Artigo de investigação

Propondo a Adoção de TI Pública com sua Fundamentação Teórica e Descobertas Empíricas

0 visualizações

⸱

DOI:

10.3791/73614

⸱

15 de setembro de 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

Neste artigo

Resumo

Este estudo propõe o modelo de adoção pública de TI, um quadro prospectivo baseado na teoria da perspectiva que explica como ganhos e perdas percebidos impulsionam a aceitação ou rejeição pelos usuários de serviços de tecnologia da informação públicos, como a biometria em aeroportos. Duas pesquisas, incluindo uma pesquisa multinacional, e intervenções de especialistas validaram o modelo, corroborando a teoria da perspectiva em diferentes países e contextos.

Resumo

Esta pesquisa propõe um modelo teórico de adoção de tecnologia da informação pública (PITA, na sigla em inglês). Os serviços de tecnologia da informação (TI) públicos referem-se a serviços baseados em TI que instituições públicas oferecem a todos os cidadãos, como portais de governo eletrônico, aplicativos de saúde pública e sistemas biométricos em aeroportos. Devido à natureza única da TI pública, modelos previamente desenvolvidos, focados principalmente nos níveis individual e corporativo, têm sido considerados insuficientes para identificar a massa crítica de adoção da TI pública. Para preencher essa lacuna, propôs-se um quadro de percepção-intenção baseado na teoria da perspectiva, com o objetivo de explorar as perdas e ganhos percebidos pelos usuários ao adotar um novo serviço de TI pública, sugerindo que essas percepções são antecedentes da rejeição ou aceitação de um novo serviço de TI pública. Foram realizados dois estudos, incluindo um com amostras de inquéritos de três países (Coreia do Sul, Reino Unido e Estados Unidos). Também foram convidados cinco especialistas do setor, por meio de uma abordagem de pesquisa com intervenção, para refinar e validar qualitativamente o modelo, de modo que pudesse ser utilizado em um cenário prático. Os resultados mostraram que o valor total de aceitação, ou seja, o valor percebido agregado necessário para que os usuários aceitem o serviço, calculado como a soma dos coeficientes de caminho relevantes, foi consistentemente maior do que o de rejeição. Um achado semelhante foi observado para o ganho percebido, que foi um preditor mais forte tanto da aceitação quanto da rejeição do que a perda percebida. Embora os achados se baseiem em dados transversais e autorrelatados, eles fornecem forte apoio à teoria da perspectiva e contribuem para uma compreensão mais aprofundada do papel fundamental dessa teoria na adoção de TI pública. Assim, ao estender a teoria da perspectiva ao contexto de TI no setor público, o PITA oferece aos pesquisadores uma base teórica validada e aos profissionais uma ferramenta prática para diagnosticar a adoção de serviços de TI pública.

Introdução

A tecnologia da informação (TI) evoluiu nas últimas décadas até se tornar uma ferramenta dominante e onipresente para a busca de inovação e alterou significativamente a vida cotidiana. Desde a introdução de modelos de adoção de TI baseados em perspectivas psicológicas1,2,3,4, a relação entre usuários e TI tem sido amplamente pesquisada nos níveis individual e organizacional5.

Enquanto isso, muitas organizações públicas têm enfrentado dificuldades para alcançar eficiência operacional diante de demandas sociais avassaladoras, como a congestão em aeroportos, o que prejudica a eficácia e a qualidade dos serviços públicos. Ampliar as infraestruturas físicas pode gerar benefícios imediatos, mas exige investimentos significativos de tempo e dinheiro6. Em contraste, provedores inovadores de serviços públicos têm abordado essa questão por meio da inovação impulsionada por tecnologia da informação7, integrando inovações às infraestruturas existentes para garantir a qualidade do serviço e a eficiência operacional8,9,10,11. Atualmente, organizações públicas estão adotando novas tecnologias da informação (por exemplo, serviços em nuvem, cibersegurança e biometria) para revitalizar seus ativos principais, o que cria desafios adicionais de adoção12. Esse problema pode decorrer de uma compreensão inadequada dos usuários reais: pesquisas anteriores concentraram-se predominantemente em fatores que impulsionam a aceitação, negligenciando a rejeição. Sem a participação ativa dos usuários, as implementações de tecnologia da informação em instituições públicas podem não alcançar adoção prática.

No entanto, a adoção de TI no setor público apresenta desafios únicos, distintos dos contextos do setor privado. Embora "aceitação" e "rejeição" pareçam ser opostas como dois status quos distintos13, promover uma poderia inibir a outra, de modo que ambos os lados do efeito contraposto devem ser considerados. Estudos anteriores sobre inovação em serviços públicos de TI tenderam a enfatizar resultados positivos10,11,14,15,16. Este artigo, portanto, examinou "aceitação" e "rejeição" em conjunto, convergindo modelos de SI baseados na psicologia (ou seja, difusão da inovação e resistência à inovação) com a economia comportamental (ou seja, teoria da perspectiva).

O caso dos sistemas biométricos em aeroportos, nos quais a identificação biométrica substitui procedimentos baseados em documentos, foi selecionado porque esse serviço público de tecnologia da informação é oferecido a todos os cidadãos, envolve informações pessoais sensíveis e coloca os usuários diante de uma decisão clara de aceitar ou rejeitar. Duas questões de pesquisa orientaram o estudo. Pq1: Como as percepções de ganhos e perdas influenciam a aceitação e a rejeição de um serviço público de tecnologia da informação pelos usuários? Pq2: O valor total exigido para a aceitação é maior do que para a rejeição, conforme prevê a teoria da perspectiva? Assim, uma nova estrutura teórica foi proposta e validada por especialistas do setor por meio da estratégia IBR (pesquisa baseada em intervenção)17 (Figura 1). Este estudo, portanto, integra a teoria da perspectiva aos modelos de adoção de sistemas de informação e oferece insights acionáveis para gestores públicos de tecnologia da informação.

figure-introduction-1
Figura 1: O processo de pesquisa de formulação e desenvolvimento do modelo teórico. O diagrama mostra o fluxo geral da pesquisa, desde a formulação do modelo teórico com base em modelos de adoção anteriores e na teoria da perspectiva, passando pelo Estudo 1 e Estudo 2, cada um seguido por uma intervenção de especialista, até a conclusão do modelo PITA. Clique aqui para visualizar uma versão maior desta figura.

A adoção de TI foi amplamente estudada: o modelo de aceitação de tecnologia (TAM)2 e a teoria unificada de aceitação e uso de tecnologia (UTAUT)4 no nível individual, e a difusão da inovação (DOI)1 e o modelo tecnologia-organização-ambiente (TOE)3 no nível organizacional geraram estudos subsequentes sobre realidade aumentada e aprendizagem de línguas18,19, chatbots e pagamentos digitais20,21, serviços de mobilidade22,23 e trabalho remoto24. No entanto, esses modelos apresentam limitações significativas para TI pública: o TAM assume uso voluntário, o DOI negligencia a resistência do usuário e a UTAUT foi desenvolvida principalmente para ambientes organizacionais, de modo que sua aplicabilidade a serviços de TI pública quase obrigatórios permanece questionável. Também existem estudos sobre a adoção de TI pública com base nesses modelos, por exemplo, estendendo a UTAUT para examinar um sistema online de solução de reclamações públicas25 e aplicando o TOE a sistemas de informação de recursos humanos no setor público14; muitos outros estudos adotaram abordagens semelhantes26,27,28,29,30,31,32,33,34,35.

No entanto, a adoção de TI no nível público difere significativamente da adoção nos níveis individual ou empresarial (veja Tabela 1): as entidades que adotam e os usuários não são os mesmos, e as intenções dos usuários não são evidentes devido à inércia psicológica e à situação atual dos serviços existentes. As características disruptivas da TI podem dificultar a reestruturação dos sistemas existentes36; a adoção também exige mudanças nas atitudes e comportamentos dos usuários, o que demanda uma compreensão clara das perspectivas desses usuários. Diante dessas características, modelos anteriores que enfatizam os níveis individual e empresarial podem não ser adequados para identificar a massa crítica necessária para a adoção pública de TI. Como a inovação em serviços impulsionada por TI é fundamental para a redução de custos e a melhoria dos serviços37,38 e, em última instância, para o avanço da sociedade39, um framework teórico focado na adoção pública de TI é essencial.

Nível individualNível da empresaNível público
Entidade de adoçãoIndivíduosEmpresas (privadas)Empresas (públicas)
UsuárioIndivíduosFuncionários da empresaIndivíduos
Intenção do usuárioCertaCerta (obrigatória)Incertaina
Inércia psicológicaDesprezívelDesprezível (obrigatória)Prominente
Percepção de valorIndispensávelIndispensável (obrigatório)Indispensável
Principal finalidade da adoçãoPessoalEficiência, economia de custosInteresse público
Modelos relevantes de adoção de TITAM2, UTAUT4DOI1, TOE3Este estudo

Tabela 1: Diferentes níveis de adoção de TI. A tabela contrasta a adoção de TI nos níveis individual, empresarial e público em termos de modelos teóricos representativos, entidades adotantes e usuários.

A literatura existente demonstrou que indivíduos e funcionários têm uma intenção a priori (em nível individual) ou forçada (em nível organizacional) de utilizar um serviço de TI específico2,40, o que implica que a adoção foi predeterminada4,41. No entanto, nem todos os usuários pretendem utilizar tecnologia da informação42, e apenas alguns estudos sobre sistemas de informação identificaram as características e justificativas para a rejeição43,44. Assim sendo, um novo serviço público de TI seria deliberadamente rejeitado até que a inovação seja aceita ou fracasse45.

Compreender a aceitação e a rejeição dos usuários em relação ao serviço de TI de uma instituição pública é o objetivo principal deste estudo, analisado por meio de duas percepções de valor: ganho percebido e perda percebida. O ganho percebido foi adaptado do modelo de difusão da inovação1,46; essas construções têm sido amplamente utilizadas para examinar percepções favoráveis à aceitação de TI47,48 e demonstram alta validade em diversos contextos40. Em contraste, a perda percebida inclui as características que explicam por que as pessoas mantêm seu modo de vida atual apesar das pressões para se adaptarem; baseada na resistência à inovação42,49, essa linha de pesquisa examina por que algumas pessoas atrasam a adoção de uma inovação ou a rejeitam abertamente49,50,51,52,53. Uma abordagem multidimensional capturou essas percepções, em vez de tratar perda e ganho como construtos gerais.

A perda percebida foi operacionalizada por meio de cinco construtos53,54. A perda de tempo (TIL) é o tempo percebido como perdido no aprendizado e uso do serviço, especialmente quando as expectativas não são atendidas53. A perda social (SOL) é o risco de perder o prestígio em um grupo social por parecer tolo ou desatualizado54. A perda financeira (FIL) abrange possíveis prejuízos monetários decorrentes de custos de compra, taxas ou roubo de informações pessoais54. A perda física (PHL) é a percepção de que o uso pode causar danos, desconforto ou exaustão53,54. A perda de desempenho (PEL) é a diminuição percebida na qualidade ou funcionalidade do serviço em comparação com alternativas existentes, incluindo mau funcionamento e a incapacidade de proporcionar os benefícios desejados53.

Para explicar o ganho percebido (PG), foram utilizados a vantagem relativa, a compatibilidade, a possibilidade de experimentação e a complexidade1,46. A vantagem relativa (REA) é o grau em que uma inovação é considerada mais vantajosa do que seu antecessor; a compatibilidade (COM), o grau em que ela se ajusta aos valores, necessidades e experiências anteriores de um possível adotante; a possibilidade de experimentação (TRI), a extensão da experimentação possível antes da adoção; e a complexidade (CPX), que está relacionada à facilidade de uso percebida no TAM, refere-se à dificuldade de usar e compreender a inovação. A observabilidade foi excluída porque é muito ambígua para ser medida46 e porque os resultados biométricos no contexto de TI pública não são facilmente observáveis por outras pessoas.

A abordagem perda-ganho foi proposta para explicar os valores percebidos que motivam as reações a um novo serviço público de TI. Se o serviço for radical e ameaçar comportamentos habituais, a perda percebida foi hipotetizada como superando o ganho percebido, causando rejeição; se isso persistir, a rejeição pode tornar-se um aspecto constante da intenção comportamental42,49. Por outro lado, se os benefícios percebidos superarem as perdas antecipadas, o usuário terá poucas razões para rejeitar o serviço. Portanto, foram formuladas as seguintes hipóteses:

H1. A perda percebida terá uma influência positiva na rejeição.
H2. A perda percebida terá uma influência negativa na aceitação.
H3. O ganho percebido terá uma influência negativa na rejeição.
H4. O ganho percebido terá uma influência positiva na aceitação.

Qualquer avanço baseado em TI nos serviços governamentais tem como objetivo promover a sociedade (por exemplo, embarque mais rápido e seguro por meio de biométrica em aeroportos), ainda assim, um serviço público de TI recentemente lançado está repleto de riscos e incertezas, e os usuários podem não aceitar os benefícios como pretendido. De acordo com a teoria da perspectiva55, as pessoas tomam decisões irracionais desse tipo com base na avaliação de alternativas, valores e atitudes diante da incerteza, julgados em relação a um ponto de referência (dependência de referência). A principal percepção dessa teoria é a aversão à perda, a tendência de as perdas pesarem mais do que ganhos equivalentes, juntamente com a sensibilidade decrescente; esse foco em ganhos e perdas em relação ao status quo alinha-se diretamente com a dicotomia aceitação-rejeição examinada aqui. A teoria da perspectiva tem sido utilizada em estudos recentes de SI e TI para explicar decisões irracionais sob risco e incerteza56,57,58,59,60, abrangendo contextos que vão desde trabalho com IA e saúde digital até Wi-Fi público e pagamentos móveis. Embora esses estudos confirmem a relevância da teoria, eles se concentraram principalmente nas intenções de aceitação e negligenciaram a dimensão de rejeição central ao contexto de TI pública.

Os usuários de serviços públicos de TI agem como se decidissem aceitar ou rejeitar o serviço com base nos valores totais exigidos (ou seja, a soma do ganho e da perda percebidos). Nenhum estudo anterior sobre adoção de TI pública investigou esse fenômeno sob essa perspectiva. Assim, os coeficientes de caminho (ou seja, PL para REJ) foram codificados como valores55, e os valores totais exigidos para rejeição e aceitação foram calculados da seguinte forma:

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

em que CLR, CGR, CLA e CGA são os coeficientes de caminho da percepção de perda para rejeição, ganho para rejeição, percepção de perda para aceitação e ganho para aceitação, respectivamente; esses coeficientes padronizados geram V(R) e V(A) como valores compostos da influência total da perda e do ganho. Como os serviços públicos de TI são projetados para beneficiar os usuários, enquanto os usuários ponderam perdas mais fortemente do que ganhos ao abandonar o status quo, esperava-se que a aceitação, a escolha mais arriscada, exigisse um valor total maior do que a rejeição. Com base nas hipóteses H1–H4, a H5 testa o balanço líquido desses efeitos:

H5. O valor total necessário para aceitação, V(A), será maior do que para rejeição, V(R). O modelo conceitual resultante de adoção de tecnologia da informação pública (PITA) é apresentado na Figura 2.

figure-introduction-2
Figura 2: Modelo conceitual PITA. O diagrama mostra a perda percebida (PL) e o ganho percebido (PG) como antecedentes da rejeição (REJ) e da aceitação (ACC); os caminhos a, b, c e d correspondem aos coeficientes utilizados para calcular os valores totais V(R) e V(A). Nota: a = CLR, b = CLA, c = CGR e d = CGA  Clique aqui para visualizar uma versão maior desta figura.

Protocolo

Todos os procedimentos do estudo estiveram em conformidade com os princípios éticos aplicáveis à pesquisa envolvendo participantes humanos na Universidade aSSIST, na Universidade Sungkyunkwan e na Universidade Dong-A. Como as respostas ao questionário foram anonimizadas no momento da coleta e nenhuma informação pessoal identificável foi obtida, o Comitê de Ética em Pesquisa da Universidade aSSIST classificou o estudo como isento de revisão ética completa. As instituições participantes não obtiveram aprovações separadas do comitê de ética, pois se basearam na decisão de isenção emitida pelo Comitê de Ética em Pesquisa da Universidade aSSIST, que abrangia tanto o desenho da pesquisa quanto os procedimentos de coleta de dados. Essa decisão foi tomada de acordo com o Artigo 15 da Lei de Bioética e Segurança da República da Coreia e os critérios de isenção especificados no Artigo 13 de sua Regulamentação (https://public.irb.or.kr/pt/pt01/PT0103/PT0103R01.do). Antes de acessar o questionário no Qualtrics, todos os participantes receberam uma declaração eletrônica de consentimento informado explicando o objetivo acadêmico da pesquisa, o processamento anônimo das respostas, o uso dos dados exclusivamente para fins de pesquisa e a ausência de riscos razoavelmente previsíveis. Apenas os participantes que forneceram consentimento expresso puderam prosseguir com o questionário.

Visão geral dos estudos
Dois estudos empíricos e duas intervenções com especialistas foram realizados para testar as cinco hipóteses e o modelo PITA proposto. Os resultados são apresentados na Figura 3. Pesquisas em duas fases foram conduzidas antes da COVID-19 (4º trimestre de 2019) e durante a COVID-19 (2º e 3º trimestres de 2020) para mensurar os construtos separadamente em momentos distintos, reduzir a possibilidade de viés metodológico comum (CMB) nos dados e aumentar a generalização do estudo61,62.

figure-protocol-1
Figura 3: Visão geral dos estudos. A linha do tempo resume o delineamento em duas ondas: Estudo 1 (4º trimestre de 2019, antes da COVID-19, amostra coreana, N = 322), seguido pela primeira intervenção especializada, e Estudo 2 (2º e 3º trimestres de 2020, durante a COVID-19, amostras da Coreia/Reino Unido/Estados Unidos, N = 602), seguido pela segunda intervenção especializada. Clique aqui para visualizar uma versão maior desta figura.

Modelo do Estudo 1
O modelo de pesquisa inicial foi criado com base nas hipóteses desenvolvidas para revelar as intenções dos usuários de aceitar ou rejeitar um serviço público de TI recentemente introduzido (ou seja, biometria em aeroportos), conforme mostrado na Figura 4. As opiniões dos usuários sobre serviços públicos de TI foram refletidas em duas construções de segunda ordem, perda percebida (PL) e ganho percebido (PG), cada uma formada por suas respectivas construções de primeira ordem. Essas duas construções de segunda ordem atuam como antecedentes da rejeição (REJ) e da aceitação (ACC), que representam as intenções dos usuários de utilizar serviços públicos de TI.

figure-protocol-2
Figura 4: Modelo de pesquisa do Estudo 1. Cinco construtos de primeira ordem de perda (PEL, TIL, SOL, PHL e FIL) formam o construto de segunda ordem perda percebida, e quatro construtos de primeira ordem de ganho (REA, COM, TRI e CPX) formam ganho percebido; os dois construtos de segunda ordem são modelados como antecedentes da rejeição e da aceitação (H1–H4). Clique aqui para visualizar uma versão maior desta figura.

Dados de pesquisa do Estudo 1
A primeira amostra de dados, baseada em um total de 322 participantes coreanos (mulheres: 46,6% e homens: 53,4%) que tinham experiência em embarcar em um avião pelo menos uma vez no último ano, foi coletada de 13 a 18 de novembro de 2019 (antes do início da pandemia de COVID-19). Definições e exemplos de serviços públicos de TI (ou seja, aplicações biométricas em aeroportos) foram fornecidos na introdução da pesquisa. Os dados brutos do Estudo 1 estão disponíveis no Arquivo Suplementar 1. A frequência de voos foi medida em cinco categorias mutuamente exclusivas (FF1–FF5), correspondentes a um, dois, três, quatro e cinco ou mais voos no último ano (Estudo 1: 138, 91, 34, 21 e 38 participantes; Estudo 2: 174, 153, 109, 82 e 84 participantes, respectivamente).

Os construtos preditores foram avaliados utilizando uma escala Likert de sete pontos que variava de “discordo totalmente (1)” a “concordo totalmente (7)” (consulte Arquivo Suplementar 21,46,53,54,63,64 para o questionário do estudo). Após um teste piloto com 20 participantes, as revisões limitaram-se a aprimoramentos no nível da redação dos itens das perguntas, com o objetivo de melhorar sua estabilidade, aplicabilidade e facilidade de interpretação; nenhum construto ou item foi adicionado ou removido após o teste piloto. O documento complementar contém o questionário completo, bem como estatísticas relevantes e contexto teórico. Foram realizadas análises de análise fatorial confirmatória (AFC) e modelagem de equações estruturais baseada em covariância (CB-SEM).

Intervenção dos especialistas para o Estudo 1
Cinco especialistas com pelo menos dez anos de experiência foram convidados para garantir a objetividade e melhorar a qualidade deste trabalho, incluindo dois de organizações internacionais (Airports Council International e International Air Transport Association), dois de organizações governamentais (Aeroporto Internacional de Cingapura Changi e Korea Airports Corporation) e um de uma empresa privada que oferece serviços em ambiente público (Korean Air). Essa intervenção por especialistas foi essencial para fornecer feedback que aprimorasse o modelo e o conhecimento do domínio do ambiente-alvo. Foram realizadas avaliações qualitativas (ou seja, feedback subjetivo) e quantitativas (escala Likert de sete pontos). Adotou-se uma versão revisada dos itens do questionário sobre características do relatório de decisão (consulte Arquivo Suplementar 3)65 para a avaliação quantitativa, validada mediante o coeficiente de correlação intraclasse66. Em cada rodada de intervenção, cada especialista preencheu individualmente o questionário quantitativo e, em seguida, forneceu feedback qualitativo aberto; o mesmo grupo, instrumentos e procedimento foram utilizados em ambas as intervenções para permitir a replicação.

Estudo 2
Para abordar os problemas identificados no Estudo 1 e melhorar a generalização do modelo, o Estudo 2 aplicou o mesmo modelo utilizado no Estudo 1. O Estudo 2 incluiu 602 participantes (mulheres: 42,3%, homens: 57,7%, Coreia: 200, Reino Unido: 201 e Estados Unidos: 201). Os dados foram coletados entre 23 de julho e 19 de agosto de 2020 (durante a pandemia de COVID-19). Os dados brutos do Estudo 2 estão disponíveis no Arquivo Suplementar 4. Com 33 indicadores observados, este tamanho amostral fornece aproximadamente 18 observações por indicador, superando o critério comumente recomendado de 10 observações por indicador para CB-SEM, além de ultrapassar o limite mínimo amplamente utilizado de 200 observações. A Coreia, o Reino Unido e os Estados Unidos foram escolhidos porque representaram 29,1% de todos os viajantes aéreos no mundo (cerca de 1,6 bilhão de 5,5 bilhões) entre julho de 2019 e junho de 2020. A pandemia de COVID-19 afetou esses países em momentos diferentes, começando na Coreia e posteriormente atingindo os Estados Unidos e o Reino Unido. Além disso, os três países oferecem uma combinação de tradições culturais orientais e ocidentais. Consequentemente, o conjunto de dados combinado desses países foi utilizado para examinar o quadro de percepção-intenção dos usuários em relação ao novo serviço público de TI (ou seja, biometria em aeroportos).

Intervenção dos especialistas para o Estudo 2
Os mesmos especialistas foram convidados, as mesmas avaliações quantitativas e qualitativas foram realizadas e seus comentários foram solicitados para validar os resultados no Estudo 2.

Resultados

Estudo 1
Para avaliar possíveis viéses de método comum (CMB) associados a dados autorrelatados, foi realizada inicialmente uma análise de fator único67. De acordo com os resultados do teste, um único fator explicou 36,56% da variância; um único fator que explica menos de 50% da variância indica que o CMB não é uma preocupação62,67,68. Em seguida, foram avaliadas a validade do construto e a confiabilidade. Os resultados na Tabela 2 indicaram que a variância média extraída (AVE, 0,585 a 0,836) e a confiabilidade composta (CR, 0,872 a 0,939) atenderam aos requisitos mínimos necessários69,70. Além disso, a raiz quadrada da AVE para cada construto, mostrada na diagonal, superou suas correlações com os demais construtos, o que sustenta a validade discriminante69.

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: Confiabilidade e validade do construto (Estudo 1). A tabela apresenta a confiabilidade composta (CR), a variância média extraída (AVE) e as correlações entre construtos para o modelo de mensuração do Estudo 1.

Em seguida, as hipóteses foram testadas utilizando modelagem por equações estruturais (SEM) entre ganho percebido, perda percebida, aceitação e rejeição. Conforme ilustrado na Figura 5, o modelo demonstrou índices de ajuste aceitáveis (CMIN/DF = 2,25, CFI = 0,936, SRMR = 0,075, RMSEA = 0,062), todos atendendo aos limiares recomendados (CMIN/DF < 3, CFI > 0,90, SRMR < 0,08, RMSEA < 0,08), e os resultados são altamente favoráveis às hipóteses desenvolvidas. Os cinco construtos determinantes (PER, TIR, SOR, PHR e FIR) para perda percebida e os quatro construtos determinantes (REA, COM, TRI e CPX) para ganho percebido (PG) mostraram todos efeitos substanciais. Os testes das hipóteses 1 e 2 revelaram que a perda percebida exerceu influência positiva moderada sobre a rejeição (β = 0,357, p < 0,001) e impacto significativamente negativo sobre a aceitação (β = -0,148, p < 0,001). Assim, ambas as H1 e H2 são confirmadas. Por outro lado, os testes das hipóteses 3 e 4 revelaram que o ganho percebido teve efeitos opostos em comparação com a perda percebida: influência fortemente positiva sobre a aceitação (β = 0,721, p < 0,001) e impacto negativo sobre a rejeição (β = -0,507, p < 0,001), respectivamente. Portanto, ambas H3 e H4 também são confirmadas. O resumo geral dos resultados do teste do modelo de pesquisa do Estudo 1 utilizando SEM é apresentado na Tabela 3. O modelo estrutural explicou 62,4% da variância na aceitação e 52,5% na rejeição (R2 = 0,624 e 0,525, respectivamente).

figure-results-1
Figura 5: Resultados dos testes de hipóteses do Estudo 1. O diagrama apresenta os coeficientes padronizados dos caminhos e seus níveis de significância para o modelo estrutural estimado com a amostra do Estudo 1 (N = 322); todos os caminhos hipotetizados foram significativos nas direções esperadas. PEL = perda de desempenho; TIL = perda de tempo; SOL = perda social; PHL = perda física; FIL = perda financeira; REA = vantagem relativa; COM = compatibilidade; TRI = possibilidade de teste; CPX = complexidade; PL = perda percebida; PG = ganho percebido; REJ = rejeição; ACC = aceitação Clique aqui para visualizar uma versão maior desta figura.

HipóteseCaminhoβvalor tvalor pResultado
H1a: PL → REJ0.3576.592***Suportada
H2b: PL → ACC-0.148-3.059***Suportada
H3c: PG → REJ-0.507-7.29***Suportada
H4d: PG → ACC0.7218.966***Suportada

Tabela 3: Resultados gerais do Estudo 1. A tabela resume os coeficientes padronizados de caminho, os níveis de significância e os resultados dos testes de hipóteses para o Estudo 1. ***p < 0,001

Além disso, os valores totais necessários para REJ e ACC foram calculados para testar H5 e confirmar se o modelo é consistente com a teoria da perspectiva55. Nas Equações (1) e (2), a corresponde ao caminho da perda percebida para a rejeição (CLR = 0,357), c ao caminho do ganho percebido para a rejeição (CGR = -0,507), b ao caminho da perda percebida para a aceitação (CLA = -0,148) e d ao caminho do ganho percebido para a aceitação (CGA = 0,721). Os resultados indicaram que V(R) = a + c = -0,150 e V(A) = b + d = 0,573; portanto, V(R) < V(A), e H5 foi confirmada.

Resultados da intervenção dos especialistas para o Estudo 1
Os resultados indicaram que os especialistas não concordaram totalmente com as afirmações; os valores médios variaram de 3,40 a 4,40 para os construtos que medem orientação sistemática, qualidade e suficiência da declaração do problema. O construto de afeto negativo geral também apresentou uma variação de 3,20 a 3,60 (CCI = 0,609, p = 0,008). As avaliações subjetivas dos especialistas identificaram duas áreas adicionais para melhoria: o conjunto de dados não era representativo do fator situacional (foi coletado antes da COVID-19), e uma amostra exclusivamente sul-coreana não seria adequada para generalização. Esses resultados serviram de base para o Estudo 2, que foi realizado após as intervenções dos especialistas para resolver esses problemas.

Estudo 2
Um procedimento paralelo ao Estudo 1 foi seguido no Estudo 2. Primeiro, realizou-se a análise de um fator para avaliar se o viés metodológico comum (CMB) era uma preocupação no conjunto de dados67. Os resultados do teste indicaram que não havia um efeito substancial do CMB na amostra de dados, já que um único fator explicou 38,97% da variância, abaixo do limite de preocupação de 50%62,67,68. Além do CMB, os resultados na Tabela 4 sugeriram que a confiabilidade e a validade do modelo também atenderam adequadamente aos requisitos69,70. Além disso, todas as razões heterotrait-monotrait (HTMT) estavam abaixo do limite de 0,85, fornecendo apoio adicional à validade discriminante.

CRAVEMSVMaxR(H)PLPGACCREJ
PL0,8610,560,3640,8850,748
PG0,9020,7050,6670,947-0,4220,84
ACC0,960,8890,6670,961-0,5080,8160,943
REJ0,9420,8440,6590,9570,603-0,745-0,8120,919

Tabela 4: Confiabilidade e validade do construto (Estudo 2). A tabela apresenta a confiabilidade composta (CR), a variância média extraída (AVE) e as correlações entre construtos para o modelo de mensuração do Estudo 2.

Os resultados do teste de MEV do Estudo 2 com os três países foram CMIN/DF = 3,835, CFI = 0,945, RMSEA = 0,058. O CFI e o RMSEA atingiram os limiares recomendados, e embora o valor de CMIN/DF de 3,835 não tenha atingido o critério mais rigoroso de <3,0, ainda indicou um ajuste aceitável do modelo com base no critério menos rigoroso de <5,0. Portanto, os resultados do teste foram altamente consistentes com os argumentos desenvolvidos e com os resultados do Estudo 1, conforme apresentado na Figura 6 e na Tabela 5. Semelhante aos resultados do Estudo 1, as relações entre PL e REJ (β = 0,345, p < 0,001) e PG e ACC (β = 0,767, p < 0,001) foram significativamente positivas, enquanto aquelas entre PL e ACC (β = -0,202, p < 0,001) e PG e REJ (β = -0,644, p < 0,001) foram significativamente negativas. Assim, H1, H2, H3 e H4 foram todos confirmadas. O modelo estrutural explicou 76,0% da variância na aceitação e 72,1% na rejeição (R2 = 0,760 e 0,721, respectivamente).

figure-results-2
Figura 6: Resultados do teste de hipóteses do Estudo 2. O diagrama apresenta os coeficientes padronizados dos caminhos e seus níveis de significância para o modelo estrutural estimado com base na amostra combinada dos três países do Estudo 2 (N = 602); o padrão dos resultados replica o Estudo 1. PEL = perda de desempenho; TIL = perda de tempo; SOL = perda social; PHL = perda física; FIL = perda financeira; REA = vantagem relativa; COM = compatibilidade; TRI = capacidade de teste; CPX = complexidade; PL = perda percebida; PG = ganho percebido; REJ = rejeição; ACC = aceitação Clique aqui para visualizar uma versão maior desta figura.

HipóteseCaminhoβvalor tvalor pResultado
H1a: PL → REJ0.3459.342***Suportada
H2b: PL → ACC-0.202-6.81***Suportada
H3c: PG → REJ-0.644-12.694***Suportada
H4d: PG → ACC0.76713.707***Suportada

Tabela 5: Resultados gerais do Estudo 2. A tabela resume os coeficientes padronizados de caminho, os níveis de significância e os resultados dos testes de hipóteses para o Estudo 2. ***p < 0,001

Em seguida, os valores totais necessários para REJ e ACC foram analisados mais detalhadamente para testar H5 e confirmar se o modelo apoia o argumento da teoria da perspectiva55. Com a mesma associação de coeficientes do Estudo 1, os resultados mostraram que V(R) = a + c = -0,299 e V(A) = b + d = 0,565; portanto, V(R) < V(A). A hipótese H5 também foi apoiada no Estudo 2, e a diferença entre V(R) e V(A) no Estudo 2 (0,864) foi maior do que no Estudo 1 (0,723).

Resultados da intervenção dos especialistas para o Estudo 2
Os resultados da avaliação quantitativa foram significativamente positivos (ICC = 0,960, p < 0,001); a amplitude dos valores médios para as dimensões que medem a orientação sistemática, qualidade e adequação da formulação do problema variou de 6,20 a 6,80, e para a dimensão que mede o afeto negativo geral foi de 1,20 a 1,80. A elevada correlação intraclasse indica forte consenso entre os especialistas quanto à orientação sistemática, qualidade e adequação da formulação do problema do modelo, e os especialistas não levantaram outras questões em sua avaliação subjetiva. Concluiu-se, portanto, que a pesquisa finalmente atendeu aos requisitos necessários para a conclusão do modelo PITA proposto.

DISPONIBILIDADE DOS DADOS:
Os dados estão carregados como Arquivo Suplementar 1 (Estudo 1) e Arquivo Suplementar 4 (Estudo 2); as saídas completas do modelo CB-SEM estão fornecidas no Arquivo Suplementar 5, e as definições e codificações das variáveis estão documentadas no dicionário de dados (Arquivo Suplementar 6). Nos arquivos de dados e nas saídas do CB-SEM, as abreviações do manuscrito PEL, TIL, SOL, PHL, FIL e REJ correspondem respectivamente aos rótulos das variáveis PER, TIR, SOR, PHR, FIR e RES, e os construtos de segunda ordem PL e PG são rotulados como Perceived_Risk e Perceived_Benefit.

Arquivo Suplementar 1: Dados de pesquisa (Estudo 1) Clique aqui para baixar este arquivo.

Arquivo Suplementar 2: Questionário da pesquisa Clique aqui para baixar este arquivo.

Arquivo Suplementar 3: Questionário de intervenção Clique aqui para baixar este arquivo.

Arquivo Suplementar 4: Dados de pesquisa (Estudo 2) Clique aqui para baixar este arquivo.

Arquivo Suplementar 5: Arquivos de saída do modelo CB-SEM Clique aqui para baixar este arquivo.

Arquivo Suplementar 6: Dicionário de dados Clique aqui para baixar este arquivo.

Discussão

Esta investigação com dois estudos testou o modelo PITA de adoção pública de TI; em ambos os estudos, as cinco hipóteses foram confirmadas, e a lacuna entre V(A) e V(R) aumentou no contexto mais arriscado da COVID-19, em conformidade com a previsão da teoria da perspectiva de que escolhas mais arriscadas exigem um valor percebido maior. Identificou-se uma lacuna nas bases teóricas da literatura sobre adoção de TI, incluindo o TAM2 e o DOI1, que não conseguiram explicar adequadamente a adoção pública de TI. Mais importante, esses estudos não levaram em consideração de maneira suficiente a incerteza dos usuários ao utilizarem serviços públicos de TI. Perguntou-se, portanto, qual o impacto que a estrutura percepção-intenção proposta pelo PITA exerce na decisão de adotar serviços públicos de TI. Um usuário deve considerar as vantagens e desvantagens da opção atual ao se deparar com um novo serviço público de TI inovador. Se a nova opção for recusada, o usuário retorna ao estado anterior, tornando desnecessária a nova opção. O modelo PITA permite compreender as percepções de valor subjacentes que influenciam tal escolha. Além disso, foram apresentadas várias sugestões para prevenir tais falhas antes de investir em um novo serviço público de TI1,42. Este estudo investigou como ganhos e perdas percebidos influenciam a aceitação e a rejeição de um serviço público de TI; todas as cinco hipóteses foram apoiadas. As percepções dos usuários sobre serviços públicos de TI podem ser vistas sob duas perspectivas, e é provável que as percepções negativas predominem. Os resultados, contudo, indicaram que suas percepções favoráveis os incentivaram a aceitar e reduzir a resistência. Ilustrações relevantes de perda percebida incluem desempenho inconsistente, procedimentos desproporcionalmente longos, resistência do entorno dos usuários, danos físicos causados por dispositivos e falhas em transações financeiras. Além disso, funções intercambiáveis, eventos de testes abertos em versão beta e facilidade de uso seriam exemplos de componentes de ganhos percebidos. Os resultados de ambos os estudos foram coerentes com pesquisas anteriores sobre o modelo de resistência à inovação e a difusão de inovações, por exemplo1,42.

Uma descoberta significativa foi que o valor total de aceitação era quase cinco vezes maior do que o de rejeição. Essa grande diferença entre V(A) e V(R) foi impulsionada principalmente pelo forte efeito positivo da percepção de ganho sobre a aceitação (β = 0,721) e pelo efeito negativo da percepção de ganho sobre a rejeição (β = -0,507), sugerindo que as percepções dos usuários sobre benefícios, como facilidade de uso e funções intercambiáveis, desempenham um papel mais dominante do que as percepções de perda na formação de decisões de adoção. Para que os usuários tomem a decisão mais arriscada de aceitar um novo serviço público de TI desconhecido, as percepções positivas devem superar substancialmente as negativas. Os usuários também podem decidir-se contra novos serviços públicos de TI às custas de perdas, pois a tomada de decisão pode não ser totalmente racional. Esse fenômeno pode ser explicado pelo forte apego ao serviço atual e pelo fato de que os serviços públicos de TI não são destinados ao uso diário regular. Os usuários podem manter seu estado atual se encontrarem quaisquer inconvenientes. Os usuários não tentarão superar sua resistência psicológica para aceitar novos serviços públicos de TI se os ganhos percebidos forem insuficientes ou se as perdas percebidas forem maiores do que o esperado. No Estudo 2, que consistentemente demonstrou os mesmos padrões na estrutura percepção-intenção dos usuários no contexto de um serviço público de TI, obteve-se uma corroboração mais concreta e ampla para o modelo teórico proposto. Além disso, V(A) foi substancialmente maior do que V(R), reforçando a argumentação para a expansão da teoria da perspectiva55.

O impacto do fator situacional (COVID-19) sobre V(A) e V(R) foi outra descoberta intrigante no Estudo 2. A diferença entre V(R) e V(A) no Estudo 2 aumentou em comparação com a do Estudo 1. Durante uma crise global de saúde, os usuários podem ter percebido perdas potenciais maiores decorrentes da infecção, ao mesmo tempo em que reconheciam ganhos potenciais maiores com serviços sem contato, e esse efeito duplo ampliou a diferença de valor necessária para a aceitação. Esse resultado apoia a tentativa de aprimorar a teoria da perspectiva, indicando que a opção mais arriscada (aceitar um novo serviço público de TI em uma situação mais arriscada, a COVID-19) exige um valor maior55. Inevitavelmente, os achados da avaliação do Estudo 2 apoiaram mais uma vez os do Estudo 1. O fator situacional era um elemento potencial que poderia ter alterado os valores relacionados à decisão dos usuários, como os especialistas previram durante a primeira intervenção. Além disso, os resultados corroboraram a validade das premissas do modelo ao utilizar amostras maiores no caso da biometria em aeroportos, conferindo-lhe maior solidez e generalidade. Contudo, a análise multinacional combinada pressupôs que os construtos foram interpretados de forma semelhante entre os países; testes formais de invariância de medida e comparações específicas por país não foram realizados e permanecem como tarefa para pesquisas futuras.

De acordo com a análise realizada utilizando o modelo percepção-intenção, os usuários não escolheriam a opção do status quo se acreditassem que obteriam um ganho significativamente maior ao utilizar o serviço público de TI. Isso sugere que os usuários só estarão dispostos a abandonar seu equilíbrio quando os ganhos percebidos tornarem a opção arriscada da aceitação mais atraente. Em retrospectiva, faz sentido conceitual que a aceitação seja mais influenciada pelos ganhos percebidos do que pelas perdas. O serviço atual oferecido ao usuário é a opção segura e "aversa ao risco", pois é uma entidade conhecida com a qual os usuários já têm experiência prévia, segundo a teoria da perspectiva55. Isso significa que o usuário pode antecipar o recebimento do mesmo resultado, sem riscos, sem precisar adaptar ou alterar quaisquer condições comportamentais. No entanto, a opção arriscada provavelmente será escolhida, divergindo da opção "aversa ao risco", assim que os ganhos percebidos superarem significativamente as perdas percebidas. É interessante notar que esses efeitos foram mais fortes quando um usuário enfrentava uma situação mais arriscada, a pandemia de COVID-19, o que pode ter aumentado a necessidade de valor se considerassem utilizar o novo serviço público de TI. Foi descoberta uma relação consistente entre ganho e perda percebidos e a aceitação ou rejeição de serviços públicos de TI. De acordo com os dados, é necessário um entendimento mais profundo de como os usuários percebem os benefícios potenciais e de que forma essa percepção afeta sua decisão de utilizar ou não um serviço público de TI. Parece que aceitar um novo serviço de TI é significativamente mais difícil para qualquer usuário quando lhe é apresentada uma nova opção, pois ele precisa superar qualquer inércia psicológica que possa existir. Isso também foi demonstrado pelo fato de que as melhorias dentro do enquadramento de percepção e intenção precisavam ser mais significativas. Esses achados seguem a ideia fundamental proposta pela teoria da perspectiva55: decisões mais arriscadas exigem valores mais altos do que decisões mais seguras. Notavelmente, o padrão assimétrico, no qual o ganho percebido predizia a aceitação mais fortemente do que a perda percebida predizia a rejeição, sugere que a tomada de decisão nesse contexto não é puramente avessa à perda, mas sim impulsionada pelo ganho — uma nuance que amplia a ênfase típica da teoria da perspectiva na aversão à perda. Esses resultados também estão alinhados com pesquisas anteriores sobre adoção: o forte efeito do ganho percebido sobre a aceitação é consistente com a ênfase do TAM na utilidade percebida2, enquanto o efeito significativo da perda percebida sobre a rejeição apoia a afirmação do modelo de resistência à inovação de que barreiras à adoção podem superar os benefícios potenciais42,49. Este estudo amplia essa literatura ao demonstrar que ganhos e perdas influenciam simultaneamente tanto a aceitação quanto a rejeição, em vez de atuarem de forma independente. Assim, os achados contribuem para o entendimento teórico do que motiva os usuários de serviços públicos de TI a manter o status quo (ou seja, rejeição) ou a aumentar sua propensão ao risco (ou seja, aceitação). O crescente corpo de pesquisas sobre a oposição à adoção de TI foi ampliado por este estudo. Demonstrar que rejeitar e aceitar TI são critérios distintos de tomada de decisão complementa trabalhos anteriores na literatura em nível individual e organizacional45,50,51. Todos os usuários possuem um limiar42,49; no entanto, nenhum estudo sobre adoção de TI pública examinou quais poderiam ser esses limiares. Portanto, a inclusão da perda percebida foi uma forma útil de investigar essa tolerância e afetou significativamente tanto a escolha de aceitar quanto de rejeitar o serviço público de TI. Esses achados complementam pesquisas anteriores que aplicam o mesmo princípio de aceitação e rejeição, ampliando-o em um novo contexto51.

Os resultados têm implicações gerenciais significativas para instituições públicas. Primeiramente, sabe-se bem que essas instituições enfrentam dificuldades com mudanças e que a transição para infraestrutura digital é complexa. Assim, decisões inadequadas tomadas por organizações públicas ao migrar para um serviço de TI podem ter efeitos negativos duradouros. Os usuários provavelmente não estarão dispostos a adotar o serviço de TI proposto se sentirem que a perda é muito grande. Em contrapartida, investimentos em serviços públicos de TI podem ser mais bem-sucedidos se um gestor institucional público destacar os fatores que reduzem a rejeição por meio de ganhos percebidos. Ao aumentar os ganhos percebidos e reduzir as perdas percebidas, os gestores podem, em última instância, aumentar a aceitação e diminuir a rejeição, utilizando o PITA para buscar soluções que provoquem uma resposta positiva. Por exemplo, um aeroporto público que implemente triagem biométrica poderia usar o PITA para avaliar as percepções dos usuários antes do investimento: se V(R) se aproximar ou exceder V(A), os gestores poderiam focar a comunicação nos benefícios tangíveis, como processamento mais rápido (aumentando o ganho percebido), ou oferecer alternativas com opção de recusa (reduzindo a perda percebida). Devido à simplicidade do modelo, V(A) e V(R) podem ser calculados diretamente a partir de dados de pesquisa, fornecendo aos gestores um parâmetro claro para compreender as intenções de uso dos usuários e determinar o status e as chances de adoção do serviço de TI proposto.

Este estudo possui várias limitações importantes. Primeiro, embora os efeitos tenham sido semelhantes em ambos os estudos, mais pesquisas são necessárias para compreender plenamente os efeitos menos significativos observados nas medições de perda percebida, e os fatores considerados neste estudo podem explicar apenas parcialmente a variância encontrada no modelo. Segundo, ambos os estudos utilizaram dados transversais de autoaplicação provenientes de viajantes aéreos; esse delineamento impede inferências causais, pode introduzir vieses de seleção e de desejabilidade social e limita a generalização para além dessa população. Ainda resta realizar testes formais de invariância de mensuração entre os três países. Terceiro, os dados foram coletados em períodos específicos (quarto trimestre de 2019 e meados de 2020), e as percepções dos usuários podem ter mudado conforme a evolução da pandemia. Quarto, assumiu-se que um gestor consideraria apenas uma nova opção potencial, com a opção atual servindo como mais uma restrição. Trabalhos futuros deveriam considerar várias opções de tecnologia PITA, pois, de acordo com o efeito de certeza, quando existem várias opções com diferentes graus de certeza, isso estimula comportamentos de busca de risco71 e pode ser uma direção promissora a ser explorada. Pesquisas futuras também deveriam examinar outras formas e limiares de resistência à inovação63, estender o modelo PITA a outros serviços públicos de TI (por exemplo, portais de governo eletrônico e aplicações de saúde pública) e a outros domínios nos quais benefício e risco percebidos conjuntamente influenciam a adoção64, empregar delineamentos longitudinais para acompanhar como V(A) e V(R) evoluem ao longo do tempo, e investigar se dimensões culturais moderam as relações no modelo. De modo geral, este estudo deve contribuir para uma melhor compreensão da adoção de TI pública. Ao incorporar tanto o ganho percebido quanto a perda percebida, o modelo PITA capta a natureza dual da tomada de decisão do usuário: a aceitação é impulsionada pelo atrativo dos ganhos, enquanto a rejeição é impulsionada pelo medo das perdas. Antes de fazer um investimento, os gestores podem ser orientados no caminho certo ao tomarem decisões sólidas e precisas nas fases iniciais de identificação de soluções de TI potenciais. Os gestores deveriam reconsiderar sua estratégia de serviço de TI se o valor total de aceitação for insuficiente, pois o PITA fornece aos gestores a soma total do valor necessário tanto para aceitação quanto para rejeição. A descoberta de que o risco situacional amplifica a diferença de valor exigida para a aceitação representa uma contribuição inédita tanto para a teoria da perspectiva quanto para a literatura sobre adoção de tecnologia. Portanto, o PITA deve auxiliar os gestores a encontrar uma solução que ofereça um valor total de aceitação maior do que o de rejeição: somente então os usuários estarão dispostos a utilizar um novo serviço público de TI.

Divulgações

Os autores declaram não haver conflitos de interesse. Durante a elaboração deste manuscrito revisado, uma ferramenta de inteligência artificial generativa (ChatGPT 5o) foi utilizada para auxiliar na edição linguística e na formatação. Os autores analisaram e verificaram todo o conteúdo e assumem total responsabilidade pelo manuscrito; nenhuma ferramenta de IA foi usada para gerar dados, realizar análises ou criar figuras.

Agradecimentos

Este trabalho foi apoiado por financiamento de pesquisa da aSSIST University.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
IBM SPSS Amos (software de modelagem de equações estruturais baseada em covariância)IBM Corp. (Armonk, NY, USA)versão 27; https://www.ibm.com/products/structural-equation-modeling-sem/Utilizado para todas as análises de modelagem de equações estruturais baseadas em covariância (CB-SEM), incluindo avaliação do modelo de mensuração (ACF: confiabilidade composta, VME e validade discriminante) e análise de caminhos do modelo estrutural. 
Prolific (Plataforma Online de Recrutamento de Participantes)Prolific Academic Ltdhttps://www.prolific.com/Plataforma online utilizada para recrutar participantes para pesquisas. Os participantes foram selecionados com base em critérios de elegibilidade (por exemplo, experiência em aeroportos) e remunerados de acordo com as diretrizes de pagamento justo da Prolific. 
Qualtrics (Plataforma Online de Pesquisa)Qualtrics, LLCRRID:SCR_016728Plataforma de pesquisa baseada na web utilizada para o design do questionário, sua distribuição e coleta de dados de resposta. Todos os itens de mensuração foram aplicados por meio do Qualtrics utilizando uma escala Likert de 7 pontos (1 = discordo totalmente, 7 = concordo totalmente). https://www.qualtrics.com/

Referências

  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.

Reimpressões e permissões

Etiquetas

Teoria da PerspectivaEstrutura de Percep o Inten oServi os de Governo Eletr nicoAplica es de Sa de P blicaSistemas Biom tricosAceita o do Usu rioValor PercebidoPesquisa TransnacionalPesquisa de Interven o
Fale conosco
Recomendar à biblioteca

Privacidade

Termos de Uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos os direitos reservados.