Articolo di ricerca

Proposta di adozione dell'IT nel settore pubblico con le sue basi teoriche e i risultati empirici

0 visualizzazioni

⸱

DOI:

10.3791/73614

⸱

15 settembre 2026

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

In questo articolo

Sommario

Questo studio propone il modello di adozione pubblica delle tecnologie informatiche, un quadro teorico basato sulla teoria del prospetto che collega percezione e intenzione, spiegando come i guadagni e le perdite percepiti influenzino l'accettazione o il rifiuto, da parte degli utenti, dei servizi informatici pubblici, come ad esempio la biometria negli aeroporti. Il modello è stato validato attraverso due sondaggi, tra cui uno internazionale, e interventi di esperti, confermando la teoria del prospetto in diversi paesi e contesti.

Abstract

Questa ricerca propone un modello teorico sull'adozione delle tecnologie informatiche pubbliche (PITA, Public IT Adoption). I servizi pubblici di tecnologia dell'informazione (IT) si riferiscono a servizi basati su tecnologie informatiche offerti da istituzioni pubbliche a tutti i cittadini, come portali di e-government, applicazioni per la salute pubblica e sistemi biometrici negli aeroporti. A causa della natura unica delle tecnologie IT pubbliche, modelli precedentemente sviluppati, focalizzati principalmente a livello individuale e aziendale, sono stati considerati insufficienti per identificare la massa critica necessaria all'adozione delle tecnologie IT pubbliche. Per colmare questa lacuna, è stato proposto un quadro teorico basato sulla teoria del prospetto (prospect theory), che analizza le percezioni di perdita e guadagno da parte degli utenti nell'adozione di un nuovo servizio IT pubblico, suggerendo che tali percezioni rappresentino i fattori predittivi dell'accettazione o del rifiuto di un nuovo servizio IT pubblico. Sono stati condotti due studi, uno dei quali ha coinvolto campioni di indagine provenienti da tre nazioni (Corea del Sud, Regno Unito e Stati Uniti). Inoltre, attraverso un approccio di ricerca basato su interventi, sono stati invitati cinque esperti del settore per affinare e validare qualitativamente il modello, in modo che potesse essere utilizzato in scenari pratici. I risultati hanno mostrato che il valore totale dell'accettazione, ovvero il valore percepito complessivo necessario affinché gli utenti accettino il servizio, calcolato come somma dei coefficienti di percorso rilevanti, era costantemente superiore rispetto a quello del rifiuto. Un risultato simile è emerso per il guadagno percepito, che si è rivelato un predittore più forte sia dell'accettazione che del rifiuto rispetto alla perdita percepita. Sebbene i risultati si basino su dati trasversali auto-riferiti, essi forniscono un solido sostegno alla teoria del prospetto e contribuiscono a una migliore comprensione del ruolo fondamentale di tale teoria nell'adozione delle tecnologie IT pubbliche. Pertanto, estendendo la teoria del prospetto al contesto delle tecnologie IT nel settore pubblico, PITA offre ai ricercatori una base teorica validata e ai professionisti uno strumento pratico per diagnosticare l'adozione dei servizi IT pubblici.

Introduzione

L'informatica (IT) si è evoluta negli ultimi decenni in uno strumento dominante e pervasivo per la promozione dell'innovazione, modificando in modo significativo la vita quotidiana. Dall'introduzione dei modelli di adozione dell'IT basati su prospettive psicologiche1,2,3,4, la relazione tra utenti e informatica è stata ampiamente studiata a livello individuale e aziendale5.

Nel frattempo, molte organizzazioni pubbliche hanno faticato a raggiungere l'efficienza operativa a fronte di pressioni sociali crescenti, come l'ingorgo negli aeroporti, che compromette l'efficacia e la qualità dei servizi pubblici. L'ampliamento delle infrastrutture fisiche potrebbe portare benefici immediati, ma richiede investimenti significativi in termini di tempo e denaro6. Al contrario, i fornitori innovativi di servizi pubblici hanno affrontato questa problematica attraverso l'innovazione basata sulle tecnologie dell'informazione7, integrando le innovazioni con le infrastrutture esistenti per garantire qualità del servizio ed efficienza operativa8,9,10,11. Le organizzazioni pubbliche stanno ora adottando nuove tecnologie dell'informazione (ad esempio servizi cloud, cybersecurity e biometria) per rinnovare le proprie risorse fondamentali, generando ulteriori sfide nell'adozione12. Questo problema potrebbe derivare da una comprensione inadeguata degli utenti reali: le ricerche precedenti si sono concentrate principalmente sui fattori che guidano l'accettazione, trascurando invece il rifiuto. Senza un coinvolgimento attivo degli utenti, l'implementazione delle tecnologie dell'informazione nelle istituzioni pubbliche potrebbe non raggiungere un'adozione effettiva.

Tuttavia, l'adozione delle tecnologie informatiche nel settore pubblico presenta sfide uniche, distinte dai contesti del settore privato. Sebbene «accettazione» e «rifiuto» sembrino opporsi come due status quo distinti13, promuoverne uno potrebbe inibire l'altro; pertanto, è necessario considerare entrambi gli aspetti dell'effetto contrastante. Studi precedenti sull'innovazione nei servizi informatici pubblici tendevano a enfatizzare gli esiti positivi10,11,14,15,16. Questo articolo, quindi, ha esaminato congiuntamente «accettazione» e «rifiuto», integrando modelli psicologici basati sui sistemi informativi (ovvero, diffusione dell'innovazione e resistenza all'innovazione) con l'economia comportamentale (ovvero, teoria del prospetto).

Il caso dei sistemi biometrici negli aeroporti, in cui l'identificazione biometrica sostituisce le procedure basate sui documenti, è stato selezionato perché questo servizio informatico pubblico è offerto a tutti i cittadini, coinvolge informazioni personali sensibili e pone gli utenti di fronte a una chiara decisione di accettazione o rifiuto. Lo studio è stato guidato da due domande di ricerca. DR1: In che modo i vantaggi e svantaggi percepiti influenzano l'accettazione o il rifiuto di un servizio informatico pubblico da parte degli utenti? DR2: Il valore totale richiesto per l'accettazione è maggiore rispetto a quello necessario per il rifiuto, come previsto dalla teoria del prospetto? Di conseguenza, è stato proposto un nuovo quadro teorico, validato da esperti del settore attraverso la strategia IBR (ricerca basata su intervento)17 (Figura 1). Questo studio integra pertanto la teoria del prospetto con i modelli di adozione dei sistemi informativi, offrendo indicazioni pratiche per i responsabili dei servizi informatici pubblici.

figure-introduction-1
Figura 1: Il processo di ricerca relativo alla definizione e allo sviluppo del modello teorico. Il diagramma illustra il flusso generale della ricerca, dalla definizione del modello teorico basato su modelli precedenti di adozione e sulla teoria del prospetto, attraverso lo Studio 1 e lo Studio 2, ciascuno seguito da un'intervento di esperti, fino al completamento del modello PITA. Cliccare qui per visualizzare una versione ingrandita di questa figura.

L'adozione delle tecnologie dell'informazione è stata ampiamente studiata: il modello di accettazione della tecnologia (TAM)2 e la teoria unificata dell'accettazione e dell'uso della tecnologia (UTAUT)4 a livello individuale, e la teoria della diffusione dell'innovazione (DOI)1 e il framework tecnologia-organizzazione-ambiente (TOE)3 a livello aziendale, hanno generato studi successivi sull'uso della realtà aumentata e dell'apprendimento linguistico18,19, chatbot e pagamenti digitali20,21, servizi di mobilità22,23 e lavoro a distanza24. Tuttavia, questi modelli presentano limiti significativi per quanto riguarda le tecnologie dell'informazione pubblica: il TAM presuppone un uso volontario, il DOI trascura la resistenza degli utenti e l'UTAUT è stato sviluppato principalmente per contesti organizzativi, pertanto la loro applicabilità a servizi pubblici di tipo quasi obbligatorio rimane discutibile. Esistono anche studi sull'adozione di tecnologie pubbliche basati su questi modelli, ad esempio l'estensione dell'UTAUT per esaminare un sistema online di risoluzione dei reclami pubblici25 e l'applicazione del TOE ai sistemi informativi per le risorse umane nel settore pubblico14; molti altri studi hanno adottato approcci simili26,27,28,29,30,31,32,33,34,35.

Tuttavia, l'adozione delle tecnologie dell'informazione a livello pubblico differisce significativamente da quella a livello individuale o aziendale (vedere Tabella 1): le entità che adottano e gli utenti non coincidono, e le intenzioni degli utenti non sono evidenti a causa dell'inertia psicologica e dello stato attuale dei servizi esistenti. Le caratteristiche disruptive delle tecnologie dell'informazione possono ostacolare la riorganizzazione dei sistemi esistenti36; inoltre, l'adozione richiede un cambiamento negli atteggiamenti e nei comportamenti degli utenti, il che implica la necessità di comprendere chiaramente le prospettive degli utenti stessi. Alla luce di queste caratteristiche, i modelli precedenti, incentrati sui livelli individuale e aziendale, potrebbero non essere adeguati per individuare la massa critica necessaria all'adozione pubblica delle tecnologie dell'informazione. Poiché l'innovazione nei servizi basata sulle tecnologie dell'informazione è fondamentale per la riduzione dei costi e il miglioramento dei servizi37,38 e, in ultima analisi, per il progresso della società39, risulta essenziale disporre di un quadro teorico specifico dedicato all'adozione pubblica delle tecnologie dell'informazione.

Livello individualeLivello aziendaleLivello pubblico
Entità dell'adozioneIndividuiAziende (private)Aziende (pubbliche)
UtenteIndividuiDipendenti aziendaliIndividui
Intenzione dell'utenteCertaCerta (imposta)Incertaina
Inerzia psicologicaTrascurabileTrascurabile (imposta)Prominente
Percezione del valoreIndispensabileIndispensabile (imposta)Indispensabile
Principale finalità dell'adozionePersonaleEfficienza, risparmio di costiInteresse pubblico
Modelli di adozione delle TI rilevantiTAM2, UTAUT4DOI1, TOE3Questo studio

Tabella 1: Diversi livelli di adozione delle tecnologie dell'informazione. La tabella confronta l'adozione delle tecnologie dell'informazione a livello individuale, aziendale e pubblico, in relazione ai modelli teorici rappresentativi, alle entità adottanti e agli utenti.

La letteratura esistente ha dimostrato che individui e dipendenti hanno un'intenzione a priori (a livello individuale) o forzata (a livello aziendale) di utilizzare un determinato servizio informatico2,40, il che implica che l'adozione fosse predeterminata4,41. Tuttavia, non tutti gli utenti intendono utilizzare le tecnologie informatiche42, e solo alcuni studi sui sistemi informativi hanno identificato le caratteristiche e le motivazioni alla base del rifiuto43,44. Di conseguenza, un nuovo servizio informatico pubblico verrebbe deliberatamente rifiutato fino a quando l'innovazione non verrà accettata o non fallirà45.

Comprendere l'accettazione e il rifiuto degli utenti nei confronti del servizio informatico di un'istituzione pubblica è l'obiettivo principale di questo studio, analizzato attraverso due percezioni del valore: guadagno percepito e perdita percepita. Il guadagno percepito è stato adattato dal modello di diffusione dell'innovazione1,46; queste costruzioni sono state ampiamente utilizzate per esaminare le percezioni favorevoli all'accettazione delle tecnologie informatiche47,48 e dimostrano un'elevata validità in diversi contesti40. Al contrario, la perdita percepita comprende le caratteristiche che spiegano perché le persone mantengono il loro attuale modo di vita nonostante le pressioni ad adattarsi; basata sulla resistenza all'innovazione42,49, questa linea di ricerca analizza il motivo per cui alcune persone ritardano l'adozione di un'innovazione o la rifiutano apertamente49,50,51,52,53. Un approccio multidimensionale ha catturato queste percezioni, piuttosto che trattare la perdita e il guadagno come costrutti generali.

La perdita percepita è stata operazionalizzata attraverso cinque costrutti53,54. La perdita di tempo (TIL) è il tempo percepito come perso nell'apprendimento e nell'utilizzo del servizio, nonché nel caso in cui le aspettative non vengano soddisfatte53. La perdita sociale (SOL) è il rischio di perdere la propria posizione all'interno di un gruppo sociale apparendo sciocchi o fuori dal contesto54. La perdita economica (FIL) comprende le potenziali perdite monetarie derivanti dai costi di acquisto, dalle commissioni o dal furto di informazioni personali54. La perdita fisica (PHL) è la percezione che l'utilizzo possa causare danni, disagio o stanchezza53,54. La perdita di prestazione (PEL) è il declino percepito nella qualità del servizio o nella funzionalità rispetto ad alternative esistenti, inclusi malfunzionamenti e l'incapacità di fornire i benefici desiderati53.

Per spiegare il guadagno percepito (PG), sono stati utilizzati i concetti di vantaggio relativo, compatibilità, sperimentabilità e complessità1,46. Il vantaggio relativo (REA) è il grado in cui un'innovazione è considerata più vantaggiosa del suo predecessore; la compatibilità (COM), il grado in cui l'innovazione si adatta ai valori, ai bisogni e alle esperienze precedenti di un potenziale utilizzatore; la sperimentabilità (TRI), l'entità della sperimentazione possibile prima dell'adozione; e la complessità (CPX), correlata alla facilità di utilizzo percepita nel modello TAM, indica quanto sia difficile utilizzare e comprendere l'innovazione. L'osservabilità è stata esclusa poiché risulta troppo ambigua da misurare46 e perché gli esiti biometrici nel contesto delle tecnologie informatiche pubbliche non sono facilmente osservabili da altri.

Il framework perdita-guadagno è stato proposto per spiegare i valori percepiti che motivano le reazioni a un nuovo servizio pubblico basato sulle tecnologie dell'informazione. Se il servizio è radicale e minaccia i comportamenti abituali, si è ipotizzato che la perdita percepita superi il guadagno percepito, causando un rifiuto; se questa situazione persiste, il rifiuto potrebbe diventare un aspetto costante dell'intenzione comportamentale42,49. Al contrario, se i benefici percepiti superano le perdite anticipate, l'utente ha poche ragioni per rifiutare il servizio. Pertanto, sono state formulate le seguenti ipotesi:

H1. La perdita percepita avrà un'influenza positiva sul rifiuto.
H2. La perdita percepita avrà un'influenza negativa sull'accettazione.
H3. Il guadagno percepito avrà un'influenza negativa sul rifiuto.
H4. Il guadagno percepito avrà un'influenza positiva sull'accettazione.

Ogni avanzamento basato sulle tecnologie dell'informazione nei servizi pubblici mira a promuovere il progresso della società (ad esempio, un imbarco più rapido e sicuro grazie alla biometria negli aeroporti), tuttavia un servizio pubblico informatico recentemente introdotto è caratterizzato da numerosi rischi e incertezze, e gli utenti potrebbero non accettarne i benefici come previsto. Secondo la teoria del prospetto55, le persone prendono decisioni irrazionali basandosi sulla valutazione di alternative, valori e atteggiamenti rispetto all'incertezza, giudicati in relazione a un punto di riferimento (dipendenza dal riferimento). L'elemento centrale della teoria è l'avversione alle perdite, ovvero la tendenza a dare un peso maggiore alle perdite rispetto a guadagni equivalenti, unita alla sensibilità decrescente; questa focalizzazione su guadagni e perdite rispetto allo stato attuale si allinea direttamente con la dicotomia accettazione-rifiuto esaminata in questo contesto. La teoria del prospetto è stata utilizzata in recenti studi sulle tecnologie dell'informazione e sui sistemi informativi per spiegare decisioni irrazionali in condizioni di rischio e incertezza56,57,58,59,60, in ambiti che vanno dal lavoro supportato dall'intelligenza artificiale alla sanità digitale, fino al Wi-Fi pubblico e ai pagamenti mobili. Sebbene tali studi confermino la rilevanza della teoria, si sono concentrati principalmente sulle intenzioni di accettazione, trascurando la dimensione del rifiuto, centrale nel contesto delle tecnologie dell'informazione pubbliche.

Gli utenti dei servizi informatici pubblici agiscono come se decidessero di accettare o rifiutare il servizio in base ai valori totali richiesti (ovvero, la somma del guadagno e della perdita percepiti). Nessuno studio precedente sull'adozione di tecnologie informatiche pubbliche ha esaminato questo fenomeno da questa prospettiva. Di conseguenza, i coefficienti del percorso (ovvero, PL a REJ) sono stati codificati come valori55, e i valori totali richiesti per il rifiuto e l'accettazione sono stati calcolati come segue:

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

dove CLR, CGR, CLA e CGA sono i coefficienti di percorso della perdita percepita al rifiuto, del guadagno percepito al rifiuto, della perdita percepita all'accettazione e del guadagno percepito all'accettazione, rispettivamente; questi coefficienti standardizzati producono V(R) e V(A) come valori composti dell'influenza totale della perdita e del guadagno. Poiché i servizi informatici pubblici sono progettati per favorire gli utenti, mentre gli utenti attribuiscono maggiore peso alle perdite rispetto ai guadagni quando si allontanano dallo stato attuale, si prevede che l'accettazione, la scelta più rischiosa, richieda un valore totale maggiore rispetto al rifiuto. Sulla base delle ipotesi H1–H4, l'ipotesi H5 verifica l'equilibrio netto di questi effetti:

H5. Il valore totale richiesto per l'accettazione, V(A), sarà maggiore rispetto a quello per il rifiuto, V(R). Il modello concettuale risultante di PITA (adozione pubblica della tecnologia dell'informazione) è mostrato in Figura 2.

figure-introduction-2
Figura 2: Modello concettuale PITA. Il diagramma mostra la perdita percepita (PL) e il guadagno percepito (PG) come fattori antecedenti al rifiuto (REJ) e all'accettazione (ACC); i percorsi a, b, c e d corrispondono ai coefficienti utilizzati per calcolare i valori totali V(R) e V(A). Nota: a = CLR, b = CLA, c = CGR e d = CGA  Cliccare qui per visualizzare una versione ingrandita di questa figura.

Protocollo

Tutte le procedure dello studio hanno rispettato i principi etici applicabili alla ricerca che coinvolge partecipanti umani presso l'Università aSSIST, l'Università Sungkyunkwan e l'Università Dong-A. Poiché le risposte al sondaggio sono state anonimizzate al momento della raccolta e non è stata raccolta alcuna informazione personalmente identificabile, il Comitato per la Revisione Istituzionale dell'Università aSSIST ha classificato lo studio come esonerato dalla revisione etica completa. Le istituzioni partecipanti non hanno ottenuto approvazioni separate del comitato etico, in quanto si sono avvalse della determinazione di esonero emessa dal Comitato per la Revisione Istituzionale dell'Università aSSIST, che copriva sia il disegno della ricerca sia le procedure di raccolta dati. Tale determinazione è stata effettuata in conformità con l'articolo 15 della Bioethics and Safety Act della Repubblica di Corea e i criteri di esonero specificati nell'articolo 13 del suo regolamento di attuazione (https://public.irb.or.kr/pt/pt01/PT0103/PT0103R01.do). Prima di accedere al questionario su Qualtrics, a tutti i partecipanti è stata mostrata una dichiarazione di consenso informato elettronico in cui venivano illustrati lo scopo accademico della ricerca, l'elaborazione anonima delle risposte, l'utilizzo dei dati esclusivamente a fini di ricerca e l'assenza di rischi ragionevolmente prevedibili. Solo i partecipanti che hanno fornito esplicitamente il consenso sono stati autorizzati a proseguire con il sondaggio.

Panoramica degli studi
Sono stati condotti due studi empirici e due interventi basati sull'esperienza di esperti per verificare le cinque ipotesi e il modello PITA proposto. I risultati sono mostrati in Figura 3. Sono state effettuate indagini in due fasi prima della pandemia di COVID-19 (2019 Q4) e durante la pandemia (2020 Q2-Q3) per misurare le variabili in tempi diversi, ridurre la possibilità di bias metodologico comune (CMB) nei dati e aumentare la generalizzabilità dello studio61,62.

figure-protocol-1
Figura 3: Panoramica degli studi. La linea temporale riassume la progettazione in due fasi: Studio 1 (IV trimestre 2019, prima della pandemia di COVID-19, campione sudcoreano, N = 322), seguito dal primo intervento degli esperti, e Studio 2 (II-III trimestre 2020, durante la pandemia di COVID-19, campioni della Corea, del Regno Unito e degli Stati Uniti, N = 602), seguito dal secondo intervento degli esperti. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Modello dello studio 1
Il modello di ricerca iniziale è stato creato sulla base delle ipotesi sviluppate per analizzare le intenzioni degli utenti ad accettare o rifiutare un servizio pubblico IT recentemente introdotto (ovvero, l'uso della biometria negli aeroporti), come mostrato in Figura 4. Le opinioni degli utenti sui servizi pubblici IT sono state rappresentate da due costrutti di secondo livello, perdita percepita (PL) e guadagno percepito (PG), ognuno composto da specifici costrutti di primo livello. Questi due costrutti di secondo livello fungono da antecedenti del rifiuto (REJ) e dell'accettazione (ACC), che indicano le intenzioni degli utenti nell'utilizzo dei servizi pubblici IT.

figure-protocol-2
Figura 4: Modello di ricerca dello studio 1. Cinque costrutti di perdita di primo ordine (PEL, TIL, SOL, PHL e FIL) formano il costrutto di secondo ordine della perdita percepita, e quattro costrutti di guadagno di primo ordine (REA, COM, TRI e CPX) formano il guadagno percepito; i due costrutti di secondo ordine sono modellati come antecedenti del rifiuto e dell'accettazione (H1–H4). Cliccare qui per visualizzare una versione ingrandita di questa figura.

Dati di ricerca dello studio 1
Il primo campione di dati, basato su un totale di 322 partecipanti sudcoreani (femmine: 46,6% e maschi: 53,4%) che avevano avuto esperienza di imbarco su un aereo almeno una volta nell'ultimo anno, è stato raccolto dal 13 novembre al 18 novembre 2019 (prima dell'inizio della pandemia di COVID-19). Nell'introduzione del questionario sono state fornite definizioni ed esempi di servizi pubblici informatici (ovvero applicazioni biometriche negli aeroporti). I dati grezzi per lo studio 1 sono riportati in File Supplementare 1. La frequenza dei voli è stata misurata in cinque categorie mutualmente esclusive (FF1–FF5), corrispondenti rispettivamente a uno, due, tre, quattro e cinque o più voli nell'ultimo anno (studio 1: 138, 91, 34, 21 e 38 partecipanti; studio 2: 174, 153, 109, 82 e 84 partecipanti).

I costrutti predittori sono stati valutati utilizzando una scala Likert a sette punti che andava da “totalmente in disaccordo (1)” a “totalmente d'accordo (7)” (vedere File Supplementare 21,46,53,54,63,64 per il questionario dello studio). Dopo un test pilota con 20 partecipanti, le revisioni si sono limitate a miglioramenti del testo degli elementi della domanda per aumentarne la stabilità, l'applicabilità e la facilità di interpretazione; nessun costrutto o elemento è stato aggiunto o rimosso dopo il test pilota. Il documento allegato contiene l'intero questionario, nonché le statistiche rilevanti e il contesto teorico. Sono state eseguite analisi di analisi fattoriale confermativa (CFA) e di modellizzazione della struttura a equazioni basata sulla covarianza (CB-SEM).

Intervento degli esperti per lo studio 1
Cinque esperti con almeno dieci anni di esperienza sono stati invitati per garantire l'oggettività e migliorare la qualità di questo lavoro, inclusi due provenienti da organizzazioni internazionali (Airports Council International e International Air Transport Association), due da organizzazioni governative (Singapore Changi Airport e Korea Airports Corporation) e uno da un'azienda privata che fornisce servizi in ambito pubblico (Korean Air). L'intervento degli esperti è stato essenziale per fornire un feedback volto a migliorare il modello e la conoscenza del dominio relativo al contesto analizzato. Sono state effettuate valutazioni sia qualitative (ad esempio, feedback soggettivo) che quantitative (scala Likert a sette punti). Per la valutazione quantitativa è stata adottata una versione rivista degli elementi del questionario sulle caratteristiche della relazione decisionale (vedi File Supplementare 3)65, validata mediante il coefficiente di correlazione intraclasse66. In ciascun round di intervento, ogni esperto ha compilato individualmente il questionario quantitativo e successivamente ha fornito un feedback qualitativo aperto; lo stesso gruppo, gli stessi strumenti e la stessa procedura sono stati utilizzati in entrambi gli interventi per consentire la replicabilità.

Studio 2
Per affrontare i problemi identificati nello Studio 1 e migliorare la generalizzabilità del modello, nello Studio 2 è stato applicato lo stesso modello dello Studio 1. Lo Studio 2 ha incluso 602 partecipanti (donne: 42,3%, uomini: 57,7%, Corea: 200, Regno Unito: 201 e Stati Uniti: 201). I dati sono stati raccolti tra il 23 luglio e il 19 agosto 2020 (durante la pandemia di COVID-19). I dati grezzi dello Studio 2 sono forniti nel File Supplementare 4. Con 33 indicatori osservati, questa dimensione campionaria fornisce circa 18 osservazioni per indicatore, superando il criterio comunemente raccomandato di 10 osservazioni per indicatore per il CB-SEM, e supera anche la soglia minima ampiamente utilizzata di 200 osservazioni. La Corea, il Regno Unito e gli Stati Uniti sono stati scelti perché rappresentavano il 29,1% di tutti i viaggiatori aerei nel mondo (circa 1,6 miliardi su 5,5 miliardi) da luglio 2019 a giugno 2020. La pandemia di COVID-19 ha colpito questi paesi in momenti diversi, iniziando in Corea e successivamente negli Stati Uniti e nel Regno Unito. Inoltre, i tre paesi offrono una combinazione di tradizioni culturali orientali e occidentali. Di conseguenza, il dataset combinato di questi paesi è stato utilizzato per esaminare il quadro percettivo-intenzionale degli utenti riguardo a un nuovo servizio pubblico basato su tecnologia dell'informazione (ovvero, la biometria negli aeroporti).

Intervento degli esperti per lo studio 2
Sono stati invitati gli stessi esperti, sono state effettuate le stesse valutazioni quantitative e qualitative ed è stato richiesto il loro feedback per convalidare i risultati nello studio 2.

Risultati

Studio 1
Per valutare eventuali preoccupazioni legate al metodo comune di misurazione (CMB) associate ai dati auto-riferiti, è stata innanzitutto eseguita un'analisi a un fattore67. Secondo i risultati del test, un singolo fattore spiegava il 36,56% della varianza; un singolo fattore che spiega meno del 50% della varianza indica che la CMB non rappresenta un problema62,67,68. Successivamente, sono stati valutati la validità costruttiva e l'affidabilità. I risultati riportati nella Tabella 2 indicano che la varianza media estratta (AVE, da 0,585 a 0,836) e l'affidabilità complessiva (CR, da 0,872 a 0,939) soddisfano i requisiti minimi necessari69,70. Inoltre, la radice quadrata dell'AVE per ciascun costrutto, riportata sulla diagonale, supera le sue correlazioni con gli altri costrutti, confermando la validità 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

Tabella 2: Affidabilità e validità del costrutto (Studio 1). La tabella riporta l'affidabilità composta (CR), la varianza media estratta (AVE) e le correlazioni tra costrutti per il modello di misurazione dello Studio 1.

Successivamente, le ipotesi sono state verificate utilizzando la SEM tra guadagno percepito, perdita percepita, accettazione e rifiuto. Come illustrato nella Figura 5, il modello ha mostrato indici di adattamento accettabili (CMIN/DF = 2.25, CFI = 0,936, SRMR = 0,075, RMSEA = 0,062), tutti entro le soglie raccomandate (CMIN/DF < 3, CFI > 0,90, SRMR < 0,08, RMSEA < 0,08), e i risultati supportano fortemente le ipotesi formulate. I cinque costrutti determinanti (PER, TIR, SOR, PHR e FIR) per la perdita percepita e i quattro costrutti determinanti (REA, COM, TRI e CPX) per il guadagno percepito (PG) hanno mostrato tutti effetti rilevanti. I test delle ipotesi 1 e 2 hanno rivelato che la perdita percepita esercita un'influenza positiva moderata sul rifiuto (β = 0,357, p < 0,001) e un impatto significativamente negativo sull'accettazione (β = -0,148, p < 0,001). Pertanto, sia H1 che H2 sono confermate. D'altra parte, i test delle ipotesi 3 e 4 hanno mostrato che il guadagno percepito ha effetti opposti rispetto alla perdita percepita: un'influenza positiva forte sull'accettazione (β = 0,721, p < 0,001) e un'influenza negativa sul rifiuto (β = -0,507, p < 0,001), rispettivamente. Di conseguenza, anche H3 e H4 sono confermate. Il riepilogo complessivo dei risultati del test del modello di ricerca dello Studio 1 mediante SEM è riportato nella Tabella 3. Il modello strutturale spiega il 62,4% della varianza nell'accettazione e il 52,5% nel rifiuto (R2 = 0,624 e 0,525, rispettivamente).

figure-results-1
Figura 5: Risultati dei test d'ipotesi dello Studio 1. Il diagramma riporta i coefficienti di percorso standardizzati e i relativi livelli di significatività per il modello strutturale stimato sul campione dello Studio 1 (N = 322); tutti i percorsi ipotizzati erano significativi nelle direzioni attese. PEL = perdita di prestazione; TIL = perdita di tempo; SOL = perdita sociale; PHL = perdita fisica; FIL = perdita finanziaria; REA = vantaggio relativo; COM = compatibilità; TRI = possibilità di prova; CPX = complessità; PL = perdita percepita; PG = guadagno percepito; REJ = rifiuto; ACC = accettazione Cliccare qui per visualizzare una versione ingrandita di questa figura.

IpotesiPercorsoβValore tValore pRisultato
H1a: PL → REJ0.3576.592***Sostenuta
H2b: PL → ACC-0.148-3.059***Sostenuta
H3c: PG → REJ-0.507-7.29***Sostenuta
H4d: PG → ACC0.7218.966***Sostenuta

Tabella 3: Risultati complessivi dello studio 1. La tabella riassume i coefficienti di percorso standardizzati, i livelli di significatività e gli esiti dei test delle ipotesi per lo studio 1. ***p < 0,001

Inoltre, sono stati calcolati i valori totali richiesti per REJ e ACC per verificare l'ipotesi H5 e confermare se il modello è coerente con la teoria del prospetto55. Nelle equazioni (1) e (2), a corrisponde al percorso dalla perdita percepita al rifiuto (CLR = 0.357), c al percorso dal guadagno percepito al rifiuto (CGR = -0.507), b al percorso dalla perdita percepita all'accettazione (CLA = -0.148) e d al percorso dal guadagno percepito all'accettazione (CGA = 0.721). I risultati hanno indicato che V(R) = a + c = -0.150 e V(A) = b + d = 0.573; pertanto, V(R) < V(A), e l'ipotesi H5 è stata confermata.

Risultati dell'intervento degli esperti per lo Studio 1
I risultati hanno indicato che gli esperti non concordavano pienamente con le affermazioni; i valori medi variavano da 3,40 a 4,40 per le costruzioni che misuravano l'orientamento sistematico, la qualità e la sufficienza della definizione del problema. Anche la costruzione relativa all'affetto negativo generale ha mostrato un intervallo compreso tra 3,20 e 3,60 (ICC = 0,609, p = 0,008). Le valutazioni soggettive degli esperti hanno identificato due ulteriori aree di miglioramento: il set di dati non era rappresentativo del fattore situazionale (era stato raccolto prima della pandemia di COVID-19) e un campione composto esclusivamente da soggetti coreani non sarebbe stato adeguato per una generalizzazione. Questi risultati hanno costituito la base per lo Studio 2, condotto successivamente agli interventi degli esperti per affrontare tali problemi.

Studio 2
In Studio 2 è stata seguita una procedura parallela a quella dello Studio 1. Innanzitutto, è stata eseguita un'analisi a un solo fattore per valutare se il CMB fosse un problema nel set di dati67. I risultati del test hanno indicato che non vi era un effetto sostanziale del CMB nel campione, poiché un singolo fattore spiegava il 38,97% della varianza, al di sotto della soglia di preoccupazione del 50%62,67,68. Oltre al CMB, i risultati riportati nella Tabella 4 hanno suggerito che l'affidabilità e la validità del modello soddisfacevano adeguatamente i requisiti69,70. Inoltre, tutti i rapporti eterotrait-monotrait (HTMT) erano inferiori alla soglia di 0,85, fornendo ulteriore supporto alla validità 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

Tabella 4: Affidabilità e validità del costrutto (Studio 2). La tabella riporta l'affidabilità complessiva (CR), la varianza media estratta (AVE) e le correlazioni tra costrutti per il modello di misurazione dello Studio 2.

I risultati del test SEM dello Studio 2 con tutti e tre i paesi sono stati CMIN/DF = 3,835, CFI = 0,945, RMSEA = 0,058. Il CFI e il RMSEA hanno soddisfatto le soglie raccomandate; sebbene il valore CMIN/DF di 3,835 non raggiunga il criterio più stringente di <3,0, indicava comunque un adattamento del modello accettabile in base al criterio meno rigoroso di <5,0. Pertanto, i risultati del test erano altamente coerenti con le argomentazioni sviluppate e con i risultati dello Studio 1, come mostrato in Figura 6 e Tabella 5. Analogamente ai risultati dello Studio 1, le relazioni tra PL e REJ (β = 0,345, p < 0,001) e tra PG e ACC (β = 0,767, p < 0,001) erano significativamente positive, mentre quelle tra PL e ACC (β = -0,202, p < 0,001) e tra PG e REJ (β = -0,644, p < 0,001) erano significativamente negative. Di conseguenza, tutte le ipotesi H1, H2, H3 e H4 sono state confermate. Il modello strutturale spiegava il 76,0% della varianza nell'accettazione e il 72,1% nel rifiuto (R2 = 0,760 e 0,721, rispettivamente).

figure-results-2
Figura 6: Risultati dei test d'ipotesi dello Studio 2. Il diagramma riporta i coefficienti standardizzati dei percorsi e i relativi livelli di significatività per il modello strutturale stimato sul campione aggregato dello Studio 2, composto da tre paesi (N = 602); il modello dei risultati replica quello dello Studio 1. PEL = perdita di prestazione; TIL = perdita di tempo; SOL = perdita sociale; PHL = perdita fisica; FIL = perdita finanziaria; REA = vantaggio relativo; COM = compatibilità; TRI = possibilità di prova; CPX = complessità; PL = perdita percepita; PG = guadagno percepito; REJ = rifiuto; ACC = accettazione Cliccare qui per visualizzare una versione ingrandita di questa figura.

IpotesiPercorsoβValore tValore pRisultato
H1a: PL → REJ0.3459.342***Sostenuta
H2b: PL → ACC-0.202-6.81***Sostenuta
H3c: PG → REJ-0.644-12.694***Sostenuta
H4d: PG → ACC0.76713.707***Sostenuta

Tabella 5: Risultati complessivi dello Studio 2. La tabella riassume i coefficienti di percorso standardizzati, i livelli di significatività e gli esiti dei test delle ipotesi per lo Studio 2. ***p < 0,001

Successivamente, i valori totali richiesti per REJ e ACC sono stati ulteriormente esaminati per verificare l'ipotesi H5 e confermare se il modello supportasse l'argomentazione della teoria del prospetto55. Con la stessa mappatura dei coefficienti utilizzata nello Studio 1, i risultati hanno mostrato che V(R) = a + c = -0,299 e V(A) = b + d = 0,565; pertanto, V(R) < V(A). L'ipotesi H5 è stata confermata anche nello Studio 2, e la differenza tra V(R) e V(A) nello Studio 2 (0,864) è risultata maggiore rispetto a quella dello Studio 1 (0,723).

Risultati dell'intervento degli esperti per lo Studio 2
I risultati della valutazione quantitativa sono stati significativamente positivi (ICC = 0,960, p < 0,001); l'intervallo dei valori medi per le dimensioni che misurano l'orientamento sistematico, la qualità e l'adeguatezza dell'enunciazione del problema è compreso tra 6,20 e 6,80, mentre per la dimensione che misura l'affetto negativo generale è compreso tra 1,20 e 1,80. L'elevata correlazione intraclasse indica un forte consenso tra gli esperti riguardo all'orientamento sistematico, alla qualità e all'adeguatezza dell'enunciazione del problema del modello, e gli esperti non hanno sollevato ulteriori critiche nella loro valutazione soggettiva. Si è pertanto concluso che la ricerca soddisfaceva finalmente i requisiti necessari per completare il modello PITA proposto.

DISPONIBILITÀ DEI DATI:
I dati sono stati caricati come File Supplementare 1 (Studio 1) e File Supplementare 4 (Studio 2); gli output completi del modello CB-SEM sono forniti nel File Supplementare 5, mentre le definizioni e la codifica delle variabili sono documentate nel dizionario dei dati (File Supplementare 6). Nei file di dati e negli output CB-SEM, le abbreviazioni utilizzate nel manoscritto PEL, TIL, SOL, PHL, FIL e REJ corrispondono rispettivamente alle etichette delle variabili PER, TIR, SOR, PHR, FIR e RES, e le costruzioni di secondo ordine PL e PG sono indicate come Perceived_Risk e Perceived_Benefit.

File supplementare 1: Dati della ricerca (Studio 1) Cliccare qui per scaricare il file.

File supplementare 2: Questionario del sondaggio Fare clic qui per scaricare il file.

File Supplementare 3: Questionario di intervento Fare clic qui per scaricare il file.

File Supplementare 4: Dati della ricerca (Studio 2) Fare clic qui per scaricare questo file.

File supplementare 5: File di output del modello CB-SEM Cliccare qui per scaricare questo file.

File Supplementare 6: Dizionario dei dati Fare clic qui per scaricare questo file.

Discussione

Questa indagine basata su due studi ha verificato il modello PITA relativo all'adozione pubblica delle tecnologie dell'informazione (IT); in entrambi gli studi, tutte e cinque le ipotesi sono state confermate, e la differenza tra V(A) e V(R) si è ampliata nel contesto più rischioso della pandemia da COVID-19, in linea con la previsione della teoria del prospetto secondo cui scelte più rischiose richiedono un valore percepito maggiore. È emersa una lacuna nelle basi teoriche della letteratura sull'adozione delle tecnologie IT pubbliche, inclusi il modello TAM2 e la teoria dell'adozione dell'innovazione (DOI)1, che non sono riusciti a spiegare adeguatamente l'adozione delle IT pubbliche. In particolare, tali studi non hanno considerato sufficientemente l'incertezza degli utenti nell'utilizzo dei servizi IT pubblici. È sorta quindi la domanda su quale impatto abbia sulle decisioni di adozione dei servizi IT pubblici il quadro percezione-intenzione proposto dal modello PITA. Un utente deve valutare vantaggi e svantaggi dell'opzione esistente quando gli viene proposto un nuovo servizio IT pubblico innovativo. Se la nuova opzione viene rifiutata, l'utente torna alla condizione precedente, rendendo superflua la nuova opzione. Il modello PITA permette di comprendere le percezioni di valore sottostanti che influenzano tale scelta. Inoltre, sono state formulate diverse raccomandazioni per prevenire tali fallimenti prima di investire in un nuovo servizio IT pubblico1,42. Questo studio ha esaminato come i guadagni e le perdite percepiti influenzano l'accettazione o il rifiuto di un servizio IT pubblico; tutte e cinque le ipotesi sono state confermate. Le percezioni degli utenti riguardo ai servizi IT pubblici possono essere analizzate da due punti di vista, e probabilmente le percezioni negative prevalgono. I risultati, tuttavia, hanno indicato che percezioni positive incoraggiano gli utenti ad accettare il servizio e a ridurre la resistenza. Esempi rilevanti di perdite percepite includono prestazioni incoerenti, procedure eccessivamente lunghe, resistenza proveniente dall'ambiente circostante dell'utente, danni fisici causati dai dispositivi e malfunzionamenti nelle transazioni finanziarie. In aggiunta, funzioni intercambiabili, eventi di test in modalità open-beta e facilità d'uso rappresenterebbero esempi di elementi associati a guadagni percepiti. I risultati ottenuti in entrambi gli studi sono coerenti con ricerche precedenti sul modello di resistenza all'innovazione e sulla diffusione delle innovazioni, ad esempio1,42.

Una scoperta significativa è stata che il valore complessivo dell'accettazione era quasi cinque volte maggiore rispetto a quello del rifiuto. Questa grande differenza tra V(A) e V(R) era principalmente determinata dall'effetto fortemente positivo del guadagno percepito sull'accettazione (β = 0.721) e dall'effetto negativo del guadagno percepito sul rifiuto (β = -0.507), suggerendo che le percezioni degli utenti riguardo ai benefici, come facilità d'uso e funzioni intercambiabili, svolgono un ruolo più dominante rispetto alle percezioni di perdita nel modellare le decisioni di adozione. Affinché gli utenti prendano la decisione più rischiosa di accettare un nuovo servizio informatico pubblico sconosciuto, le percezioni positive devono superare di gran lunga quelle negative. Gli utenti potrebbero inoltre decidere di rifiutare nuovi servizi informatici pubblici a causa di perdite, poiché il processo decisionale potrebbe non essere del tutto razionale. Questo fenomeno potrebbe essere spiegato dal forte attaccamento al servizio attuale e dal fatto che i servizi informatici pubblici non sono pensati per un utilizzo quotidiano regolare. Gli utenti possono mantenere il loro stato attuale se riscontrano qualsiasi inconveniente. Non tenteranno di superare la propria resistenza psicologica nell'accettare nuovi servizi informatici pubblici se i guadagni percepiti sono insufficienti o se le perdite percepite superano quelle previste. Nello Studio 2, che ha costantemente dimostrato gli stessi schemi nel quadro percepito-intenzionale degli utenti nel contesto di un servizio informatico pubblico, si è ottenuta una conferma più concreta e ampia del modello teorico proposto. Inoltre, V(A) risultava notevolmente superiore a V(R), sostenendo ulteriormente l'estensione della teoria del prospetto55.

L'impatto del fattore situazionale (COVID-19) su V(A) e V(R) è stato un altro risultato interessante nello Studio 2. Il divario tra V(R) e V(A) nello Studio 2 si è ampliato rispetto a quello dello Studio 1. Durante una crisi sanitaria globale, gli utenti potrebbero aver percepito perdite potenziali maggiori a causa dell'infezione, riconoscendo al contempo guadagni potenziali più elevati derivanti da un servizio senza contatto, e questo effetto doppio ha amplificato la differenza di valore necessaria per l'accettazione. Questo risultato sostiene il tentativo di estendere la teoria del prospetto, indicando che l'opzione più rischiosa (accettare un nuovo servizio pubblico basato su tecnologie informatiche in una situazione più rischiosa, come la pandemia da COVID-19) richiede un valore maggiore55. Inevitabilmente, i risultati della valutazione dello Studio 2 hanno ulteriormente confermato quelli dello Studio 1. Il fattore situazionale si è rivelato un elemento potenziale in grado di modificare i valori legati alle decisioni degli utenti, come gli esperti avevano previsto durante la prima fase di intervento. Inoltre, i risultati hanno confermato la validità delle assunzioni del modello utilizzando campioni più ampi nel caso dei sistemi biometrici negli aeroporti, conferendogli maggiore robustezza e generalizzabilità. Tuttavia, l'analisi multilivello condotta su più paesi ha assunto che le variabili fossero interpretate in modo simile tra i diversi contesti nazionali; non sono stati effettuati test formali di invarianza di misura né confronti specifici per paese, aspetti che rimangono da affrontare in future ricerche.

Secondo l'analisi effettuata utilizzando il modello percezione-intenzione, gli utenti non sceglierebbero l'opzione dello status quo se ritenessero di ottenere un guadagno significativamente maggiore dall'utilizzo del servizio pubblico di tecnologia dell'informazione. Ciò suggerisce che gli utenti sono disposti ad abbandonare il loro equilibrio solo quando i guadagni percepiti rendono l'opzione rischiosa dell'accettazione più allettante. A posteriori, ha senso concettuale che l'accettazione sia influenzata più dai guadagni percepiti che dalle perdite. Il servizio attuale offerto all'utente è l'opzione sicura e "avversa al rischio", poiché si tratta di un'entità nota con cui gli utenti hanno esperienza pregressa, secondo la teoria del prospetto55. Ciò significa che l'utente può prevedere di ottenere lo stesso risultato senza alcun rischio, senza dover adattare o modificare le proprie condizioni comportamentali. Tuttavia, l'opzione rischiosa verrà probabilmente scelta, discostandosi dall'opzione "avversa al rischio", non appena i guadagni percepiti supereranno in modo significativo le perdite percepite. È interessante notare che questi effetti sono risultati più forti quando un utente si è trovato di fronte a una situazione più rischiosa, la pandemia da COVID-19, che potrebbe aver aumentato la necessità di valore qualora avesse considerato l'utilizzo del nuovo servizio pubblico di tecnologia dell'informazione. È stata scoperta una relazione coerente tra guadagno e perdita percepiti e l'accettazione o il rifiuto dei servizi pubblici di tecnologia dell'informazione. I dati indicano che è necessaria una comprensione più approfondita di come gli utenti percepiscono i potenziali benefici e di come tale comprensione influisca sulla loro decisione di utilizzare o meno un servizio pubblico di tecnologia dell'informazione. Sembra che accettare un nuovo servizio di tecnologia dell'informazione sia significativamente più difficile per qualsiasi utente quando gli viene presentata una nuova opzione, poiché deve combattere contro qualsiasi inerzia psicologica esistente. Ciò è stato confermato anche dal fatto che i miglioramenti all'interno del quadro di percezione e intenzione dovevano essere più significativi. Questi risultati rispettano l'idea fondamentale proposta dalla teoria del prospetto55: decisioni più rischiose richiedono valori maggiori rispetto a quelle più sicure. In particolare, il modello asimmetrico, secondo cui il guadagno percepito predice l'accettazione più fortemente di quanto la perdita percepita predica il rifiuto, suggerisce che il processo decisionale in questo contesto non è puramente avverso alla perdita, ma piuttosto guidato dal guadagno, una sfumatura che amplia l'enfasi tipica della teoria del prospetto sull'avversione alla perdita. Questi risultati sono in linea con ricerche precedenti sull'adozione: l'effetto forte del guadagno percepito sull'accettazione è coerente con l'enfasi del modello TAM sull'utilità percepita2, mentre l'effetto significativo della perdita percepita sul rifiuto supporta l'affermazione del modello di resistenza all'innovazione secondo cui gli ostacoli all'adozione possono superare i potenziali benefici42,49. Questo studio amplia tale letteratura dimostrando che guadagni e perdite influenzano simultaneamente sia l'accettazione che il rifiuto, piuttosto che operare in modo indipendente. I risultati contribuiscono quindi alla comprensione teorica di ciò che motiva gli utenti dei servizi pubblici di tecnologia dell'informazione a mantenere lo status quo (cioè il rifiuto) o ad aumentare la propensione al rischio (cioè l'accettazione). Lo studio ha ulteriormente approfondito il crescente corpus di ricerche sull'opposizione all'adozione delle tecnologie dell'informazione. È stato dimostrato che rifiutare e accettare le tecnologie dell'informazione sono criteri decisionali distinti, proseguendo lavori precedenti presenti nella letteratura a livello individuale e aziendale45,50,51. Tutti gli utenti hanno una soglia42,49; tuttavia, nessuno studio sull'adozione di tecnologie dell'informazione pubbliche ha esaminato quali potrebbero essere tali soglie. Pertanto, l'inclusione della perdita percepita si è rivelata un modo utile per indagare questa tolleranza e ha influenzato significativamente sia la scelta di accettare che di rifiutare il servizio pubblico di tecnologia dell'informazione. Questi risultati hanno arricchito ricerche precedenti che applicano lo stesso principio di accettazione e rifiuto, estendendolo a un nuovo contesto51.

I risultati hanno alcune significative implicazioni gestionali per le istituzioni pubbliche. In primo luogo, è noto che queste istituzioni incontrano difficoltà nel gestire il cambiamento e che la transizione a infrastrutture digitali risulta complessa. Pertanto, decisioni scellerate prese da organizzazioni pubbliche durante il passaggio a un servizio informatico possono avere effetti negativi duraturi. Gli utenti probabilmente non saranno pronti ad adottare il servizio IT proposto se percepiscono una perdita troppo elevata. Al contrario, gli investimenti nel servizio IT pubblico potrebbero rivelarsi più efficaci se un responsabile di un’istituzione pubblica individua i fattori che riducono il rifiuto attraverso guadagni percepiti. Aumentando i guadagni percepiti e riducendo le perdite percepite, i responsabili possono alla fine aumentare l’accettazione e ridurre il rifiuto, utilizzando il modello PITA per cercare soluzioni in grado di suscitare una risposta positiva. Ad esempio, un aeroporto pubblico che implementa un sistema di controllo biometrico potrebbe utilizzare il modello PITA per valutare le percezioni degli utenti prima dell’investimento: se V(R) si avvicina o supera V(A), i responsabili potrebbero concentrare la comunicazione sui benefici tangibili, come un processo più rapido (aumentando il guadagno percepito), oppure offrire alternative con possibilità di esclusione volontaria (riducendo la perdita percepita). Grazie alla semplicità del modello, V(A) e V(R) possono essere calcolati direttamente dai dati provenienti da sondaggi, fornendo ai responsabili un parametro chiaro per comprendere le intenzioni d’uso degli utenti e determinare lo stato e le probabilità di adozione del servizio IT proposto.

Questo studio presenta diverse limitazioni importanti. In primo luogo, sebbene gli effetti siano stati simili in entrambi gli studi, sono necessarie ulteriori ricerche per comprendere appieno gli effetti meno significativi osservati nelle misurazioni della perdita percepita, e i fattori considerati in questo studio potrebbero spiegare solo parzialmente la varianza riscontrata nel modello. In secondo luogo, entrambi gli studi si sono basati su dati trasversali auto-riferiti provenienti da viaggiatori aerei; questo disegno non consente inferenze causali, potrebbe introdurre bias di selezione e di desiderabilità sociale, e limita la generalizzabilità al di fuori di questa popolazione. Resta da effettuare un test formale di invarianza di misura tra i tre paesi. In terzo luogo, i dati sono stati raccolti in periodi specifici (ultimo trimestre 2019 e metà 2020), e le percezioni degli utenti potrebbero essere cambiate con l'evolversi della pandemia. In quarto luogo, si è assunto che un responsabile consideri una sola nuova opzione potenziale, con l'opzione attuale che funge da ulteriore vincolo. Studi futuri dovrebbero considerare diverse opzioni tecnologiche PITA, poiché, secondo l'effetto certezza, quando esistono più opzioni con diversi gradi di certezza, ciò incoraggia comportamenti di assunzione del rischio71 e potrebbe rappresentare una direzione degna di essere esplorata. La ricerca futura dovrebbe inoltre esaminare altre forme e soglie di resistenza all'innovazione63, estendere il modello PITA ad altri servizi informatici pubblici (ad esempio portali di e-government e applicazioni per la salute pubblica) e ad altri ambiti in cui beneficio percepito e rischio influenzano congiuntamente l'adozione64, utilizzare disegni longitudinali per monitorare l'evoluzione di V(A) e V(R) nel tempo, e verificare se le dimensioni culturali moderano le relazioni nel modello. Nel complesso, questo studio dovrebbe contribuire a una migliore comprensione dell'adozione di tecnologie informatiche pubbliche. Incorporando sia il guadagno percepito che la perdita percepita, il modello PITA coglie la natura duale del processo decisionale degli utenti: l'accettazione è guidata dall'attrattiva dei guadagni, mentre il rifiuto è guidato dalla paura delle perdite. Prima di effettuare un investimento, i responsabili possono essere indirizzati correttamente prendendo decisioni solide e accurate nelle fasi iniziali di identificazione delle potenziali soluzioni IT. I responsabili dovrebbero riconsiderare la propria strategia di servizio IT se il valore totale di accettazione è insufficiente, poiché PITA fornisce ai responsabili il valore complessivo necessario sia per l'accettazione che per il rifiuto. Il risultato che il rischio situazionale amplifica il differenziale di valore richiesto per l'accettazione rappresenta un contributo originale sia alla teoria del prospetto che alla letteratura sull'adozione delle tecnologie. Il modello PITA dovrebbe quindi aiutare i responsabili a trovare una soluzione che offra un valore totale di accettazione superiore a quello del rifiuto: solo allora gli utenti saranno disposti ad utilizzare un nuovo servizio informatico pubblico.

Dichiarazioni

Gli autori dichiarano di non avere conflitti di interessi. Durante la preparazione di questo manoscritto rivisto, uno strumento di intelligenza artificiale generativa (ChatGPT 5o) è stato utilizzato per assistere nella revisione linguistica e nella formattazione. Gli autori hanno esaminato e verificato tutti i contenuti e si assumono piena responsabilità per il manoscritto; nessuno strumento di intelligenza artificiale è stato utilizzato per generare dati, eseguire analisi o creare figure.

Ringraziamenti

Questo lavoro è stato sostenuto da fondi per la ricerca dell'università aSSIST.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
IBM SPSS Amos (software CB-SEM)IBM Corp. (Armonk, NY, USA)versione 27; https://www.ibm.com/products/structural-equation-modeling-sem/Utilizzato per tutte le analisi di modellazione strutturale basata sulla covarianza (CB-SEM), inclusa la valutazione del modello di misura (ACF: affidabilità composita, AVE e validità discriminante) e l'analisi del percorso del modello strutturale. 
Prolific (Piattaforma online per il reclutamento di partecipanti)Prolific Academic Ltdhttps://www.prolific.com/Piattaforma online utilizzata per reclutare partecipanti al sondaggio. I partecipanti sono stati selezionati in base a criteri di idoneità (ad esempio, esperienza negli aeroporti) e retribuiti secondo le linee guida di pagamento equo di Prolific. 
Qualtrics (Piattaforma online per sondaggi)Qualtrics, LLCRRID:SCR_016728Piattaforma web-based per la progettazione, la distribuzione e la raccolta delle risposte ai questionari. Tutti gli elementi di misurazione sono stati somministrati tramite Qualtrics utilizzando una scala Likert a 7 punti (1 = fortemente in disaccordo, 7 = fortemente d'accordo). https://www.qualtrics.com/

Riferimenti

  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.

Ristampe e permessi

Tag

Teoria del ProspettoQuadro di Percezione IntenzioneServizi di E GovernmentApplicazioni di Sanit PubblicaSistemi BiometriciAccettazione dell UtenteValore PercepitoSondaggio InternazionaleRicerca basata su Intervento
Contattaci
Consiglia alla biblioteca

Privacy

Termini di utilizzo

Politiche

Copyright © 2026 MyJoVE Corporation. Tutti i diritti riservati.