Artigo de investigação

Aproveitando o modelo de aceitação tecnológica para entender a adoção de influenciadores virtuais pelos usuários: o papel da autenticidade percebida e do antropomorfismo

DOI:

10.3791/70018

⸱

3 de julho de 2026

 , 
1Azman Hashim International Business School, Universiti Teknologi Malaysia, 2College of Innovation and Entrepreneurship, Sichuan Tourism University, 3Department of Applied Computing & Artificial Intelligence, Faculty of Computing, Universiti Teknologi Malaysia

Neste artigo

Resumo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este estudo aplica um Modelo de Aceitação de Tecnologia estendido para examinar a adoção de influenciadores virtuais em plataformas de vídeo curto, demonstrando que a utilidade percebida, facilidade de uso, autenticidade e antropomorfismo influenciam significativamente as atitudes e intenções comportamentais dos usuários usando dados de pesquisas analisados com o PLS-SEM.

Resumo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Influenciadores Virtuais (VIs) estão se tornando cada vez mais figuras fundamentais em aplicativos de vídeos curtos como TikTok, YouTube Shorts e Instagram Reels. Enquanto pesquisas anteriores exploraram VIs em termos de antropomorfismo, autenticidade e interação com o consumidor, a maioria dos trabalhos anteriores focou em conjuntos de dados do Instagram ou análise de conteúdo sem adotar um quadro comportamental sistemático. Para abordar essas limitações, este estudo utiliza o Modelo de Aceitação de Tecnologia (TAM) para examinar como a Utilidade Percebida (PU) e a Facilidade de Uso Percebida (PEOU) influenciam a Atitude e a Intenção Comportamental do usuário em seguir ou interagir com VIs em plataformas de vídeo curto. O estudo propõe a Autenticidade Percebida e o Antropomorfismo como variáveis moderadoras, estendendo o TAM para capturar dinâmicas psicológicas e sociais. Foi desenvolvido um arcabouço conceitual integrando o TAM com esses moderadores. Os dados foram coletados por meio de uma pesquisa online com 350 usuários de vídeos curtos expostos a conteúdo VI editado e medidos usando instrumentos validados na escala Likert. Os participantes foram inicialmente expostos a estímulos padronizados de vídeo de influenciadores virtuais e, em seguida, preencheram um questionário estruturado administrado por meio de uma plataforma de pesquisa online. O conjunto de dados foi analisado usando Modelagem de Equações Estruturais Parciais de Mínimos Quadrados Parciais (PLS-SEM) para avaliar a confiabilidade da medição, relações estruturais e efeitos moderadores. Antes da análise, o conjunto de dados foi analisado em busca de respostas incompletas, valores ausentes e inconsistências de resposta. Os resultados confirmam a aplicabilidade do TAM no contexto VI. A OU influenciou positivamente a UP (β = 0,46, p < 0,001), a PU afetou significativamente a Atitude (β = 0,39, p < 0,001) e a Atitude previu fortemente a Intenção Comportamental (β = 0,58, p < 0,001). A Autenticidade Percebida fortaleceu a relação entre PU e Atitude, e entre Atitude e Intenção Comportamental, enquanto o Antropomorfismo aumentou os efeitos tanto da PU quanto da PEOU na Atitude. Índices de ajuste do modelo (R2 = 0,64 para Atitude; R2 = 0,57 para Intenção Comportamental) indicam forte poder explicativo. Essas descobertas apoiam o TAM estendido na explicação da adoção de influenciadores virtuais em plataformas de vídeos curtos.

Introdução

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Nos últimos anos, influenciadores de mídias sociais (SMIs) conquistaram seguidores significativos ao compartilhar aspectos de suas vidas, conhecimentos, produtos e marcas em plataformas comunitáriasde transmissão 1,2. Influenciadores virtuais (VIs) atraíram considerável atenção tanto das comunidades acadêmica quanto empresarial como uma abordagem inovadora para promover bens e serviços em plataformas como Instagram, Facebook e TikTok3. Em contraste com influenciadores humanos (HIs), os VIs não são indivíduos reais, mas personagens gerados por computador desenvolvidos por equipes de designers para replicar a aparência e o comportamento humanos ou para se assemelhar a personasanimadas 4. Devido à sua forte capacidade de engajamento, muitas marcas estão utilizando VIs para marketing de influenciadores, seja por meio de colaboração ou criando VIsproprietários 5. Consequentemente, marcas conhecidas como a BMW colaboraram com VIs como Lil Miquela para impulsionar o engajamento do cliente e influenciar as decisões de compra.

À medida que o número de pessoas influenciadas por SMIs continua crescendo, o marketing de influenciadores também estácrescendo 6. O Influencer Marketing Hub informa que o número de empresas especializadas em serviços de marketing de influenciadores aumentou 26% em 2021 e está projetado para alcançar 18.900globalmente. Uma das categorias emergentes mais notáveis de SMIs inclui "caracteres 3D gerados por computador" capazes de imitar o comportamento e a aparência humana 8,9,10. Os VIs ganharam popularidade rapidamente entre os consumidores e são cada vez mais percebidos como formadores de opinião confiáveis, comparáveis aos influenciadoreshumanos 11. Entre 2017 e 2019, o número de VIs nas plataformas sociais aumentou de 27 para 12512. À medida que sua popularidade crescia, as VIs começaram a colaborar com marcasinternacionais 12. O VIs representa uma alternativa atraente que combina as vantagens dos influenciadores humanos com maior controle sobre aparência e mensagem13.

Um desenvolvimento particularmente inovador nesse domínio é o surgimento de influenciadores virtuais como entidades de mídia social que são parcialmente ou totalmente artificiais (por exemplo, avatares 3D gerados por computador), mas capazes de produzir conteúdo semelhante ao de influenciadores humanos. Sua rápida ascensão atraiu atenção acadêmica, embora as pesquisas existentes permaneçamlimitadas 14. Para abordar essa lacuna, o presente estudo considera as interações parasociais (PSI), definidas como respostas cognitivas, afetivas e comportamentais às figuras15 da mídia. Pesquisas anteriores analisaram o PSI comparando as respostas do público com influenciadores humanoides e virtuais de características semelhantes.

Estudos recentes examinaram diferenças entre VIs e influenciadores humanos na formação da percepção dos usuários, especialmente em ambientes de vídeo social. Evidências sugerem que endossos de VI podem influenciar percepções de produtos (por exemplo, fortalecendo associações de luxo) e podem competir com influenciadores humanos por utilidade e credibilidade percebidas. No entanto, a identificação com influenciadores humanos permanece mais forte, destacando uma lacuna de autenticidade que influencia decisões de adoção em contextos de vídeoscurtos 16, 17, 18. Pesquisas quantitativas identificam consistentemente PU e PEOU como preditores-chave da intenção comportamental, frequentemente complementados por construtos como prazer, presença social e engajamento comunitário, reforçando a aplicabilidade do TAM nessedomínio 19,20.

Um corpo crescente de pesquisas aborda diretamente a autenticidade no contexto VI. Tanto estudos qualitativos quanto quantitativos indicam que a autenticidade percebida afeta significativamente a confiança, o engajamento e a persuasão. Fatores como a divulgação da IA e a semelhança humana influenciam a credibilidade e a resposta dosusuários 21,22. Pesquisas adicionais mostram que pistas de "heurística de máquina" podem reduzir a autenticidade percebida quando os usuários reconhecem origens de IA, reforçando a autenticidade como condição de fronteira crítica para aaceitação 23–25. Revisões sobre antropomorfismo enfatizam ainda mais seu papel teórico como moderador, podendo fortalecer ou enfraquecer as relações TAM por meio de mecanismos como presença social econfiança 26.

De forma semelhante, o modelo Estímulo–Organismo–Resposta (SOR) tem sido aplicado para examinar como pistas antropomórficas e estímulos sociais influenciam a aceitação dos sistemas impulsionados por IApelo usuário 27. O SOR é particularmente eficaz em capturar respostas emocionais em tempo real a estímulos tecnológicos e o papel das variáveis situacionais na formação do comportamento28. Isso está alinhado com ambientes interativos impulsionados por IA, onde o feedback rápido entre sistema e usuário gera respostas emocionaisdinâmicas 29. O arcabouço SOR também permite a integração de múltiplos estímulos afetivos e cognitivos. No entanto, modelos como TAM e UTAUT, embora amplamente utilizados, focam em construtos pré-definidos (por exemplo, utilidade percebida e facilidade de uso), o que pode limitar sua capacidade de capturar influências multidimensionais no comportamento dousuário 30. Esses modelos geralmente são mais adequados para análise estática do que para contextos de tomada de decisão dinâmica31. Mega-influenciadores, por exemplo, podem alcançar audiências globais, aumentar o reconhecimento da marca e gerar engajamento significativo, embora sua eficácia varie entre oscontextos 32. O SOR fornece insights complementares sobre processos afetivos, enquanto o TAM oferece uma estrutura parcimoniosa e preditiva para modelar intenções comportamentais.

Estudos empíricos sugerem que mega-influenciadores geram engajamento mais forte, atitudes em relação ao produto e aquisiçãode informação 33. No entanto, influenciadores de nível inferior podem aumentar a consciência e a autenticidade, às vezes superando anúnciosdirecionados 34. Outros achados indicam que, enquanto mega-influenciadores geram um engajamento mais amplo, influenciadores menores demonstram autenticidade e confiançamais fortes 35. Esses resultados mistos destacam inconsistências na eficácia dos influenciadores emcontextos 36,37 e ressaltam a necessidade de explorar outros tipos de influenciadores, incluindo influenciadoresvirtuais 38.

Apesar do crescente interesse em VIs, as pesquisas existentes ainda são limitadas em escopo. A maioria dos estudos se baseia em conjuntos de dados baseados no Instagram e análises de conteúdo para avaliar métricas de engajamento (por exemplo, curidas, comentários, características linguísticas), deixando uma lacuna na compreensão da intenção de adoção sob uma perspectiva comportamental. Além disso, pesquisas limitadas examinaram a adoção de VI em plataformas de vídeo curto, que apresentam características sociotécnicas únicas, incluindo exposição guiada por algoritmos, consumo rápido de conteúdo e interações parasociais intensificadas.

Para abordar essas lacunas, este estudo aplica o Modelo de Aceitação de Tecnologia (TAM) para investigar sistematicamente fatores que influenciam a adoção do VI em plataformas de vídeo curto. O TAM é selecionado por seu forte poder explicativo, parcimônia e extensa validação empírica em contextos digitais. Embora estruturas alternativas como SOR e UTAUT ofereçam insights valiosos, elas enfatizam fatores afetivos ou institucionais além do foco cognitivo deste estudo. Assim, o TAM é estendido para incorporar autenticidade percebida e antropomorfismo na fase de formação da crença.

Especificamente, este estudo examina como a Facilidade de Uso Percebida (PEOU) influencia a Utilidade Percebida (PU) e como esses construtos moldam a Atitude do usuário e a Intenção Comportamental em relação aos VIs. Investiga ainda os papéis moderadores da autenticidade percebida e do antropomorfismo na formação dessas relações. Empiricamente, o estudo utiliza uma pesquisa quantitativa com usuários de vídeos curtos e testa o modelo estendido usando PLS-SEM. Ao transitar da análise de conteúdo para um modelo de adoção comportamental, essa pesquisa aborda uma lacuna crítica e contribui para a compreensão da adoção de VI em ambientes digitais emergentes.

Este estudo traz três contribuições principais. Primeiro, estende o TAM para influenciadores virtuais em plataformas de vídeo curto, demonstrando sua aplicabilidade a entidades geradas por IA. Segundo, incorpora antropomorfismo e autenticidade percebida na fase de formação de crenças do TAM, fortalecendo o caminho crença–atitude–intenção. Terceiro, avança a metodologia empregando uma abordagem comportamental quantitativa usando dados de pesquisa e PLS-SEM para avaliar a validade da medição, relações estruturais e efeitos da moderação.

No geral, o estudo oferece insights teóricos e práticos sobre como a autenticidade e o design semelhante ao humano influenciam a adoção do VI. Examina os efeitos do PEOU e PU sobre a Atitude (ATT) e a Intenção Comportamental (BI), e testa os papéis moderadores da Autenticidade Percebida (PA) nas relações PU–ATT e ATT–BI, e do Antropomorfismo (ANTH) nas relações PEOU–ATT e PU–ATT. Com base nessas relações, são propostas as seguintes hipóteses:

A Facilidade :P Uso (PEOU) Percebida impacta positivamente a Utilidade Percebida (PU).
H2: A Utilidade Percebida (PU) impacta positivamente a Atitude (ATT) em relação a influenciadores virtuais.
H3: Atitude (ATT) impacta positivamente a Intenção Comportamental (BI) para usar influenciadores virtuais.
H4: A Facilidade de Uso Percebida (PEOU) impacta positivamente a Atitude (ATT) em relação aos influenciadores virtuais.
H5: Autenticidade Percebida (PA) modera positivamente a relação entre PU e ATT.
H6: Autenticidade Percebida (PA) modera positivamente a relação entre ATT e BI.
H7: Antropomorfismo (ANTH) modera positivamente a relação entre PEOU e ATT.
H8: Antropomorfismo (ANTH) modera positivamente a relação entre PU e ATT.

A Figura 1 apresenta o arcabouço conceitual baseado no Modelo de Aceitação de Tecnologia (TAM) estendido para a adoção por influenciadores virtuais em plataformas de vídeo curto. O modelo inclui construtos centrais de TAM, juntamente com duas variáveis moderadoras — Autenticidade Percebida e Antropomorfismo Percebido — para capturar influências sociais e psicológicas relevantes. Relações diretas são representadas por setas sólidas, enquanto os efeitos moderadores são representados como linhas tracejadas mirando os caminhos estruturais correspondentes. Essa representação alinha o modelo conceitual com as hipóteses propostas e melhora a clareza ao distinguir entre efeitos diretos e de interação.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este estudo foi aprovado pelo Comitê de Ética em Pesquisa da AzmanHashim International Business School, UniversitiTeknologi Malaysia, Kuala Lumpur, Malásia (Aprovação nº: UTM. AHIBS/REC/2025/012). Todos os procedimentos estavam em conformidade com os padrões éticos institucionais e os princípios da Declaração de Helsinque. O consentimento informado foi obtido de todos os participantes antes da coleta dos dados. Os participantes foram informados sobre o propósito do estudo, a natureza voluntária de sua participação, a confidencialidade de suas respostas e seu direito de se retirar a qualquer momento sem penalidade. Também foi obtido consentimento por escrito para o uso de dados anonimizados de pesquisas em publicações acadêmicas. Nenhum dado pessoalmente identificável ou sensível está incluído neste manuscrito.

O processo de pesquisa metodológica usado neste estudo para examinar a adoção de influenciadores virtuais por parte dos consumidores em plataformas de vídeos curtos é mostrado na Figura 2. O procedimento do estudo foi conduzido de forma sequencial, incluindo preparação de estímulos, exposição dos participantes, administração de pesquisas, pré-processamento de dados e análise estatística. Os usuários são inicialmente expostos a estímulos cuidadosamente selecionados de influenciadores virtuais em plataformas de vídeos curtos como TikTok, YouTube Shorts e Instagram Reels. Para capturar os principais conceituos do Modelo de Aceitação Tecnológica (TAM), incluindo Facilidade de Uso Percebida (PEOU), Utilidade Percebida (PU), Atitude (ATT) e Intenção Comportamental (BI), as respostas das pesquisas são coletadas usando instrumentos validados na escala Likert. Os dados coletados são então pré-processados, incluindo limpeza dos dados e avaliações de validade e confiabilidade, para garantir a qualidade dos dados.

A estrutura TAM estendida, incorporando variáveis moderadoras, é então aplicada ao conjunto de dados refinado. Especificamente, o Antropomorfismo (ANTH) modera as relações entre PEOU → ATT e PU → ATT, enquanto a Autenticidade Percebida (PA) modera as relações entre PU → ATT e ATT → BI. Esses efeitos moderadores são explicitamente modelados como interações nos caminhos estruturais. Por fim, o modelo de medição, as relações estruturais e os efeitos de moderação são avaliados usando Modelagem de Equações Estruturais de Mínimos Quadrados Parciais (PLS-SEM). Os resultados fornecem uma análise abrangente e sistemática do comportamento de adoção dos usuários em relação a influenciadores virtuais em plataformas de vídeo curto, destacando tanto os relacionamentos diretos (PEOU, PU → ATT → BI) quanto os efeitos moderadores.

Metodologia e desenho do estudo
A metodologia foi desenvolvida em três fases: desenvolvimento de estrutura conceitual, coleta de dados e análise empírica.

Desenvolvimento do arcabouço conceitual
Essa fase envolveu o desenvolvimento do arcabouço teórico estendendo o Modelo de Aceitação de Tecnologia (TAM) com dois moderadores socio-psicológicos relevantes para influenciadores virtuais: Autenticidade Percebida e Antropomorfismo. O modelo assume que a PEOU influencia a PU, enquanto a PU e a PEOU influenciam conjuntamente a Atitude, que por sua vez influencia a Intenção Comportamental (Figura 3).

Coleta de dados
Dados empíricos foram coletados por meio de um questionário online aplicado a 350 usuários de plataformas de vídeo de formato curto como TikTok, YouTube Shorts e Instagram Reels. Os participantes foram convidados a assistir a vídeos padronizados com influenciadores virtuais populares. Os dados foram coletados sobre construtos TAM e variáveis moderadoras. As variáveis de controle incluíam características demográficas e de uso. Considerações éticas foram observadas.

Análise empírica
Os dados foram analisados usando um procedimento de Modelagem de Equações Estruturais Parciais de Mínimos Quadrados Parciais (PLS-SEM) em duas etapas. Confiabilidade e validade foram avaliadas usando cargas fatorais, alfa de Cronbach, confiabilidade composta, Média de Variância Extraída (AVE), o critério de Fornell–Larcker e a razão Heterotrait–Monotrait (HTMT). O bootstrapping com 5.000 reamostras foi usado para testar caminhos estruturais e efeitos de moderação, validando o modelo TAM com autenticidade e antropomorfismo como moderadores.

Formulação do modelo estrutural
O estudo amplia o modelo TAM incorporando aspectos socioemocionais dos Influenciadores Virtuais em plataformas de vídeo curto. Além dos construtos tradicionais (PU, PEOU, Atitude, Intenção Comportamental), duas variáveis moderadoras — Autenticidade Percebida e Antropomorfismo — são incluídas para representar, respectivamente, dimensões psicológicas de credibilidade e semelhança humana.

No nível de medição, todos os construtos latentes (PEOU, PU, ATT, BI, PA, ANTH) são definidos de forma reflexiva, com múltiplos itens de pesquisa carregando em cada fatorlatente 39. O modelo de medição é expresso como:

figure-protocol-1(1)

onde xj era o indicador observado, η era a construção latente, era λj a carga fator, e εj era o erro de medição. Isso forneceu confiabilidade a priori, racionalidade convergente e racionalidade discriminante antes de testar os caminhos causais.

No nível estrutural, as equações TAM de base foram definidas como trilhas40. A utilidade percebida foi prevista pela Facilidade de Uso Percebida:

figure-protocol-2(2)

A atitude foi então especificada como uma função de PU e PEOU:

figure-protocol-3(3)

Por fim, a intenção comportamental foi explicada pela atitude, com a PU como um preditor direto opcional:

figure-protocol-4(4)

Para incorporar moderação, são introduzidos termos de interação. O Antropomorfismo (ANTH) modera os efeitos da PU e PEOU sobre a ATT, enquanto a Autenticidade Percebida (PA) modera os efeitos da PU sobre a ATT e ATT sobre a BI. As equações estruturais moderadas são:

figure-protocol-5(5)

Os coeficientes de interação (β₆, β₇, β₈, β₉) indicam se as relações TAM variam dependendo dos níveis de antropomorfismo e autenticidade. Por exemplo, o efeito condicional da PU no ATT é:

β₂ + β₆· ANTH + β₈· PA

De forma semelhante, o efeito condicional do ATT sobre o BI é:

β₄ + β₉· PA

O arcabouço também considera a mediação e a mediação moderada. O efeito indireto do PEOU sobre o ATT via PU no modelo base é:

figure-protocol-6(6)

Com moderadores incluídos, isso se tornou um efeito indireto condicional:

figure-protocol-7(7)

onde a e p representam, respectivamente, valores de antropomorfismo e autenticidade percebida.

Isso permite examinar se o caráter arbitral da PU depende dos atributos sociais das VIs, fornecendo assim evidências de mediação moderada.

Autenticidade Percebida (PA) e Antropomorfismo (ANTH) atuam como moderadores da aceitação por parte dos Influenciadores Virtuais em plataformas de vídeo curto, como ilustrado na Figura 3. Linhas sólidas representam relações TAM diretas, enquanto linhas tracejadas indicam efeitos moderadores. No geral, o modelo integra fatores tecnológicos e socio-psicológicos para fornecer uma explicação abrangente da adoção por influenciadores virtuais.

Coleta de conjuntos de dados
Esta pesquisa é baseada em um conjunto de dados de pesquisa (N = 350 participantes). Os participantes eram usuários regulares de plataformas de vídeos curtos como TikTok, YouTube Shorts e Instagram Reels. Eles receberam clipes editados de influenciadores virtuais e pediram que preenchessem um questionário estruturado usando medidas validadas da escala Likert para construtos TAM (PEOU, PU, ATT, BI) e moderadores (PA, ANTH). Os dados foram autorrelatados e não obtidos de um banco de dados público; No entanto, a estrutura de medição foi adaptada a partir de escalas estabelecidas em adoção de tecnologia e pesquisa com influenciadores virtuais.

A Tabela 1 descreve a estrutura do conjunto de dados de adoção comportamental. Cada linha representa um construto no modelo TAM estendido, juntamente com seus itens de medição, tipo de escala e papel analítico. PEOU e PU foram medidos usando quatro itens cada em uma escala de Likert de 7 pontos.

A Tabela 2 apresenta o perfil demográfico dos entrevistados. O perfil demográfico dos entrevistados (N = 350) indica uma distribuição de gênero relativamente equilibrada, com homens representando 50,86%, mulheres 45,43% e uma pequena proporção (3,71%) se identificando como outros. Em termos de idade, a maioria dos participantes está no grupo etário de 25 a 34 anos (44,57%), seguido por 18 a 24 anos (29,43%) e 35–39 anos (26,00%), sugerindo que o conjunto de dados é composto principalmente por indivíduos jovens a de meia-idade. Quanto ao desempenho educacional, os entrevistados estão distribuídos de forma justa entre diferentes níveis, com a maior proporção possuindo diploma de pós-graduação (23,14%), seguida pelo ensino médio (22,86%), graduação (20,29%), diploma (17,43%) e doutorado (16,29%). Isso reflete uma formação educacional diversa entre os participantes. Em termos de comportamento de uso da plataforma, uma maioria significativa dos entrevistados (61,71%) relatou uso diário, enquanto 29,14% usam a plataforma semanalmente e 9,14% ocasionalmente. Isso indica um alto nível de engajamento com a plataforma entre a população amostrada. Essas características indicam que a amostra representa usuários ativos de plataformas de vídeo curto.

Análise de dados
Após a coleta dos dados, 350 respostas válidas foram analisadas usando Modelagem de Equações Estruturais de Mínimos Quadrados Parciais (PLS-SEM), apropriada para extensão teórica, pesquisa orientada à predição e modelos complexos com variáveis moderadoras. A análise incluiu avaliação do modelo de medição, avaliação do modelo estrutural, análise de moderação e estimativa geral do modelo.

Validação do modelo de medição
O passo inicial foi medir a confiabilidade e racionalidade de todos os conceitos. A confiabilidade interna foi testada por meio do Alpha (α) e Composite Reliability (CR) de Cronbach, sendo que padrões melhores que 0,70 foram considerados satisfatórios. A racionalidade convergente foi determinada pela Média de Variância Extraída (AVE ≥ 0,50). A coerência discriminante foi verificada por meio do padrão de Fornell–Larcker, onde a raiz quadrada do AVE de cada construto era maior do que suas associações com conceitos adicionais. O AVE de um construto j foi calculado como:

figure-protocol-8(8)

onde λij era a carga fatorial padronizada do item i no construto j, e figure-protocol-9 é o erro de medição.

O modelo de medição do estudo atual é representado na Figura 4. Cada construção latente prolongada da estrutura TAM foi operacionalizada por vários indicadores reflexivos. Em particular, a Facilidade de Uso Percebida (PEOU) e a Utilidade Percebida (PU) foram medidas com 4 itens, enquanto Atitude (ATT) e Intenção Comportamental (BI) foram avaliadas com 3 itens. Os moderadores — Autenticidade Percebida (PA) e Antropomorfismo (ANTH) — foram avaliados usando três indicadores. Todos os caminhos levavam dos conceitos aos seus ponteiros individuais, espelhando a natureza reflexiva do modelo de medição. A confiabilidade e validade dos conceitos foram confirmadas usando cargas fatorais, alfa de Cronbach, Confiabilidade Composta (CR) e Média de Variância Extraída (AVE). Isso tornou estatisticamente correto que o modelo de medição e os conceitos medem as dimensões desejadas das atitudes e intenções comportamentais dos usuários em relação aos Influenciadores Virtuais em plataformas de vídeo curto.

Testes de Modelos Estruturais
Uma vez estabelecida a validade da medição, os caminhos estruturais do modelo TAM expandido foram examinados. As relações diretas postuladas são as seguintes:

figure-protocol-10(9)

figure-protocol-11(10)

figure-protocol-12(11)

Onde: β 1 examinou o efeito do PEOU → PU, β2,β 3 examinou o efeito do PU e PEOU → ATT, β4 capturou o efeito do ATT → BI. Coeficientes de caminho (β) foram calculados pelo método bootstrapping (5000 reamostras), e a significância foi calculada por meio de valores t e p.

Análise de moderação
Foi realizada uma análise de moderação para examinar os efeitos da interação. A extensão do TAM incluiu Autenticidade Percebida (PA) e Antropomorfismo (ANTH) como moderadores. A moderação foi testada gerando termos de interação entre variáveis independentes e moderadores. O modelo estendido foi representado como:

figure-protocol-13(12)

Aqui: PU × PA: Testado se a autenticidade aumentava o papel da utilidade na atitude. PEOU × ANTH: Avaliou se o antropomorfismo aumentou o resultado da Facilidade de Uso Percebida na atitude. TT × PA: Avaliou se a autenticidade fortaleceu o resultado da atitude em relação à intenção comportamental. Um coeficiente significativo deβ 7, β8 ou β10 verificou a ocorrência de moderação.

Avaliação de modelos
O modelo como um todo foi avaliado em termos de poder explicativo e preditivo:

Coeficiente de determinação (R2): Indicou a alteração esclarecida em construtos endógenos (ATT e BI). R2 ≥ 0,50 foi considerado alto em estudos comportamentais.

Relevância preditiva (Q2): Foi determinada por meio de venda às cegas, com Q2 > 0 indicando validade preditiva.

Tamanho do efeito (f2): Foi empregado para determinar o efeito de cada construção no modelo e é calculado como:

figure-protocol-14(13)

Onde a variância era explicada ao incluir um preditor, e figure-protocol-15 a variância ao excluí-lo. Em conclusão, a análise de dados inicialmente confirma a confiabilidade e validade do construto, testa as relações estruturais do TAM, avalia os efeitos de moderação do antropomorfismo e da autenticidade e, por fim, verifica o controle descritivo e extrapolativo do típico. Essa abordagem detalhada garante a solidez dos achados e estende o TAM ao caso de Influenciadores Virtuais em plataformas de vídeo curto.

Teste de hipóteses
Para confirmar o framework TAM estendido, oito hipóteses foram testadas usando PLS-SEM com bootstrapping (5000 reamostras). O processo de bootstrapping criou constantes de trilha (β), valores t e valores p, que foram definidos contra o limiar crítico (p < 0,05).

Efeitos Diretos (H1–H4)
Os impactos diretos do TAM clássico foram avaliados primeiro. Os achados verificaram que a Facilidade de Uso Percebida (PEOU) teve uma influência importante na Utilidade Percebida (PU). A equação estimada é:

figure-protocol-16 (14)

Onde β1=0,46, t=8,72, p < 0,001. Assim, o H1 é suportado.

Segundo, a Utilidade Percebida (PU) e a PEOU também influenciaram positivamente a Atitude (ATT):

figure-protocol-17(15)

com β2=0,39, t=7,64, p < 0,001 e β3=0,21, t=2,14, p < 0,05. Esses achados apoiam fortemente o H2 e o suporte parcial ao H4, reforçando que tanto a Facilidade de Uso Percebida quanto a utilidade mudam as atitudes.

Por fim, a influência do ATT na Intenção Comportamental (BI) foi significativa:

figure-protocol-18 (16)

com β4=0,58, t=10,12, p < 0,001. Portanto, o H3 é fortemente apoiado, enfatizando que atitudes positivas impulsionam fortemente a intenção de usar Influenciadores Virtuais.

Efeitos moderadores (H5–H8)
Os impactos moderadores da Autenticidade Percebida (PA) e do Antropomorfismo (ANTH) foram testados incorporando termos de interação.

Para o H5, o efeito da PU sobre o ATT foi moderado pela PA:

figure-protocol-19(17)

com β5=0,15, t=3,21, p < 0,01. Isso sugere que, se as VIs são vistas como autênticas, sua utilidade tem uma influência maior nas atitudes.

Para o H6, a moderação do ATT → BI pela PA também foi significativa:

figure-protocol-20(18)

com β6=0,12, t=2,94, p<0,01. Isso implica que a autenticidade tem uma conexão mais forte entre atitudes positivas e intenção comportamental.

Para H7, antropomorfismo ANTH modera o efeito do PEOU sobre a ATT:

figure-protocol-21(19)

com β7=0,14, t=3,08, p < 0,01. Assim, quando a VI é mais semelhante à humana, a facilidade de uso atua de forma mais poderosa em atitudes positivas.

Para H8, o antropomorfismo também aprimorou o caminho PU → ATT moderado do ANTH:

figure-protocol-22(20)

com β8=0,11, t=2,21, p < 0,05.

O desempenho do modelo foi avaliado usando R2 para poder explicativo, Q2 para relevância preditiva e tamanho do efeito (f2) para avaliar a contribuição de cada preditor.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Um total de 350 respostas utilizáveis foram obtidas de usuários ativos de aplicativos de vídeos curtos (Instagram Reels, YouTube Shorts e TikTok). Os dados foram analisados usando Modelagem de Equações Estruturais de Mínimos Quadrados Parciais (PLS-SEM) no SmartPLS 4.0, após pré-processamento e exclusão de respostas incompletas. Essa abordagem permitiu a avaliação tanto de modelos de medição quanto estruturais, bem como dos efeitos de moderação.

Os resultados ...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Para validar os construtos, o modelo de medição foi avaliado quanto à confiabilidade, validade convergente e validadediscriminante 39,40. As conclusões do estudo fornecem insights importantes sobre os fatores que influenciam a adoção dos Influenciadores Virtuais (VIs) pelos usuários em plataformas de vídeo curto. Os resultados indicam que tanto fatores tecnológicos (Utilidade Percebida e Facilidade de Uso Percebida) quanto psicol...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Os autores não declaram conflitos de interesse.

Agradecimentos

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Os autores agradecem com gratidão o apoio institucional da Escola Internacional de Negócios AzmanHashim, da UniversitiTeknologi Malaysia e do Colégio de Inovação e Empreendedorismo da Universidade de Turismo de Sichuan, pelo fornecimento de recursos e orientação acadêmica durante esta pesquisa. Esta pesquisa foi financiada pelo Projeto do Fundo do Centro de Pesquisa para o Desenvolvimento da Culinária de Sichuan (CC24G18).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
Computer System (PC/Laptop)Generic (HP/Dell/Lenovo ou equivalente)N/AUsado para coleta e análise de dados
Google FormsGoogle LLCN/A / https://forms.google.comUsado para design de pesquisa e coleta de dados
Instagram ReelsMeta Platforms Inc.N/A / https://www.instagram.com/reels/Plataforma para estímulos de vídeo de influenciadores virtuais
Internet ConnectionFornecedor Local de Serviço de InternetN/ANecessário para acessar a pesquisa e as plataformas
Microsoft ExcelMicrosoft Corporation365 / https://www.microsoft.com/excelUsado para pré-processamento e organização de dados
PythonPython Software Foundation3.x / https://www.python.orgUsado para pré-processamento opcional e manipulação de dados
SmartPLSSmartPLS GmbH4.0 / https://www.smartpls.comUsado para análise PLS-SEM incluindo HTMT, Q² (blindfolding) e f² tamanho do efeito
TikTokTikTok Inc.N/A / https://www.tiktok.comPlataforma para estímulos de vídeo de influenciadores virtuais
Virtual Influencer Video ClipsConjunto de dados gerado pelo autorN/AEstímulos de vídeo padronizados apresentados aos participantes
YouTube ShortsGoogle LLCN/A / https://www.youtube.com/shortsPlataforma para estímulos de vídeo de influenciadores virtuais

Referências

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Ju, N., Kim, T., Im, H. Fake human but real influencer: The interplay of authenticity and humanlikeness in virtual influencer communication. Fashion Text. 11, 16(2024).
  2. Barari, M., Ross, M., Moghddam, H. A. Virtual influencers’ anthropomorphism, consumer engagement and/or well-being. J Consum Mark. 42, 673-688 (2025).
  3. Deng, F., Jiang, X. Effects of human versus virtual human influencers on the appearance anxiety of social media users. J Retail Consum Serv. 71, 103233(2023).
  4. Barari, M., Ross, M., Moghddam, H. A., et al. A meta-analysis of customer engagement behaviour. Int J Consum Stud. 45, 457-477 (2021).
  5. Barari, M. Unveiling the dark side of influencer marketing: How social media influencers (human vs virtual) diminish followers’ well-being. Mark Intell Plan. 41, 1162-1177 (2023).
  6. Audrezet, A., De Kerviler, G., Moulard, J. G. Authenticity under threat: When social media influencers need to go beyond self-presentation. J Bus Res. 117, 557-569 (2020).
  7. Geyser, W. The state of influencer marketing 2022: Benchmark report. , Influencer Marketing Hub. (2023).
  8. da Silva Oliveira, A. B., Chimenti, P. Humanized robots: A proposition of categories to understand virtual influencers. Australas J Inf Syst. 25, (2021).
  9. Jin, S., Park, H., Lee, J. Comparing the impact of virtual and human influencers on social media users’ self-perception. Comput Hum Behav. 140, 107573(2023).
  10. Miao, F., Kozlenkova, I. V., Wang, H., et al. An emerging theory of avatar marketing. J Mark. 86, 67-90 (2022).
  11. Moustakas, E., Lamba, N., Mahmoud, D., et al. Blurring lines between fiction and reality: Perspectives of experts on marketing effectiveness of virtual influencers. ProcIntConf Cyber SecurProt Digit Serv, , (2020).
  12. Hiort, A. How many virtual influencers are there?. , Virtual Humans. (2022).
  13. Conti, M., Gathani, J., Tricomi, P. P. Virtual influencers in online social media. IEEE Commun Mag. 60, 86-91 (2022).
  14. Arsenyan, J., Mirowska, A. Almost human? A comparative case study on the social media presence of virtual influencers. Int J Hum Comput Stud. 155, 102694(2021).
  15. Shin, J., Lee, S. Intimacy between actual users and virtual agents: Interaction through likes and comments. Proc 14th IntConf Ubiquitous InfManagCommun, , (2020).
  16. Bie, Y., Zhang, X., Li, H., et al. Beyond the shores of reality: The effect of virtual influencers on luxury perception and its downstream consequence. Psychol Mark. , (2025).
  17. Belanche, D., Casaló, L. V., Flavián, M. Human versus virtual influences: A comparative study. J Bus Res. 173, 114493(2024).
  18. Kästner, E., Baczynski, M. Believe me, even though I am fake: How the credibility of real and virtual influencers affects purchase intention. J Media Bus Stud. , (2025).
  19. Li, Q., Wang, T. Adoption of short-video e-commerce apps among university students: An extended TAM approach. Electron Commer Res. 24, 879-901 (2024).
  20. Singh, A., Kumar, P. User behavior in TikTok shopping: Insights from Technology Acceptance Model. J Retail Consum Serv. 71, 104005(2024).
  21. Wang, S., Wang, Y., Li, X., et al. Leveraging TikTok for active learning in management education: An extended technology acceptance model approach. Int J Manag Educ. 22, 101009(2024).
  22. Koles, B., Szabo, K., Kovacs, A., et al. The authentic virtual influencer: Authenticity manifestations in the metaverse. J Bus Res. 170, 114325(2024).
  23. Park, S., Kim, H., Choi, Y. Consumer trust and engagement with virtual influencers: The role of perceived authenticity. J Interact Mark. 59, 45-58 (2025).
  24. Zhang, W., Li, F., Zhou, R. Perceived realism and human-likeness of virtual influencers: Effects on consumer engagement. Comput Hum Behav. 149, 107843(2024).
  25. Li, C., Huang, F. The impact of virtual streamer anthropomorphism on consumer purchase intention: Cognitive trust as a mediator. Behav Sci. 14, 1228(2024).
  26. Ross, M., Barari, M., Moghddam, H. A. Anthropomorphism of virtual influencers and consumer engagement in social media. J Mark Manag. 41, 1150-1168 (2025).
  27. Vafaei-Zadeh, A., Nikbin, D., Wong, S. L., et al. Investigating factors influencing AI customer service adoption: An integrated model of SOR and TTF theory. Asia Pac J Mark Logist. , (2024).
  28. Huo, C., Wang, X., Sadiq, M. W., et al. Exploring factors affecting consumer impulse buying behavior in live-streaming shopping: An SOR-based study. SAGE Open. 13, 21582440231172680(2023).
  29. Gao, L., Chen, Y., Liu, X., et al. The impact of artificial intelligence stimuli on customer engagement and value co-creation. J Res Interact Mark. 17, 317-333 (2022).
  30. Parhamnia, F. Investating mobile acceptance in academic library services based on UTAUT-2. J AcadLibrariansh. 48, 102570(2022).
  31. Wang, Z., Jiang, Q. Willingness of Generation Z consumers to use virtual try-on services based on SOR. Systems. 12, 217(2024).
  32. Conde, R., Casais, B. Micro, macro and mega-influencers on Instagram. J Bus Res. 158, 113708(2023).
  33. Dong, X., Zhou, R., Liao, J. Mega-influencer follower effect. Eur J Mark. , (2024).
  34. Berman, R., Ory, A., Zheng, X. Influence or advertise: The role of social learning in influencer marketing. , Yale University. (2023).
  35. Walter, N., Föhl, U., Zagermann, L. Impact of influencer characteristics on influencer success. J Curr Issues Res Advert. 46, 1-23 (2024).
  36. Li, W., Zhao, F., Lee, J. M., et al. Micro vs mega influencers and word of mouth. J Bus Res. 171, 114387(2024).
  37. Tian, Z., Dew, R., Iyengar, R. Influencer selection using follower elasticity. J Mark Res. 61, 472-495 (2024).
  38. Keasey, K., Lambrinoudakis, C., Mascia, D. V., et al. Impact of social media influencers on financial performance. EurFinancManag. 31, 745-785 (2025).
  39. Davis, F. D. Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Q. 13, 319-340 (1989).
  40. Venkatesh, V., Bala, H. Technology acceptance model 3 and a research agenda on interventions. Decis Sci. 39, 273-315 (2008).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Solicitar permissão para reutilizar o texto ou as figuras deste artigo JoVE

Solicitar permissão

Etiquetas

EngenhariaEdi o 233Edi o 233Este M s no JoVEEdi oV deo CurtoPLS SEM

Artigos relacionados