Het gebruik van het Technology Acceptance Model om de adoptie door virtuele influencers door gebruikers te begrijpen: de rol van waargenomen authenticiteit en antropomorfisme

Samenvatting

Deze studie past een uitgebreid Technology Acceptance Model toe om de adoptie van virtuele influencers op korte videoplatforms te onderzoeken, waarbij wordt aangetoond dat de waargenomen bruikbaarheid, gebruiksgemak, authenticiteit en antropomorfisme gebruikershoudingen en gedragsintenties aanzienlijk beïnvloeden met behulp van enquêtegegevens geanalyseerd met PLS-SEM.

Samenvatting

Virtuele influencers (VI's) worden steeds belangrijker op short-video applicaties zoals TikTok, YouTube Shorts en Instagram Reels. Hoewel eerder onderzoek VI's onderzocht in termen van antropomorfisme, authenticiteit en consumenteninteractie, richtte het merendeel eerder onderzoek zich op Instagram-datasets of contentanalyse zonder een systematisch gedragskader te hanteren. Om deze beperkingen aan te pakken, gebruikt deze studie het Technology Acceptance Model (TAM) om te onderzoeken hoe Perceived Utility (PU) en Perceived Ease of Use (PEOU) de houding en gedragsintentie van gebruikers beïnvloeden bij het volgen of interacteren met VI's op korte videoplatforms. De studie stelt Waargenomen Authenticiteit en Antropomorfisme voor als modererende variabelen, waarmee TAM wordt uitgebreid om psychologische en sociale dynamieken te vatten. Er werd een conceptueel kader ontwikkeld waarin TAM met deze moderators werd geïntegreerd. De gegevens werden verzameld via een online enquête onder 350 korte videogebruikers die werden blootgesteld aan bewerkte VI-inhoud en gemeten met gevalideerde Likert-schaal instrumenten. Deelnemers werden eerst blootgesteld aan gestandaardiseerde virtuele influencer-videostimuli en vulden vervolgens een gestructureerde vragenlijst in die via een online enquêteplatform werd afgenomen. De dataset werd geanalyseerd met behulp van Partial Least Squares Structural Equation Modeling (PLS-SEM) om de betrouwbaarheid van de metingen, structurele relaties en modererende effecten te beoordelen. Voorafgaand aan de analyse werd de dataset gescreend op onvolledige antwoorden, ontbrekende waarden en inconsistenties in de reacties. De resultaten bevestigen de toepasbaarheid van TAM in de VI-context. PEOU beïnvloedde PU positief (β = 0,46, p < 0,001), PU beïnvloedde significant de houding (β = 0,39, p < 0,001), en de houding voorspelde sterk de gedragsintentie (β = 0,58, p < 0,001). Waargenomen authenticiteit versterkte de relatie tussen PU en Attitude, en tussen Attitude en Gedragsintentie, terwijl Antropomorfisme de effecten van zowel PU als PEOU op Attitude versterkte. Model fit-indices (R² = 0,64 voor Attitude; R² = 0,57 voor Gedragsintentie) geven een sterke verklarende kracht aan. Deze bevindingen ondersteunen de uitgebreide TAM bij het verklaren van de adoptie van virtuele influencers op korte videoplatforms.

Inleiding

In de afgelopen jaren hebben social media influencers (SMI's) aanzienlijke aanhang opgebouwd door aspecten van hun leven, kennis, producten en merken te delen op community broadcastplatforms ^1,2. Virtuele Influencers (VI's) hebben veel aandacht getrokken van zowel academische als zakelijke gemeenschappen als een nieuwe benadering om goederen en diensten te promoten op platforms zoals Instagram, Facebook en TikTok³. In tegenstelling tot menselijke influencers (HI's) zijn VI's geen echte individuen, maar computergegenereerde personages ontwikkeld door teams van ontwerpers om het menselijk uiterlijk en gedrag na te bootsen of om geanimeerde persona's na te bootsen⁴. Vanwege hun sterke engagementcapaciteiten gebruiken veel merken VI's voor influencer marketing, hetzij via samenwerking, hetzij door het creëren van eigen VIs⁵. Daarom hebben bekende merken zoals BMW samengewerkt met VI's zoals Lil Miquela om klantbetrokkenheid te stimuleren en aankoopbeslissingen te beïnvloeden.

Naarmate het aantal mensen dat door SMI's wordt beïnvloed blijft groeien^{, neemt influencer} marketing ook toe. De Influencer Marketing Hub meldt dat het aantal bedrijven dat zich specialiseert in influencer marketingdiensten in 2021 met 26% is gestegen en naar verwachting wereldwijd 18.900 zal bereiken.^7. Een van de meest opvallende opkomende categorieën van SMI's omvat "3D, computergegenereerde personages" die menselijk gedrag en uiterlijk kunnen nabootsen ^8,9,10. VI's hebben snel aan populariteit gewonnen onder consumenten en worden steeds meer gezien als geloofwaardige smaakmakers vergelijkbaar met menselijke influencers¹¹. Tussen 2017 en 2019 steeg het aantal VI's op sociale platforms van 27 naar 125¹². Naarmate hun populariteit groeide, begonnen VIs samen te werken met internationale merken¹². VI's vormen een overtuigend alternatief dat de voordelen van menselijke influencers combineert met meer controle over uiterlijk en communicatie¹³.

Een bijzonder innovatieve ontwikkeling op dit gebied is de opkomst van virtuele influencers als sociale media-entiteiten die gedeeltelijk of volledig kunstmatig zijn (bijvoorbeeld computergegenereerde 3D-avatars), maar in staat zijn content te produceren die lijkt op die van menselijke influencers. Hun snelle opkomst heeft wetenschappelijke aandacht getrokken, hoewel bestaand onderzoek beperkt blijft^{tot 14}. Om deze kloof te overbruggen, onderzoekt deze studie parasociale interacties (PSI), gedefinieerd als cognitieve, affectieve en gedragsmatige reacties op media. Cijfers¹⁵. Eerder onderzoek heeft PSI onderzocht door de reacties van het publiek te vergelijken met humanoïde en virtuele influencers met vergelijkbare kenmerken.

Recente studies hebben verschillen onderzocht tussen VI's en menselijke influencers in het vormen van gebruikersperceptie, vooral in sociale video-omgevingen. Bewijs suggereert dat VI-endorsements productpercepties kunnen beïnvloeden (bijvoorbeeld het versterken van luxeassociaties) en kunnen concurreren met menselijke influencers om vermeende bruikbaarheid en geloofwaardigheid. De identificatie met menselijke influencers blijft echter sterker, wat een authenticiteitskloof benadrukt die adoptiebeslissingen in korte videocontexten^beïnvloedt 16,17,18. Kwantitatief onderzoek identificeert PU en PEOU consequent als belangrijke voorspellers van gedragsintentie, vaak aangevuld met constructies als plezier, sociale aanwezigheid en gemeenschapsbetrokkenheid, wat de toepasbaarheid van TAM in dit domein versterkt^19,20.

Een groeiend aantal onderzoeken richt zich direct op authenticiteit in de VI-context. Zowel kwalitatieve als kwantitatieve studies geven aan dat waargenomen authenticiteit een significante invloed heeft op vertrouwen, betrokkenheid en overtuiging. Factoren zoals AI-openbaarmaking en menselijke gelijkenis beïnvloeden geloofwaardigheid en gebruikersreactie^21,22. Aanvullend onderzoek toont aan dat "machineheuristische" aanwijzingen de waargenomen authenticiteit kunnen verminderen wanneer gebruikers AI-oorsprong herkennen, wat authenticiteit versterkt als een cruciale grensvoorwaarde voor acceptatie^23–25. Reviews van antropomorfisme benadrukken verder de theoretische rol ervan als moderator die TAM-relaties kan versterken of verzwakken via mechanismen zoals sociale aanwezigheid en vertrouwen²⁶.

Evenzo is het Stimulus–Organisme-respons (SOR) model toegepast om te onderzoeken hoe antropomorfe signalen en sociale prikkels de acceptatie van AI-gedreven systemen door gebruikers beïnvloeden²⁷. SOR is bijzonder effectief in het vastleggen van realtime emotionele reacties op technologische prikkels en de rol van situationele variabelen bij het vormen van gedrag²⁸. Dit sluit aan bij AI-gedreven interactieve omgevingen, waar snelle feedback tussen systeem en gebruiker dynamische emotionele reacties genereert²⁹. Het SOR-kader maakt ook de integratie van meerdere affectieve en cognitieve prikkels mogelijk. Modellen zoals TAM en UTAUT, hoewel veel gebruikt, richten zich echter op vooraf gedefinieerde constructies (bijvoorbeeld waargenomen bruikbaarheid en gebruiksgemak), wat hun vermogen om multidimensionale invloeden op gebruikersgedrag vast te leggen kan beperken³⁰. Deze modellen zijn over het algemeen beter geschikt voor statische analyse dan voor dynamische besluitvormingscontexten³¹. Mega-influencers kunnen bijvoorbeeld wereldwijde doelgroepen bereiken, de merkbekendheid vergroten en aanzienlijke betrokkenheid genereren, hoewel hun effectiviteit per context^{varieert 32}. SOR biedt complementaire inzichten in affectieve processen, terwijl TAM een zuinig en voorspellend kader biedt voor het modelleren van gedragsintenties.

Empirische studies suggereren dat mega-influencers sterkere betrokkenheid, productattitudes en informatieverwerving^{genereren 33}. Echter, influencers op lager niveau kunnen de bekendheid en authenticiteit vergroten, soms beter presteren dan gerichte advertenties^{met 34}. Andere bevindingen geven aan dat terwijl mega-influencers bredere betrokkenheid stimuleren, kleinere influencers een sterkere authenticiteit en vertrouwen^tonen. Deze gemengde bevindingen benadrukken inconsistenties in influencer-effectiviteit in contexten^36,37 en onderstrepen de noodzaak om extra influencertypes te verkennen, waaronder virtuele influencers³⁸.

Ondanks de toenemende interesse in VI's blijft bestaand onderzoek beperkt in reikwijdte. De meeste studies baseren zich op Instagram-gebaseerde datasets en contentanalyse om betrokkenheidsstatistieken te beoordelen (bijv. likes, reacties, taalkundige kenmerken), waardoor er een gat ontstaat in het begrijpen van adoptieintentie vanuit een gedragsmatig perspectief. Daarnaast heeft beperkt onderzoek de adoptie van VI onderzocht op korte-videoplatforms, die unieke sociaal-technische kenmerken vertonen, waaronder algoritme-gedreven blootstelling, snelle contentconsumptie en intensiever parasociale interacties.

Om deze hiaten aan te pakken, past deze studie het Technology Acceptance Model (TAM) toe om systematisch factoren te onderzoeken die de adoptie van VI op kortvideoplatforms beïnvloeden. TAM wordt geselecteerd vanwege zijn sterke verklarende kracht, spaarzaamheid en uitgebreide empirische validatie in digitale contexten. Hoewel alternatieve kaders zoals SOR en UTAUT waardevolle inzichten bieden, leggen ze de nadruk op affectieve of institutionele factoren buiten de cognitieve focus van deze studie. Dienovereenkomstig wordt TAM uitgebreid om waargenomen authenticiteit en antropomorfisme in de fase van geloofsvorming te integreren.

Specifiek onderzoekt deze studie hoe Perceived Ease of Use (PEOU) de Perceived Usefulness (PU) beïnvloedt, en hoe deze constructen de houding en gedragsintentie van de gebruiker ten opzichte van VI's vormgeven. Het onderzoekt verder de modererende rollen van waargenomen authenticiteit en antropomorfisme bij het vormgeven van deze relaties. Empirisch maakt de studie gebruik van een kwantitatieve enquête onder gebruikers van korte video's en test het uitgebreide model met behulp van PLS-SEM. Door over te stappen van inhoudsanalyse naar een gedragsadoptiekader, pakt dit onderzoek een kritieke kloof aan en draagt het bij aan het begrip van VI-adoptie in opkomende digitale omgevingen.

Deze studie levert drie belangrijke bijdragen. Ten eerste breidt het TAM uit naar virtuele influencers op korte videoplatforms, waarmee de toepasbaarheid op door AI gegenereerde entiteiten wordt aangetoond. Ten tweede verwerkt het antropomorfisme en waargenomen authenticiteit in de overtuigingsvormingsfase van TAM, waardoor het geloof–houding–intentie-pad wordt versterkt. Ten derde bevordert het de methodologie door een kwantitatieve gedragsbenadering toe te passen met behulp van enquêtegegevens en PLS-SEM om de meetvaliditeit, structurele relaties en moderatie-effecten te beoordelen.

Al met al biedt de studie theoretische en praktische inzichten in hoe authenticiteit en menselijk ontwerp de adoptie van VI-producten beïnvloeden. Het onderzoekt de effecten van PEOU en PU op Attitude (ATT) en Gedragsintentie (BI), en onderzoekt de modererende rollen van Waargenomen Authenticiteit (PA) op PU–ATT- en ATT–BI-relaties, en Antropomorfisme (ANTH) op PEOU–ATT- en PU–ATT-relaties. Op basis van deze relaties worden de volgende hypothesen voorgesteld:

H1:P erceived Ease of Use (PEOU) heeft een positieve invloed op de Perceived Utility (PU).
H2: Waargenomen bruikbaarheid (PU) heeft een positieve invloed op de houding (ATT) tegenover virtuele influencers.
H3: Attitude (ATT) heeft een positieve invloed op Behavioral Intention (BI) om virtuele influencers te gebruiken.
H4: Perceived Ease of Use (PEOU) heeft een positieve invloed op de houding (ATT) ten opzichte van virtuele influencers.
H5: Waargenomen authenticiteit (PA) matigt positief de relatie tussen PU en ATT.
H6: Waargenomen authenticiteit (PA) matigt positief de relatie tussen ATT en BI.
H7: Antropomorfisme (ANTH) matigt positief de relatie tussen PEOU en ATT.
H8: Antropomorfisme (ANTH) matigt positief de relatie tussen PU en ATT.

Figuur 1 presenteert het conceptuele kader gebaseerd op het uitgebreide Technology Acceptance Model (TAM) voor de adoptie van Virtual Influencer op kortvideoplatforms. Het model bevat kernconstructies van TAM, samen met twee modererende variabelen—Waargenomen Authenticiteit en Waargenomen Antropomorfisme—om relevante sociale en psychologische invloeden vast te leggen. Directe relaties worden weergegeven door massieve pijlen, terwijl modererende effecten worden weergegeven als stippellijnen die gericht zijn op de bijbehorende structurele paden. Deze representatie brengt het conceptuele model in lijn met de voorgestelde hypothesen en verbetert de duidelijkheid door onderscheid te maken tussen directe en interactie-effecten.

Protocol

Deze studie werd goedgekeurd door de Research Ethics Committee van de AzmanHashim International Business School, UniversitiTeknologi Malaysia, Kuala Lumpur, Maleisië (goedkeuringsnummer: UTM. AHIBS/REC/2025/012). Alle procedures voldeden aan institutionele ethische normen en de principes van de Verklaring van Helsinki. Geïnformeerde toestemming werd van alle deelnemers verkregen voorafgaand aan de gegevensverzameling. Deelnemers werden geïnformeerd over het doel van het onderzoek, het vrijwillige karakter van hun deelname, de vertrouwelijkheid van hun antwoorden en hun recht om zich op elk moment zonder straf terug te trekken. Er werd ook schriftelijke toestemming verkregen voor het gebruik van geanonimiseerde enquêtegegevens in academische publicaties. Er zijn geen persoonlijk identificeerbare of gevoelige gegevens opgenomen in dit manuscript.

Het methodologische onderzoeksproces dat in deze studie wordt gebruikt om de adoptie van virtuele influencers door consumenten op korte videoplatforms te onderzoeken, wordt weergegeven in Figuur 2. De studieprocedure werd op een sequentiële manier uitgevoerd, inclusief stimulusvoorbereiding, deelname aan exposure, enquête-afname, datapreprocessing en statistische analyse. Gebruikers worden eerst blootgesteld aan zorgvuldig geselecteerde Virtual Influencer-stimuli op korte videoplatforms zoals TikTok, YouTube Shorts en Instagram Reels. Om belangrijke Technology Acceptance Model (TAM)-constructies vast te leggen, waaronder Perceived Ease of Use (PEOU), Perceived Utilness (PU), Attitude (ATT) en Behavioral Intention (BI), worden enquête-antwoorden verzameld met gevalideerde instrumenten op Likert-schaal. De verzamelde gegevens worden vervolgens vooraf verwerkt, inclusief het opschonen van gegevens en beoordelingen van validiteit en betrouwbaarheid, om de kwaliteit van de data te waarborgen.

Het uitgebreide TAM-raamwerk, met modererende variabelen, wordt vervolgens toegepast op de verfijnde dataset. Specifiek modereert Antropomorfisme (ANTH) de relaties tussen PEOU → ATT en PU → ATT, terwijl Waargenomen Authenticiteit (PA) de relaties tussen PU → ATT en ATT → BI modereert. Deze modererende effecten worden expliciet gemodelleerd als interacties op de structurele paden. Ten slotte worden het meetmodel, structurele relaties en moderatie-effecten geëvalueerd met behulp van Partial Least Squares Structural Equation Modeling (PLS-SEM). De bevindingen bieden een uitgebreide en systematische analyse van het adoptiegedrag van gebruikers ten opzichte van virtuele influencers op korte videoplatforms, waarbij zowel directe relaties (PEOU, PU → ATT → BI) als moderatie-effecten worden benadrukt.

Studiemethodologie en ontwerp
De methodologie werd ontwikkeld in drie fasen: conceptuele kaderontwikkeling, gegevensverzameling en empirische analyse.

Ontwikkeling van conceptueel kader
Deze fase hield in dat het theoretische kader werd ontwikkeld door het Technology Acceptance Model (TAM) uit te breiden met twee sociaal-psychologische moderatoren die relevant zijn voor virtuele influencers: Perceived Authenticity en Anthropomorphism. Het model gaat ervan uit dat PEOU PU beïnvloedt, terwijl PU en PEOU gezamenlijk de houding beïnvloeden, wat op zijn beurt de gedragsintentie beïnvloedt (Figuur 3).

Dataverzameling
Empirische gegevens werden verzameld via een online vragenlijst die werd afgenomen aan 350 gebruikers van korte videoplatforms zoals TikTok, YouTube Shorts en Instagram Reels. Deelnemers werden gevraagd gestandaardiseerde video's te bekijken met populaire virtuele influencers. Er werden gegevens verzameld over TAM-constructies en modererende variabelen. Controlevariabelen omvatten demografische en gebruikskenmerken. Ethische overwegingen werden nageleefd.

Empirische analyse
De gegevens werden geanalyseerd met behulp van een tweestaps Partial Least Squares Structural Equation Modeling (PLS-SEM) procedure. Betrouwbaarheid en validiteit werden beoordeeld met factorbelastingen, Cronbachs alfa, samengestelde betrouwbaarheid, Average Variance Extracted (AVE), het Fornell–Larcker-criterium en de Heterotrait–Monotrait-ratio (HTMT). Bootstrapping met 5.000 resamples werd gebruikt om structurele paden en moderatie-effecten te testen, waarbij het TAM-model valideerde met authenticiteit en antropomorfisme als moderators.

Structureel modelformulering
De studie breidt het TAM-model uit door sociaal-emotionele aspecten van virtuele influencers op kortvideoplatforms te integreren. Naast traditionele constructies (PU, PEOU, Attitude, Behavioral Intention) worden twee modererende variabelen—Perceived Authenticity en Anthropomorphism—opgenomen om respectievelijk psychologische dimensies van geloofwaardigheid en menslijkheid te representeren.

Op meetniveau worden alle latente constructen (PEOU, PU, ATT, BI, PA, ANTH) reflectief gedefinieerd, waarbij meerdere survey-items op elke latente factor³⁹ worden geladen. Het meetmodel wordt uitgedrukt als:

(1)

waarbij x_j de waargenomen indicator was, η de latente constructie, λ_j de factorbelasting was, en ε_j de meetfout. Dit leverde voorafgaande betrouwbaarheid, convergente rationaliteit en discriminerende rationaliteit op voordat de causale paden werden getest.

Op structureel niveau werden de basisvergelijkingen van TAM gedefinieerd als trails⁴⁰. De waargenomen bruikbaarheid werd voorspeld door het Waargenomen Gebruiksgemak:

(2)

De houding werd toen gespecificeerd als functie van PU en PEOU:

(3)

Ten slotte werd gedragsintentie verklaard door attitude, met PU als optionele directe voorspeller:

(4)

Om moderatie te integreren, worden interactietermen geïntroduceerd. Antropomorfisme (ANTH) modereert de effecten van PU en PEOU op ATT, terwijl Perceived Authenticity (PA) de effecten van PU op ATT en ATT op BI matigt. De gemodereerde structurele vergelijkingen zijn:

(5)

De interactiecoëfficiënten (β₆, β₇, β₈, β₉) geven aan of TAM-relaties variëren afhankelijk van niveaus van antropomorfisme en authenticiteit. Bijvoorbeeld, het voorwaardelijke effect van PU op ATT is:

β₂ + β₆· ANTH + β₈· PA

Evenzo is het voorwaardelijke effect van ATT op BI:

β₄ + β₉· PA

Het kader houdt ook rekening met bemiddeling en gemodereerde bemiddeling. Het indirecte effect van PEOU op ATT via PU in het basismodel is:

(6)

Met moderators erbij werd dit een voorwaardelijk indirect effect:

(7)

waarbij a en p respectievelijk waarden van antropomorfisme en waargenomen authenticiteit vertegenwoordigen.

Dit maakt het mogelijk te onderzoeken of het arbitrerende karakter van PU afhankelijk is van de sociale kenmerken van VI's, en levert zo bewijs van gematigde bemiddeling.

Perceived Authenticity (PA) en Anthropomorphism (ANTH) fungeren als moderators van gebruikersacceptatie van virtuele influencers op kortvideoplatforms, zoals geïllustreerd in Figuur 3. Doorgetrokken lijnen geven directe TAM-relaties aan, terwijl stippellijnen moderaterende effecten aangeven. Over het algemeen integreert het model technologische en sociaal-psychologische factoren om een uitgebreide verklaring te bieden van de adoptie van virtuele influencers.

Datasetverzameling
Dit onderzoek is gebaseerd op een enquête-dataset (N = 350 deelnemers). Deelnemers waren regelmatige gebruikers van korte videoplatforms zoals TikTok, YouTube Shorts en Instagram Reels. Ze kregen bewerkte Virtual Influencer-clips te zien en werden gevraagd een gestructureerde vragenlijst in te vullen met gevalideerde Likert-schaal metingen voor TAM-constructies (PEOU, PU, ATT, BI) en moderators (PA, ANTH). De gegevens waren zelf gerapporteerd en niet verkregen uit een openbare database; De meetstructuur is echter aangepast van gevestigde schalen in technologie-adoptie en onderzoek naar virtuele influencers.

Tabel 1 beschrijft de structuur van de gedragsadoptiedataset. Elke rij vertegenwoordigt een construct in het uitgebreide TAM-model, samen met de meetitems, het schaaltype en de analytische rol. PEOU en PU werden elk gemeten met vier items op een 7-punts Likert-schaal.

Tabel 2 toont het demografische profiel van de respondenten. Het demografische profiel van de respondenten (N = 350) geeft een relatief evenwichtige genderverdeling aan, waarbij mannen 50,86 uitmaken, vrouwen 45,43% en een klein deel (3,71%) zich als anders identificeren. Wat leeftijd betreft, valt de meerderheid van de deelnemers binnen de leeftijdsgroep 25–34 jaar (44,57%), gevolgd door 18–24 (29,43%) en 35–39 (26,00%), wat suggereert dat de dataset voornamelijk bestaat uit jonge tot middelbare personen. Wat betreft het opleidingsniveau zijn respondenten redelijk verdeeld over verschillende niveaus, waarbij het hoogste aandeel een postdoctorale graad heeft (23,14%), gevolgd door de middelbare school (22,86%), bachelor (20,29%), diploma (17,43%) en doctoraatskwalificaties (16,29%). Dit weerspiegelt een diverse opleidingsachtergrond onder de deelnemers. Wat betreft het gebruik van het platform, gaf een aanzienlijke meerderheid van de respondenten (61,71%) dagelijks gebruik aan, terwijl 29,14% het platform wekelijks gebruikt en 9,14% af en toe. Dit wijst op een hoog niveau van betrokkenheid bij het platform onder de geteste populatie. Deze kenmerken geven aan dat de steekproef actieve gebruikers van kortvideoplatforms vertegenwoordigt.

Data-analyse
Na gegevensverzameling werden 350 geldige antwoorden geanalyseerd met behulp van Partial Least Squares Structural Equation Modeling (PLS-SEM), geschikt voor theorie-uitbreiding, voorspellingsgericht onderzoek en complexe modellen met modererende variabelen. De analyse omvatte evaluatie van meetmodellen, beoordeling van structureel model, moderatieanalyse en algemene modelschatting.

Validatie van meetmodellen
De eerste stap was het meten van de betrouwbaarheid en rationaliteit van alle concepten. De interne betrouwbaarheid werd getest met behulp van Cronbach's Alpha (α) en Composite Reliability (CR), waarbij standaarden beter dan 0,70 als bevredigend werden beschouwd. De convergente rationaliteit werd bepaald door Average Variantance Extracted (AVE ≥ 0,50). Discriminant cogency werd geverifieerd met behulp van de Fornell–Larcker-standaard, waarbij de wortel van elke constructie zijn AVE groter was dan de associaties met aanvullende concepten. De AVE van een construct j werd berekend als:

(8)

waarbij λ_ij de gestandaardiseerde factorbelasting was van item i op construct j, en de meetfout is.

Het meetmodel van de huidige studie is weergegeven in Figuur 4. Elk langdurig latent constructie van het TAM-raamwerk werd geoperationaliseerd door verschillende reflectieve indicatoren. In het bijzonder werden Perceived Ease of Use (PEOU) en Perceived Utility (PU) gemeten met 4 items, terwijl Attitude (ATT) en Behavioral Intention (BI) werden gemeten met 3 items. De moderators—Perceived Authenticity (PA) en Anthropomorphism (ANTH)—werden elk beoordeeld met behulp van drie indicatoren. Alle paden leidden van de concepten naar hun individuele aanwijzers, wat de reflectieve aard van het meetmodel weerspiegelde. De betrouwbaarheid en validiteit van de concepten werden bevestigd met behulp van factorbelastingen, Cronbach's alpha, Composite Reliability (CR) en Average Variance Extracted (AVE). Dit maakte het statistisch logisch dat het meetmodel en de concepten de gewenste dimensies van gebruikershoudingen en gedragsintenties ten opzichte van virtuele influencers op korte videoplatforms meten.

Structureel modeltesten
Zodra de meetvaliditeit was vastgesteld, werden de structurele paden van het uitgebreide TAM-model onderzocht. De veronderstelde directe relaties zijn als volgt:

(9)

(10)

(11)

Waarbij: β₁ onderzocht het effect van PEOU → PU, β₂, β₃ onderzocht het effect van PU en PEOU → ATT, β₄ het effect van ATT → BI vastlegde. Padcoëfficiënten (β) werden berekend via de bootstrappingmethode (5000 resamples), en significantie werd berekend met t-waarden en p-waarden.

Moderatieanalyse
Moderatie-analyse werd uitgevoerd om de interactie-effecten te onderzoeken. De verlengde TAM omvatte Perceived Authenticity (PA) en Anthropomorphism (ANTH) als moderators. Moderatie werd getest door interactietermen te genereren tussen onafhankelijke variabelen en moderators. Het uitgebreide model werd als volgt afgebeeld:

(12)

Hier: PU × PA: Getest of authenticiteit de rol van bruikbaarheid op de houding versterkt. PEOU × ANTH: Beoordeeld of antropomorfisme het resultaat van Perceived Ease of Use op attitude verbeterde. TT × PA: Beoordeeld of authenticiteit het resultaat van houding ten opzichte van gedragsintentie versterkte. Een significante β₇, β₈ of β 10-coëfficiënt bevestigde het voorkomen van matiging.

Modelevaluatie
Het model als geheel werd beoordeeld op basis van verklarende en voorspellende kracht:

Coëfficiënt van bepaling (R²): Duidde op de verduidelijkte verandering in endogene constructies (ATT en BI). R² ≥ 0,50 werd als groot beschouwd in gedragsstudies.

Voorspellende relevantie (Q²): Werd bepaald door blinddoeken, waarbij Q² > 0 voorspellende validiteit aangaven.

Effectgrootte (f²): Werd gebruikt om het effect van elk construct op het model vast te stellen en wordt berekend als:

(13)

Waar werd variantie verklaard bij het opnemen van een voorspeller, en was variantie bij het uitsluiten ervan. Concluderend bevestigt de data-analyse aanvankelijk de betrouwbaarheid en validiteit van het construct, test de structurele relaties van TAM, beoordeelt de moderatie-effecten van antropomorfisme en authenticiteit, en controleert tenslotte de beschrijvende en extrapolatieve controle van het typische. Deze grondige aanpak zorgt voor de degelijkheid van de bevindingen en breidt TAM uit naar het geval van virtuele influencers op korte-videoplatforms.

Hypothesetoetsing
Om het uitgebreide TAM-kader te bevestigen, werden acht hypothesen getest met PLS-SEM en bootstrapping (5000 resamples). Het bootstrappingproces creëerde trailconstanten (β), t-waarden en p-waarden, die werden ingesteld op de kritieke drempel (p < 0,05).

Directe effecten (H1–H4)
De directe effecten van de klassieke TAM werden als eerste beoordeeld. De bevindingen bevestigden dat Perceived Ease of Use (PEOU) een belangrijke invloed had op Perceived Utility (PU). De geschatte vergelijking is:

(14)

Waar β₁=0,46, t=8,72, p < 0,001. Daarom wordt H1 ondersteund.

Ten tweede bleek dat Perceived Utilness (PU) en PEOU ook positief invloed hadden op Attitude (ATT):

(15)

met β₂=0,39, t=7,64, p < 0,001 en β₃=0,21, t=2,14, p < 0,05. Deze bevindingen ondersteunen H2 sterk en gedeeltelijk H4, wat bevestigt dat zowel het Perceived Ease of Use als de bruikbaarheid de houding beïnvloeden.

Tot slot was de invloed van ATT op Behavioral Intention (BI) significant:

(16)

met β₄=0,58, t=10,12, p < 0,001. Daarom wordt H3 sterk ondersteund, met de nadruk dat positieve houdingen de intenties om Virtual Influencers te gebruiken sterk aansturen.

Modererende effecten (H5–H8)
De modererende effecten van Waargenomen Authenticiteit (PA) en Antropomorfisme (ANTH) werden getest door interactietermen op te nemen.

Voor H5 werd het effect van PU op ATT gematigd door PA:

(17)

met β₅=0,15, t=3,21, p < 0,01. Dit suggereert dat als VI's als authentiek worden gezien, hun nut een sterkere invloed heeft op de houding.

Voor H6 was de ATT → BI-moderatie door PA ook belangrijk:

(18)

met β₆=0,12, t=2,94, p<0,01. Dit impliceert dat authenticiteit een sterkere verbinding heeft tussen positieve houdingen en gedragsintentie.

Voor H7 matigt antropomorfisme ANTH het effect van PEOU op ATT:

(19)

met β₇=0,14, t=3,08, p < 0,01. Daarom werkt gebruiksgemak sterker in positieve houdingen wanneer VIs meer mensachtig is.

Voor H8 versterkte antropomorfisme ook het PU → ATT-pad van ANTH moderates:

(20)

met β₈=0,11, t=2,21, p < 0,05.

De modelprestaties werden beoordeeld met R² voor verklarende kracht, Q² voor voorspellende relevantie en effectgrootte (f²) voor het evalueren van de bijdrage van elke voorspeller.

Resultaten

In totaal werden 350 bruikbare reacties verkregen van actieve gebruikers van korte video-applicaties (Instagram Reels, YouTube Shorts en TikTok). De gegevens werden geanalyseerd met behulp van Partial Least Squares Structural Equation Modeling (PLS-SEM) in SmartPLS 4.0, na preprocessing en het uitsluiten van onvolledige antwoorden. Deze benadering maakte de evaluatie van zowel meet- als structurele modellen mogelijk, evenals moderatie-effecten.

De resultaten b...

Discussie

Om de constructen te valideren, werd het meetmodel beoordeeld op betrouwbaarheid, convergente validiteit en discriminantvaliditeit^39,40. De bevindingen van het onderzoek bieden belangrijke inzichten in de factoren die de adoptie van Virtual Influencers (VIs) op kortevideoplatforms door gebruikers beïnvloeden. De resultaten geven aan dat zowel technologische (Waargenomen Bruikbaarheid en Waargenomen Gebruiksgemak) als psychologisc...

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
Computersysteem (PC/Laptop)	Generic (HP/Dell/Lenovo of gelijkwaardig)	N/A	Gebazig voor gegevensverzameling en -analyse
Google Forms	Google LLC	N/A / https://forms.google.com	Gebazig voor het ontwerpen van enquêtes en het verzamelen van gegevens
Instagram Reels	Meta Platforms Inc.	N/A / https://www.instagram.com/reels/	Platform voor virtuele influencer video stimuli
Internetverbinding	Lokaal internetserviceprovider	N/A	Vereist voor toegang tot de enquête en platforms
Microsoft Excel	Microsoft Corporation	365 / https://www.microsoft.com/excel	Gebazig voor gegevensvoorverwerking en -organisatie
Python	Python Software Foundation	3.x / https://www.python.org	Gebazig voor optionele voorverwerking en gegevensverwerking
SmartPLS	SmartPLS GmbH	4.0 / https://www.smartpls.com	Gebazig voor PLS-SEM analyse inclusief HTMT, Q² (blindfolding) en f² effectgrootte
TikTok	TikTok Inc.	N/A / https://www.tiktok.com	Platform voor virtuele influencer video stimuli
Virtual Influencer Video Clips	Auteur-gegenereerd dataset	N/A	Gestandaardiseerde video stimuli gepresenteerd aan deelnemers
YouTube Shorts	Google LLC	N/A / https://www.youtube.com/shorts	Platform voor virtuele influencer video stimuli