연구 논문

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

0 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

정보 기술(IT)은 지난 수십 년 동안 혁신을 추구하기 위한 지배적이고 보편적인 도구로 발전해 왔으며 일상생활을 크게 변화시켰습니다. 심리학적 관점에 기반한 IT 도입 모델의 도입 이후1,2,3,4, 사용자 및 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 줄 수 있지만, 상당한 시간과 비용의 투자가 필요합니다6. 반면, 혁신적인 공공 서비스 제공자들은 IT 기반의 혁신을 통해 이 문제에 접근해 왔으며7, 혁신 기술을 기존 인프라와 통합하여 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 야기합니다12. 이러한 문제는 실제 사용자에 대한 이해 부족에서 기인한 것일 수 있습니다. 이전 연구들은 주로 수용을 유도하는 요인에 집중한 반면, 거부 요인은 간과해 왔기 때문입니다. 사용자의 능동적인 참여 없이는 공공 기관의 IT 구현이 실질적인 도입으로 이어지지 않을 수 있습니다.

하지만 공공 부문의 IT 도입은 민간 부문의 상황과는 구별되는 독특한 과제들을 제시합니다. "수용"과 "거부"는 서로 상반된 두 가지 상태로 보이지만13, 어느 한쪽을 촉진하는 것이 다른 쪽을 억제할 수 있으므로 상충 효과의 양면을 모두 고려해야 합니다. 공공 IT 서비스 혁신에 관한 초기 연구들은 긍정적인 결과에 치중하는 경향이 있었습니다10,11,14,15,16. 따라서 본 논문에서는 심리학 기반의 IS 모델(즉, 혁신 확산 및 혁신 저항)을 행동 경제학(즉, 전망 이론)과 결합하여 "수용"과 "거부"를 함께 살펴보았습니다.

생체 인식 식별이 문서 기반 절차를 대체하는 공항 생체 인식 사례는 이 공공 IT 서비스가 모든 시민에게 제공되고, 민감한 개인 정보를 포함하며, 사용자가 수용 또는 거부라는 명확한 결정을 내려야 한다는 점에서 선정되었습니다. 두 가지 연구 질문이 본 연구를 이끌었습니다. RQ1: 인지된 이득과 손실이 공공 IT 서비스에 대한 사용자의 수용 및 거부에 어떤 영향을 미치는가? RQ2: 전망 이론(prospect theory)의 예측과 같이, 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 전문가들에 의해 검증되었습니다. 따라서 본 연구는 전망 이론을 정보 시스템(IS) 채택 모델과 통합하며, 공공 IT 관리자들에게 실행 가능한 통찰력을 제공합니다.

figure-introduction-1
그림 1이론적 모델 프레이밍 및 개발의 연구 과정이 다이어그램은 이전의 수용 모델과 전망 이론을 기반으로 한 이론적 모델 프레임 설정을 시작으로, 각각 전문가 개입이 뒤따르는 연구 1과 연구 2를 거쳐 PITA 모델을 완성하기까지의 전반적인 연구 흐름을 보여줍니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.

IT 도입에 관한 연구는 광범위하게 이루어져 왔습니다. 개인 차원의 기술수용모델(TAM)2 및 통합기술수용이론(UTAUT)4, 그리고 기업 차원의 혁신확산이론(DOI)1 및 기술-조직-환경 프레임워크(TOE)3는 증강 현실 및 언어 학습18,19, 챗봇 및 디지털 결제20,21, 모빌리티 서비스22,23, 원격 근무24에 관한 후속 연구들을 이끌어냈습니다. 하지만 이러한 모델들은 공공 IT 분야에 적용할 때 뚜렷한 한계가 있습니다. TAM은 자발적 사용을 가정하며, DOI는 사용자의 저항을 간과하고, UTAUT는 주로 조직 환경을 위해 개발되었으므로, 준강제적인 공공 IT 서비스에 대한 이들의 적용 가능성에는 의문이 남아 있습니다. 이러한 모델들을 기반으로 한 공공 IT 도입 연구들도 존재하며, 예를 들어 UTAUT를 확장하여 온라인 공공 민원 처리 시스템을 조사하거나25, 공공 부문의 인적 자원 정보 시스템에 TOE를 적용한 사례가 있습니다14. 그 외에도 많은 연구가 유사한 접근 방식을 취했습니다26,27,28,29,30,31,32,33,34,35.

하지만 공공 차원에서의 IT 도입은 개인이나 기업 차원에서의 도입과 크게 다릅니다 (표 1 참조). 도입 주체와 사용자가 동일하지 않으며, 심리적 관성과 기존 서비스의 현상 유지 경향으로 인해 사용자의 의도가 명확하지 않기 때문입니다. IT의 파괴적 특성은 기존 시스템의 재구조화를 방해할 수 있으며36, 도입을 위해서는 사용자의 태도와 행동 변화가 수반되어야 하므로 사용자의 관점에 대한 명확한 이해가 필요합니다. 이러한 특성을 고려할 때, 개인 및 기업 차원을 강조한 기존 모델로는 공공 IT 도입을 위한 임계 질량을 정확히 파악하기에 충분하지 않을 수 있습니다. IT 기반의 서비스 혁신은 비용 절감과 서비스 향상에 결정적이며37,38 궁극적으로 사회를 발전시키므로39, 공공 IT 도입에 특화된 이론적 프레임워크가 매우 중요합니다.

개인 수준기업 수준공공 수준
채택 주체개인기업 (민간)기업 (공공)
사용자개인기업 직원개인
사용자 의도확정적확정적 (강제적)불확실함
심리적 관성무시할 만함무시할 만함 (강제적)두드러짐
가치 인식필수적임필수적임 (강제적)필수적임
주요 채택 목적개인적 목적효율성, 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 선험적인(개인 수준) 또는 강제적인(기업 수준) 사용 의도를 가지고 있으며2,40, 이는 도입이 미리 결정되었음을 시사합니다4,41. 하지만 모든 사용자가 IT 사용을 의도하는 것은 아니며42, 거부에 대한 특성과 정당성을 규명한 정보 시스템(IS) 연구는 극소수에 불과합니다43,44. 따라서 새로운 공공 IT 서비스는 해당 혁신이 수용되거나 실패할 때까지 의도적으로 거부될 수 있습니다45.

본 연구의 주된 목적은 지각된 이득(perceived gain)과 지각된 손실(perceived loss)이라는 두 가지 가치 인식의 관점에서 공공기관 IT 서비스에 대한 사용자의 수용과 거부를 이해하는 것입니다. 지각된 이득은 혁신 확산 모델1,46에서 차용하였으며, 이러한 구성 개념들은 IT 수용에 긍정적인 인식을 조사하는 데 광범위하게 사용되어 왔으며47,48 다양한 맥락에서 높은 타당성을 보여줍니다40. 반면, 지각된 손실은 적응해야 한다는 압박에도 불구하고 사람들이 왜 현재의 생활 방식을 유지하는지를 설명하는 특성들을 포함합니다. 혁신 저항42,49에 기반한 이 연구 방향은 왜 일부 사람들이 혁신 채택을 지연하거나 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 조작화되었습니다53,54. 시간적 손실(TIL)은 서비스를 학습하고 사용하는 과정에서, 그리고 기대치가 충족되지 않았을 때 인지되는 시간적 손실을 의미합니다53. 사회적 손실(SOL)은 어리석어 보이거나 시대에 뒤떨어진 것처럼 보임으로써 사회적 집단 내에서의 지위를 잃게 될 위험을 뜻합니다54. 재무적 손실(FIL)은 구매 비용, 수수료 또는 개인정보 도용으로 인한 잠재적인 금전적 손실을 포함합니다54. 신체적 손실(PHL)은 서비스 이용이 위해, 불편함 또는 피로를 유발할 수 있다는 인식입니다53,54. 성과적 손실(PEL)은 오작동 및 원하는 혜택의 제공 실패를 포함하여, 기존 대안과 비교했을 때 서비스 품질이나 기능이 저하되었다고 인지하는 것을 의미합니다53.

인지된 이득(perceived gain, PG)을 설명하기 위해 상대적 이점, 적합성, 시험 가능성 및 복잡성이 사용되었습니다1,46. 상대적 이점(REA)은 혁신이 이전의 기술보다 더 유리하다고 생각되는 정도를 의미하며, 적합성(COM)은 잠재적 채택자의 가치, 필요성 및 이전 경험과 부합하는 정도를 말합니다. 시험 가능성(TRI)은 채택 전 실험이 가능한 정도를 나타내며, 기술 수용 모델(TAM)의 인지된 사용 용이성과 관련된 복잡성(CPX)은 혁신을 사용하고 이해하는 것이 얼마나 어려운지를 의미합니다. 관찰 가능성은 측정하기에 너무 모호하고46, 공공 IT 환경에서의 생체 인식 결과는 타인이 쉽게 관찰할 수 없으므로 제외되었습니다.

새로운 공공 IT 서비스에 대한 반응을 유도하는 인지된 가치를 설명하기 위해 손실-이득 프레임워크가 제안되었습니다. 서비스가 급진적이고 일반적인 행동을 위협하는 경우, 인지된 손실이 인지된 이득보다 커서 거부 반응을 일으킬 것이라고 가설을 세웠으며, 이러한 현상이 지속되면 거부가 행동 의도의 고정적인 측면이 될 수 있습니다42,49. 반대로, 인지된 혜택이 예상되는 손실보다 크다면 사용자가 서비스를 거부할 이유는 거의 없습니다. 따라서 다음과 같은 가설이 제시되었습니다:

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

정부 서비스의 모든 IT 기반 발전은 사회의 진보(예: 공항 생체 인식 기능을 통한 더 빠르고 안전한 탑승)를 목적으로 하지만, 최근 출시된 공공 IT 서비스는 위험과 불확실성이 가득하며 사용자가 의도된 혜택을 수용하지 않을 수도 있습니다. 전망 이론(prospect theory)55에 따르면, 사람들은 기준점(기준 의존성)을 상대적으로 판단하여 대안, 가치, 불확실성에 대한 태도를 평가함으로써 이러한 비합리적인 결정을 내립니다. 이 이론의 핵심 통찰은 동일한 이득보다 손실을 더 크게 느끼는 경향인 손실 회피와 민감도 체감입니다. 현상 유지와 비교한 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 사용되어 왔습니다56,57,58,59,60. 이러한 연구들은 이론의 관련성을 확인해주지만, 주로 수용 의도에 집중했으며 공공 IT 맥락에서 핵심적인 거부 차원은 간과했습니다.

공공 IT 서비스 이용자들은 지각된 이득과 손실의 합계(즉, 요구되는 총 가치)를 바탕으로 서비스 수용 또는 거부 여부를 결정하는 것으로 나타났습니다. 공공 IT 도입에 관한 기존 연구 중 이러한 관점에서 이 현상을 조사한 사례는 없었습니다. 이에 따라 경로 계수(즉, PL에서 REJ까지)를 값으로 코딩하였으며55, 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 인지된 손실에서 거부로, 인지된 이득에서 거부로, 인지된 손실에서 수용으로, 그리고 인지된 이득에서 수용으로 이어지는 경로 계수이며, 이러한 표준화된 계수들을 통해 손실과 이득의 전체 영향력에 대한 합성 값인 V(R) 및 V(A)를 산출합니다. 공공 IT 서비스는 사용자에게 이익을 주도록 설계된 반면, 사용자는 현재 상태를 벗어날 때 이득보다 손실을 더 크게 평가하므로, 더 위험한 선택인 수용이 거부보다 더 큰 총 가치를 필요로 할 것으로 예상되었습니다. H1~H4를 바탕으로, H5는 이러한 효과들의 순 균형을 테스트합니다:

H5. 수용에 필요한 총 가치 V(A)는 거부 시의 가치 V(R)보다 클 것이다. 그 결과로 도출된 개념적 PITA(공공 정보 기술 채택) 모델은 그림 2에 제시되어 있다.

figure-introduction-2
그림 2: PITA 모델의 개념도. 이 다이어그램은 거부(REJ) 및 수용(ACC)의 선행 요인으로서 인지된 손실(PL)과 인지된 이득(PG)을 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 대학, 성균관대학교, 동아대학교의 인간 대상 연구에 적용되는 윤리 원칙을 준수하였습니다. 설문 응답이 수집 당시 익명으로 처리되었으며 개인 식별 정보가 수집되지 않았기 때문에, aSSIST 대학의 기관생명윤리위원회(IRB)는 본 연구를 정식 윤리 심사 면제 대상으로 분류하였습니다. 참여 기관들은 연구 설계와 데이터 수집 절차 모두를 포괄하는 aSSIST 대학 기관생명윤리위원회의 면제 결정에 따랐으므로 별도의 IRB 승인을 받지 않았습니다. 이 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 설문지에 접속하기 전, 모든 참여자에게 연구의 학술적 목적, 응답의 익명 처리, 데이터의 연구 목적 전용 사용 및 합리적으로 예측 가능한 위험의 부재를 설명하는 전자 동의서를 제시하였습니다. 명시적으로 동의한 참여자만이 설문을 진행할 수 있었습니다.

연구 개요
5가지 가설과 제안된 PITA 모델을 검증하기 위해 두 건의 실증 연구와 두 건의 전문가 개입이 수행되었습니다. 결과는 그림 3에 제시되어 있습니다. 서로 다른 시점에 구성 개념을 별도로 측정하여 데이터의 공통 방법 편향(CMB) 가능성을 줄이고 연구의 일반화 가능성을 높이기 위해, COVID-19 발생 전(2019년 4분기)과 발생 중(2020년 2~3분기)에 2차례의 설문 조사를 실시하였습니다61,62.

figure-protocol-1
그림 3: 연구 개요. 타임라인은 2단계 설계를 요약한 것으로, 연구 1(2019년 4분기, COVID-19 이전, 한국 표본, N = 322) 이후 1차 전문가 개입이 이루어졌으며, 연구 2(2020년 2-3분기, COVID-19 기간 중, 한국/영국/미국 표본, N = 602) 이후 2차 전문가 개입이 이루어졌다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.

연구 1 모델
그림 4에 나타낸 바와 같이, 최근 도입된 공공 IT 서비스(즉, 공항 생체 인식 시스템)에 대한 사용자의 수용 또는 거부 의도를 밝히기 위해 설정된 가설을 바탕으로 초기 연구 모델을 구축하였습니다. 공공 IT 서비스에 대한 사용자의 의견은 각각의 1차 구성 요인으로 형성된 두 개의 2차 구성 요인인 지각된 손실(PL)과 지각된 이득(PG)에 반영되었습니다. 이 두 2차 구성 요인은 사용자의 공공 IT 서비스 이용 의도를 나타내는 거부(REJ)와 수용(ACC)의 선행 요인 역할을 합니다.

figure-protocol-2
그림 4: 연구 1의 연구 모델. 5개의 1차 손실 구성 개념(PEL, TIL, SOL, PHL, FIL)이 2차 구성 개념인 인지된 손실을 형성하고, 4개의 1차 이득 구성 개념(REA, COM, TRI, CPX)이 인지된 이득을 형성하며, 이 두 가지 2차 구성 개념은 거부 및 수용의 선행 요인으로 모델링되었다(H1–H4). 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

연구 1 연구 데이터
첫 번째 데이터 샘플은 지난 1년 이내에 최소 한 번 이상 항공기에 탑승한 경험이 있는 총 322명의 한국인 참가자(여성: 46.6%, 남성: 53.4%)를 대상으로 2019년 11월 13일부터 11월 18일까지(COVID-19 팬데믹 시작 전) 수집되었습니다. 설문지 서론에 공공 IT 서비스(즉, 공항의 생체 인식 애플리케이션)에 대한 정의와 예시가 제공되었습니다. 연구 1의 로우 데이터는 보충 파일 1에 제공되어 있습니다. 비행 빈도는 지난 1년간 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 참가자; 연구 2: 각각 174명, 153명, 109명, 82명, 84명의 참가자).

예측 변수 구성 개념은 “매우 반대함(1)”부터 “매우 찬성함(7)”까지의 7점 리커트 척도를 사용하여 평가되었습니다(연구 설문지는 Supplementary File 21,46,53,54,63,64 참조). 20명의 참가자를 대상으로 한 예비 테스트 후, 안정성, 적용 가능성 및 해석의 용이성을 높이기 위해 질문 항목의 문구 수준의 수정만 진행되었으며, 예비 테스트 이후 구성 개념이나 항목이 추가되거나 삭제되지 않았습니다. 보충 문서에는 전체 설문지와 관련 통계 및 이론적 배경이 포함되어 있습니다. 확인적 요인 분석(CFA) 및 공분산 기반 구조 방정식 모델링(CB-SEM) 분석을 수행하였습니다.

연구 1을 위한 전문가 개입
본 연구의 객관성을 확보하고 수준을 높이기 위해 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, 그리고 공공 환경에서 서비스를 제공하는 민간 기업(대한항공) 소속 1명이 포함되었다. 이러한 전문가 개입은 모델을 개선하고 대상 환경에 대한 도메인 지식을 보완하기 위한 피드백을 제공하는 데 필수적이었다. 정성적(즉, 주관적 피드백) 및 정량적(7점 리커트 척도) 평가가 모두 수행되었다. 정량적 평가를 위해 수정된 의사결정 보고서 특성 설문 항목( 보조 파일 3 참조)65이 채택되었으며, 급내상관계수를 사용하여 검증되었다66. 각 개입 라운드에서 모든 전문가는 정량적 설문지를 개별적으로 작성한 후 개방형 정성 피드백을 제공하였으며, 재현성을 위해 두 차례의 개입 과정에서 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 참가자(여성: 42.3%, 남성: 57.7%, 한국: 200명, 영국: 201명, 미국: 201명)가 포함되었습니다. 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 경우, 이 표본 크기는 지표당 약 18개의 관찰치를 제공하며, 이는 CB-SEM에서 일반적으로 권장되는 지표당 10개 관찰치 기준과 널리 사용되는 최소 임계값인 200개 관찰치를 모두 상회합니다. 한국, 영국, 미국을 선정한 이유는 2019년 7월부터 2020년 6월까지 전 세계 모든 항공 여행자의 29.1%(약 55억 명 중 16억 명)를 차지했기 때문입니다. 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 보였습니다. 결과적으로, 이들 국가의 통합 데이터셋을 사용하여 새로운 공공 IT 서비스(즉, 공항 생체 인식)에 대한 사용자의 인식-의도 프레임워크를 조사하였습니다.

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

결과

연구 1
자기 보고된 데이터와 관련된 잠재적 공통 방법 편의(CMB)를 평가하기 위해 먼저 단일 요인 분석을 수행하였다67. 검정 결과에 따르면, 한 요인이 전체 분산의 36.56%를 설명하였으며, 분산의 50% 미만을 설명하는 단일 요인은 CMB가 문제시되지 않음을 나타낸다62,67,68. 이후 구성개념 타당도와 신뢰도를 평가하였다. 표 2의 결과는 평균 분산 추출량(AVE, 0.585에서 0.836)과 통합 신뢰도(CR, 0.872에서 0.939)가 필요한 최소 기준을 충족함을 시사하였다69,70. 또한 각 구성개념의 AVE 제곱근 값(대각선 상에 표시됨)이 다른 구성개념들과의 상관관계보다 높아, 판별 타당도를 뒷받침하였다69.

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: 구성개념의 신뢰도 및 타당도(연구 1). 이 표는 연구 1의 측정 모형에 대한 구성신뢰도(CR), 평균분산추출량(AVE), 그리고 구성개념 간 상관관계를 제시한다.

다음으로, 인지된 이득, 인지된 손실, 수용 및 거부 간의 관계에 대해 구조방정식모델링(SEM)을 사용하여 가설을 검정하였다. 그림 5에서 보듯이, 모델은 적절한 적합도 지수를 나타내며(CMIN/DF = 2.25, CFI = 0.936, SRMR = 0.075, RMSEA = 0.062), 모두 권장 기준치를 충족하였다(CMIN/DF < 3, CFI > 0.90, SRMR < 0.08, RMSEA < 0.08). 결과는 제안된 가설들을 강력히 지지한다. 인지된 손실에 대한 다섯 가지 원인 요인(PER, TIR, SOR, PHR, FIR)과 인지된 이득(PG)에 대한 네 가지 원인 요인(REA, COM, TRI, CPX)은 모두 상당한 영향을 보였다. 가설 1과 2의 검정 결과, 인지된 손실은 거부에 대해 중간 정도의 양의 영향(β = 0.357, p < 0.001)과 수용에 대해 유의미한 음의 영향(β = -0.148, p < 0.001)을 미쳤다. 따라서 H1과 H2 모두 지지된다. 반면, 가설 3과 4의 검정 결과, 인지된 이득은 인지된 손실과 반대 방향의 효과를 보였으며, 수용에 대해 강한 양의 영향(β = 0.721, p < 0.001)과 거부에 대해 음의 영향(β = -0.507, p < 0.001)을 각각 미쳤다. 따라서 H3과 H4도 모두 지지된다. 1차 연구에서 SEM을 이용한 연구 모형 검정 결과의 전체 요약은 표 3에 제시되어 있다. 구조 모형은 수용의 분산을 62.4%, 거부의 분산을 52.5% 설명하였다(R2 = 0.624 및 0.525 각각).

figure-results-1
그림 5: 제1연구의 가설 검정 결과. 이 도식은 제1연구 표본(N = 322)에서 추정된 구조 모형의 표준화된 경로 계수와 그 유의성 수준을 나타낸다. 모든 가설된 경로는 예상된 방향으로 유의미하였다. PEL = 성과 손실; TIL = 시간 손실; SOL = 사회적 손실; PHL = 신체적 손실; FIL = 재정적 손실; REA = 상대적 이점; COM = 호환성; TRI = 시도 가능성; CPX = 복잡성; PL = 지각된 손실; PG = 지각된 이득; REJ = 거부; ACC = 수용 이 그림의 확대 버전을 보시려면 여기를 클릭하십시오.

가설경로βt-값p-값결과
H1a: PL → REJ0.3576.592***지지됨
H2b: PL → ACC-0.148-3.059***지지됨
H3c: PG → REJ-0.507-7.29***지지됨
H4d: PG → ACC0.7218.966***지지됨

표 3: 연구 1의 전체 결과. 이 표는 연구 1에 대한 표준화된 경로 계수, 유의성 수준 및 가설 검정 결과를 요약한다. ***p < 0.001

또한 H5를 검증하고 모델이 기대 이론55과 일치하는지 확인하기 위해 REJ 및 ACC에 필요한 총값을 계산하였다. 식 (1)과 (2)에서, a는 지각된 손실에서 거부로 이어지는 경로에 해당하며(CLR = 0.357), c는 지각된 이득에서 거부로 이어지는 경로에 해당한다(CGR = -0.507), b는 지각된 손실에서 수용으로 이어지는 경로에 해당하며(CLA = -0.148), d는 지각된 이득에서 수용으로 이어지는 경로에 해당한다(CGA = 0.721). 결과는 V(R) = a + c = -0.150 및 V(A) = b + d = 0.573임을 나타내었으며, 따라서 V(R) < V(A)이고, H5가 지지되었다.

연구 1의 전문가 개입 결과
결과에 따르면 전문가들은 제시된 주장들에 대해 완전히 동의하지는 않았으며, 체계적 지향성, 품질, 문제 서술의 충분성 측정을 위한 구성 개념들에 대한 평균값은 3.40에서 4.40 사이였다. 일반적인 부정적 정서 구성 개념 또한 3.20에서 3.60의 범위를 보였으며(ICC = 0.609, p = 0.008)였다. 전문가들의 주관적 평가를 통해 개선이 필요한 두 가지 추가적인 측면이 확인되었는데, 데이터셋이 상황적 요인을 반영하지 못하고 있었으며(코로나19 이전에 수집됨), 오직 한국인 표본만으로는 일반화에 부적절하다는 점이었다. 이러한 결과들은 이후 이러한 문제들을 해결하기 위해 전문가의 개입 후 수행된 연구 2의 기초를 마련하였다.

연구 2
연구 2에서는 연구 1과 동일한 절차를 따랐다. 먼저, CMB가 데이터셋에서 문제가 되는지 평가하기 위해 단일 요인 분석을 수행하였다67. 검정 결과, 단일 요인이 분산의 38.97%만을 설명하여 50%의 문제 기준치 이하이므로, 데이터 샘플에서 CMB의 영향이 크지 않다는 것을 나타냈다62,67,68. CMB 외에도, 표 4의 결과는 모델의 신뢰성과 타당성이 요구 조건을 적절히 충족함을 시사하였다69,70. 또한, 모든 이질성-단조성(HTMT) 비율이 0.85 기준치 미만이었으며, 이는 판별 타당성에 대한 추가적인 지지를 제공한다.

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

표 4: 구성개념의 신뢰도 및 타당도(연구 2). 이 표는 연구 2의 측정 모형에 대한 통합 신뢰도(CR), 평균 분산 추출량(AVE), 그리고 구성개념 간 상관관계를 제시한다.

모든 세 국가를 포함한 제2연구의 구조방정식모델링(SEM) 검증 결과는 CMIN/DF = 3.835, CFI = 0.945, RMSEA = 0.058이었다. CFI와 RMSEA는 권장 기준을 충족하였으며, CMIN/DF 값 3.835는 보다 엄격한 기준인 <3.0을 충족하지 못했지만, 덜 엄격한 기준인 <5.0에 따라 여전히 수용 가능한 모형 적합도를 나타냈다. 따라서 이 검증 결과는 그림 6과 표 5에 제시된 제1연구의 결과와 더불어 개발된 이론적 주장과 매우 일치하였다. 제1연구의 결과와 유사하게, PL과 REJ 간의 관계(β = 0.345, p < 0.001) 및 PG와 ACC 간의 관계(β = 0.767, p < 0.001)는 유의하게 양적이었으며, 반면 PL과 ACC 간의 관계(β = -0.202, p < 0.001) 및 PG와 REJ 간의 관계(β = -0.644, p < 0.001)는 유의하게 음적이었다. 따라서 가설 H1, H2, H3, H4는 모두 지지되었다. 구조 모형은 수용도의 분산을 76.0%, 거부도의 분산을 72.1% 설명하였다(R2 = 0.760 및 0.721).

figure-results-2
그림 6: 연구 2의 가설 검정 결과. 이 도식은 세 국가의 통합 표본(N = 602)에서 추정된 구조 모형의 표준화된 경로 계수와 그 유의성 수준을 보여주며, 결과 양상은 연구 1을 재현한다. PEL = 성과 손실; TIL = 시간 손실; SOL = 사회적 손실; PHL = 신체적 손실; FIL = 재정적 손실; REA = 상대적 이점; COM = 호환성; TRI = 시도 가능성; CPX = 복잡성; PL = 인지된 손실; PG = 인지된 이득; REJ = 거부; ACC = 수용 이 그림의 확대 버전을 보려면 여기를 클릭하십시오.

가설경로βt-값p-값결과
H1a: PL → REJ0.3459.342***지지됨
H2b: PL → ACC-0.202-6.81***지지됨
H3c: PG → REJ-0.644-12.694***지지됨
H4d: PG → ACC0.76713.707***지지됨

표 5: 연구 2의 전체 결과. 이 표는 연구 2에서의 표준화된 경로 계수, 유의 수준 및 가설 검정 결과를 요약한다. ***p < 0.001

다음으로, H5를 검증하고 모델이 기대 이론 주장55을 뒷받침하는지 확인하기 위해 REJ와 ACC에 필요한 총합 값을 추가로 분석하였다. 1차 연구와 동일한 계수 매핑을 사용한 결과, V(R) = a + c = -0.299 및 V(A) = b + d = 0.565로 나타났으며, 따라서 V(R) < V(A)이다. H5는 2차 연구에서도 지지되었으며, 2차 연구에서 V(R)과 V(A)의 차이(0.864)는 1차 연구의 차이(0.723)보다 더 컸다.

연구 2의 전문가 개입 결과
정량적 평가 결과는 매우 긍정적이었다(ICC = 0.960, p < 0.001). 체계적 방향성, 품질, 문제 진술의 적절성을 측정하는 구성 요소들의 평균값 범위는 6.20에서 6.80까지였으며, 일반적인 부정적 정서를 측정하는 구성 요소의 평균값 범위는 1.20에서 1.80까지였다. 높은 집단 내 상관계수는 전문가들이 모델의 체계적 방향성, 품질 및 문제 진술의 적절성에 대해 강한 합의를 이루고 있음을 나타내며, 전문가들은 주관적 평가에서 그 외의 추가적인 문제점을 제기하지 않았다. 따라서 본 연구가 제안된 PITA 모델을 완성하기 위해 필요한 요구 조건을 충족시켰다고 결론지을 수 있었다.

데이터 이용 가능성:
데이터는 보충 파일 1(연구 1) 및 보충 파일 4(연구 2)로 업로드되었으며, 완전한 CB-SEM 모델 결과는 보충 파일 5에 제공되어 있다. 변수 정의 및 코딩은 데이터 사전(보충 파일 6)에 기록되어 있다. 데이터 파일 및 CB-SEM 결과에서 원고의 약어인 PEL, TIL, SOL, PHL, FIL, REJ는 각각 변수 레이블 PER, TIR, SOR, PHR, FIR, RES에 대응되며, 2차 구성개념인 PL과 PG는 Perceived_Risk 및 Perceived_Benefit으로 표기되어 있다.

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

보충 자료 2: 설문 조사 질문지 이 파일을 다운로드하려면 여기를 클릭하십시오.

보조 파일 3: 중재 설문지 이 파일을 다운로드하려면 여기를 클릭하십시오.

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

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

보충 파일 6: 데이터 사전 이 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

문의하기
도서관에 추천하기

개인정보 처리방침

이용 약관

정책

저작권 © 2026 MyJoVE Corporation. 모든 권리 보유.