendiéndolo a un nuevo contexto51.

Los hallazgos tienen algunas implicaciones gerenciales significativas para las instituciones públicas. En primer lugar, es bien sabido que estas instituciones tienen dificultades para adaptarse al cambio y que la transición a una infraestructura digital resulta complicada. Por lo tanto, decisiones deficientes tomadas por organizaciones públicas al cambiar a un servicio de tecnologías de la información pueden tener efectos negativos duraderos. Es probable que los usuarios no estén dispuestos a adoptar el servicio de TI propuesto si perciben que la pérdida es demasiado grande. En cambio, las inversiones en servicios públicos de TI podrían tener mayor éxito si un gestor institucional público identifica los factores que reducen el rechazo mediante ganancias percibidas. Al aumentar las ganancias percibidas y disminuir las pérdidas percibidas, los gestores pueden aumentar finalmente la aceptación y reducir el rechazo utilizando el PITA para buscar soluciones que generen una respuesta positiva. Por ejemplo, un aeropuerto público que implemente controles biométricos podría utilizar el PITA para evaluar las percepciones de los usuarios antes de invertir: si V(R) se acerca o supera a V(A), los gestores podrían centrar la comunicación en beneficios tangibles, como un procesamiento más rápido (aumentando la ganancia percibida), u ofrecer alternativas con opción de exclusión (reduciendo la pérdida percibida). Debido a la simplicidad del modelo, V(A) y V(R) pueden calcularse directamente a partir de datos de encuestas, proporcionando a los gestores un punto de referencia claro para comprender las intenciones de uso de los usuarios y determinar el estado y las probabilidades de adopción del servicio de TI propuesto.

Este estudio tiene varias limitaciones importantes. En primer lugar, aunque los efectos fueron similares en ambos estudios, se necesita más investigación para comprender completamente los efectos menos significativos observados en las mediciones de la pérdida percibida, y los factores considerados en este estudio podrían explicar solo parcialmente la varianza encontrada en el modelo. En segundo lugar, ambos estudios utilizaron datos transversales autoreportados de viajeros aéreos; este diseño impide inferencias causales, puede introducir sesgos de selección y de deseabilidad social, y limita la generalización más allá de esta población. Aún queda por realizar la prueba formal de invariancia de medición entre los tres países. En tercer lugar, los datos se recopilaron en períodos específicos (cuarto trimestre de 2019 y mediados de 2020), y las percepciones de los usuarios pueden haber cambiado a medida que evolucionó la pandemia. En cuarto lugar, se asumió que un gerente consideraría solo una nueva opción potencial, con la opción actual sirviendo como otra restricción. Los trabajos futuros deberían considerar varias opciones de tecnología PITA, ya que, según el efecto de certeza, cuando existen varias opciones con distintos grados de certeza, esto fomenta comportamientos de asunción de riesgos71 y podría ser una dirección valiosa a seguir. La investigación futura también debería examinar otras formas y umbrales de resistencia a la innovación63, extender el modelo PITA a otros servicios públicos de TI (por ejemplo, portales de gobierno electrónico y aplicaciones de salud pública) y a otros ámbitos en los que el beneficio percibido y el riesgo conjuntamente determinen la adopción64, emplear diseños longitudinales para rastrear cómo evolucionan V(A) y V(R) con el tiempo, y examinar si las dimensiones culturales moderan las relaciones en el modelo. En conjunto, este estudio debería contribuir a una mejor comprensión de la adopción de tecnologías de la información públicas. Al incorporar tanto la ganancia percibida como la pérdida percibida, el modelo PITA captura la naturaleza dual de la toma de decisiones del usuario: la aceptación está impulsada por el atractivo de las ganancias, mientras que el rechazo está impulsado por el temor a las pérdidas. Antes de realizar una inversión, los gerentes pueden orientarse adecuadamente mediante decisiones sólidas y precisas durante las primeras etapas de identificación de soluciones potenciales de TI. Los gerentes deberían reconsiderar su estrategia de servicios de TI si el valor total de aceptación es insuficiente, ya que PITA proporciona a los gerentes la suma total del valor necesario tanto para la aceptación como para el rechazo. El hallazgo de que el riesgo situacional amplifica la diferencia de valor requerida para la aceptación representa una contribución novedosa tanto a la teoría de la perspectiva como a la literatura sobre adopción de tecnología. Por lo tanto, PITA debería ayudar a los gerentes a encontrar una solución que ofrezca un valor total de aceptación mayor que el de rechazo: solo entonces los usuarios estarán dispuestos a utilizar un nuevo servicio público de TI.

Divulgaciones

Los autores declaran no tener conflictos de intereses. Durante la elaboración de este manuscrito revisado, se utilizó una herramienta de inteligencia artificial generativa (ChatGPT 5o) para ayudar con la edición del lenguaje y el formato. Los autores revisaron y verificaron todo el contenido y asumen total responsabilidad por el manuscrito; ninguna herramienta de IA se utilizó para generar datos, realizar análisis o crear figuras.

Agradecimientos

Este trabajo fue apoyado por fondos de investigación de la Universidad aSSIST.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
IBM SPSS Amos (software de modelado de ecuaciones estructurales basado en covarianzas)IBM Corp. (Armonk, NY, USA)versión 27; https://www.ibm.com/products/structural-equation-modeling-sem/Utilizado para todos los análisis de modelado de ecuaciones estructurales basados en covarianzas (CB-SEM), incluida la evaluación del modelo de medición (AC: confiabilidad compuesta, AVE y validez discriminante) y el análisis de trayectorias del modelo estructural. 
Prolific (plataforma en línea para reclutamiento de participantes)Prolific Academic Ltdhttps://www.prolific.com/Plataforma en línea utilizada para reclutar participantes para encuestas. Los participantes fueron seleccionados según criterios de elegibilidad (por ejemplo, experiencia en aeropuertos) y compensados de acuerdo con las directrices de pago justo de Prolific. 
Qualtrics (plataforma en línea para encuestas)Qualtrics, LLCRRID:SCR_016728Plataforma web para encuestas utilizada en el diseño, distribución y recopilación de datos de respuestas. Todos los ítems de medición se administraron mediante Qualtrics utilizando una escala Likert de 7 puntos (1 = totalmente en desacuerdo, 7 = totalmente de acuerdo). https://www.qualtrics.com/

Referencias

  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.

Reimpresiones y permisos

Etiquetas

Teor a de las perspectivasmarco de percepci n intenci nservicios de gobierno electr nicoaplicaciones de salud p blicasistemas biom tricosaceptaci n del usuariovalor percibidoencuesta transnacionalinvestigaci n basada en intervenciones
Contáctenos
Recomendar a la biblioteca

Privacidad

Términos de uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos los derechos reservados.