Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.

Article de recherche

Proposition de l'adoption des TI publiques avec son fondement théorique et ses résultats empiriques

75 vues

⸱

DOI :

10.3791/73614

⸱

15 septembre 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

Dans cet article

Résumé

Cette étude propose le modèle d'adoption publique des technologies de l'information, un cadre prospectif fondé sur la théorie des perspectives, qui explique comment les gains et pertes perçus influencent l'acceptation ou le rejet par les utilisateurs des services publics de technologie de l'information, tels que la biométrie dans les aéroports. Deux enquêtes, dont une internationale, ainsi que des interventions d'experts ont permis de valider ce modèle, appuyant ainsi la théorie des perspectives à travers différents pays et contextes.

Résumé

Cette recherche propose un modèle théorique d'adoption des technologies de l'information publiques (PITA). Les services publics de technologie de l'information (TI) désignent les services fondés sur les TI que les institutions publiques offrent à tous les citoyens, tels que les portails de gouvernement électronique, les applications de santé publique et les systèmes biométriques dans les aéroports. En raison de la nature particulière des TI publiques, les modèles précédemment élaborés, centrés principalement sur les niveaux individuel et organisationnel, ont été jugés insuffisants pour identifier la masse critique nécessaire à l'adoption des TI publiques. Pour combler cette lacune, un cadre perception-intention fondé sur la théorie des perspectives a été proposé afin d'explorer les pertes et gains perçus par les utilisateurs lors de l'adoption d'un nouveau service public de TI, suggérant que ces perceptions constituent les facteurs précurseurs du rejet ou de l'acceptation d'un nouveau service public de TI. Deux études ont été menées, dont une impliquant des échantillons d'enquête provenant de trois pays (Corée du Sud, Royaume-Uni et États-Unis). Cinq experts du secteur ont également été invités, selon une approche de recherche par intervention, à affiner et valider qualitativement le modèle afin qu'il puisse être utilisé dans un scénario pratique. Les résultats ont montré que la valeur totale d'acceptation, c'est-à-dire la valeur perçue globale requise pour que les utilisateurs acceptent le service, calculée comme la somme des coefficients de chemin pertinents, était systématiquement supérieure à celle du rejet. Un résultat similaire a été observé pour le gain perçu, qui s'est révélé un prédicteur plus fort à la fois de l'acceptation et du rejet que la perte perçue. Bien que ces résultats reposent sur des données transversales auto-déclarées, ils apportent un soutien solide à la théorie des perspectives et contribuent à une meilleure compréhension du rôle fondamental de cette théorie dans l'adoption des TI publiques. Ainsi, en étendant la théorie des perspectives au contexte des TI du secteur public, PITA offre aux chercheurs une base théorique validée et aux praticiens un outil pratique pour diagnostiquer l'adoption des services de TI publics.

Introduction

Les technologies de l'information (TI) ont évolué au cours des dernières décennies pour devenir un outil dominant et omniprésent dans la recherche de l'innovation et ont profondément transformé la vie quotidienne. Depuis l'introduction de modèles d'adoption des TI fondés sur des perspectives psychologiques1,2,3,4, la relation entre les utilisateurs et les TI a fait l'objet de recherches approfondies aux niveaux individuel et organisationnel5.

Pendant ce temps, de nombreuses organisations publiques peinent à atteindre une efficacité opérationnelle face à des exigences sociétales écrasantes, telles que la congestion des aéroports, ce qui nuit à l'efficacité et à la qualité des services publics. L'agrandissement des infrastructures physiques pourrait procurer des avantages immédiats, mais nécessite des investissements importants en temps et en argent6. En revanche, les prestataires de services publics innovants ont abordé cette question par l'innovation pilotée par les technologies de l'information7, en intégrant des innovations aux infrastructures existantes afin d'assurer la qualité des services et l'efficacité opérationnelle8,9,10,11. Les organisations publiques adoptent désormais de nouvelles technologies de l'information (par exemple, les services cloud, la cybersécurité et la biométrie) afin de revitaliser leurs actifs essentiels, ce qui crée des défis supplémentaires en matière d'adoption12. Ce problème pourrait découler d'une compréhension insuffisante des utilisateurs réels : les recherches antérieures se sont principalement concentrées sur les facteurs favorisant l'acceptation, au détriment de ceux liés au rejet. En l'absence de participation active des utilisateurs, les mises en œuvre des technologies de l'information dans les institutions publiques risquent de ne pas aboutir à une adoption effective.

Cependant, l'adoption des technologies de l'information dans le secteur public présente des défis uniques, distincts de ceux du secteur privé. Bien que « acceptation » et « rejet » semblent s'opposer comme deux situations initiales distinctes13, promouvoir l'une pourrait entraver l'autre ; par conséquent, les deux aspects de cet effet compensatoire doivent être pris en compte. Les études antérieures sur l'innovation dans les services publics numériques avaient tendance à mettre l'accent sur les résultats positifs10,11,14,15,16. Cet article examine donc conjointement « acceptation » et « rejet », en combinant des modèles de systèmes d'information fondés sur la psychologie (à savoir, la diffusion de l'innovation et la résistance à l'innovation) avec l'économie comportementale (à savoir, la théorie des perspectives).

Le cas des biométries aéroportuaires, dans lequel l'identification biométrique remplace les procédures fondées sur les documents, a été retenu parce que ce service public informatisé est offert à tous les citoyens, implique des informations personnelles sensibles et confronte les utilisateurs à une décision claire d'acceptation ou de refus. Deux questions de recherche ont guidé l'étude. Q1 : Comment les gains et pertes perçus influencent-ils l'acceptation ou le rejet par les utilisateurs d'un service public informatisé ? Q2 : La valeur totale requise pour l'acceptation est-elle plus élevée que celle requise pour le refus, comme le prévoit la théorie des perspectives ? En conséquence, un nouveau cadre théorique a été proposé et validé par des experts du secteur selon la stratégie de recherche fondée sur l'intervention (IBR)17 (Figure 1). Cette étude intègre ainsi la théorie des perspectives aux modèles d'adoption des systèmes d'information et fournit des enseignements exploitables pour les gestionnaires de services informatiques publics.

Organigramme du processus de recherche : théorie, modèle, données, analyse, signification, implications, examen par des experts.
Figure 1 : Le processus de recherche de l'élaboration et du développement du modèle théorique. Le diagramme illustre le déroulement global de la recherche, depuis l'élaboration du modèle théorique fondé sur des modèles d'adoption antérieurs et la théorie des perspectives, jusqu'à l'achèvement du modèle PITA, en passant par l'Étude 1 et l'Étude 2, chacune suivie d'une intervention d'experts. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

L'adoption des technologies de l'information a fait l'objet de nombreuses études : le modèle d'acceptation de la technologie (TAM)2 et la théorie unifiée de l'acceptation et de l'utilisation de la technologie (UTAUT)4 au niveau individuel, ainsi que la théorie de la diffusion de l'innovation (DOI)1 et le cadre technologie-organisation-environnement (TOE)3 au niveau de l'entreprise, ont donné lieu à des études complémentaires portant sur la réalité augmentée et l'apprentissage des langues18,19, les chatbots et les paiements numériques20,21, les services de mobilité22,23, et le travail à distance24. Toutefois, ces modèles présentent des limites notables en ce qui concerne les technologies de l'information publiques : le TAM suppose une utilisation volontaire, la DOI néglige la résistance des utilisateurs, et l'UTAUT a été conçu principalement pour des contextes organisationnels, ce qui rend leur applicabilité aux services publics de technologies de l'information quasi obligatoires discutable. Des études sur l'adoption des technologies de l'information publiques fondées sur ces modèles existent également, par exemple en étendant l'UTAUT pour analyser un système en ligne de traitement des plaintes publiques25 ou en appliquant le cadre TOE aux systèmes d'information sur les ressources humaines dans le secteur public14 ; de nombreuses autres études ont adopté des approches similaires26,27,28,29,30,31,32,33,34,35.

Cependant, l'adoption des TI au niveau public diffère considérablement de celle au niveau individuel ou organisationnel (voir Tableau 1) : les entités adoptantes et les utilisateurs ne sont pas les mêmes, et les intentions des utilisateurs ne sont pas évidentes en raison de l'inertie psychologique et de la situation actuelle des services. Les caractéristiques perturbatrices des TI peuvent entraver la restructuration des systèmes existants36 ; l'adoption exige également un changement d'attitude et de comportement de la part des utilisateurs, ce qui nécessite une compréhension claire de leur point de vue. Compte tenu de ces caractéristiques, les modèles antérieurs axés sur les niveaux individuel et organisationnel pourraient ne pas être suffisants pour identifier la masse critique nécessaire à l'adoption publique des TI. Étant donné que l'innovation de service pilotée par les TI est essentielle pour réduire les coûts et améliorer les services37,38, et qu'elle contribue finalement à faire progresser la société39, un cadre théorique ciblé sur l'adoption publique des TI est crucial.

IndividuelEntreprisePublic
Entité d'adoptionIndividusEntreprises (privées)Entreprises (publiques)
UtilisateurIndividusEmployés de l'entrepriseIndividus
Intention de l'utilisateurCertaineCertaine (imposée)Incertaine
Inertie psychologiqueNégligeableNégligeable (imposée)Importante
Perception de la valeurIndispensableIndispensable (imposée)Indispensable
Objectif principal d'adoptionPersonnelEfficacité, économies de coûtsIntérêt public
Modèles d'adoption des TI pertinentsTAM2, UTAUT4DOI1, TOE3Cette étude

Tableau 1 : Différents niveaux d'adoption des technologies de l'information. Le tableau compare l'adoption des technologies de l'information aux niveaux individuel, organisationnel et public en fonction des modèles théoriques représentatifs, des entités adoptantes et des utilisateurs.

La littérature existante a démontré que les individus et les employés ont une intention a priori (au niveau individuel) ou imposée (au niveau de l'entreprise) d'utiliser un service informatique spécifique2,40, ce qui implique que l'adoption était prédéterminée4,41. Toutefois, tous les utilisateurs n'ont pas l'intention d'utiliser les technologies de l'information42, et seules quelques études sur les systèmes d'information ont identifié les caractéristiques et les justifications du rejet43,44. Par conséquent, un nouveau service public de technologie de l'information serait délibérément rejeté jusqu'à ce que l'innovation soit soit acceptée, soit abandonnée45.

Comprendre l'acceptation et le rejet par les utilisateurs d'un service informatique d'une institution publique est l'objectif principal de cette étude, examiné à travers deux perceptions de la valeur : le gain perçu et la perte perçue. Le gain perçu a été adapté du modèle de diffusion de l'innovation1,46 ; ces concepts ont été largement utilisés pour analyser les perceptions favorisant l'acceptation des technologies de l'information47,48 et démontrent une forte validité dans divers contextes40. En revanche, la perte perçue inclut les caractéristiques expliquant pourquoi les personnes maintiennent leur mode de vie actuel malgré les pressions pour s'adapter ; ancrée dans la résistance à l'innovation42,49, cette orientation de recherche examine pourquoi certaines personnes retardent l'adoption d'une innovation ou la rejettent catégoriquement49,50,51,52,53. Une approche multidimensionnelle a été utilisée pour saisir ces perceptions, plutôt que de traiter la perte et le gain comme des concepts généraux.

La perte perçue a été opérationnalisée à travers cinq dimensions53,54. La perte de temps (TIL) correspond au temps perçu comme perdu lors de l'apprentissage et de l'utilisation du service, ainsi que lorsque les attentes ne sont pas satisfaites53. La perte sociale (SOL) est le risque de perdre sa position au sein d'un groupe social en apparaissant comme ridicule ou dépassé54. La perte financière (FIL) englobe les pertes monétaires potentielles dues aux coûts d'achat, aux frais ou au vol d'informations personnelles54. La perte physique (PHL) est la perception selon laquelle l'utilisation pourrait entraîner un préjudice, un inconfort ou une fatigue53,54. La perte de performance (PEL) est la dégradation perçue de la qualité du service ou de ses fonctionnalités par rapport aux alternatives existantes, incluant les dysfonctionnements et l'incapacité à fournir les avantages souhaités53.

Pour expliquer le gain perçu (PG), on a utilisé les critères suivants : avantage relatif, compatibilité, possibilité de test et complexité1,46. L'avantage relatif (REA) correspond au degré auquel une innovation est considérée comme plus avantageuse que son prédécesseur ; la compatibilité (COM), au degré d'adéquation de celle-ci avec les valeurs, besoins et expériences antérieures d'un adopteur potentiel ; la possibilité de test (TRI), à l'ampleur des expérimentations possibles avant l'adoption ; et la complexité (CPX), liée à la facilité de usage perçue du modèle TAM, fait référence à la difficulté d'utilisation et de compréhension de l'innovation. L'observabilité a été exclue, car elle est trop ambiguë à mesurer46 et parce que les résultats biométriques dans le contexte des technologies de l'information publiques ne sont pas facilement observables par autrui.

Le cadre de référence perte-gain a été proposé pour expliquer les valeurs perçues qui motivent les réactions face à un nouveau service public de technologie de l'information. Si le service est radical et menace les comportements habituels, on a émis l'hypothèse que la perte perçue l’emporterait sur le gain perçu, entraînant un rejet ; si cette situation persiste, le rejet pourrait devenir un aspect constant de l’intention comportementale42,49. Inversement, si les avantages perçus l’emportent sur les pertes anticipées, l’utilisateur a peu de raisons de rejeter le service. Par conséquent, les hypothèses suivantes ont été formulées :

H1. La perte perçue aura un effet positif sur le rejet.
H2. La perte perçue aura un effet négatif sur l'acceptation.
H3. Le gain perçu aura un effet négatif sur le rejet.
H4. Le gain perçu aura un effet positif sur l'acceptation.

Tout progrès technologique dans les services publics vise à faire avancer la société (par exemple, un embarquement plus rapide et plus sécurisé grâce à la biométrie dans les aéroports), mais un nouveau service public basé sur les TIC comporte de nombreux risques et incertitudes, et les utilisateurs pourraient ne pas percevoir les avantages escomptés. Selon la théorie des perspectives55, les individus prennent de telles décisions irrationnelles en fonction de l’évaluation d’alternatives, de valeurs et d’attitudes face à l’incertitude, jugées par rapport à un point de référence (dépendance au point de référence). L’idée centrale de cette théorie est l’aversion à la perte, c’est-à-dire la tendance à accorder plus d’importance aux pertes qu’aux gains équivalents, combinée à une sensibilité décroissante ; cet accent mis sur les gains et les pertes par rapport à la situation actuelle correspond directement à la dichotomie acceptation-rejet examinée ici. La théorie des perspectives a été utilisée dans de récentes études en SI et en TIC pour expliquer des décisions irrationnelles en situation de risque et d’incertitude56,57,58,59,60, dans des contextes allant du travail assisté par l’intelligence artificielle et de la santé numérique au Wi-Fi public et aux paiements mobiles. Bien que ces études confirment la pertinence de la théorie, elles se sont principalement concentrées sur les intentions d’acceptation et ont négligé la dimension du rejet, essentielle dans le contexte des TIC publiques.

Les utilisateurs de services informatiques publics agissent comme s'ils décidaient d'accepter ou de rejeter le service en fonction des valeurs totales requises (c'est-à-dire la somme des gains et pertes perçus). Aucune étude antérieure sur l'adoption des technologies de l'information publiques n'a examiné ce phénomène selon cette perspective. En conséquence, les coefficients de chemin (c'est-à-dire PL vers REJ) ont été codés comme des valeurs55, et les valeurs totales requises pour le rejet et l'acceptation ont été calculées comme suit :

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

où CLR, CGR, CLA et CGA sont respectivement les coefficients de chemin entre la perte perçue et le rejet, le gain perçu et le rejet, la perte perçue et l'acceptation, et le gain perçu et l'acceptation ; ces coefficients standardisés produisent V(R) et V(A) comme valeurs composées de l'influence totale de la perte et du gain. Étant donné que les services publics de technologie de l'information sont conçus pour bénéficier aux utilisateurs, et que les utilisateurs accordent plus d'importance aux pertes qu'aux gains lorsqu'ils s'écartent du statu quo, l'acceptation, choix plus risqué, devait nécessiter une valeur totale supérieure à celle du rejet. En s'appuyant sur les hypothèses H1 à H4, H5 teste l'équilibre net de ces effets :

H5. La valeur totale requise pour l'acceptation, V(A), sera supérieure à celle du rejet, V(R). Le modèle conceptuel résultant d'adoption des technologies de l'information publiques (PITA) est illustré dans Figure 2.

Schéma du processus de prise de décision ; les pertes et gains perçus conduisent au rejet et à l'acceptation.
Figure 2 : Modèle conceptuel PITA. Le schéma représente la perte perçue (PL) et le gain perçu (PG) comme des facteurs préalables au rejet (REJ) et à l'acceptation (ACC) ; les chemins a, b, c et d correspondent aux coefficients utilisés pour calculer les valeurs totales V(R) et V(A). Remarque : a = CLR, b = CLA, c = CGR et d = CGA Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

Toutes les procédures de l'étude étaient conformes aux principes éthiques applicables à la recherche impliquant des participants humains à l'Université aSSIST, à l'Université Sungkyunkwan et à l'Université Dong-A. Étant donné que les réponses au questionnaire étaient anonymisées dès leur collecte et qu'aucune information permettant d'identifier les personnes n'a été recueillie, le comité d'éthique (Institutional Review Board) de l'Université aSSIST a classé cette étude comme étant exemptée d'un examen éthique complet. Les institutions participantes n'ont pas obtenu d'approbations distinctes du comité d'éthique, car elles se sont appuyées sur la décision d'exemption émise par le comité d'éthique de l'Université aSSIST, laquelle couvrait à la fois la conception de la recherche et les procédures de collecte des données. Cette décision a été prise conformément à l'article 15 de la loi sur la bioéthique et la sécurité de la République de Corée et aux critères d'exemption précisés à l'article 13 de son arrêté d'application (https://public.irb.or.kr/pt/pt01/PT0103/PT0103R01.do). Avant d'accéder au questionnaire sur Qualtrics, tous les participants ont pris connaissance d'une déclaration électronique de consentement éclairé expliquant l'objectif académique de la recherche, le traitement anonyme des réponses, l'utilisation des données uniquement à des fins de recherche et l'absence de risques raisonnablement prévisibles. Seuls les participants ayant donné leur consentement explicitement ont pu poursuivre le questionnaire.

Aperçu des études
Deux études empiriques et deux interventions d'experts ont été menées pour tester les cinq hypothèses et le modèle PITA proposé. Les résultats sont présentés dans la Figure 3. Des enquêtes en deux vagues ont été réalisées avant la pandémie de COVID-19 (T4 2019) et pendant celle-ci (T2-T3 2020) afin de mesurer les construits à différents moments, réduire la possibilité de biais de méthode commune (BMC) dans les données et améliorer la généralisation de l'étude61,62.

Organigramme de comparaison des études ; avant/après COVID, échantillons, régions ; chronologie de la recherche, interventions.
Figure 3 : Aperçu des études. La chronologie résume le dispositif en deux vagues : l’Étude 1 (T4 2019, avant la pandémie de COVID-19, échantillon coréen, N = 322), suivie de la première intervention d'experts, puis l’Étude 2 (T2-T3 2020, pendant la pandémie de COVID-19, échantillons de Corée, du Royaume-Uni et des États-Unis, N = 602), suivie de la seconde intervention d'experts. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Modèle de l'étude 1
Le modèle de recherche initial a été élaboré à partir des hypothèses formulées afin de révéler les intentions des utilisateurs d'accepter ou de rejeter un nouveau service public informatisé (par exemple, l'utilisation de la biométrie dans les aéroports), comme illustré dans la Figure 4. Les opinions des utilisateurs concernant les services publics informatisés sont reflétées par deux construits de second ordre, la perte perçue (PL) et le gain perçu (PG), chacun étant constitué de ses propres construits de premier ordre. Ces deux construits de second ordre constituent les prédicteurs du rejet (REJ) et de l'acceptation (ACC), qui représentent les intentions des utilisateurs d'utiliser les services publics informatisés.

Schéma conceptuel ; modèle d'équations structurelles avec les construits PL, PG, REJ, ACC ; analyse de la recherche.
Figure 4 : Modèle de recherche de l'étude 1. Cinq construits de perte de premier ordre (PEL, TIL, SOL, PHL et FIL) forment le construit de second ordre « perte perçue », et quatre construits de gain de premier ordre (REA, COM, TRI et CPX) forment le gain perçu ; les deux construits de second ordre sont modélisés comme des prédicteurs de rejet et d'acceptation (H1–H4). Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Données de recherche de l'étude 1
Le premier échantillon de données, basé sur un total de 322 participants sud-coréens (femmes : 46,6 %, hommes : 53,4 %) ayant déjà embarqué dans un avion au moins une fois au cours de l'année écoulée, a été recueilli du 13 au 18 novembre 2019 (avant le début de la pandémie de COVID-19). Des définitions et des exemples de services publics de technologie de l'information (c'est-à-dire d'applications biométriques dans les aéroports) ont été fournis dans l'introduction du questionnaire. Les données brutes de l'étude 1 sont disponibles dans le fichier supplémentaire 1. La fréquence des vols a été mesurée selon cinq catégories mutuellement exclusives (FF1–FF5), correspondant respectivement à un, deux, trois, quatre vols ou cinq vols ou plus au cours de l'année écoulée (étude 1 : 138, 91, 34, 21 et 38 participants ; étude 2 : 174, 153, 109, 82 et 84 participants respectivement).

Les construits prédicteurs ont été évalués à l'aide d'une échelle de Likert à sept points allant de « fortement en désaccord (1) » à « fortement d'accord (7) » (voir Fichier Supplémentaire 21,46,53,54,63,64 pour le questionnaire de l'étude). Après un test pilote mené auprès de 20 participants, les révisions se sont limitées à des améliorations au niveau de la formulation des items de question afin d'en accroître la stabilité, l'applicabilité et la facilité d'interprétation ; aucun construit ni aucun item n'a été ajouté ou supprimé après le test pilote. Le document d'accompagnement contient l'ensemble du questionnaire ainsi que les statistiques pertinentes et le contexte théorique. Des analyses de validation factorielle (CFA) et de modélisation par équations structurelles fondée sur la covariance (CB-SEM) ont été réalisées.

Intervention des experts pour l'étude 1
Cinq experts possédant au moins dix ans d'expérience ont été invités afin de garantir l'objectivité et d'améliorer la qualité de ce travail, dont deux provenant d'organisations internationales (Airports Council International et International Air Transport Association), deux d'organisations gouvernementales (aéroport de Changi à Singapour et Korea Airports Corporation) et un d'une entreprise privée offrant des services dans un cadre public (Korean Air). Cette intervention d'experts a été essentielle pour fournir des retours permettant d'améliorer le modèle et les connaissances spécialisées sur le contexte cible. Des évaluations qualitatives (c'est-à-dire des retours subjectifs) et quantitatives (échelle de Likert à sept points) ont été réalisées. Une version révisée des éléments du questionnaire sur les caractéristiques des rapports de décision (voir Fichier supplémentaire 3)65 a été utilisée pour l'évaluation quantitative et validée à l'aide du coefficient de corrélation intraclasse66. À chaque tour d'intervention, chaque expert a rempli individuellement le questionnaire quantitatif, puis a fourni des commentaires qualitatifs ouverts ; le même panel, les mêmes instruments et la même procédure ont été utilisés lors des deux interventions afin de permettre la réplication.

Étude 2
Afin de remédier aux problèmes identifiés dans l’Étude 1 et d’améliorer la généralisabilité du modèle, l’Étude 2 a appliqué le même modèle que celui de l’Étude 1. L’Étude 2 comprenait 602 participants (femmes : 42,3 %, hommes : 57,7 %, Corée : 200, Royaume-Uni : 201 et États-Unis : 201). Les données ont été recueillies entre le 23 juillet et le 19 août 2020 (durant la pandémie de COVID-19). Les données brutes de l’Étude 2 sont fournies dans le Fichier supplémentaire 4. Avec 33 indicateurs observés, cette taille d’échantillon fournit environ 18 observations par indicateur, dépassant ainsi le critère couramment recommandé de 10 observations par indicateur pour la ME-SC à variables latentes, et dépassant également le seuil minimal largement utilisé de 200 observations. La Corée, le Royaume-Uni et les États-Unis ont été choisis parce qu’ils représentaient 29,1 % de l’ensemble des voyageurs aériens dans le monde (environ 1,6 milliard sur 5,5 milliards) entre juillet 2019 et juin 2020. La pandémie de COVID-19 a touché ces pays à des moments différents, débutant en Corée puis affectant ultérieurement les États-Unis et le Royaume-Uni. De plus, ces trois nations offraient un mélange de traditions culturelles orientales et occidentales. Par conséquent, l’ensemble de données combiné provenant de ces pays a été utilisé pour examiner le cadre perception-intention des utilisateurs concernant un nouveau service public de technologie de l’information (c’est-à-dire la biométrie aéroportuaire).

Intervention des experts pour l'étude 2
Les mêmes experts ont été invités, les mêmes évaluations quantitatives et qualitatives ont été réalisées, et leurs commentaires ont été sollicités afin de valider les résultats de l'étude 2.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

Étude 1
Afin d'évaluer d'éventuels biais de méthode commune (BMC) associés aux données autodéclarées, une analyse à un facteur a d'abord été réalisée67. Selon les résultats du test, un facteur expliquait 36,56 % de la variance ; le fait qu'un seul facteur explique moins de 50 % de la variance indique que le BMC ne pose pas de problème62,67,68. La validité de construit et la fiabilité ...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

Cette étude en deux parties a testé le modèle PITA d'adoption publique des technologies de l'information ; dans les deux études, les cinq hypothèses ont été confirmées, et l'écart entre V(A) et V(R) s'est accru dans le contexte plus risqué de la pandémie de COVID-19, conformément à la théorie des perspectives, selon laquelle des choix plus risqués exigent une valeur perçue plus grande. Un manque a été identifié dans les fondements théoriques de la littérature sur l'adoption des TI, notamment dans les modèles TAM

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

Les auteurs déclarent qu’ils n’ont aucun conflit d’intérêts. Pendant la préparation de ce manuscrit révisé, un outil d’intelligence artificielle générative (ChatGPT 5o) a été utilisé pour aider à la correction linguistique et à la mise en forme. Les auteurs ont relu et vérifié l’intégralité du contenu et assument l’entière responsabilité du manuscrit ; aucun outil d’IA n’a été utilisé pour générer des données, effectuer des analyses ou créer des figures.

Remerciements

Ce travail a été soutenu par un financement de recherche de l'université aSSIST.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
IBM SPSS Amos (logiciel CB-SEM)IBM Corp. (Armonk, NY, USA)version 27 ; https://www.ibm.com/products/structural-equation-modeling-sem/Utilisé pour toutes les analyses de modélisation par équations structurelles basées sur la covariance (CB-SEM), y compris l'évaluation du modèle de mesure (AC : fiabilité composite, AVE et validité discriminante) et l'analyse des chemins du modèle structurel. 
Prolific (plateforme en ligne de recrutement de participants)Prolific Academic Ltdhttps://www.prolific.com/Plateforme en ligne utilisée pour recruter des participants à un sondage. Les participants ont été sélectionnés selon des critères d'éligibilité (par exemple, expérience des aéroports) et rémunérés conformément aux directives de rémunération équitable de Prolific. 
Qualtrics (plateforme en ligne de sondage)Qualtrics, LLCRRID:SCR_016728Plateforme de sondage en ligne utilisée pour la conception, la diffusion et la collecte des données de réponse. Tous les items de mesure ont été administrés via Qualtrics en utilisant une échelle de Likert à 7 points (1 = totalement en désaccord, 7 = totalement d'accord). https://www.qualtrics.com/

Références

  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.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Explorer plus d’articles

Théorie des perspectivescadre perception-intentionservices d'administration électroniqueapplications de santé publiquesystèmes biométriquesacceptation par l'utilisateurvaleur perçueenquête transnationalerecherche interventionnelle
Contactez-nous
Recommander à la bibliothèque

Confidentialité

Conditions d’utilisation

Politiques

Copyright © 2026 MyJoVE Corporation. Tous droits réservés.