Artykuł badawczy

Propozycja wdrażania publicznych technologii informatycznych w oparciu o podstawy teoretyczne i wyniki empiryczne

35 wyświetleń

⸱

DOI:

10.3791/73614

⸱

15 września 2026

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

W tym artykule

Podsumowanie

W niniejszym badaniu zaproponowano model adaptacji publicznych technologii informatycznych (IT) – ramy koncepcyjne łączące percepcję z intencją, oparte na teorii perspektywy. Model ten wyjaśnia, w jaki sposób postrzegane korzyści i straty wpływają na akceptację lub odrzucenie przez użytkowników publicznych usług IT, takich jak biometria lotniskowa. Model został zwalidowany za pomocą dwóch ankiet, w tym jednej ankiety wielonarodowej, oraz interwencji eksperckich, co potwierdziło zasadność zastosowania teorii perspektywy w różnych krajach i kontekstach.

Streszczenie

Niniejsze badanie proponuje teoretyczny model adopcji publicznych technologii informatycznych (PITA). Publiczne usługi technologii informatycznych (IT) odnoszą się do usług opartych na IT, które instytucje publiczne oferują wszystkim obywatelom, takich jak portale e-administracji, aplikacje zdrowia publicznego oraz systemy biometryczne na lotniskach. Ze względu na unikalny charakter publicznego IT, wcześniej opracowane modele, koncentrujące się głównie na poziomie indywidualnym i firmowym, uznano za niewystarczające do zidentyfikowania masy krytycznej adopcji publicznego IT. Aby wypełnić tę lukę, zaproponowano ramy percepcji i intencji oparte na teorii perspektywy, aby zbadać postrzegane przez użytkowników straty i zyski związane z przyjęciem nowej publicznej usługi IT, sugerując, że percepcje te są poprzednikami odrzucenia lub zaakceptowania nowej publicznej usługi IT. Przeprowadzono dwa badania, w tym jedno z próbami ankietowymi z trzech krajów (Korei Południowej, Wielkiej Brytanii i Stanów Zjednoczonych). Zaproszono również pięciu ekspertów branżowych, w ramach podejścia badawczego opartego na interwencji, do jakościowego dopracowania i walidacji modelu, aby mógł on być stosowany w scenariuszu praktycznym. Wyniki wykazały, że całkowita wartość akceptacji, czyli zagregowana postrzegana wartość wymagana, aby użytkownicy zaakceptowali usługę, obliczona jako suma odpowiednich współczynników ścieżek, była konsekwentnie wyższa niż wartość odrzucenia. Podobny wynik zaobserwowano w przypadku postrzeganego zysku, który był silniejszym predyktorem zarówno akceptacji, jak i odrzucenia niż postrzegana strata. Chociaż wnioski opierają się na przekrojowych danych z autotestów, stanowią one silne wsparcie dla teorii perspektywy i przyczyniają się do dalszego zrozumienia fundamentalnej roli tej teorii w adopcji publicznego IT. Tym samym, rozszerzając teorię perspektywy na kontekst IT w sektorze publicznym, model PITA oferuje badaczom zwalidowane podstawy teoretyczne, a praktykom praktyczne narzędzie do diagnozowania adopcji publicznych usług IT.

Wprowadzenie

Technologie informatyczne (IT) ewoluowały w ciągu ostatnich kilku dekad w dominujące i wszechobecne narzędzie służące wdrażaniu innowacji, znacząco zmieniając życie codzienne. Od czasu wprowadzenia modeli adaptacji IT opartych na perspektywach psychologicznych1,2,3,4, relacja między użytkownikami a IT była gruntownie badana zarówno na poziomie indywidualnym, jak i przedsiębiorstwa5.

Tymczasem wiele organizacji publicznych boryka się z problemem osiągnięcia efektywności operacyjnej w obliczu przytłaczających wymagań społecznych, takich jak zatłoczenie lotnisk, co obniża skuteczność i jakość usług publicznych. Rozbudowa infrastruktury fizycznej może przynieść natychmiastowe korzyści, lecz wymaga znacznych nakładów czasu i pieniędzy6. W przeciwieństwie do tego, innowacyjni dostawcy usług publicznych podeszli do tego problemu poprzez innowacje napędzane przez IT7, integrując nowości z obecną infrastrukturą w celu zapewnienia jakości usług i efektywności operacyjnej8,9,10,11. Organizacje publiczne wdrażają obecnie nowoczesne technologie IT (np. usługi chmurowe, cyberbezpieczeństwo i biometrię), aby zrewitalizować kluczowe zasoby, co generuje dodatkowe wyzwania związane z ich adaptacją12. Problem ten może wynikać z niewystarczającego zrozumienia rzeczywistych użytkowników: wcześniejsze badania koncentrowały się głównie na czynnikach napędzających akceptację, zaniedbując kwestie odrzucenia. Bez aktywnego zaangażowania użytkowników, implementacje IT w instytucjach publicznych mogą nie doprowadzić do praktycznej adaptacji.

Jednakże wdrażanie IT w sektorze publicznym wiąże się z unikalnymi wyzwaniami, odmiennymi od kontekstów sektora prywatnego. Chociaż „akceptacja” i „odrzucenie” wydają się być przeciwstawne jako dwa odrębne stany faktyczne13, promowanie jednego z nich może hamować drugi, dlatego należy rozważyć obie strony tego przeciwstawnego efektu. Wcześniejsze badania nad innowacjami w publicznych usługach IT miały tendencję do podkreślania pozytywnych wyników10,11,14,15,16. Niniejsza praca analizuje zatem „akceptację” i „odrzucenie” łącznie, łącząc modele IS oparte na psychologii (tj. dyfuzję innowacji oraz opór wobec innowacji) z ekonomią behawioralną (tj. teorią perspektywy).

Przypadek biometrii lotniskowej, w której identyfikacja biometryczna zastępuje procedury oparte na dokumentach, został wybrany, ponieważ ta publiczna usługa IT jest oferowana wszystkim obywatelom, wiąże się z wrażliwymi informacjami osobowymi i stawia użytkowników przed jasną decyzją o akceptacji lub odrzuceniu. Badaniem kierowały dwa pytania badawcze. RQ1: W jaki sposób postrzegane zyski i straty wpływają na akceptację i odrzucenie publicznej usługi IT przez użytkowników? RQ2: Czy całkowita wartość wymagana do akceptacji jest większa niż ta wymagana do odrzucenia, zgodnie z przewidywaniami teorii perspektywy? W związku z tym zaproponowano nową strukturę teoretyczną, która została zwalidowana przez ekspertów z branży za pomocą strategii IBR (intervention-based research) 17 (Rysunek 1). Niniejsze badanie integruje zatem teorię perspektywy z modelami adopcji systemów informatycznych (IS) i oferuje praktyczne wskazówki dla menedżerów publicznych usług IT.

Schemat procesu badawczego: teoria, model, dane, analiza, znaczenie, implikacje, przegląd ekspercki.
Rycina 1: Proces badawczy tworzenia ram i rozwoju modelu teoretycznego. Diagram przedstawia ogólny przebieg badań: od opracowania ram modelu teoretycznego w oparciu o wcześniejsze modele adopcji i teorię perspektywy, przez Badanie 1 i Badanie 2 (z których każde było poprzedzone interwencją ekspercką), aż po sfinalizowanie modelu PITA. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Adopcja IT była szeroko badana: model akceptacji technologii (TAM)2 oraz zjednoczona teoria akceptacji i wykorzystania technologii (UTAUT)4 na poziomie indywidualnym, a także dyfuzja innowacji (DOI)1 i model technologia-organizacja-otoczenie (TOE)3 na poziomie firmy, stały się podstawą badań nad rzeczywistością rozszerzoną i nauką języków18,19, chatbotami i płatnościami cyfrowymi20,21, usługami mobilności22,23 oraz pracą zdalną24. Jednak modele te mają istotne ograniczenia w odniesieniu do publicznego IT: TAM zakłada dobrowolność użytkowania, DOI pomija opór użytkowników, a UTAUT został opracowany głównie dla środowisk organizacyjnych, w związku z czym ich stosowalność w przypadku quasi-obowiązkowych publicznych usług IT pozostaje dyskusyjna. Istnieją również badania nad adopcją publicznego IT oparte na tych modelach, na przykład rozszerzenie UTAUT w celu zbadania internetowego systemu rozpatrywania skarg publicznych25 oraz zastosowanie TOE do systemów informacji o zasobach ludzkich w sektorze publicznym14; wiele kolejnych badań przyjęło podobne podejście26,27,28,29,30,31,32,33,34,35.

Jednakże adopcja IT na poziomie publicznym znacząco różni się od adopcji na poziomie indywidualnym lub firmowym (patrz Tabela 1): podmioty adoptujące i użytkownicy nie są tymi samymi grupami, a intencje użytkowników nie są oczywiste ze względu na inercję psychologiczną i status quo obecnych usług. Disruptywne cechy IT mogą utrudniać restrukturyzację istniejących systemów36; adopcja wymaga również zmiany postaw i zachowań użytkowników, co wymusza jasne zrozumienie ich perspektywy. Biorąc pod uwagę te cechy, wcześniejsze modele kładące nacisk na poziom indywidualny i firmowy mogą być niewystarczające do określenia masy krytycznej dla publicznej adopcji IT. Ponieważ innowacje usługowe napędzane przez IT są kluczowe dla redukcji kosztów i usprawnienia usług37,38, a w ostateczności przyczyniają się do rozwoju społeczeństwa39, niezbędne jest opracowanie ukierunkowanych ram teoretycznych dla publicznej adopcji IT.

Na poziomie indywidualnymNa poziomie przedsiębiorstwaPoziom publiczny
Podmiot adoptującyOsobyFirmy (prywatne)Przedsiębiorstwa (publiczne)
UżytkownikOsobyPracownicy firmyOsoby
Intencja użytkownikaPewneOkreślone (wymuszone)Niepewny
Bezwładność psychologicznaPomijalnyPomijalna (wymuszona)Wyróżniający się
Postrzeganie wartościNiezbędneNiezbędny (wymuszony)Niezbędne
Główny cel wdrożeniaOsobisteWydajność, oszczędność kosztówInteres publiczny
Istotne modele adaptacji technologii informacyjnychTAM2, UTAUT4DOI1, TOE3Niniejsze badanie

Tabela 1: Różne poziomy wdrażania IT. Tabela kontrastuje wdrażanie IT na poziomie indywidualnym, firmowym i publicznym pod kątem reprezentatywnych modeli teoretycznych, podmiotów wdrażających oraz użytkowników.

W istniejącej literaturze wykazano, że osoby i pracownicy mają a priori (na poziomie indywidualnym) lub wymuszoną (na poziomie firmy) intencję korzystania z konkretnej usługi IT2,40, co sugeruje, że adaptacja była z góry określona4,41. Jednak nie wszyscy użytkownicy zamierzają korzystać z IT42, a jedynie nieliczne badania nad systemami informacyjnymi (IS) zidentyfikowały cechy i uzasadnienia odrzucenia43,44. W związku z tym nowa publiczna usługa IT byłaby celowo odrzucana do momentu, aż innowacja zostanie albo zaakceptowana, albo poniesie porażkę45.

Głównym celem niniejszego badania jest zrozumienie akceptacji i odrzucenia usługi IT instytucji publicznej przez użytkowników, analizowane poprzez dwie percepcje wartości: postrzegane korzyści oraz postrzegane straty. Koncepcja postrzeganych korzyści została zaadaptowana z modelu dyfuzji innowacji1,46; konstrukty te były szeroko wykorzystywane do badania percepcji sprzyjających akceptacji IT47,48 i wykazują wysoką trafność w różnych kontekstach40. Z kolei postrzegane straty obejmują cechy wyjaśniające, dlaczego ludzie zachowują obecny sposób życia mimo presji na adaptację; oparte na koncepcji oporu wobec innowacji42,49, to podejście badawcze analizuje, dlaczego niektóre osoby opóźniają wdrażanie innowacji lub całkowicie je odrzucają49,50,51,52,53. Zastosowano podejście wielowymiarowe, aby uchwycić te percepcje, zamiast traktować straty i korzyści jako ogólne konstrukty.

Postrzeganą stratę zoperacjonalizowano poprzez pięć konstruktów53,54. Strata czasu (TIL) to postrzegany czas utracony podczas nauki i korzystania z usługi, a także w sytuacjach, gdy oczekiwania nie zostają spełnione53. Strata społeczna (SOL) to ryzyko utraty pozycji w grupie społecznej poprzez sprawianie wrażenia osoby niedoświadczonej lub nieprzystosowanej54. Strata finansowa (FIL) obejmuje potencjalne straty pieniężne wynikające z kosztów zakupu, opłat lub kradzieży danych osobowych54. Strata fizyczna (PHL) to przekonanie, że korzystanie z usługi może spowodować szkodę, dyskomfort lub wyczerpanie53,54. Strata wydajności (PEL) to postrzegany spadek jakości lub funkcjonalności usługi w porównaniu z istniejącymi alternatywami, obejmujący nieprawidłowe działanie i brak dostarczenia pożądanych korzyści53.

Aby wyjaśnić postrzeganą korzyść (PG), wykorzystano względną zaletę, kompatybilność, możliwość przetestowania oraz złożoność1,46. Względna zaleta (REA) to stopień, w jakim innowacja jest uważana za bardziej korzystną od swojego poprzednika; kompatybilność (COM) to stopień, w jakim odpowiada ona wartościom, potrzebom i wcześniejszym doświadczeniom potencjalnego użytkownika; możliwość przetestowania (TRI) to zakres możliwych eksperymentów przed wprowadzeniem innowacji; natomiast złożoność (CPX), związana z postrzeganą łatwością obsługi w modelu TAM, odnosi się do tego, jak trudna do użycia i zrozumienia jest dana innowacja. Pominięto obserwowalność, ponieważ jest ona zbyt niejednoznaczna do pomiaru46 oraz ponieważ wyniki biometryczne w publicznym kontekście IT nie są łatwo dostrzegalne dla innych osób.

W celu wyjaśnienia wartości postrzeganych, które motywują reakcje na nową publiczną usługę IT, zaproponowano model strat i zysków (loss-gain framework). Sformułowano hipotezę, że jeśli usługa ma charakter radykalny i zagraża zwyczajowym zachowaniom, postrzegana strata przeważy nad postrzeganym zyskiem, co doprowadzi do odrzucenia usługi; jeśli ten stan się utrzyma, odrzucenie może stać się stałym elementem intencji behawioralnej42,49. I odwrotnie, jeśli postrzegane korzyści przewyższają przewidywane straty, użytkownik ma niewiele powodów, aby odrzucić usługę. W związku z tym sformułowano następujące hipotezy:

H1. Postrzegana strata będzie miała pozytywny wpływ na odrzucenie.
H2. Postrzegana strata będzie miała negatywny wpływ na akceptację.
H3. Postrzegana korzyść będzie miała negatywny wpływ na odrzucenie.
H4. Postrzegana korzyść będzie miała pozytywny wpływ na akceptację.

Każdy postęp w usługach rządowych napędzany przez IT ma na celu usprawnienie funkcjonowania społeczeństwa (np. szybsza i bezpieczniejsza odprawa dzięki biometrii lotniskowej), jednak niedawno uruchomiona publiczna usługa IT wiąże się z licznymi ryzykami i niepewnością, a użytkownicy mogą nie zaakceptować korzyści w zamierzony sposób. Zgodnie z teorią perspektywy55, ludzie podejmują takie irracjonalne decyzje w oparciu o oceny alternatyw, wartości oraz postawy wobec niepewności, rozpatrywane względem punktu odniesienia (zależność od punktu odniesienia). Kluczowym założeniem tej teorii jest awersja do strat, czyli tendencja do przypisywania większej wagi stratom niż równoważnym zyskom, wraz z malejącą wrażliwością; to skupienie na zyskach i stratach w stosunku do status quo bezpośrednio koreluje z analizowaną tutaj dychotomią akceptacja-odrzucenie. Teoria perspektywy była wykorzystywana w niedawnych badaniach nad systemami informacyjnymi (IS) i IT do wyjaśnienia irracjonalnych decyzji w warunkach ryzyka i niepewności56,57,58,59,60, obejmując konteksty od pracy wspomaganej przez AI i e-zdrowia po publiczne sieci Wi-Fi i płatności mobilne. Choć badania te potwierdzają zasadność tej teorii, skupiały się one głównie na intencjach akceptacji, pomijając wymiar odrzucenia, który jest kluczowy w kontekście publicznych usług IT.

Użytkownicy publicznych usług IT działają tak, jakby decyzja o zaakceptowaniu lub odrzuceniu usługi zależała od całkowitych wartości wymaganych (tj. sumy postrzeganych zysków i strat). Żadna wcześniejsza analiza dotycząca wdrażania publicznych usług IT nie badała tego zjawiska z tej perspektywy. W związku z tym współczynniki ścieżek (np. PL do REJ) zakodowano jako wartości55, a całkowite wartości wymagane do odrzucenia i zaakceptowania obliczono w następujący sposób:

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

gdzie CLR, CGR, CLA i CGA to odpowiednio współczynniki ścieżek od postrzeganej straty do odrzucenia, postrzegalnego zysku do odrzucenia, postrzeganej straty do akceptacji oraz postrzegalnego zysku do akceptacji; te standaryzowane współczynniki pozwalają uzyskać V(R) i V(A) jako wartości złożone całkowitego wpływu straty i zysku. Ponieważ publiczne usługi IT są projektowane z myślą o korzyściach dla użytkowników, natomiast użytkownicy przypisują większą wagę stratom niż zyskom przy rezygnacji ze stanu zastanego, oczekiwano, że akceptacja, będąca ryzykowniejszym wyborem, będzie wymagać większej wartości całkowitej niż odrzucenie. W oparciu o H1–H4, H5 testuje bilans netto tych efektów:

H5. Całkowita wartość wymagana do akceptacji, V(A), będzie większa niż w przypadku odrzucenia, V(R). Wynikowy koncepcyjny model PITA (public information technology adoption) przedstawiono na Rysunku 2.

Schemat procesu podejmowania decyzji; postrzegana strata i zysk prowadzą do odrzucenia i akceptacji.
Rycina 2: Koncepcyjny model PITA. Na schemacie przedstawiono postrzeganą stratę (PL) i postrzegany zysk (PG) jako poprzedniki odrzucenia (REJ) i akceptacji (ACC); ścieżki a, b, c i d odpowiadają współczynnikom wykorzystywanym do obliczenia wartości całkowitych V(R) i V(A). Uwaga: a = CLR, b = CLA, c = CGR i d = CGA Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Protokół

Wszystkie procedury badawcze były zgodne z zasadami etycznymi obowiązującymi w badaniach z udziałem ludzi na aSSIST University, Sungkyunkwan University oraz Dong-A University. Ze względu na to, że odpowiedzi w ankietach zostały zanonimizowane w momencie ich zbierania i nie gromadzono żadnych danych umożliwiających identyfikację osób, Komisja Bioetyczna (Institutional Review Board) aSSIST University zaklasyfikowała badanie jako zwolnione z pełnej oceny etycznej. Instytucje uczestniczące nie uzyskały oddzielnych zgód IRB, opierając się na decyzji o zwolnieniu wydanej przez Komisję Bioetyczną aSSIST University, która obejmowała zarówno projekt badawczy, jak i procedury gromadzenia danych. Decyzja ta została podjęta zgodnie z artykułem 15 ustawy o bioetyce i bezpieczeństwie Republiki Korei oraz kryteriami zwolnienia określonymi w artykule 13 jej rozporządzenia wykonawczego (https://public.irb.or.kr/pt/pt01/PT0103/PT0103R01.do). Przed uzyskaniem dostępu do kwestionariusza w systemie Qualtrics wszyscy uczestnicy zapoznali się z elektroniczną deklaracją świadomej zgody, wyjaśniającą akademicki cel badania, anonimowe przetwarzanie odpowiedzi, wykorzystanie danych wyłącznie do celów badawczych oraz brak racjonalnie przewidywalnych ryzyk. Do wypełnienia ankiety dopuszczono jedynie uczestników, którzy wyraźnie wyrazili swoją zgodę.

Przegląd badań
W celu zweryfikowania pięciu hipotez oraz zaproponowanego modelu PITA przeprowadzono dwa badania empiryczne i dwie interwencje eksperckie. Wyniki przedstawiono na Rysunku 3. Przed pandemią COVID-19 (2019 r., IV kwartał) oraz w jej trakcie (2020 r., II-III kwartał) przeprowadzono dwufalowe ankiety, aby oddzielnie zmierzyć konstrukty w różnych odstępach czasu, ograniczyć możliwość wystąpienia błędu wspólnej metody (CMB) w danych oraz zwiększyć generalizację badania61,62.

Schemat porównania badań; przed i po COVID, próbki, regiony; harmonogram badań, interwencje.
Rycina 3: Przegląd badań. Oś czasu podsumowuje dwufazowy schemat: Badanie 1 (IV kwartał 2019, przed COVID-19, próba koreańska, N = 322), po którym nastąpiła pierwsza interwencja ekspercka, oraz Badanie 2 (II–III kwartał 2020, w trakcie COVID-19, próby z Korei/Wielkiej Brytanii/USA, N = 602), po którym nastąpiła druga interwencja ekspercka. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Model badania 1
Pierwotny model badawczy został stworzony na podstawie sformułowanych hipotez w celu ujawnienia intencji użytkowników dotyczących zaakceptowania lub odrzucenia niedawno wprowadzonej publicznej usługi IT (tj. biometrii na lotniskach), co przedstawiono na Rysunku 4. Opinie użytkowników na temat publicznych usług IT zostały odzwierciedlone w dwóch konstruktach drugiego rzędu: postrzeganej stracie (PL) oraz postrzeganej korzyści (PG), z których każdy został utworzony z odpowiednich konstruktów pierwszego rzędu. Te dwa konstrukty drugiego rzędu służą jako poprzedniki odrzucenia (REJ) oraz akceptacji (ACC), które reprezentują intencje użytkowników dotyczące korzystania z publicznych usług IT.

Diagram koncepcyjny; model równań strukturalnych z konstruktami PL, PG, REJ, ACC; analiza badawcza.
Rysunek 4: Model badawczy badania 1. Pięć konstruktów straty pierwszego rzędu (PEL, TIL, SOL, PHL i FIL) tworzy konstrukt drugiego rzędu określany jako postrzegana strata, a cztery konstrukty zysku pierwszego rzędu (REA, COM, TRI i CPX) tworzą postrzegany zysk; oba konstrukty drugiego rzędu są modelowane jako poprzedniki odrzucenia i akceptacji (H1–H4). Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Dane badawcze z badania 1
Pierwsza próbka danych, obejmująca łącznie 322 uczestników z Korei (kobiety: 46,6% i mężczyźni: 53,4%), którzy w ciągu ostatniego roku przynajmniej raz korzystali z transportu lotniczego, została zebrana w okresie od 13 do 18 listopada 2019 r. (przed rozpoczęciem pandemii COVID-19). Wstęp do ankiety zawierał definicje i przykłady publicznych usług IT (np. aplikacji biometrycznych na lotniskach). Surowe dane z badania 1 znajdują się w Pliku uzupełniającym 1. Częstotliwość lotów mierzono w pięciu wzajemnie wykluczających się kategoriach (FF1–FF5), odpowiadających jednemu, dwóm, trzem, czterem oraz pięciu lub więcej lotom w ciągu ostatniego roku (badanie 1: odpowiednio 138, 91, 34, 21 i 38 uczestników; badanie 2: odpowiednio 174, 153, 109, 82 i 84 uczestników).

Konstrukty predyktora oceniano za pomocą siedmiostopniowej skali Likerta, w której zakres odpowiedzi obejmował wartości od „zdecydowanie się nie zgadzam (1)” do „zdecydowanie się zgadzam (7)” (kwestionariusz badania znajduje się w Supplementary File 21,46,53,54,63,64). Po przeprowadzeniu testu pilotażowego z udziałem 20 uczestników wprowadzono poprawki ograniczające się do doprecyzowania sformułowań pytań w celu poprawy ich stabilności, stosowalności i łatwości interpretacji; po pilotażu nie dodano ani nie usunięto żadnych konstruktów ani pozycji. Dokument pomocniczy zawiera pełny kwestionariusz, a także odpowiednie statystyki i kontekst teoretyczny. Przeprowadzono analizę czynnikową potwierdzającą (CFA) oraz analizy w ramach modelowania równań strukturalnych opartego na kowariancji (CB-SEM).

Interwencja ekspertów dla badania 1
W celu zapewnienia obiektywizmu i podniesienia poziomu niniejszej pracy zaproszono pięciu ekspertów z co najmniej dziesięcioletnim doświadczeniem, w tym dwóch z organizacji międzynarodowych (Airports Council International oraz International Air Transport Association), dwóch z organizacji rządowych (Singapore Changi Airport oraz Korea Airports Corporation) i jednego z prywatnej firmy świadczącej usługi w sektorze publicznym (Korean Air). Interwencja ekspertów była niezbędna do uzyskania informacji zwrotnych w celu udoskonalenia modelu oraz wiedzy dziedzinowej w odniesieniu do docelowego środowiska. Przeprowadzono oceny zarówno jakościowe (tj. subiektywne opinie), jak i ilościowe (siedmiostopniowa skala Likerta). Do oceny ilościowej przyjęto zrewidowaną wersję pytań z kwestionariusza charakterystyki raportów decyzyjnych (patrz Plik uzupełniający 3)65, którą zwalidowano przy użyciu współczynnika korelacji wewnątrzklasowej66. W każdej rundzie interwencji każdy ekspert indywidualnie wypełniał kwestionariusz ilościowy, a następnie przekazywał otwarte opinie jakościowe; w obu interwencjach wykorzystano ten sam panel, narzędzia i procedurę, aby umożliwić replikację.

Badanie 2
Aby rozwiązać problemy zidentyfikowane w Badaniu 1 i poprawić zdolność modelu do generalizacji, w Badaniu 2 zastosowano ten sam model co w Badaniu 1. W Badaniu 2 wzięło udział 602 uczestników (kobiety: 42,3%, mężczyźni: 57,7%, Korea: 200, Wielka Brytania: 201 i USA: 201). Dane zostały zebrane między 23 lipca a 19 sierpnia 2020 r. (podczas pandemii COVID-19). Surowe dane dla Badania 2 znajdują się w Pliku uzupełniającym 4. Przy 33 obserwowanych wskaźnikach, wielkość tej próby zapewnia około 18 obserwacji na wskaźnik, co przekracza powszechnie zalecane kryterium 10 obserwacji na wskaźnik dla CB-SEM, a także przekracza szeroko stosowany minimalny próg 200 obserwacji. Wybrano Koreę, Wielką Brytanię i USA, ponieważ stanowiły one 29,1% wszystkich podróżnych lotniczych na świecie (około 1,6 miliarda z 5,5 miliarda) od lipca 2019 do czerwca 2020 r. Pandemia COVID-19 dotknęła te kraje w różnym czasie, zaczynając od Korei, a następnie obejmując USA i Wielką Brytanię. Dodatkowo trzy te narody oferowały połączenie wschodnich i zachodnich tradycji kulturowych. W konsekwencji połączony zbiór danych z tych krajów został wykorzystany do zbadania schematu percepcja-intencja użytkowników w odniesieniu do nowej publicznej usługi IT (tj. biometrii lotniskowej).

Interwencja ekspertów w Badaniu 2
Zaproszono tych samych ekspertów, przeprowadzono te same oceny ilościowe i jakościowe oraz poproszono ich o opinię w celu walidacji wyników w Badaniu 2.

Wyniki

Badanie 1
W celu oceny potencjalnego CMB związanego z danymi zgłaszanymi przez uczestników, w pierwszej kolejności przeprowadzono analizę jednoczynnikową67. Z wyników testu wynikało, że jeden czynnik wyjaśniał 36,56% wariancji; fakt, że pojedynczy czynnik wyjaśnia mniej niż 50% wariancji, wskazuje, że CMB nie stanowi problemu62,67,68. Następnie oceniono trafność konstruktu oraz rzetelność. Wyniki przedstawione w Tabeli 2 sugerują, że średnia wariancja wyekstrahowana (AVE, od 0,585 do 0,836) oraz rzetelność złożona (CR, od 0,872 do 0,939) spełniły niezbędne minimalne wymagania69,70. Ponadto pierwiastek kwadratowy z AVE dla każdego konstruktu, przedstawiony na przekątnej, przekraczał wartości korelacji z innymi konstruktami, co potwierdza trafność różnicową69.

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

Tabela 2: Niezawodność i trafność konstruktu (Badanie 1). Tabela przedstawia niezawodność złożoną (CR), średnią wariancję wyekstrahowaną (AVE) oraz korelacje między konstruktami dla modelu pomiarowego w Badaniu 1.

Następnie, za pomocą SEM przetestowano hipotezy dotyczące zależności między postrzeganymi korzyściami, postrzeganymi stratami, akceptacją a odrzuceniem. Jak pokazano na Rysunku 5, model wykazał akceptowalne indeksy dopasowania (CMIN/DF = 2.25, CFI = 0.936, SRMR = 0.075, RMSEA = 0.062), które spełniły zalecane progi (CMIN/DF < 3, CFI > 0.90, SRMR < 0.08, RMSEA < 0.08), a wyniki w znacznym stopniu potwierdziły postawione hipotezy. Pięć konstruktów czynników (PER, TIR, SOR, PHR i FIR) dla postrzeganych strat oraz cztery konstrukty czynników (REA, COM, TRI i CPX) dla postrzeganych korzyści (PG) wykazało istotne efekty. Testy hipotez 1 i 2 wykazały, że postrzegane straty miały umiarkowany pozytywny wpływ na odrzucenie (β = 0.357, p < 0.001) oraz znaczący negatywny wpływ na akceptację (β = -0.148, p < 0.001). Zatem zarówno H1, jak i H2 zostały potwierdzone. Z kolei testy hipotez 3 i 4 wykazały, że postrzegane korzyści miały przeciwstawne efekty w porównaniu do postrzeganych strat: odpowiednio silny pozytywny wpływ na akceptację (β = 0.721, p < 0.001) oraz negatywny wpływ na odrzucenie (β = -0.507, p < 0.001). W związku z tym zarówno H3, jak i H4 zostały również potwierdzone. Ogólne podsumowanie wyników testowania modelu badawczego w Badaniu 1 z wykorzystaniem SEM przedstawiono w Tabeli 3. Model strukturalny wyjaśnił 62,4% wariancji akceptacji i 52,5% wariancji odrzucenia (odpowiednio R2 = 0.624 i 0.525).

Diagram modelu równań strukturalnych, przedstawiający konstrukty PL, REJ, ACC, PG wraz z współczynnikami korelacji.
Rysunek 5: Wyniki testowania hipotez w Badaniu 1. Schemat przedstawia zestandaryzowane współczynniki ścieżek oraz ich poziomy istotności dla modelu strukturalnego oszacowanego na próbie z Badania 1 (N = 322); wszystkie hipotetyczne ścieżki były istotne w oczekiwanych kierunkach. PEL = strata wydajności; TIL = strata czasu; SOL = strata społeczna; PHL = strata fizyczna; FIL = strata finansowa; REA = względna korzyść; COM = kompatybilność; TRI = możliwość wypróbowania; CPX = złożoność; PL = postrzegana strata; PG = postrzegana korzyść; REJ = odrzucenie; ACC = akceptacja Aby zobaczyć powiększoną wersję tego rysunku, kliknij tutaj.

HipotezaŚcieżkaβWartość tWartość pWynik
H1a: PL → REJ0.3576.592***Potwierdzona
H2b: PL → ACC-0.148-3.059***Potwierdzona
H3c: PG → REJ-0.507-7.29***Potwierdzona
H4d: PG → ACC0.7218.966***Potwierdzona

Tabela 3: Ogólne wyniki Badania 1. Tabela podsumowuje standaryzowane współczynniki ścieżkowe, poziomy istotności oraz wyniki testowania hipotez dla Badania 1. ***p < 0.001

Ponadto obliczono całkowite wartości wymagane dla REJ i ACC, aby przetestować H5 i potwierdzić, czy model jest zgodny z teorią perspektywy55. W równaniach (1) i (2), a odpowiada ścieżce od postrzeganej straty do odrzucenia (CLR = 0.357), c ścieżce od postrzeganej korzyści do odrzucenia (CGR = -0.507), b ścieżce od postrzeganej straty do akceptacji (CLA = -0.148), a d ścieżce od postrzeganej korzyści do akceptacji (CGA = 0.721). Wyniki wykazały, że V(R) = a + c = -0.150 oraz V(A) = b + d = 0.573; zatem V(R) < V(A), co potwierdziło H5.

Wyniki interwencji eksperckiej dla badania 1
Wyniki wskazały, że eksperci nie zgodzili się w pełni z twierdzeniami; wartości średnie dla konstruktów mierzących orientację systematyczną, jakość oraz wystarczalność sformułowania problemu mieściły się w zakresie od 3,40 do 4,40. Konstrukt ogólnego negatywnego afektu wykazał również zakres od 3,20 do 3,60 (ICC = 0,609, p = 0,008). Subiektywne oceny ekspertów zidentyfikowały dwa dodatkowe obszary do poprawy: zestaw danych nie był reprezentatywny dla czynnika sytuacyjnego (został zgromadzony przed COVID-19), a próba składająca się wyłącznie z osób z Korei nie byłaby odpowiednia do generalizacji wyników. Wyniki te stały się podstawą do przeprowadzenia badania 2, które zrealizowano po interwencjach ekspertów w celu rozwiązania tych problemów.

Badanie 2
W badaniu 2 zastosowano procedurę analogiczną do tej z badania 1. W pierwszej kolejności przeprowadzono analizę jednoczynnikową, aby ocenić, czy w zbiorze danych występuje problem błędu wspólnego źródła (CMB)67. Wyniki testu wskazały na brak istotnego wpływu CMB w badanej próbie, ponieważ pojedynczy czynnik wyjaśnił 38,97% wariancji, co znajduje się poniżej progu istotności wynoszącego 50%62,67,68. Poza CMB wyniki przedstawione w Tabeli 4 sugerują, że niezawodność i trafność modelu również w stopniu odpowiednim spełniały wymagania69,70. Ponadto wszystkie wskaźniki HTMT (heterotrait-monotrait) były niższe od progu 0,85, co stanowiło dodatkowe potwierdzenie trafności dyskryminacyjnej.

CRAVEMSVMaxR(H)PLPGACCREJ
Proszę dostarczyć tekst źródłowy do tłumaczenia.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

Tabela 4: Niezawodność i trafność konstruktu (Badanie 2). Tabela przedstawia złożoną niezawodność (CR), średnią wariancję wyodrębnioną (AVE) oraz korelacje międzykonstruktowe dla modelu pomiarowego Badania 2.

Wyniki testu SEM w Badaniu 2 dla wszystkich trzech krajów wyniosły CMIN/DF = 3.835, CFI = 0.945, RMSEA = 0.058. Wartości CFI i RMSEA spełniły zalecane progi, a mimo że wartość CMIN/DF wynosząca 3.835 nie spełniła bardziej rygorystycznego kryterium <3.0, nadal wskazywała na dopuszczalne dopasowanie modelu w oparciu o mniej rygorystyczne kryterium <5.0. Zatem wyniki testu były wysoce spójne z opracowaną argumentacją oraz z wynikami Badania 1, przedstawionymi na Rysunku 6 i w Tabeli 5. Podobnie jak w wynikach Badania 1, zależności między PL a REJ (β = 0.345, p < 0.001) oraz PG a ACC (β = 0.767, p < 0.001) były istotnie dodatnie, natomiast zależności między PL a ACC (β = -0.202, p < 0.001) oraz PG a REJ (β = -0.644, p < 0.001) były istotnie ujemne. W związku z tym hipotezy H1, H2, H3 i H4 zostały potwierdzone. Model strukturalny wyjaśnił 76.0% wariancji akceptacji oraz 72.1% wariancji odrzucenia (odpowiednio R2 = 0.760 i 0.721).

Schemat analizy ścieżek z konstruktami: PL do PG poprzez REJ i ACC, pokazujący zależności statystyczne.
Rysunek 6: Wyniki testowania hipotez w Badaniu 2. Na schemacie przedstawiono zestandaryzowane współczynniki ścieżek oraz ich poziomy istotności dla modelu strukturalnego oszacowanego na połączonej próbie z trzech krajów w Badaniu 2 (N = 602); wzorzec wyników powiela Badanie 1. PEL = strata wydajności; TIL = strata czasu; SOL = strata społeczna; PHL = strata fizyczna; FIL = strata finansowa; REA = względna korzyść; COM = kompatybilność; TRI = możliwość wypróbowania; CPX = złożoność; PL = postrzegana strata; PG = postrzegana korzyść; REJ = odrzucenie; ACC = akceptacja Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.

HipotezaŚcieżkaβwartość twartość pWynik
H1a: PL → REJ0.3459.342***Potwierdzona
H2b: PL → ACC-0.202-6.81***Potwierdzona
H3c: PG → REJ-0.644-12.694***Potwierdzona
H4d: PG → ACC0.76713.707***Potwierdzona

Tabela 5: Ogólne wyniki badania 2. Tabela zawiera podsumowanie zestandaryzowanych współczynników ścieżek, poziomów istotności oraz wyników testowania hipotez dla badania 2. ***p < 0.001

Następnie poddano dalszej analizie całkowite wartości wymagane dla REJ i ACC, aby przetestować hipotezę H5 i potwierdzić, czy model wspiera argumentację teorii perspektywy55. Przy zastosowaniu tego samego mapowania współczynników co w Badaniu 1, wyniki wykazały, że V(R) = a + c = -0,299 oraz V(A) = b + d = 0,565; zatem V(R) < V(A). Hipoteza H5 została również potwierdzona w Badaniu 2, a różnica między V(R) a V(A) w Badaniu 2 (0,864) była większa niż w Badaniu 1 (0,723).

Wyniki interwencji eksperckiej dla Badania 2
Wyniki oceny ilościowej były znacząco pozytywne (ICC = 0.960, p < 0.001); zakres wartości średnich dla konstruktów mierzących orientację systematyczną, jakość oraz adekwatność sformułowania problemu wynosił od 6.20 do 6.80, a dla konstruktu mierzącego ogólny afekt negatywny od 1.20 do 1.80. Wysoka korelacja wewnątrzklasowa wskazuje na silny konsensus ekspertów w kwestii orientacji systematycznej, jakości i adekwatności sformułowania problemu modelu, a eksperci nie zgłosili żadnych innych zastrzeżeń w swojej ocenie subiektywnej. Wyciągnięto zatem wniosek, że badanie ostatecznie spełniło wymagania niezbędne do ukończenia proponowanego modelu PITA.

DOSTĘPNOŚĆ DANYCH:
Dane zostały przesłane jako Plik uzupełniający 1 (Badanie 1) oraz Plik uzupełniający 4 (Badanie 2); kompletne wyniki modelu CB-SEM znajdują się w Pliku uzupełniającym 5, a definicje zmiennych i kodowanie są udokumentowane w słowniku danych (Plik uzupełniający 6). W plikach danych i wynikach CB-SEM skróty użyte w manuskrypcie PEL, TIL, SOL, PHL, FIL i REJ odpowiadają odpowiednio etykietom zmiennych PER, TIR, SOR, PHR, FIR i RES, a konstrukty drugiego rzędu PL i PG są oznaczone jako Perceived_Risk i Perceived_Benefit.

Plik uzupełniający 1: Dane badawcze (Badanie 1) Kliknij tutaj, aby pobrać ten plik.

Plik uzupełniający 2: Kwestionariusz ankiety Kliknij tutaj, aby pobrać ten plik.

Plik uzupełniający 3: Kwestionariusz interwencji Prosimy kliknąć tutaj, aby pobrać ten plik.

Plik uzupełniający 4: Dane badawcze (Badanie 2) Kliknij tutaj, aby pobrać ten plik.

Plik uzupełniający 5: Pliki wynikowe modelu CB-SEMKliknij tutaj, aby pobrać ten plik.

Plik uzupełniający 6: Słownik danych Kliknij tutaj, aby pobrać ten plik.

Dyskusja

To dwuczęściowe badanie zweryfikowało model PITA dotyczący wdrażania publicznych usług IT; w obu badaniach potwierdzono wszystkie pięć hipotez, a różnica między V(A) a V(R) zwiększyła się w bardziej ryzykownym kontekście COVID-19, co jest zgodne z przewidywaniami teorii perspektywy, według której bardziej ryzykowne wybory wymagają wyższej postrzeganej wartości. Stwierdzono lukę w podstawach teoretycznych literatury dotyczącej wdrażania IT, w tym w modelach TAM2 i DOI1, które nie wyjaśniały w sposób wystarczający wdrażania publicznych usług IT. Co najważniejsze, badania te nie uwzględniały w stopniu dostatecznym niepewności użytkowników podczas korzystania z publicznych usług IT. W związku z tym postawiono pytanie, jaki wpływ na decyzję o przyjęciu publicznych usług IT ma ramy postrzegania-intencji zaproponowane przez model PITA. Użytkownik musi rozważyć zalety i wady opcji status quo w obliczu nowej, innowacyjnej publicznej usługi IT. Jeśli nowa opcja zostanie odrzucona, użytkownik powraca do stanu poprzedniego, co sprawia, że nowa opcja staje się zbędna. Model PITA pozwala na zrozumienie podstawowych postrzeganych wartości, które wpływają na taki wybór. Ponadto sformułowano kilka sugestii dotyczących zapobiegania takim niepowodzeniom przed zainwestowaniem w nową publiczną usługę IT1,42. Badanie to analizowało, w jaki sposób postrzegane zyski i straty wpływają na akceptację i odrzucenie publicznej usługi IT; wszystkie pięć hipotez zostało potwierdzonych. Postrzeganie publicznych usług IT przez użytkowników można rozpatrywać z dwóch perspektyw i jest prawdopodobne, że przeważać będą negatywne odczucia. Wyniki wskazały jednak, że korzystne postrzeganie zachęcało ich do akceptacji i zmniejszało opór. Istotne przykłady postrzeganych strat obejmują niespójne działanie, nieuzasadnienie przedłużone procedury, opór otoczenia użytkownika, fizyczne szkody spowodowane przez urządzenia oraz błędy w transakcjach finansowych. Z kolei przykładami komponentów postrzeganych zysków byłyby zamienne funkcje, wydarzenia typu otwarta beta oraz łatwość użytkowania. Wyniki obu badań były spójne z wcześniejszymi badaniami nad modelem oporu wobec innowacji oraz dyfuzją innowacji, na przykład1,42.

Istotnym odkryciem było to, że całkowita wartość akceptacji była niemal pięciokrotnie większa niż wartość odrzucenia. Ta duża różnica między V(A) a V(R) wynikała przede wszystkim z silnego pozytywnego wpływu postrzeganych korzyści na akceptację (β = 0,721) oraz negatywnego wpływu postrzeganych korzyści na odrzucenie (β = -0,507), co sugeruje, że postrzeganie przez użytkowników korzyści, takich jak łatwość obsługi i wymienność funkcji, odgrywa bardziej dominującą rolę w kształtowaniu decyzji o przyjęciu usługi niż postrzeganie strat. Aby użytkownicy podjęli bardziej ryzykowną decyzję o zaakceptowaniu nowej i nieznanej publicznej usługi IT, pozytywne postrzeganie musi znacząco przewyższać negatywne. Użytkownicy mogą również zdecydować przeciwko nowym publicznym usługom IT, mimo poniesienia strat, ponieważ proces podejmowania decyzji może nie być w pełni racjonalny. Zjawisko to można wyjaśnić silnym przywiązaniem do obecnej usługi oraz faktem, że publiczne usługi IT nie są przeznaczone do regularnego codziennego użytku. Użytkownicy mogą pozostać przy obecnym stanie rzeczy, nawet jeśli napotkają pewne niedogodności. Nie będą oni próbować przełamać swojego psychologicznego oporu przed zaakceptowaniem nowych publicznych usług IT, jeśli postrzegane korzyści będą niewystarczające lub postrzegane straty okażą się większe od przewidywanych. W Badaniu 2, które konsekwentnie wykazało te same wzorce w strukturze percepcja-intencja użytkowników w kontekście publicznej usługi IT, uzyskano bardziej konkretne i szerokie potwierdzenie zaproponowanego modelu teoretycznego. Dodatkowo V(A) było znacznie wyższe niż V(R), co wspiera argumenty za rozszerzeniem teorii perspektywy55.

Wpływ czynnika sytuacyjnego (COVID-19) na V(A) i V(R) był kolejnym intrygującym odkryciem w Badaniu 2. Różnica między V(R) a V(A) w Badaniu 2 uległa zwiększeniu w porównaniu do tej z Badania 1. Podczas globalnego kryzysu zdrowotnego użytkownicy mogli postrzegać większe potencjalne straty wynikające z infekcji, jednocześnie dostrzegając większe potencjalne korzyści z bezdotykowej obsługi, a ten podwójny efekt wzmocnił różnicę wartości wymaganą do akceptacji. Wynik ten wspiera próbę rozwinięcia teorii perspektywy, wskazując, że opcja bardziej ryzykowna (akceptacja nowej publicznej usługi IT w bardziej ryzykownych warunkach, COVID-19) wymaga większej wartości55. Nieuchronnie wyniki ewaluacji z Badania 2 ponownie potwierdziły wyniki Badania 1. Czynnik sytuacyjny był potencjalnym elementem, który mógł zmienić wartości związane z decyzjami użytkowników, co eksperci przewidzieli podczas pierwszej interwencji. Dodatkowo wyniki potwierdziły trafność założeń modelu przy użyciu większych prób w przypadku biometrii lotniskowej, co nadało mu większą odporność i ogólność. Niemniej jednak, zbiorcza analiza wielokrajowa zakładała, że konstrukty były interpretowane podobnie we wszystkich krajach; formalne testy niezmienniczości pomiaru oraz porównania specyficzne dla poszczególnych krajów nie zostały przeprowadzone i pozostają zadaniem dla przyszłych badań.

Zgodnie z analizą przeprowadzoną w ramach modelu percepcji i intencji, użytkownicy nie wybraliby opcji status quo, gdyby uważali, że odniesliby znacznie większą korzyść z korzystania z publicznej usługi IT. Sugeruje to, że użytkownicy są skłonni opuścić stan równowagi tylko wtedy, gdy postrzegane korzyści sprawiają, że ryzykowna opcja akceptacji staje się bardziej atrakcyjna. Z perspektywy czasu jest konceptualnie zrozumiałe, że akceptacja jest w większym stopniu wpływana przez postrzegane korzyści niż przez straty. Według teorii perspektywy55, obecnie oferowana użytkownikowi usługa jest bezpieczną opcją „unikania ryzyka”, ponieważ jest znanym obiektem, z którym użytkownicy mają wcześniejsze doświadczenia. Oznacza to, że użytkownik może spodziewać się uzyskania tego samego wyniku bez ryzyka, bez konieczności adaptacji lub zmiany jakichkolwiek warunków behawioralnych. Jednakże opcja ryzykowna prawdopodobnie zostanie wybrana, odchodząc od opcji „unikania ryzyka”, gdy tylko postrzegane korzyści znacznie przeważą nad postrzeganymi stratami. Warto zauważyć, że efekty te były silniejsze, gdy użytkownik zetknął się z bardziej ryzykowną sytuacją, taką jak pandemia COVID-19, co mogło zwiększyć potrzebę wartości w przypadku rozważania korzystania z nowej publicznej usługi IT. Odkryto spójną zależność między postrzeganą korzyścią i stratą a akceptacją lub odrzuceniem publicznych usług IT. Z danych wynika, że niezbędne jest głębsze zrozumienie tego, jak użytkownicy postrzegają potencjalne korzyści i jak to zrozumienie wpływa na to, czy zdecydują się korzystać z publicznej usługi IT, czy nie. Wydaje się, że zaakceptowanie nowej usługi IT jest dla każdego użytkownika znacznie trudniejsze w momencie przedstawienia nowej opcji, ponieważ musi on walczyć z istniejącą inercją psychologiczną. Wykazała to również potrzeba wprowadzenia bardziej znaczących ulepszeń w ramach modelu percepcji i intencji. Wyniki te są zgodne z fundamentalną ideą teorii perspektywy55: decyzje bardziej ryzykowne wymagają wyższych wartości niż decyzje bezpieczniejsze. Co istotne, asymetryczny wzorzec, w którym postrzegana korzyść silniej przewidywała akceptację niż postrzegana strata przewidywała odrzucenie, sugeruje, że podejmowanie decyzji w tym kontekście nie polega wyłącznie na unikaniu strat, lecz jest napędzane chęcią zysku, co stanowi niuans rozszerzający typowe dla teorii perspektywy podkreślanie awersji do strat. Wyniki te są również zgodne z wcześniejszymi badaniami nad adopcją: silny wpływ postrzeganej korzyści na akceptację jest spójny z naciskiem modelu TAM na postrzeganą użyteczność2, natomiast istotny wpływ postrzeganej straty na odrzucenie wspiera twierdzenie modelu oporu wobec innowacji, że bariery adopcyjne mogą przeważyć nad potencjalnymi korzyściami42,49. Niniejsze badanie rozszerza tę literaturę, wykazując, że korzyści i straty wpływają jednocześnie zarówno na akceptację, jak i odrzucenie, zamiast działać niezależnie. Wyniki te przyczyniają się zatem do teoretycznego zrozumienia tego, co motywuje użytkowników publicznych usług IT do utrzymania status quo (tj. odrzucenia) lub zwiększenia skłonności do ryzyka (tj. akceptacji). Badanie to rozwinęło rosnącą liczbę prac dotyczących oporu wobec adopcji IT. Wykazano, że odrzucenie i akceptacja IT są odrębnymi kryteriami podejmowania decyzji, co stanowi kontynuację wcześniejszych prac w literaturze na poziomie indywidualnym i firmowym45,50,51. Wszyscy użytkownicy posiadają pewien próg42,49; jednak żadne badanie nad adopcją publicznych usług IT nie sprawdziło, jakie mogą być te progi. Dlatego włączenie postrzeganej straty było użytecznym sposobem zbadania tej tolerancji i znacząco wpłynęło na wybór między akceptacją a odrzuceniem publicznych usług IT. Wyniki te uzupełniły wcześniejsze badania stosujące tę samą zasadę akceptacji i odrzucenia, rozszerzając ją na nowy kontekst51.

Wyniki te mają istotne znaczenie zarządcze dla instytucji publicznych. Po pierwsze, powszechnie wiadomo, że instytucje te mają trudności z wprowadzaniem zmian, a przejście na infrastrukturę cyfrową jest procesem złożonym. W związku z tym błędne decyzje podejmowane przez organizacje publiczne podczas wdrażania usług IT mogą mieć długotrwałe negatywne skutki. Użytkownicy prawdopodobnie nie będą skłonni zaakceptować sugerowanej usługi IT, jeśli uznają, że strata jest zbyt duża. Z drugiej strony, inwestycje w publiczne usługi IT mogą okazać się bardziej udane, jeśli manager instytucji publicznej jasno sformułuje czynniki ograniczające opór poprzez podkreślenie dostrzeganych korzyści. Zwiększając postrzegane zyski i zmniejszając postrzegane straty, managerowie mogą ostatecznie zwiększyć akceptację i zmniejszyć odrzucenie, wykorzystując PITA do poszukiwania rozwiązań wywołujących pozytywną reakcję. Na przykład publiczne lotnisko wdrażające biometryczną kontrolę bezpieczeństwa mogłoby użyć PITA do oceny spostrzeżeń użytkowników przed dokonaniem inwestycji: jeśli V(R) zbliża się do V(A) lub je przekracza, managerowie mogliby skoncentrować komunikację na namacalnych korzyściach, takich jak szybsza odprawa (zwiększenie postrzeganego zysku), lub zaoferować alternatywy umożliwiające rezygnację (zmniejszenie postrzeganej straty). Ze względu na prostotę modelu, wartości V(A) i V(R) można obliczyć bezpośrednio z danych ankietowych, co dostarcza managerom jasnego punktu odniesienia do zrozumienia intencji użytkowania oraz określenia statusu i szans na przyjęcie proponowanej usługi IT.

Niniejsza analiza posiada kilka istotnych ograniczeń. Po pierwsze, mimo że efekty w obu badaniach były podobne, konieczne są dalsze analizy, aby w pełni zrozumieć mniej znaczące efekty zaobserwowane w pomiarach postrzeganej straty, a czynniki uwzględnione w tym badaniu mogą jedynie częściowo wyjaśniać wariancję występującą w modelu. Po drugie, w obu badaniach wykorzystano przekrojowe dane z ankiet samoopisowych przeprowadzonych wśród podróżnych lotniczych; taki projekt uniemożliwia wyciąganie wniosków przyczynowo-skutkowych, może wprowadzać błędy selekcji oraz błędy wynikające z chęci udzielenia odpowiedzi społecznie pożądanych, a także ogranicza możliwość generalizacji wyników poza tę populację. Należy jeszcze przeprowadzić formalne testy niezmienniczości pomiarowej pomiędzy trzema krajami. Po trzecie, dane zostały zebrane w określonych okresach (IV kwartał 2019 r. i połowa 2020 r.), a postrzeganie użytkowników mogło ulec zmianie wraz z rozwojem pandemii. Po czwarte, przyjęto założenie, że menedżer rozważa tylko jedną nową potencjalną opcję, przy czym obecna opcja stanowi kolejne ograniczenie. Przyszłe prace powinny uwzględnić różne opcje technologii PITA, ponieważ zgodnie z efektem pewności, w przypadku istnienia kilku opcji o różnym stopniu pewności, sprzyja to zachowaniom ryzykownym71, co może być wartościowym kierunkiem badań. Przyszłe badania powinny również zbadać inne formy i progi oporu przed innowacjami63, rozszerzyć PITA na inne publiczne usługi IT (np. portale e-government i aplikacje zdrowia publicznego) oraz na inne domeny, w których postrzegane korzyści i ryzyko wspólnie kształtują proces adaptacji64, zastosować projekty podłużne w celu śledzenia ewolucji V(A) i V(R) w czasie oraz zbadać, czy wymiary kulturowe moderują relacje w modelu. Ogólnie rzecz biorąc, niniejsze badanie powinno przyczynić się do lepszego zrozumienia adaptacji publicznych systemów IT. Poprzez uwzględnienie zarówno postrzeganego zysku, jak i postrzeganej straty, model PITA oddaje dualistyczną naturę podejmowania decyzji przez użytkowników: akceptacja jest napędzana atrakcyjnością zysków, podczas gdy odrzucenie wynika z lęku przed stratami. Przed dokonaniem inwestycji menedżerowie mogą zostać skierowani na właściwą drogę poprzez podejmowanie rzetelnych i trafnych decyzji na wczesnych etapach identyfikacji potencjalnych rozwiązań IT. Menedżerowie powinni rozważyć zmianę strategii usług IT, jeśli całkowita wartość akceptacji jest niewystarczająca, ponieważ PITA dostarcza menedżerom sumarycznej wartości niezbędnej zarówno do akceptacji, jak i odrzucenia. Wynik wskazujący, że ryzyko sytuacyjne potęguje różnicę wartości wymaganą do akceptacji, stanowi nowatorski wkład zarówno w teorię perspektywy, jak i w literaturę dotyczącą adaptacji technologii. PITA powinno zatem pomóc menedżerom w znalezieniu rozwiązania, które oferuje całkowitą wartość akceptacji wyższą niż wartość odrzucenia: dopiero wtedy użytkownicy są skłonni korzystać z nowej publicznej usługi IT.

Oświadczenia

Autorzy oświadczają, że nie istnieją żadne konflikty interesów. Podczas przygotowywania tej poprawionej wersji manuskryptu wykorzystano narzędzie generatywnej sztucznej inteligencji (ChatGPT 5o) w celu pomocy w redakcji językowej i formatowaniu. Autorzy przeanalizowali i zweryfikowali całą treść i biorą pełną odpowiedzialność za manuskrypt; żadne narzędzie AI nie zostało użyte do generowania danych, przeprowadzania analiz ani tworzenia rycin.

Podziękowania

Praca ta była wspierana przez fundusze badawcze z aSSIST University.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
IBM SPSS Amos (oprogramowanie CB-SEM)IBM Corp. (Armonk, NY, USA)version 27; https://www.ibm.com/products/structural-equation-modeling-sem/Wykorzystywane do wszystkich analiz modelowania równań strukturalnych opartych na kowariancji (CB-SEM), w tym do oceny modelu pomiarowego (CFA: rzetelność złożona, AVE i trafność dyskryminacyjna) oraz analizy ścieżek modelu strukturalnego. 
Prolific (internetowa platforma rekrutacji uczestników)Prolific Academic Ltdhttps://www.prolific.com/Internetowa platforma wykorzystywana do rekrutacji uczestników badania ankietowego. Uczestnicy zostali wyselekcjonowani na podstawie kryteriów kwalifikowalności (np. doświadczenia z lotniskiem) i wynagrodzeni zgodnie z wytycznymi Prolific dotyczącymi sprawiedliwego wynagrodzenia. 
Qualtrics (internetowa platforma ankietowa)Qualtrics, LLCRRID:SCR_016728Platforma ankietowa oparta na przeglądarce internetowej, wykorzystywana do projektowania kwestionariuszy, ich dystrybucji oraz gromadzenia danych z odpowiedzi. Wszystkie elementy pomiarowe zostały wprowadzone za pośrednictwem Qualtrics z zastosowaniem 7-stopniowej skali Likerta (1 = zdecydowanie się nie zgadzam, 7 = zdecydowanie się zgadzam). https://www.qualtrics.com/

Bibliografia

  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.

Przedruki i uprawnienia

Tagi

Teoria perspektywymodel percepcja-intencjausługi e-administracjiaplikacje zdrowia publicznegosystemy biometryczneakceptacja użytkownikówpostrzegana wartośćbadanie przekrojowe międzykrajowebadania interwencyjne
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.