È richiesta un abbonamento a JoVE per visualizzare questo contenuto. Accedi o inizia la tua prova gratuita.

Articolo di ricerca

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

75 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 e ha modificato in modo significativo la vita quotidiana. Dall'introduzione dei modelli di adozione dell'informatica 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 incontrato difficoltà nel 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 produrre 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, la promozione dell'una potrebbe ostacolare l'altra; 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 della biometria negli aeroporti, in cui l'identificazione biometrica sostituisce le procedure basate su documenti, è stato selezionato perché questo servizio pubblico informatico 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. D1: In che modo i vantaggi e svantaggi percepiti influenzano l'accettazione o il rifiuto di un servizio pubblico informatico da parte degli utenti? D2: 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 e fornisce indicazioni pratiche per i responsabili dei servizi pubblici informatici.

Diagramma di flusso del processo di ricerca: teoria, modello, dati, analisi, significato, implicazioni, revisione da parte di esperti.
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 diffusione dell'innovazione (DOI)1 e il framework tecnologia-organizzazione-ambiente (TOE)3 a livello aziendale, hanno generato studi successivi sulla realtà aumentata e sull'apprendimento linguistico18,19, sui chatbot e sui pagamenti digitali20,21, sui servizi di mobilità22,23 e sul lavoro a distanza24. Tuttavia, questi modelli presentano limitazioni significative per le tecnologie dell'informazione pubbliche: 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 ai servizi pubblici di tecnologia dell'informazione, spesso quasi obbligatori, rimane discutibile. Esistono anche studi sull'adozione di tecnologie dell'informazione 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 sulle 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 in modo significativo rispetto a 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'inerzia psicologica e dello stato attuale dei servizi esistenti. Le caratteristiche disruptive delle tecnologie dell'informazione possono ostacolare la riorganizzazione dei sistemi esistenti36; l'adozione richiede inoltre un cambiamento negli atteggiamenti e nei comportamenti degli utenti, il che implica una chiara comprensione delle loro prospettive. Alla luce di tali 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 dei 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 per l'adozione pubblica delle tecnologie dell'informazione.

Livello individualeLivello aziendaleLivello pubblico
Entità adottanteIndividuiAziende (private)Aziende (pubbliche)
UtenteIndividuiDipendenti aziendaliIndividui
Intenzione dell'utenteCertaCerta (obbligata)Incertaina
Inerzia psicologicaTrascurabileTrascurabile (obbligata)Prominente
Percezione del valoreIndispensabileIndispensabile (obbligata)Indispensabile
Principale scopo 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 termini di modelli teorici rappresentativi, entità adottanti e 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 da parte degli utenti 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 mostrano 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 moda54. 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'uso possa causare danni, disagio o affaticamento53,54. La perdita di prestazione (PEL) è il declino percepito nella qualità o funzionalità del servizio rispetto alle alternative esistenti, inclusi malfunzionamenti e l'incapacità di fornire i benefici desiderati53.

Per spiegare il guadagno percepito (PG), sono stati utilizzati 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 si adatta ai valori, alle esigenze e alle esperienze precedenti di un potenziale adottatore; la sperimentabilità (TRI), l'estensione delle possibili sperimentazioni prima dell'adozione; e la complessità (CPX), correlata alla facilità di utilizzo percepita nel TAM, si riferisce alla difficoltà nell'uso e nella comprensione dell'innovazione. L'osservabilità è stata esclusa perché troppo ambigua da misurare46 e perché gli esiti biometrici nel contesto informatico pubblico non sono facilmente osservabili da altri.

Il modello 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 ipotizza 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 progresso basato sulle tecnologie dell'informazione nei servizi governativi mira a promuovere il benessere della società (ad esempio, un imbarco più rapido e sicuro grazie alla biometria negli aeroporti), tuttavia un servizio pubblico informatico recentemente introdotto è pieno di 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'idea centrale della teoria è l'avversione alle perdite, ovvero la tendenza a pesare le perdite più di guadagni equivalenti, insieme alla sensibilità decrescente; questo focus su guadagni e perdite rispetto allo stato attuale si allinea direttamente con la dicotomia accettazione-rifiuto esaminata in questo studio. La teoria del prospetto è stata utilizzata in recenti studi sulle IS e sulle TI per spiegare decisioni irrazionali in condizioni di rischio e incertezza56,57,58,59,60, in contesti che vanno dal lavoro supportato dall'intelligenza artificiale e dalla sanità digitale fino al Wi-Fi pubblico e ai pagamenti mobili. Sebbene questi 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 rispetto al rifiuto, del guadagno percepito rispetto al rifiuto, della perdita percepita rispetto all'accettazione e del guadagno percepito rispetto all'accettazione, rispettivamente; questi coefficienti standardizzati producono V(R) e V(A) come valori compositi dell'influenza totale della perdita e del guadagno. Poiché i servizi pubblici di tecnologia dell'informazione sono progettati per favorire gli utenti, mentre gli utenti attribuiscono un peso maggiore alle perdite rispetto ai guadagni quando si discostano dalla situazione attuale, si prevedeva che l'accettazione, la scelta più rischiosa, richiedesse 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.

Diagramma del processo decisionale; perdita e guadagno percepiti che portano a rifiuto e accettazione.
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.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

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 sono state raccolte informazioni identificabili personalmente, il Comitato per la revisione istituzionale dell'Università aSSIST ha classificato lo studio come esente dalla revisione etica completa. Le istituzioni partecipanti non hanno ottenuto approvazioni separate del comitato etico, in quanto si sono basate sulla determinazione di esenzione 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 esenzione 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, tutti i partecipanti hanno visualizzato una dichiarazione elettronica di consenso informato che illustrava 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 espresso esplicitamente il proprio consenso sono stati autorizzati a proseguire con il sondaggio.

Panoramica degli studi
Sono stati condotti due studi empirici e due interventi con 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), al fine di misurare le variabili in tempi diversi, ridurre la possibilità di bias metodologico comune (CMB) nei dati e aumentare la generalizzabilità dello studio61,62.

Diagramma di flusso del confronto tra studi; pre/post-COVID, campioni, regioni; cronologia della ricerca, interventi.
Figura 3: Panoramica degli studi. La cronologia riassume il disegno a due fasi: Studio 1 (2019 Q4, prima della pandemia di COVID-19, campione sudcoreano, N = 322), seguito dal primo intervento degli esperti, e Studio 2 (2020 Q2-Q3, 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 formulate per analizzare le intenzioni degli utenti ad accettare o rifiutare un servizio pubblico informatico recentemente introdotto (ad esempio, l'uso della biometria negli aeroporti), come mostrato in Figura 4. Le opinioni degli utenti riguardo ai servizi informatici pubblici sono state rappresentate da due costrutti di secondo ordine, perdita percepita (PL) e guadagno percepito (PG), ciascuno composto da specifici costrutti di primo ordine. Questi due costrutti di secondo ordine fungono da antecedenti del rifiuto (REJ) e dell'accettazione (ACC), che rappresentano le intenzioni degli utenti ad utilizzare i servizi informatici pubblici.

Diagramma concettuale; modello di equazione strutturale con costrutti PL, PG, REJ, ACC; analisi della ricerca.
Figura 4: Modello di ricerca dello studio 1. Cinque costrutti di primo ordine relativi alla perdita (PEL, TIL, SOL, PHL e FIL) formano il costrutto di secondo ordine della perdita percepita, e quattro costrutti di primo ordine relativi al guadagno (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 coreani (donne: 46,6% e uomini: 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 basati su tecnologia informatica (ovvero applicazioni biometriche negli aeroporti). I dati grezzi dello Studio 1 sono disponibili nel 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 offre servizi in ambito pubblico (Korean Air). L'intervento degli esperti è stato fondamentale 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 percepito-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
Gli stessi esperti sono stati invitati, sono state effettuate le stesse valutazioni quantitative e qualitative e il loro feedback è stato richiesto per convalidare i risultati nello Studio 2.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

Studio 1
Per valutare un potenziale CMB associato ai dati auto-riferiti, è stata inizialmente condotta 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 il CMB non rappresenta un problema62,67,68. Successivamente è stata valutata la validità costruttiva e l...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

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 tecnologi...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

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.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

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.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Esplora altri articoli

Teoria del ProspettoQuadro di Percezione-IntenzioneServizi di E-GovernmentApplicazioni di Sanità 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.