연구 논문

이론적 토대 및 실증적 연구 결과를 바탕으로 한 공공 IT 도입 제안

35 조회수

⸱

DOI:

10.3791/73614

⸱

2026년 9월 15일

 ,  , 
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

이 논문에서

요약

본 연구는 공항 생체 인식과 같은 공공 IT 서비스에 대해 인지된 이득과 손실이 사용자의 수용 또는 거부에 어떻게 영향을 미치는지 설명하는 전망 이론 기반의 인식-의도 프레임워크인 공공 IT 채택 모델을 제안합니다. 다국적 조사를 포함한 두 차례의 설문 조사와 전문가 개입을 통해 모델을 검증하였으며, 이를 통해 다양한 국가와 상황 전반에서 전망 이론이 유효함을 확인하였습니다.

초록

본 연구는 공공 IT 도입(PITA)의 이론적 모델을 제안합니다. 공공 정보 기술(IT) 서비스란 전자정부 포털, 공공 보건 애플리케이션, 공항의 생체 인식 시스템과 같이 공공 기관이 모든 시민에게 제공하는 IT 기반 서비스를 의미합니다. 공공 IT의 고유한 특성으로 인해, 주로 개인 및 기업 수준에 초점을 맞춘 기존 모델들은 공공 IT 도입의 임계 질량을 식별하는 데 불충분한 것으로 간주되었습니다. 이러한 공백을 메우기 위해, 새로운 공공 IT 서비스 도입 시 사용자가 느끼는 인지된 손실과 이득을 탐색하는 전망 이론 기반의 인식-의도 프레임워크가 제안되었으며, 이러한 인식이 새로운 공공 IT 서비스를 거부하거나 수용하게 되는 선행 요인임을 시사하였습니다. 세 국가(한국, 영국, 미국)의 설문 조사 표본을 포함하여 두 가지 연구가 수행되었습니다. 또한 개입 기반 연구 접근 방식을 통해 5명의 업계 전문가를 초빙하여, 모델이 실제 시나리오에서 사용될 수 있도록 질적으로 정교화하고 검증하였습니다. 결과에 따르면, 관련 경로 계수의 합으로 계산된 수용의 총 가치, 즉 사용자가 서비스를 수용하기 위해 필요한 종합적인 인지 가치는 거부의 가치보다 일관되게 더 컸습니다. 인지된 이득에서도 유사한 결과가 나타났으며, 이는 인지된 손실보다 수용과 거부 모두를 더 강력하게 예측하는 변수였습니다. 본 연구 결과는 단면적 자가 보고 데이터에 의존하고 있으나, 전망 이론을 강력하게 뒷받침하며 공공 IT 도입에서 해당 이론의 근본적인 역할에 대한 이해를 넓히는 데 기여합니다. 따라서 전망 이론을 공공 부문 IT 맥락으로 확장함으로써, PITA는 연구자에게는 검증된 이론적 토대를, 실무자에게는 공공 IT 서비스 도입을 진단하기 위한 실질적인 도구를 제공합니다.

서론

정보기술(IT)은 지난 수십 년 동안 혁신을 추구하기 위한 지배적이고 보편적인 도구로 진화했으며 일상생활을 크게 변화시켰습니다. 심리학적 관점에 기반한 IT 도입 모델이 도입된 이후1,2,3,4, 사용자 환경과 IT 간의 관계는 개인 및 기업 수준에서 철저히 연구되어 왔습니다5.

한편, 많은 공공 기관들이 공항 혼잡과 같이 공공 서비스의 효과와 품질을 저해하는 압도적인 사회적 요구 속에서 운영 효율성을 달성하는 데 어려움을 겪어 왔습니다. 물리적 인프라를 확장하는 것은 즉각적인 이점을 제공할 수 있으나, 상당한 시간과 비용의 투자가 필요합니다6. 이와 대조적으로, 혁신적인 공공 서비스 제공자들은 IT 기반 혁신을 통해 이 문제에 접근하여7, 기존 인프라와 혁신 기술을 통합함으로써 서비스 품질과 운영 효율성을 확보해 왔습니다8,9,10,11. 현재 공공 기관들은 핵심 자산을 활성화하기 위해 새로운 IT 기술(예: 클라우드 서비스, 사이버 보안, 생체 인식)을 도입하고 있으며, 이는 추가적인 도입 과제를 야기하고 있습니다12. 이러한 문제는 실제 사용자에 대한 이해 부족에서 비롯되었을 수 있습니다. 즉, 이전의 연구들은 주로 수용을 이끄는 요인에 집중한 반면 거부 요인은 소홀히 다루었습니다. 사용자의 적극적인 참여 없이는 공공 기관의 IT 구현이 실질적인 도입으로 이어지기 어려울 수 있습니다.

하지만 공공 부문의 IT 도입은 민간 부문의 상황과는 다른 독특한 과제들을 제시합니다. "수용"과 "거부"는 서로 대립하는 두 가지의 뚜렷한 상태로 보이며13, 어느 한 쪽을 촉진하는 것이 다른 한 쪽을 저해할 수 있으므로, 이러한 상충 효과의 양면을 모두 고려해야 합니다. 기존의 공공 IT 서비스 혁신 연구들은 긍정적인 결과에 치중하는 경향이 있었습니다10,11,14,15,16. 따라서 본 논문에서는 심리학 기반의 IS 모델(즉, 혁신 확산 및 혁신 저항)과 행동 경제학(즉, 전망 이론)을 결합하여 "수용"과 "거부"를 함께 분석하였습니다.

생체 인식 식별이 문서 기반 절차를 대체하는 공항 생체 인식 사례는 이 공공 IT 서비스가 모든 시민에게 제공되며, 민감한 개인 정보가 포함되고, 사용자가 수용 또는 거부라는 명확한 결정에 직면한다는 점 때문에 선정되었습니다. 본 연구는 두 가지 연구 질문을 중심으로 진행되었습니다. RQ1: 인지된 이득과 손실이 공공 IT 서비스에 대한 사용자의 수용 및 거부에 어떤 영향을 미치는가? RQ2: 전망 이론(prospect theory)의 예측대로, 수용에 필요한 총 가치가 거부에 필요한 총 가치보다 더 큰가? 이에 따라 새로운 이론적 틀이 제시되었으며, IBR(중재 기반 연구) 전략17 (그림 1)을 통해 업계 전문가들로부터 검증을 받았습니다. 결과적으로 본 연구는 전망 이론을 정보 시스템(IS) 수용 모델과 통합하여 공공 IT 관리자들에게 실질적인 통찰력을 제공합니다.

연구 과정 흐름도: 이론, 모델, 데이터, 분석, 중요성, 시사점, 전문가 검토.
그림 1: 이론적 모델 프레이밍 및 개발의 연구 과정. 이 도식은 기존의 수용 모델 및 전망 이론에 기반한 이론적 모델 프레이밍부터 연구 1과 연구 2를 거쳐, 각각의 단계 이후 진행된 전문가 개입을 통해 PITA 모델이 완성되기까지의 전반적인 연구 흐름을 보여줍니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.

IT 도입에 관한 연구는 광범위하게 이루어져 왔다. 개인 수준에서의 기술수용모델(TAM)2 및 통합기술수용이론(UTAUT)4, 그리고 기업 수준에서의 혁신확산이론(DOI)1 및 기술-조직-환경 프레임워크(TOE)3는 증강 현실 및 언어 학습18,19, 챗봇 및 디지털 결제20,21, 모빌리티 서비스22,23, 그리고 원격 근무24에 관한 후속 연구들을 낳았다. 그러나 이러한 모델들은 공공 IT 분야에 적용할 때 뚜렷한 한계가 있다. TAM은 자발적 사용을 가정하고, DOI는 사용자의 저항을 간과하며, UTAUT는 주로 조직 환경을 위해 개발되었기에, 준강제적인 공공 IT 서비스에 대한 적용 가능성은 여전히 의문스럽다. 이러한 모델들에 기반한 공공 IT 도입 연구 또한 존재하는데, 예를 들어 UTAUT를 확장하여 온라인 공공 민원 처리 시스템을 조사하거나25 공공 부문의 인적 자원 정보 시스템에 TOE를 적용하는 경우 등이 있으며14, 이후 많은 연구들이 유사한 접근 방식을 취했다26,27,28,29,30,31,32,33,34,35.

하지만 공공 수준에서의 IT 도입은 개인이나 기업 수준의 도입과는 크게 다릅니다(표 1 참조). 도입 주체와 사용자가 동일하지 않으며, 심리적 관성과 현재 서비스의 현상 유지 성향으로 인해 사용자의 의도가 명확하지 않습니다. IT의 파괴적 특성은 기존 시스템의 재구조화를 저해할 수 있으며36, 도입을 위해서는 사용자의 태도와 행동 변화가 필요하므로 사용자의 관점에 대한 명확한 이해가 요구됩니다. 이러한 특성을 고려할 때, 개인 및 기업 수준을 강조한 기존 모델로는 공공 IT 도입을 위한 임계 질량을 정확히 파악하기에 부족할 수 있습니다. IT 주도형 서비스 혁신은 비용 절감과 서비스 향상에 결정적이며37,38 궁극적으로 사회를 발전시키므로39, 공공 IT 도입을 위한 집중적인 이론적 프레임워크가 매우 중요합니다.

개인 수준기업 수준공공 수준
채택 주체개인기업 (민간)기업 (공공)
사용자개인기업 직원개인
사용자 의도확정적확정적 (강제적)불확실함
심리적 관성무시할 수 있음무시할 수 있음 (강제적)두드러짐
가치 인식필수적필수적 (강제적)필수적
주요 채택 목적개인적효율성, 비용 절감공익
관련 IT 채택 모델TAM2, UTAUT4DOI1, TOE3본 연구

표 1: IT 도입의 다양한 수준. 이 표는 대표적인 이론적 모델, 도입 주체 및 사용자의 관점에서 개인, 기업 및 공공 수준의 IT 도입을 대조하여 보여줍니다.

기존 문헌에 따르면 개인과 직원은 특정 IT 서비스에 대해 사전의(개인 수준) 또는 강제된(기업 수준) 사용 의도를 가지고 있으며2,40, 이는 도입이 이미 결정되어 있었음을 의미합니다4,41. 하지만 모든 사용자가 IT를 사용하려는 의도를 갖는 것은 아니며42, 거부의 특성과 정당성을 규명한 정보시스템(IS) 연구는 극히 드뭅니다43,44. 따라서 새로운 공공 IT 서비스는 해당 혁신 기술이 수용되거나 실패할 때까지 의도적으로 거부될 수 있습니다45.

본 연구의 주요 목적은 인지된 이득과 인지된 손실이라는 두 가지 가치 인식 관점을 통해 공공기관 IT 서비스에 대한 사용자의 수용 및 거부 현상을 이해하는 것입니다. 인지된 이득은 혁신 확산 모델1,46에서 차용되었으며, 이러한 구성 개념들은 IT 수용에 긍정적인 영향을 미치는 인식을 조사하는 데 광범위하게 사용되었고47,48 다양한 상황에서 높은 타당성을 보여주었습니다40. 반면, 인지된 손실은 적응해야 한다는 압박에도 불구하고 사람들이 왜 현재의 생활 방식을 유지하려 하는지를 설명하는 특성들을 포함합니다. 혁신 저항42,49에 근거한 이 연구 방향은 왜 일부 사람들이 혁신의 도입을 지연시키거나 완전히 거부하는지를 조사합니다49,50,51,52,53. 본 연구에서는 손실과 이득을 일반적인 구성 개념으로 취급하는 대신, 다차원적 접근 방식을 통해 이러한 인식들을 포착하였습니다.

인지된 손실은 다섯 가지 구성 개념을 통해 조작화되었다53,54. 시간적 손실(TIL)은 서비스 학습 및 이용 과정에서, 또는 기대치가 충족되지 않았을 때 손실되었다고 인지하는 시간을 의미한다53. 사회적 손실(SOL)은 어리석어 보이거나 시대에 뒤떨어진 모습으로 비침으로써 사회적 집단 내에서의 지위를 잃게 될 위험을 의미한다54. 재무적 손실(FIL)은 구매 비용, 수수료 또는 개인정보 도용으로 인한 잠재적인 금전적 손실을 포함한다54. 신체적 손실(PHL)은 서비스 이용이 해로움, 불편함 또는 피로를 유발할 수 있다는 인식이다53,54. 성능적 손실(PEL)은 오작동 및 원하는 혜택의 제공 실패를 포함하여, 기존의 대안과 비교했을 때 서비스 품질이나 기능이 저하되었다고 인지하는 것을 의미한다53.

인지된 이득(PG)을 설명하기 위해 상대적 이점, 호환성, 시험 가능성 및 복잡성이 사용되었습니다1,46. 상대적 이점(REA)은 혁신이 이전 기술보다 더 유리하다고 생각되는 정도를 의미하며, 호환성(COM)은 잠재적 채택자의 가치, 필요 및 이전 경험과 부합하는 정도를 말합니다. 시험 가능성(TRI)은 채택 전 실험이 가능한 범위를 나타내며, TAM의 인지된 사용 편의성과 관련된 복잡성(CPX)은 해당 혁신을 사용하고 이해하는 것이 얼마나 어려운지를 의미합니다. 관찰 가능성은 측정하기에 너무 모호하고46, 공공 IT 환경에서의 생체 인식 결과는 타인이 쉽게 관찰할 수 없기 때문에 제외되었습니다.

새로운 공공 IT 서비스에 대한 반응을 유도하는 인지된 가치를 설명하기 위해 손실-이득 프레임워크(loss-gain framework)가 제안되었습니다. 서비스가 급진적이고 평소의 행동 방식을 위협한다면, 인지된 손실이 인지된 이득보다 커서 거부 반응을 일으킬 것이라는 가설이 세워졌으며, 이러한 상태가 지속되면 거부는 행동 의도의 상시적인 측면이 될 수 있습니다42,49. 반대로, 인지된 이득이 예상되는 손실보다 크다면 사용자가 서비스를 거부할 이유는 거의 없습니다. 따라서 다음과 같은 가설이 제시되었습니다:

H1. 인지된 손실은 거절에 긍정적인 영향을 미칠 것이다.
H2. 인지된 손실은 수용에 부정적인 영향을 미칠 것이다.
H3. 인지된 이득은 거절에 부정적인 영향을 미칠 것이다.
H4. 인지된 이득은 수용에 긍정적인 영향을 미칠 것이다.

정부 서비스의 모든 IT 기반 발전은 사회를 진보시키기 위한 목적(예: 공항 생체 인식 및 이를 통한 더 빠르고 안전한 탑승)을 가지고 있으나, 최근 출시된 공공 IT 서비스는 위험과 불확실성이 많으며 사용자가 의도된 혜택을 수용하지 않을 수 있습니다. 전망 이론(prospect theory)55에 따르면, 사람들은 기준점(reference point)에 상대적으로 판단되는 대안, 가치, 불확실성에 대한 태도를 평가하여 이러한 비합리적인 결정을 내립니다(준거점 의존성). 이 이론의 핵심 통찰은 손실 회피, 즉 동일한 이득보다 손실을 더 무겁게 여기는 경향과 민감도 체감입니다. 현 상태와 대비하여 이득과 손실에 집중하는 이러한 관점은 본 연구에서 조사하는 수용-거부의 이분법과 직접적으로 일치합니다. 전망 이론은 AI 기반 업무 및 디지털 헬스케어부터 공공 Wi-Fi 및 모바일 결제에 이르기까지 다양한 맥락에서, 위험과 불확실성 하의 비합리적 결정을 설명하기 위해 최근의 IS 및 IT 연구에서 사용되었습니다56,57,58,59,60. 이러한 연구들은 이론의 관련성을 확인해 주었지만, 주로 수용 의도에 초점을 맞추었으며 공공 IT 맥락에서 핵심적인 거부 차원은 간과하였습니다.

공공 IT 서비스 사용자는 인지된 이득과 손실의 합계(즉, 요구되는 총 가치)를 바탕으로 서비스 수용 또는 거부 여부를 결정하는 것으로 나타납니다. 공공 IT 도입에 관한 기존 연구 중 이 관점에서 해당 현상을 조사한 사례는 없습니다. 이에 따라 경로 계수(즉, PL에서 REJ까지)를 값으로 코딩했으며55, 거부 및 수용에 요구되는 총 가치를 다음과 같이 계산하였습니다.

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

여기서 CLR, CGR, CLA, CGA는 각각 지각된 손실에서 거부로, 지각된 이득에서 거부로, 지각된 손실에서 수용으로, 그리고 지각된 이득에서 수용으로 이어지는 경로 계수입니다. 이러한 표준화된 계수를 통해 V(R)과 V(A)는 손실과 이득의 총 영향력이 반영된 합성 값으로 산출됩니다. 공공 IT 서비스는 사용자에게 이익을 주기 위해 설계된 반면, 사용자는 현 상태를 유지하지 않고 벗어날 때 이득보다 손실을 더 크게 인식하므로, 더 위험한 선택지인 수용이 거부보다 더 큰 총 값을 필요로 할 것으로 예상되었습니다. H1–H4를 바탕으로, H5는 이러한 효과들의 순 균형을 검증합니다.

H5. 수용에 필요한 총 가치, V(A),는 거부 시의 가치인 V(R)보다 클 것입니다. 그 결과로 도출된 개념적 PITA(공공 정보 기술 도입) 모델은 그림 2에 제시되어 있습니다.

의사결정 과정 다이어그램; 인지된 손실과 이득이 거부 및 수용으로 이어지는 흐름.
그림 2: 개념적 PITA 모델. 다이어그램은 인지된 손실(PL)과 인지된 이득(PG)이 거부(REJ) 및 수용(ACC)의 선행 요인임을 보여줍니다. 경로 a, b, c, d는 총 가치 V(R) 및 V(A)를 계산하는 데 사용되는 계수에 해당합니다. 참고: a = CLR, b = CLA, c = CGR, d = CGA 여기에서 이 그림의 더 큰 버전을 확인하십시오.

프로토콜

모든 연구 절차는 aSSIST 대학교, 성균관대학교 및 동아대학교의 인간 대상 연구에 적용되는 윤리 원칙을 준수하였습니다. 설문 응답이 수집 당시 익명으로 처리되었고 개인 식별 정보가 수집되지 않았으므로, aSSIST 대학교의 기관생명윤리위원회(IRB)는 본 연구를 전체 윤리 심사 면제 대상으로 분류하였습니다. 참여 기관들은 연구 설계와 데이터 수집 절차 모두를 포괄하는 aSSIST 대학교 기관생명윤리위원회의 면제 결정에 따랐으므로, 별도의 IRB 승인을 받지 않았습니다. 본 결정은 대한민국 생명윤리 및 안전에 관한 법률 제15조 및 동법 시행규칙 제13조에 명시된 면제 기준(https://public.irb.or.kr/pt/pt01/PT0103/PT0103R01.do)에 따라 이루어졌습니다. Qualtrics 설문에 접속하기 전, 모든 참여자에게 연구의 학술적 목적, 응답의 익명 처리, 데이터의 연구 목적 외 사용 금지 및 합리적으로 예측 가능한 위험이 없음을 설명하는 전자 고지 동의서를 제시하였습니다. 명시적으로 동의한 참여자만이 설문을 진행할 수 있었습니다.

연구 개요
다섯 가지 가설과 제안된 PITA 모델을 검증하기 위해 두 차례의 실증 연구와 두 차례의 전문가 개입이 수행되었습니다. 결과는 그림 3에 나타나 있습니다. 서로 다른 시점에서 구성 개념을 개별적으로 측정하고, 데이터의 공통 방법 편향(CMB) 가능성을 줄이며, 연구의 일반화 가능성을 높이기 위해 COVID-19 이전(2019년 4분기)과 COVID-19 기간(2020년 2~3분기)에 걸쳐 2차원 설문 조사가 실시되었습니다61,62.

연구 비교 흐름도; 코로나19 전/후, 표본, 지역; 연구 일정, 중재.
그림 3: 연구 개요. 타임라인은 2차례의 설계 과정을 요약한 것입니다: 연구 1(2019년 4분기, 코로나19 이전, 한국인 표본, N = 322) 이후 1차 전문가 중재가 이루어졌으며, 연구 2(2020년 2-3분기, 코로나19 기간 중, 한국/영국/미국 표본, N = 602) 이후 2차 전문가 중재가 이루어졌습니다. 여기를 클릭하여 이 그림의 확대 버전을 확인하십시오.

연구 1 모델
초기 연구 모델은 그림 4에 나타난 바와 같이, 최근 도입된 공공 IT 서비스(즉, 공항 생체 인식)에 대한 사용자의 수용 또는 거부 의도를 밝히기 위해 설정된 가설을 바탕으로 구축되었습니다. 공공 IT 서비스에 대한 사용자의 의견은 지각된 손실(PL)과 지각된 이득(PG)이라는 두 가지 2차 구성 개념에 반영되었으며, 각 개념은 각각의 1차 구성 개념들로 형성되었습니다. 이 두 2차 구성 개념은 공공 IT 서비스 이용 의도를 나타내는 거부(REJ)와 수용(ACC)의 선행 요인으로 작용합니다.

개념도; PL, PG, REJ, ACC 구성 개념을 포함한 구조 방정식 모델; 연구 분석.
그림 4: 연구 1의 연구 모델. 다섯 가지 1차 손실 구성 개념(PEL, TIL, SOL, PHL, FIL)이 2차 구성 개념인 인지된 손실을 형성하고, 네 가지 1차 이득 구성 개념(REA, COM, TRI, CPX)이 인지된 이득을 형성하며, 이 두 2차 구성 개념은 거부와 수용의 선행 요인으로 모델링되었다(H1–H4). 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.

연구 1 연구 데이터
첫 번째 데이터 샘플은 지난 1년 이내에 최소 한 번 이상 항공기에 탑승한 경험이 있는 총 322명의 한국인 참여자(여성: 46.6%, 남성: 53.4%)를 대상으로 2019년 11월 13일부터 11월 18일까지(COVID-19 팬데믹 시작 전) 수집되었습니다. 설문 조사 도입부에서는 공공 IT 서비스(예: 공항의 생체 인식 애플리케이션)에 대한 정의와 예시가 제공되었습니다. 연구 1의 원시 데이터는 보충 파일 1에 제공되어 있습니다. 비행 빈도는 지난 1년 동안 1회, 2회, 3회, 4회 및 5회 이상의 비행에 해당하는 5개의 상호 배타적인 범주(FF1~FF5)로 측정되었습니다(연구 1: 각각 138명, 91명, 34명, 21명, 38명의 참여자; 연구 2: 각각 174명, 153명, 109명, 82명, 84명의 참여자).

예측 변수 구성 개념은 “매우 그렇지 않다(1)”부터 “매우 그렇다(7)”까지의 7점 리커트 척도를 사용하여 평가되었습니다(연구 설문지는 Supplementary File 21,46,53,54,63,64 참조). 20명의 참가자를 대상으로 한 예비 테스트 이후, 안정성, 적용 가능성 및 해석의 용이성을 높이기 위해 질문 항목의 문구 수준의 수정만 진행하였으며, 예비 테스트 이후 구성 개념이나 항목을 추가하거나 삭제하지 않았습니다. 보조 문서에는 전체 설문지와 관련 통계 및 이론적 배경이 포함되어 있습니다. 확인적 요인 분석(CFA) 및 공분산 구조 방정식 모델링(CB-SEM) 분석이 수행되었습니다.

연구 1을 위한 전문가 개입
본 연구의 객관성을 확보하고 수준을 높이기 위해 최소 10년 이상의 경력을 가진 전문가 5명을 초빙하였으며, 여기에는 국제기구(Airports Council International 및 International Air Transport Association) 소속 2명, 정부 기관(싱가포르 창이 공항 및 한국공항공사) 소속 2명, 공공 환경에서 서비스를 제공하는 민간 기업(대한항공) 소속 1명이 포함되었다. 이러한 전문가 개입은 모델을 개선하고 대상 환경에 대한 도메인 지식을 강화하는 피드백을 제공하는 데 필수적이었다. 정성적(즉, 주관적 피드백) 및 정량적(7점 리커트 척도) 평가가 모두 수행되었다. 정량적 평가를 위해 수정된 의사결정-보고-특성 설문 항목(보조 파일 3 참조)65이 채택되었으며, 급내 상관 계수66를 사용하여 검증되었다. 각 개입 라운드에서 모든 전문가는 정량적 설문지를 개별적으로 작성한 후 개방형 정성적 피드백을 제공하였다. 재현성을 위해 두 번의 개입 과정 모두 동일한 패널, 도구 및 절차가 사용되었다.

연구 2
연구 1에서 확인된 문제점을 해결하고 모델의 일반화 가능성을 높이기 위해, 연구 2에서는 연구 1과 동일한 모델을 적용하였습니다. 연구 2에는 602명의 참가자가 포함되었습니다 (여성: 42.3%, 남성: 57.7%, 한국: 200명, 영국: 201명, 미국: 201명). 데이터는 2020년 7월 23일부터 8월 19일 사이(COVID-19 팬데믹 기간)에 수집되었습니다. 연구 2의 원시 데이터는 보충 파일 4에 제공됩니다. 33개의 관찰 지표가 있는 이 표본 크기는 지표당 약 18개의 관측치를 제공하며, 이는 CB-SEM에서 일반적으로 권장되는 지표당 10개 관측치 기준과 널리 사용되는 최소 임계값인 200개 관측치를 모두 초과합니다. 한국, 영국, 미국은 2019년 7월부터 2020년 6월까지 전 세계 모든 항공 여행객(약 55억 명 중 16억 명)의 29.1%를 차지했기 때문에 선정되었습니다. COVID-19 팬데믹은 이 국가들에 서로 다른 시기에 영향을 미쳤으며, 한국에서 시작되어 이후 미국과 영국에 영향을 주었습니다. 또한, 이 세 국가는 동양과 서양의 문화적 전통이 혼합된 특성을 보여주었습니다. 결과적으로, 이들 국가의 통합 데이터셋을 사용하여 새로운 공공 IT 서비스(즉, 공항 생체 인식)에 대한 사용자의 인식-의도 프레임워크를 분석하였습니다.

연구 2를 위한 전문가 개입
동일한 전문가들을 초빙하여 동일한 정량적 및 정성적 평가를 수행하였으며, 연구 2의 결과물을 검증하기 위해 그들의 피드백을 요청하였다.

결과

연구 1
자기보고식 데이터와 관련된 잠재적 공통방법편향(CMB)을 평가하기 위해, 먼저 단일 요인 분석을 수행하였다67. 테스트 결과, 하나의 요인이 분산의 36.56%를 설명하는 것으로 나타났다. 단일 요인이 분산의 50% 미만을 설명하는 것은 CMB가 우려할 수준이 아님을 나타낸다62,67,68. 이어 구성 타당도와 신뢰도를 평가하였다. 표 2의 결과에 따르면, 평균 분산 추출값(AVE, 0.585~0.836)과 합성 신뢰도(CR, 0.872~0.939)가 필요한 최소 요구 사항을 충족하였다69,70. 또한, 대각선에 표시된 각 구성 개념의 AVE 제곱근이 다른 구성 개념과의 상관관계보다 높게 나타나, 판별 타당성이 입증되었다69.

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

표 2: 구성 개념의 신뢰도 및 타당성 (연구 1). 이 표는 연구 1 측정 모델의 합성 신뢰도(CR), 평균 분산 추출값(AVE) 및 구성 개념 간 상관관계를 나타냅니다.

다음으로, SEM(구조방정식 모델링)을 사용하여 인지된 이득, 인지된 손실, 수용 및 거부 간의 가설을 검증하였습니다. 다음 그림에서 보는 바와 같이 그림 5모델은 수용 가능한 적합도 지수(CMIN/DF = 2.25, CFI = 0.936, SRMR = 0.075, RMSEA = 0.062)를 나타냈으며, 이는 모두 권장 임계값(CMIN/DF < 3, CFI > 0.90, 표준화된 평균 제곱근 잔차(SRMR) < 0.08, RMSEA < 0.08), 그리고 결과는 개발된 가설을 강력하게 뒷받침합니다. 인지된 손실에 대한 5가지 동인 구성 개념(PER, TIR, SOR, PHR, FIR)과 인지된 이득(PG)에 대한 4가지 동인 구성 개념(REA, COM, TRI, CPX) 모두 상당한 효과를 나타냈습니다. 가설 1과 2에 대한 검정 결과, 인지된 손실은 거부 반응에 중간 정도의 정(+)의 영향을 미치는 것으로 나타났습니다(β = 0.357, p < 0.001) 및 수용도에 대한 유의미한 부정적 영향(β = -0.148, p < 0.001). 따라서 가설 H1과 H2가 모두 지지되었다. 반면, 가설 3과 4의 검증 결과, 인지된 이득은 인지된 손실과 상반된 효과를 보이는 것으로 나타났다. 즉, 수용도에 강한 정(+)의 영향을 미쳤으며 (β = 0.721, p < 0.001) 및 거부에 미치는 부정적인 영향(β = -0.507, p < 0.001)로 나타났다. 따라서 H3와 H4 모두 지지되었다. SEM을 이용한 연구 1의 연구 모델 검증 결과에 대한 종합적인 요약은 다음의 표에 제시되어 있다. 표 3구조 모델은 수용의 분산 중 62.4%, 거부의 분산 중 52.5%를 설명하였다(R2 = 각각 0.624 및 0.525였다).

상관 계수와 함께 PL, REJ, ACC, PG 구성 개념을 보여주는 구조 방정식 모델 도표.
그림 5: 연구 1의 가설 검증 결과. 연구 1 표본(N = 322)을 기반으로 추정된 구조 모델의 표준화 경로 계수와 유의 수준을 나타내는 도표이며, 모든 가설 경로가 예상된 방향으로 유의미하게 나타났다. PEL = performance loss; TIL = time loss; SOL = social loss; PHL = physical loss; FIL = financial loss; REA = relative advantage; COM = compatibility; TRI = trialability; CPX = complexity; PL = perceived loss; PG = perceived gain; REJ = rejection; ACC = acceptance 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.

가설경로βtp-값pp-값결과
H1a광혈소판 응집물(PL) → 거부(REJ)0.3576.592***지원됨
H2bPL → ACC-0.148-3.059***지원됨
H3죄송합니다. 번역할 소스 텍스트가 제공되지 않았습니다. 번역하시려는 내용을 입력해 주세요.PG → REJ-0.507-7.29***지원됨
H4입력된 텍스트가 없습니다. 번역할 내용을 제공해 주세요.PG → ACC0.7218.966***지원됨

표 3: 연구 1의 종합 결과. 이 표는 연구 1에 대한 표준화 경로 계수, 유의 수준 및 가설 검정 결과를 요약하여 보여줍니다. ***p < 0.001

또한, H5를 검증하고 모델이 전망 이론55과 일치하는지 확인하기 위해 REJ와 ACC에 필요한 총 값을 계산하였습니다. 식 (1)과 (2)에서 a는 인지된 손실에서 거부로 이어지는 경로(CLR = 0.357)에, c는 인지된 이득에서 거부로 이어지는 경로(CGR = -0.507)에 해당하며, b는 인지된 손실에서 수용으로 이어지는 경로(CLA = -0.148)에, d는 인지된 이득에서 수용으로 이어지는 경로(CGA = 0.721)에 해당합니다. 결과적으로 V(R) = a + c = -0.150 및 V(A) = b + d = 0.573으로 나타났으며, 따라서 V(R) < V(A)이므로 H5가 지지되었습니다.

연구 1에 대한 전문가 개입 결과
분석 결과, 전문가들이 해당 주장에 전적으로 동의하지는 않는 것으로 나타났습니다. 체계적 지향성, 품질 및 문제 진술의 충분성을 측정하는 구성 개념의 평균값은 3.40에서 4.40 사이였습니다. 일반적인 부정적 정서 구성 개념 또한 3.20에서 3.60의 범위를 보였습니다 (ICC = 0.609, p = 0.008). 전문가들의 주관적 평가를 통해 두 가지 추가 개선 사항이 확인되었습니다. 첫째, 데이터셋이 상황적 요인을 대표하지 못했다는 점(COVID-19 이전에 수집됨)이며, 둘째, 한국인으로만 구성된 표본은 일반화하기에 적절하지 않다는 점이었습니다. 이러한 결과는 전문가 개입을 통해 해당 문제들을 해결하기 위해 수행된 연구 2의 토대가 되었습니다.

연구 2
연구 2에서는 연구 1과 동일한 절차를 따랐습니다. 먼저, 데이터셋에서 일반 방법 편향(CMB)이 문제가 되는지 평가하기 위해 단일 요인 분석을 수행하였습니다67. 테스트 결과, 단일 요인이 설명하는 분산이 38.97%로 우려 기준인 50% 미만이었으므로, 데이터 표본에서 CMB의 실질적인 영향은 없는 것으로 나타났습니다62,67,68. CMB 외에도 표 4의 결과는 모델의 신뢰도와 타당성 또한 요구 사항을 적절히 충족했음을 시사했습니다69,70. 또한, 모든 이질 특성-동질 측정(HTMT) 비율이 0.85 임계값 미만으로 나타나 판별 타당성을 추가로 뒷받침하였습니다.

CRAVEMSVMaxR(H)광전포토그래피(Photolithography)프로스타글란딘(PG)ACCREJ
광전레지스트 (Photolithography)0.8610.560.3640.8850.748
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

표 4: 구성 개념의 신뢰도 및 타당도 (연구 2). 이 표는 연구 2 측정 모델에 대한 합성 신뢰도(CR), 평균 분산 추출값(AVE) 및 구성 개념 간 상관관계를 나타냅니다.

3개국 모두를 대상으로 한 연구 2의 SEM 테스트 결과는 CMIN/DF = 3.835, CFI = 0.945, RMSEA = 0.058로 나타났다. CFI와 RMSEA는 권장 임계값을 충족했으며, CMIN/DF 값 3.835는 <3.0이라는 더 엄격한 기준은 충족하지 못했으나 <5.0이라는 덜 엄격한 기준에 근거하여 수용 가능한 모델 적합도를 나타냈다. 따라서 테스트 결과는 그림 6 및 표 5에 제시된 바와 같이, 전개된 논거 및 연구 1의 결과와 매우 일치했다. 연구 1의 결과와 유사하게 PL과 REJ(β = 0.345, p < 0.001) 및 PG와 ACC(β = 0.767, p < 0.001) 사이의 관계는 유의미한 정(+)의 관계를 보였으며, PL과 ACC(β = -0.202, p < 0.001) 및 PG와 REJ(β = -0.644, p < 0.001) 사이의 관계는 유의미한 부(-)의 관계를 보였다. 이에 따라 H1, H2, H3 및 H4가 모두 지지되었다. 구조 모델은 수용의 분산 중 76.0%, 거절의 분산 중 72.1%를 설명했다(R2 = 각각 0.760 및 0.721).

REJ와 ACC를 통해 PL에서 PG로 이어지는 구성 개념의 경로 분석 다이어그램으로, 통계적 관계를 보여줌.
그림 6: 연구 2의 가설 검증 결과. 이 다이어그램은 3개국 통합 연구 2 표본(N = 602)을 바탕으로 추정된 구조 모델의 표준화 경로 계수와 유의 수준을 나타내며, 결과 패턴은 연구 1을 재현합니다. PEL = 성능 손실; TIL = 시간 손실; SOL = 사회적 손실; PHL = 신체적 손실; FIL = 재정적 손실; REA = 상대적 이점; COM = 호환성; TRI = 시험 가능성; CPX = 복잡성; PL = 지각된 손실; PG = 지각된 이득; REJ = 거부; ACC = 수용 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.

가설경로β제공된 텍스트가 없습니다. 번역할 내용을 입력해 주세요.-값p-값결과
H1aPL → REJ0.3459.342***지원됨
H2bPL → ACC-0.202-6.81***지원됨
H3제시된 텍스트가 없습니다. 번역할 소스 텍스트를 제공해 주시기 바랍니다.프로스타글란딘 → 거절반응-0.644-12.694***지원됨
H4dPG → ACC0.76713.707***지원됨

표 5: 연구 2의 종합 결과. 이 표는 연구 2에 대한 표준화 경로 계수, 유의 수준 및 가설 검정 결과를 요약한 것입니다. ***p < 0.001

다음으로, 가설 H5를 검증하고 모델이 전망 이론(prospect theory)의 논거55를 뒷받침하는지 확인하기 위해 REJ와 ACC에 필요한 총 가치 값을 추가로 분석하였다. 연구 1과 동일한 계수 매핑을 적용한 결과, V(R) = a + c = -0.299 및 V(A) = b + d = 0.565로 나타나 V(R) < V(A)임이 확인되었다. H5는 연구 2에서도 지지되었으며, 연구 2에서 V(R)과 V(A)의 차이(0.864)는 연구 1의 차이(0.723)보다 더 크게 나타났다.

연구 2에 대한 전문가 개입 결과
정량적 평가 결과는 매우 긍정적이었습니다 (ICC = 0.960, p < 0.001). 체계적 지향성, 품질 및 문제 진술 적절성을 측정하는 구성 개념의 평균값 범위는 6.20에서 6.80 사이였으며, 일반적인 부정적 영향을 측정하는 구성 개념의 평균값 범위는 1.20에서 1.80 사이였습니다. 높은 급내 상관 계수는 모델의 체계적 지향성, 품질 및 문제 진술 적절성에 대해 전문가 간의 강력한 합의가 있음을 나타내며, 전문가들은 주관적 평가에서 다른 문제를 제기하지 않았습니다. 따라서 본 연구가 제안된 PITA 모델을 완성하는 데 필요한 요구 사항을 최종적으로 충족한 것으로 결론지었습니다.

데이터 가용성:
데이터는 보조 파일 1(연구 1) 및 보조 파일 4(연구 2)로 업로드되었습니다. 전체 CB-SEM 모델 결과는 보조 파일 5에 제공되며, 변수 정의 및 코딩은 데이터 사전(보조 파일 6)에 기록되어 있습니다. 데이터 파일 및 CB-SEM 결과에서 원고의 약어 PEL, TIL, SOL, PHL, FIL, REJ는 각각 변수 레이블 PER, TIR, SOR, PHR, FIR, RES에 해당하며, 2차 구성 개념 PL 및 PG는 Perceived_Risk 및 Perceived_Benefit으로 표시됩니다.

보충 파일 1: 연구 데이터 (연구 1) 이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 파일 2: 설문지이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 파일 3: 중재 설문지이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 파일 4: 연구 데이터 (연구 2)이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 파일 5: CB-SEM 모델 출력 파일이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 파일 6: 데이터 사전이 파일을 다운로드하려면 여기를 클릭하십시오.

토론

이 두 가지 연구 조사는 공공 IT 도입에 관한 PITA 모델을 테스트하였습니다. 두 연구 모두에서 5가지 가설이 모두 지지되었으며, 위험성이 더 높은 COVID-19 상황에서는 V(A)와 V(R) 사이의 격차가 더 벌어졌는데, 이는 더 위험한 선택일수록 더 큰 인지 가치가 필요하다는 전망 이론의 예측과 일치합니다. TAM2 및 DOI1를 포함한 IT 도입 문헌의 이론적 기초에서 공공 IT 도입을 충분히 설명하지 못하는 공백이 발견되었습니다. 가장 중요한 점은, 이러한 연구들이 공공 IT 서비스를 사용할 때 사용자가 느끼는 불확실성을 충분히 고려하지 않았다는 것입니다. 따라서 PITA가 제시한 인식-의도 프레임워크가 공공 IT 서비스 도입 결정에 어떤 영향을 미치는지 질문하였습니다. 사용자는 새롭고 혁신적인 공공 IT 서비스가 제시되었을 때 현상 유지 옵션의 장단점을 고려해야 합니다. 만약 새로운 옵션을 거부하면 사용자는 이전 상태로 돌아가게 되며, 새로운 옵션은 불필요해집니다. PITA 모델은 이러한 선택에 영향을 미치는 근본적인 가치 인식에 대한 이해를 가능하게 합니다. 또한, 이는 새로운 공공 IT 서비스에 투자하기 전 이러한 실패를 방지하기 위한 여러 가지 제안을 제공하였습니다1,42. 본 연구는 인지된 이득과 손실이 공공 IT 서비스의 수용 및 거부에 어떻게 영향을 미치는지 조사하였으며, 5가지 가설이 모두 지지되었습니다. 공공 IT 서비스에 대한 사용자의 인식은 두 가지 관점에서 볼 수 있으며, 사용자의 부정적인 인식이 지배적일 가능성이 큽니다. 그러나 연구 결과, 긍정적인 인식은 사용자가 서비스를 수용하도록 독려하고 저항을 줄이는 것으로 나타났습니다. 인지된 손실의 관련 사례로는 일관성 없는 성능, 불합리하게 길어진 절차, 주변 환경의 저항, 기기로 인한 신체적 피해, 금융 거래 실패 등이 있습니다. 반면, 상호 대체 가능한 기능, 오픈 베타 테스트 이벤트, 사용 편의성 등은 인지된 이득의 구성 요소 사례가 될 것입니다. 두 연구의 결과는 혁신 저항 모델 및 혁신 확산에 관한 기존 연구들과 일치하였습니다(예: 1,42).

중요한 발견 중 하나는 수용의 전체 가치가 거절의 가치보다 거의 5배 더 컸다는 점입니다. V(A)와 V(R) 사이의 이러한 큰 차이는 주로 수용에 미치는 지각된 이득의 강한 긍정적 영향(β = 0.721)과 거절에 미치는 지각된 이득의 부정적 영향(β = -0.507)에 의해 주도되었으며, 이는 사용자가 느끼는 사용 편의성 및 기능의 상호 교환성과 같은 이득에 대한 인식이 채택 결정을 내리는 데 있어 손실에 대한 인식보다 더 지배적인 역할을 한다는 것을 시사합니다. 사용자가 새롭고 생소한 공공 IT 서비스를 수용하는 더 위험한 결정을 내리기 위해서는 긍정적인 인식이 부정적인 인식보다 상당히 더 커야 합니다. 또한 의사결정이 완전히 합리적이지 않을 수 있기 때문에, 사용자는 손실을 감수하면서도 새로운 공공 IT 서비스를 거부하기로 결정할 수 있습니다. 이러한 현상은 현재 서비스에 대한 강한 애착과 공공 IT 서비스가 일상적인 정기 사용을 목적으로 하지 않는다는 점으로 설명될 수 있습니다. 사용자는 약간의 불편함만 느껴도 현재 상태를 유지할 수 있습니다. 지각된 이득이 불충분하거나 지각된 손실이 예상보다 크다면, 사용자는 새로운 공공 IT 서비스를 수용하기 위한 심리적 저항을 극복하려 하지 않을 것입니다. 공공 IT 서비스 맥락 내에서 사용자의 인식-의도 프레임워크에 동일한 패턴이 일관되게 나타난 연구 2(Study 2)를 통해, 제안된 이론적 모델에 대해 더 구체적이고 광범위한 입증이 이루어졌습니다. 또한 V(A)가 V(R)보다 상당히 높게 나타나, 전망 이론(prospect theory)55의 확장 근거를 뒷받침하였습니다.

상황적 요인(COVID-19)이 V(A)와 V(R)에 미치는 영향은 연구 2에서 발견된 또 다른 흥미로운 결과였습니다. 연구 2에서의 V(R)과 V(A) 간의 격차는 연구 1과 비교했을 때 더 벌어졌습니다. 글로벌 보건 위기 상황에서 사용자들은 감염으로 인한 잠재적 손실을 더 크게 인식하는 동시에, 비접촉 서비스로부터 얻는 잠재적 이득을 더 크게 인식했을 수 있으며, 이러한 이중적 효과가 수용에 필요한 가치 차이를 증폭시켰습니다. 이 결과는 더 위험한 선택지(COVID-19라는 위험한 상황에서 새로운 공공 IT 서비스를 수용하는 것)가 더 큰 가치를 필요로 함을 나타내어, 전망 이론(prospect theory)을 발전시키려는 시도를 뒷받침합니다55. 필연적으로, 연구 2의 평가 결과는 다시 한번 연구 1의 결과를 지지했습니다. 상황적 요인은 첫 번째 개입 단계에서 전문가들이 예측한 바와 같이 사용자의 결정 관련 가치를 변화시킬 수 있는 잠재적 요소였습니다. 또한, 공항 생체 인식 사례에 대해 더 큰 표본을 사용하여 모델 가설의 타당성을 입증함으로써 모델의 견고성과 일반성을 높였습니다. 그럼에도 불구하고, 여러 국가의 통합 분석은 구성 개념들이 국가 간에 유사하게 해석된다고 가정하였습니다. 공식적인 측정 동일성 검사와 국가별 비교는 수행되지 않았으며, 이는 향후 연구 과제로 남아 있습니다.

인식-의도 프레임워크를 사용한 분석에 따르면, 사용자가 공공 IT 서비스를 사용함으로써 상당히 더 큰 이득을 얻을 것이라고 믿는다면 현상 유지 옵션을 선택하지 않을 것입니다. 이는 인식된 이득이 수용이라는 위험한 옵션을 더 매력적으로 만들 때만 사용자가 자신의 평형 상태를 벗어날 의향이 있음을 시사합니다. 돌이켜보면, 수용이 손실보다 인식된 이득에 더 많은 영향을 받는다는 것은 개념적으로 타당합니다. 전망 이론(prospect theory)55에 따르면, 사용자에게 제공되는 현재 서비스는 사용자가 이전에 경험한 알려진 개체이므로 안전한 "위험 회피적" 옵션입니다. 이는 사용자가 어떠한 행동 조건의 적응이나 변경 없이도 위험 없이 동일한 결과를 얻을 수 있음을 예상할 수 있음을 의미합니다. 그러나 인식된 이득이 인식된 손실보다 훨씬 클 경우, "위험 회피적" 옵션에서 벗어나 위험한 옵션이 선택될 가능성이 높습니다. 흥미로운 점은 사용자가 더 위험한 상황인 COVID-19 팬데믹을 겪었을 때 이러한 효과가 더 강하게 나타났다는 것이며, 이는 새로운 공공 IT 서비스 사용을 고려할 때 가치에 대한 필요성이 증가했기 때문일 수 있습니다. 인식된 이득 및 손실과 공공 IT 서비스의 수용 또는 거부 사이에 일관된 관계가 발견되었습니다. 데이터에 따르면, 사용자가 잠재적 이득을 어떻게 인식하는지, 그리고 그러한 인식이 공공 IT 서비스 사용 여부 선택에 어떤 영향을 미치는지에 대한 더 깊은 이해가 필요합니다. 새로운 옵션이 제시되었을 때, 사용자는 존재할 수 있는 심리적 관성을 극복해야 하므로 새로운 IT 서비스를 수용하는 것이 상당히 더 어렵게 느껴질 수 있습니다. 이는 인식 및 의도 프레임워크 내의 개선 사항이 더 유의미해야 했다는 사실에서도 드러났습니다. 이러한 결과는 전망 이론55이 제시한 기본 개념, 즉 더 위험한 결정일수록 더 안전한 결정보다 더 높은 가치를 요구한다는 점과 일치합니다. 특히, 인식된 이득이 수용을 예측하는 정도가 인식된 손실이 거부를 예측하는 정도보다 더 강하게 나타나는 비대칭적 패턴은, 이 맥락에서의 의사결정이 단순히 손실 회피적인 것이 아니라 이득 중심적임을 시사하며, 이는 손실 회피에 집중하는 전망 이론의 일반적인 강조점을 확장하는 미묘한 차이입니다. 또한 이러한 결과는 이전의 도입 연구들과도 일치합니다. 수용에 미치는 인식된 이득의 강력한 효과는 인식된 유용성을 강조하는 기술수용모델(TAM)2과 일치하며, 거부에 미치는 인식된 손실의 유의미한 효과는 도입 장벽이 잠재적 이득보다 더 클 수 있다는 혁신 저항 모델의 주장42,49을 뒷받침합니다. 본 연구는 이득과 손실이 독립적으로 작동하는 것이 아니라 수용과 거부 모두에 동시에 영향을 미친다는 것을 입증함으로써 관련 문헌을 확장합니다. 따라서 이러한 발견은 공공 IT 서비스 사용자가 현상을 유지(즉, 거부)하거나 위험 감수를 증가(즉, 수용)하게 만드는 동기가 무엇인지에 대한 이론적 이해에 기여합니다. IT 도입 반대에 관한 점점 늘어나는 연구 체계는 본 연구를 통해 더욱 발전되었습니다. IT의 거부와 수용이 서로 다른 의사결정 기준임을 입증함으로써 개인 및 기업 수준의 이전 문헌45,50,51을 기반으로 연구를 발전시켰습니다. 모든 사용자는 임계값42,49을 가지고 있지만, 공공 IT 도입에 관한 연구 중 이러한 임계값이 무엇인지 조사한 연구는 없었습니다. 따라서 인식된 손실을 포함시킨 것은 이러한 허용 범위를 조사하는 유용한 방법이었으며, 공공 IT의 수용 또는 거부 선택 모두에 유의미한 영향을 미쳤습니다. 이러한 결과는 동일한 수용-거부 원리를 새로운 맥락으로 확장함으로써 이전 연구에 기여하였습니다51.

이러한 연구 결과는 공공 기관의 관리에 있어 몇 가지 중요한 시사점을 제공합니다. 첫째, 공공 기관이 변화에 적응하는 데 어려움을 겪으며 디지털 인프라로의 전환이 쉽지 않다는 점은 잘 알려져 있습니다. 따라서 공공 조직이 IT 서비스로 전환할 때 내린 잘못된 결정은 장기적으로 부정적인 영향을 미칠 수 있습니다. 사용자는 손실이 너무 크다고 느낄 경우 제안된 IT 서비스를 도입할 준비가 되지 않았을 가능성이 높습니다. 반면, 공공 기관의 관리자가 인지된 이득을 통해 거부감을 줄이는 요인들을 명확히 설명한다면 공공 IT 서비스에 대한 투자가 더 성공적일 수 있습니다. 관리자는 PITA를 사용하여 긍정적인 반응을 이끌어낼 수 있는 해결책을 모색함으로써, 인지된 이득은 높이고 인지된 손실은 낮춤으로써 궁극적으로 수용도를 높이고 거부감을 줄일 수 있습니다. 예를 들어, 생체 인식 스크리닝을 도입하려는 공항은 투자 전 사용자 인식을 평가하기 위해 PITA를 활용할 수 있습니다. 만약 V(R)이 V(A)에 근접하거나 이를 초과한다면, 관리자는 더 빠른 처리 속도와 같은 가시적인 혜택(인지된 이득 증가)에 소통의 초점을 맞추거나, 거부할 수 있는 대안(인지된 손실 감소)을 제공할 수 있습니다. 이 모델의 단순성 덕분에 V(A)와 V(R)을 설문 데이터로부터 직접 계산할 수 있으며, 이를 통해 관리자는 사용자의 이용 의도를 이해하고 제안된 IT 서비스의 도입 현황 및 가능성을 판단할 수 있는 명확한 기준점을 얻을 수 있습니다.

본 연구에는 몇 가지 중요한 한계점이 있습니다. 첫째, 두 연구 모두에서 효과가 유사하게 나타났으나, 인지된 손실 측정에서 관찰된 덜 유의미한 효과를 완전히 이해하기 위해서는 더 많은 연구가 필요하며, 본 연구에서 고려한 요인들은 모델에서 발견된 분산을 부분적으로만 설명할 수 있습니다. 둘째, 두 연구 모두 항공 여행객을 대상으로 한 단면적 자기보고 설문 데이터를 활용하였습니다. 이러한 설계는 인과적 추론을 배제하며, 선택 편향 및 사회적 바람직성 편향을 유발할 수 있고, 해당 인구 집단 외로의 일반화 가능성을 제한합니다. 세 국가 간의 공식적인 측정 동일성 검증이 여전히 수행되어야 합니다. 셋째, 데이터가 특정 기간(2019년 4분기 및 2020년 중반)에 수집되었으므로, 팬데믹이 진전됨에 따라 사용자 인식이 변화했을 수 있습니다. 넷째, 관리자가 단 하나의 새로운 잠재적 옵션만을 고려하며, 현재의 옵션이 또 다른 제약 조건으로 작용한다고 가정하였습니다. 확실성 효과(certainty effect)에 따르면, 다양한 정도의 확실성을 가진 여러 옵션이 존재할 때 위험 감수 행동이 촉진되므로71, 향후 연구에서는 다양한 PITA 기술 옵션을 고려하는 것이 가치 있는 방향이 될 것입니다. 또한 향후 연구에서는 혁신 저항의 다른 형태와 임계값을 조사하고63, PITA를 다른 공공 IT 서비스(예: 전자정부 포털 및 공공 보건 애플리케이션)와 인지된 혜택과 위험이 공동으로 채택을 결정짓는 다른 영역으로 확장하며64, V(A)와 V(R)이 시간에 따라 어떻게 진화하는지 추적하기 위해 종단적 설계를 적용하고, 문화적 차원이 모델 내의 관계를 조절하는지 살펴봐야 합니다. 전반적으로, 본 연구는 공공 IT 채택에 대한 이해도를 높이는 데 기여할 것입니다. 인지된 이득과 인지된 손실을 모두 통합함으로써, PITA 모델은 사용자 의사결정의 이중적 성격을 포착합니다. 즉, 수용은 이득에 대한 매력에 의해 추진되는 반면, 거부는 손실에 대한 두려움에 의해 추진됩니다. 투자를 결정하기 전, 관리자는 잠재적 IT 솔루션을 식별하는 초기 단계에서 건전하고 정확한 결정을 내림으로써 올바른 방향으로 안내받을 수 있습니다. PITA는 관리자에게 수용과 거부 모두에 필요한 가치의 총합을 제공하므로, 수용의 총 가치가 불충분하다면 관리자는 IT 서비스 전략을 재검토해야 합니다. 상황적 위험이 수용에 필요한 가치 차이를 증폭시킨다는 발견은 전망 이론(prospect theory)과 기술 채택 문헌 모두에 새로운 기여를 합니다. 따라서 PITA는 관리자가 거부의 가치보다 수용의 총 가치가 더 큰 솔루션을 찾는 데 도움을 줄 것입니다. 사용자는 오직 그때에만 새로운 공공 IT 서비스를 사용할 준비가 됩니다.

공개 사항

저자들은 이해 상충 관계가 없음을 밝힙니다. 본 수정 논문의 작성 과정에서 언어 교정 및 서식 작성을 돕기 위해 생성형 인공지능 도구(ChatGPT 5o)가 사용되었습니다. 저자들은 모든 내용을 검토 및 확인하였으며 논문에 대한 모든 책임을 집니다. 데이터 생성, 분석 수행 또는 그림 작성에 AI 도구는 사용되지 않았습니다.

감사의 글

본 연구는 aSSIST University의 연구 기금을 통해 지원되었습니다.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
IBM SPSS Amos (CB-SEM 소프트웨어)IBM Corp. (Armonk, NY, USA)version 27; https://www.ibm.com/products/structural-equation-modeling-sem/측정 모델 평가(CFA: 합성 신뢰도, AVE 및 판별 타당성)와 구조 모델 경로 분석을 포함한 모든 공분산 기반 구조 방정식 모델링(CB-SEM) 분석에 사용됨. 
Prolific (온라인 참가자 모집 플랫폼)Prolific Academic Ltdhttps://www.prolific.com/설문 조사 참가자 모집에 사용된 온라인 플랫폼. 참가자들은 자격 기준(예: 공항 이용 경험)에 따라 선별되었으며, Prolific의 공정 보상 가이드라인에 따라 보상을 받음. 
Qualtrics (온라인 설문 조사 플랫폼)Qualtrics, LLCRRID:SCR_016728설문지 설계, 배포 및 응답 데이터 수집에 사용된 웹 기반 설문 조사 플랫폼. 모든 측정 항목은 Qualtrics를 통해 7점 리커트 척도(1 = 매우 반대, 7 = 매우 찬성)로 실시됨. https://www.qualtrics.com/

참고문헌

  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.

재인쇄 및 허가

태그

전망 이론인식-의도 프레임워크전자 정부 서비스공공 보건 애플리케이션생체 인식 시스템사용자 수용지각된 가치국가 간 설문 조사중재 연구
문의하기
도서관에 추천하기

개인정보 처리방침

이용 약관

정책

저작권 © 2026 MyJoVE Corporation. 모든 권리 보유.