CC BY
2УДК 004.9; 658.5; 658.8
МЕТОДОЛОГИИ ПОВЕДЕНЧЕСКИХ СИСТЕМ УПРАВЛЕНИЯ ИНФОРМАЦИЕЙ: ПЕРСПЕКТИВЫ МОДЕЛИ ПРИНЯТИЯ ТЕХНОЛОГИЙ (TAM) И МОДЕЛИ СТРУКТУРНЫХ УРАВНЕНИЙ (SEM)
АЛТЫНБЕК ГСЛНАЗ АЛПЫСБЕКЦЫЗЫ
Бакалавр информационных систем, Евразийский национальный университет имени
Л.Н.Гумилева
Руководитель направления внедрения и сопровождения информационных систем
Астана, Казахстан
Аннотация: Современные информационные системы играют важную роль в повышении эффективности организаций, но их успешное внедрение и использование зависят от человеческого фактора. В данной статье исследуются поведенческие аспекты управления информацией с использованием двух ключевых подходов: модели принятия технологий (TAM) и модели структурных уравнений (SEM). TAM объясняет, как факторы полезности и удобства использования влияют на намерения пользователей, тогда как SEM позволяет изучать сложные взаимосвязи между множеством переменных. Статья охватывает методологические основы этих моделей, их достоинства и ограничения, а также примеры их использования в различных контекстах, включая цифровую трансформацию, искусственный интеллект и Интернет вещей. Рассматриваются перспективы интеграции TAM и SEM для решения актуальных задач в области управления информацией. Выводы статьи подчеркивают важность комплексного анализа поведенческих факторов для повышения эффективности и принятия современных технологий.
Ключевые слова: информационные системы, модель принятия технологий, модель структурных уравнений.
В последние десятилетия роль информационных систем (ИС) существенно изменилась, превратившись из вспомогательного инструмента в ключевой фактор, определяющий успех организаций. От управления операциями до стратегического планирования - ИС интегрированы во все уровни принятия решений. Однако успешное внедрение и использование таких систем зависят не только от их технических характеристик, но и от человеческого фактора, включая восприятие, поведение и готовность пользователей адаптироваться к новым технологиям.
Согласно исследованиям Gartner, около 70% инициатив цифровой трансформации терпят неудачу из-за проблем, связанных с человеческими и организационными факторами. Даже самые инновационные решения могут оказаться неэффективными, если пользователи не видят их ценности, испытывают трудности с освоением или не доверяют системе. Именно поэтому изучение поведенческих аспектов стало одной из ключевых задач для исследователей и практиков в области ИС.
Два подхода, которые доказали свою эффективность в анализе поведенческих факторов, - это модель принятия технологий (Technology Acceptance Model, TAM) и модель структурных уравнений (Structural Equation Modeling, SEM). TAM позволяет понять, почему пользователи принимают или отвергают технологию, основываясь на таких переменных, как полезность и удобство использования. SEM, в свою очередь, предоставляет инструменты для моделирования сложных взаимосвязей между различными факторами, влияющими на поведение пользователей.
TAM впервые была предложена Фредом Дэвисом в 1989 году и с тех пор использовалась более чем в 1000 научных публикациях. Эта модель оказалась универсальной и нашла применение в самых разных контекстах, включая электронную коммерцию, онлайн-обучение, системы управления бизнесом (ERP) и даже приложения для здравоохранения. SEM, которая
ОФ "Международный научно-исследовательский центр "Endless Light in Science"
широко используется в поведенческих и социальных науках, предоставила возможности для проверки и расширения TAM, добавляя глубину и точность в исследованиях.
Важность этих моделей особенно очевидна в условиях стремительного развития технологий, таких как искусственный интеллект (ИИ), Интернет вещей (IoT) и блокчейн. Эти инновации требуют не только технического, но и поведенческого анализа, чтобы понять, как пользователи воспринимают их и взаимодействуют с ними. Например, исследования показали, что доверие и восприятие риска играют решающую роль в принятии технологий на базе ИИ, а ожидания пользователей от 1оТ-устройств часто зависят от их опыта использования других смарт-технологий.
Данная статья сосредоточена на изучении методологий, основанных на TAM и SEM, и их применении в поведенческих исследованиях ИС. Мы рассмотрим, как эти подходы используются для анализа факторов, влияющих на принятие и использование технологий, и обсудим их потенциал для улучшения взаимодействия между пользователями и системами в условиях цифровой трансформации.
Модель принятия технологий (TAM) представляет собой одну из наиболее влиятельных и широко используемых моделей в области исследования принятия технологий. Она базируется на предположении, что намерение использовать ИС определяется субъективным восприятием ее полезности и удобства использования. Основой TAM являются концепции, заимствованные из теории обоснованного действия (TRA) Айзена и Фишбейна, которая предполагает, что поведение индивида формируется его намерениями, основанными на установках и субъективных нормах.
Ключевые компоненты модели.
1. Переживаемая полезность (Perceived Usefulness, PU):
PU отражает степень, в которой пользователь верит, что использование технологии повысит его производительность. Например, если сотрудник считает, что новая система отчетности позволит ему быстрее и точнее готовить документы, это повысит вероятность ее принятия.
• PU является одним из самых сильных факторов, влияющих на намерение использования технологий.
• В реальных приложениях PU может варьироваться в зависимости от контекста, типа технологии и целей пользователя.
2. Переживаемое удобство использования (Perceived Ease of Use, PEOU):
PEOU относится к восприятию простоты и легкости использования системы. Если технология воспринимается как сложная или требующая значительных усилий для освоения, это может снизить намерение использовать ее.
• PEOU оказывает как прямое влияние на намерение использования, так и косвенное через PU.
• Например, если система интуитивно понятна, пользователи быстрее обнаруживают ее полезные функции, что увеличивает PU.
3. Намерение использовать (Behavioral Intention to Use, BI):
BI - это готовность пользователя применять технологию в будущем. BI формируется под влиянием PU, PEOU и других факторов, таких как установки, социальное влияние или организационные условия.
• BI считается основным предиктором реального поведения (использования).
4. Реальное использование (Actual Use, AU):
AU является итоговым результатом, который TAM стремится объяснить. Модель предполагает, что BI напрямую определяет использование технологии на практике.
Модификация и расширения ТАМ.
Первоначальная версия TAM была доработана в последующих исследованиях. Например:
• TAM 2 (Венкатеш и Дэвис, 2000) добавляет такие факторы, как социальное влияние, восприятие образа и качество вывода.
• Unified Theory of Acceptance and Use of Technology (UTAUT) (Венкатеш и др., 2003) представляет собой интеграцию TAM и других моделей, добавляя такие переменные, как ожидания производительности, усилий и условия поддержки.
Примеры применения TAM.
• Электронное обучение: TAM используется для изучения факторов, влияющих на принятие онлайн-курсов. Например, исследования показывают, что PU значительно влияет на желание студентов участвовать в дистанционном обучении.
• Электронная коммерция: в контексте интернет-магазинов PU может быть связана с экономией времени и доступностью товаров, тогда как PEOU отражает удобство навигации и оформления заказа.
• Мобильные приложения: TAM позволяет объяснить, почему пользователи принимают или отвергают приложения для здравоохранения, платежей или социальных сетей.
TAM предоставляет простую, но мощную концептуальную основу для изучения поведенческих факторов в принятии технологий. Несмотря на свои ограничения, модель сохраняет свою актуальность благодаря возможности адаптации к различным технологическим контекстам и культурным особенностям.
Модель структурных уравнений (SEM) представляет собой мощный статистический метод, который используется для анализа сложных взаимосвязей между переменными. SEM объединяет в себе элементы факторного анализа и регрессионного анализа, позволяя исследовать как прямые, так и косвенные эффекты. Эта модель особенно полезна для проверки теоретических гипотез и анализа латентных переменных - тех, которые нельзя измерить напрямую (например, восприятие или удовлетворенность).
Ключевые аспекты SEM.
1. Наблюдаемые и латентные переменные:
• Наблюдаемые переменные (Observed Variables): переменные, которые могут быть измерены напрямую, например, результаты опросов или данные о производительности.
• Латентные переменные (Latent Variables): скрытые конструкты, такие как восприятие полезности (PU) или удобства использования (PEOU), которые определяются через набор наблюдаемых индикаторов.
2. Модели измерения и структуры:
• Модель измерения (Measurement Model): анализирует отношения между наблюдаемыми индикаторами и латентными переменными. Например, PU может быть измерена через индикаторы, такие как "система помогает экономить время" или "система улучшает эффективность".
• Модель структуры (Structural Model): определяет отношения между латентными переменными. Например, в TAM можно исследовать, как PU влияет на намерение использовать технологию.
3. Прямые и косвенные эффекты:
SEM позволяет учитывать не только прямое воздействие одной переменной на другую, но и косвенные эффекты через промежуточные переменные. Это делает модель особенно ценной для анализа сложных систем.
4. Качество модели:
Для проверки качества SEM используется ряд индексов соответствия модели (Model Fit Indices), таких как:
• Chi-square (х2): тест на соответствие модели данным.
• CFI (Comparative Fit Index): сравнение модели с альтернативной базовой моделью.
• RMSEA (Root Mean Square Error of Approximation): оценка отклонений модели.
Этапы построения SEM.
1. Разработка гипотез:
Определение теоретической модели и предположений о взаимосвязях между переменными.
2. Сбор данных:
Данные обычно собираются через опросы, эксперименты или наблюдения. Для SEM требуется значительный объем выборки (обычно от 200 до 500 наблюдений).
3. Оценка модели:
Использование статистического программного обеспечения (например, AMOS, LISREL или SmartPLS) для проверки модели и оценки коэффициентов путей.
4. Интерпретация результатов:
Анализ того, какие гипотезы подтверждаются, а какие нет, а также оценка силы и направления взаимосвязей.
Преимущества SEM.
• Анализ сложных структур: SEM позволяет моделировать сложные взаимосвязи между множеством переменных, включая латентные.
• Учет ошибок измерения: модель учитывает ошибки измерения наблюдаемых переменных, повышая точность анализа.
• Проверка теоретических моделей: SEM используется для эмпирической проверки гипотез, основанных на теории.
Ограничения SEM.
• Требовательность к данным: модель требует качественных данных и большой выборки.
• Сложность интерпретации: анализ результатов SEM может быть затруднен для пользователей без достаточного опыта в статистике.
• Чувствительность к неправильной спецификации: если теоретическая модель изначально неверно определена, результаты SEM могут быть некорректными.
Примеры применения SEM.
1. Расширение TAM:
SEM позволяет интегрировать TAM с дополнительными переменными, такими как социальное влияние, доверие или организационная поддержка, и проверять их влияние на принятие технологий.
2. Исследование пользовательского опыта:
SEM широко используется для анализа пользовательского опыта в электронных системах (e-commerce, e-learning), где важно оценить, как такие конструкты, как удовлетворенность, лояльность или вовлеченность, связаны между собой.
3. Оценка программ и стратегий:
В организационном контексте SEM применяется для оценки эффективности программ обучения или внедрения новых технологий, анализируя, как различные аспекты влияют на производительность сотрудников.
SEM представляет собой гибкий и мощный инструмент для анализа сложных моделей, включая TAM. В сочетании с теоретическими основами он позволяет получить более глубокое понимание факторов, влияющих на принятие технологий, и принимать обоснованные решения для оптимизации использования информационных систем.
Синергия между TAM и SEM.
Интеграция модели принятия технологий (TAM) и модели структурных уравнений (SEM) открывает новые горизонты в изучении поведенческих аспектов ИС. Вместе эти методологии создают мощный инструментарий для анализа и прогнозирования факторов, влияющих на принятие технологий.
Почему TAM и SEM работают вместе?
1. Теоретическая основа TAM + Статистическая мощь SEM:
TAM предоставляет четко структурированную теоретическую модель, которая
объясняет ключевые факторы принятия технологий, такие как полезность (PU) и удобство использования (PEOU). SEM, в свою очередь, обеспечивает статистическую методологию для эмпирической проверки этих факторов и их взаимосвязей, включая возможность учитывать ошибки измерения.
2. Расширение TAM через SEM:
SEM позволяет интегрировать в TAM дополнительные переменные и сложные отношения, которые трудно учесть с помощью простых регрессионных моделей. Например,
• Доверие (Trust): исследование показывает, что доверие к системе сильно влияет на PU и BI, особенно в контексте технологий, связанных с данными, таких как финтех или здравоохранение.
• Социальное влияние (Social Influence): SEM помогает анализировать влияние социальных факторов, например, коллег или руководства, на принятие технологий.
3. Косвенные эффекты и медиаторы:
SEM позволяет оценивать косвенные эффекты и проверять гипотезы о медиаторах. Например,
• PEOU может оказывать косвенное влияние на BI через PU.
• Влияние организационной поддержки может опосредоваться через доверие и восприятие полезности.
Преимущества синергии.
1. Адаптивность к сложным сценариям:
TAM, интегрированная с SEM, становится особенно полезной в условиях сложных технологических систем, таких как системы на базе искусственного интеллекта (ИИ), блокчейн или Интернет вещей (IoT). Эти технологии требуют учета множества факторов, включая восприятие рисков, интуитивность интерфейса и эмоциональную вовлеченность.
2. Поддержка динамических моделей:
SEM позволяет TAM учитывать временную динамику. Например, восприятие полезности может изменяться со временем, когда пользователи глубже осваивают технологию. SEM дает возможность анализировать изменения в поведении пользователей на разных этапах внедрения.
3. Тестирование культурных различий:
TAM в сочетании с SEM можно использовать для кросс-культурных исследований, чтобы проверить, как восприятие технологий меняется в разных странах и регионах. Например, в странах с высоким уровнем технологического скептицизма SEM может выявить, что доверие становится ключевым фактором принятия.
Примеры синергии.
1. Электронное здравоохранение:
Исследования TAM с помощью SEM показали, что PU и PEOU могут быть дополнены такими переменными, как конфиденциальность данных (Privacy Concerns) и ожидания пользователей (User Expectations). SEM позволяет выявить сложные взаимосвязи между этими факторами, например, как восприятие риска влияет на доверие, а доверие - на намерение использования.
2. Системы управления знаниями (Knowledge Management Systems):
В корпоративных системах SEM помогает исследовать, как организационная культура, поддержка руководства и пользовательская вовлеченность влияют на успешное внедрение технологий, предоставляя более комплексное представление по сравнению с традиционной TAM.
3. Мобильные приложения:
SEM расширяет TAM, позволяя учитывать такие факторы, как пользовательский опыт (UX) и эстетика интерфейса, и исследовать их влияние на PU, PEOU и BI.
Будущее синергии TAM и SEM.
Интеграция TAM и SEM имеет огромный потенциал в контексте новых технологий, таких как искусственный интеллект, виртуальная реальность и блокчейн. Например,
• ИИ: SEM позволяет оценивать влияние факторов, таких как объяснимость (Explainability) и персонализация, на принятие ИИ-систем, дополняя базовые переменные TAM.
• Виртуальная реальность: TAM с помощью SEM может изучать влияние факторов, таких как иммерсивность и сенсорное вовлечение, на восприятие пользователей.
• Блокчейн: SEM помогает анализировать доверие как ключевой фактор принятия децентрализованных технологий, выявляя, как технические аспекты (например, прозрачность) взаимодействуют с PU и BI.
Синергия между TAM и SEM позволяет не только глубже понять поведенческие аспекты принятия технологий, но и создать адаптивные и универсальные модели для различных технологических контекстов. Эти подходы обеспечивают более точное прогнозирование, поддержку принятия решений и повышение успешности внедрения информационных систем. В условиях цифровой трансформации их интеграция становится ключевым инструментом для исследователей и практиков.
Перспективы исследований.
Интеграция модели принятия технологий (TAM) и модели структурных уравнений (SEM) открывает перед исследователями широкие возможности для дальнейших исследований и разработки новых методологических подходов в области управления информационными системами. С учетом стремительного развития технологий, расширение границ этих моделей и их применение в новых контекстах обещает увлекательные и перспективные направления для исследований. В этом разделе мы рассмотрим несколько ключевых перспективных направлений.
1. Адаптация TAM и SEM к новым технологическим трендам.
С развитием таких технологий, как искусственный интеллект (ИИ), интернет вещей (IoT), блокчейн и квантовые вычисления, возникает необходимость пересмотра и адаптации традиционных моделей принятия технологий.
• Искусственный интеллект (ИИ):
Внедрение ИИ требует более глубокого понимания того, как пользователи воспринимают такие технологии, как автономные системы или рекомендательные алгоритмы. Модели TAM и SEM могут быть расширены для учета факторов, таких как объяснимость ИИ (Explainability), персонализация и доверием к системе, что открывает новые возможности для исследования того, как эти элементы влияют на восприятие полезности и удобства использования. В частности, исследования могут сосредоточиться на анализе эмоциональной реакции пользователей на взаимодействие с ИИ-системами и моделировании этих реакций с помощью SEM.
• Интернет вещей (IoT):
В IoT ключевым аспектом является интеграция множества устройств и их взаимодействие в реальном времени. Здесь TAM и SEM могут быть использованы для исследования факторов, влияющих на восприятие удобства использования технологий в различных контекстах, таких как умные дома или промышленный IoT. Важно будет изучить, как повышение уровня автоматизации влечет за собой изменение восприятия полезности и влияние на долгосрочное использование таких систем.
• Блокчейн:
Для блокчейн-решений, таких как криптовалюты или распределенные финансовые технологии, нужно будет исследовать, как факторы, связанные с довериями, рисками и безопасностью, влияют на принятие этих технологий. SEM здесь позволит учитывать дополнительные переменные, такие как прозрачность транзакций и децентрализация, которые могут оказывать значительное влияние на восприятие пользователей.
2. Кросс-культурные исследования и глобальная адаптация TAM и SEM.
В условиях глобализации и международных проектов становится все более важным исследование того, как различные культурные и социальные контексты влияют на восприятие технологий. Здесь TAM и SEM могут быть использованы для создания более универсальных моделей, которые учитывают региональные и культурные различия.
• Культурные различия:
Принятие технологий в разных странах может сильно варьироваться из-за различных культурных, социальных и экономических факторов. В странах с высоким уровнем технологического скептицизма, например, в некоторых частях Азии или Европы, доверие и социальное влияние могут играть более значимую роль, чем в странах с высокой технологической зрелостью, таких как США или Южная Корея. Исследования могут быть направлены на создание кросс-культурных моделей, которые учитывают эти различия, позволяя адаптировать стратегии внедрения технологий в различных регионах.
• Социальные нормы и поведение:
Влияние социальных норм на принятие технологий - это еще одно интересное направление для дальнейших исследований. SEM позволяет учитывать модификаторы социальных сетей, такие как мнение коллег, влияние лидеров мнений или групповые предпочтения, что может быть крайне актуально в таких областях, как мобильные приложения, игровые технологии и социальные сети.
3. Динамика поведения пользователей на протяжении времени.
Одна из ключевых проблем, с которой сталкиваются исследователи и разработчики, - это изменение поведения пользователей в долгосрочной перспективе. Например, пользователь может начать использовать систему по причине ее удобства и полезности, но со временем его восприятие может измениться из-за изменений в интерфейсе или обновления функционала.
• Изменение восприятия во времени:
Применение SEM в динамическом контексте позволяет отслеживать изменения в восприятии и принятии технологий, учитывая временные эффекты и контексты. Исследования могут сосредоточиться на том, как интерфейс или обновления функционала влияют на восприятие удобства и полезности, а также как это в свою очередь влияет на намерение использовать технологию в будущем.
• Этапы принятия:
Важным аспектом является также исследование переходных фаз, в которых пользователи могут сначала воспринимать технологию как сложную и неудобную, а затем адаптироваться к ней. Такие исследования помогут более точно прогнозировать и управлять процессом внедрения новых систем и продуктов.
4. Персонализированные системы и пользовательские интерфейсы.
Современные системы управления информацией все чаще разрабатываются с учетом индивидуальных потребностей пользователя, что открывает новый перспективный пласт для исследований.
• Адаптивные интерфейсы:
Семантический анализ и использование персонализированных данных позволяют создавать интерфейсы, которые автоматически подстраиваются под пользователя. Изучение того, как восприятие персонализированных функций влияет на восприятие полезности и удобства использования через TAM и SEM, может привести к созданию более эффективных и привлекательных решений для широкого круга пользователей.
• Интерфейсы на основе ИИ и машинного обучения:
Применение ИИ для создания интеллектуальных интерфейсов также открывает новые горизонты для исследований. Например, можно исследовать, как машинное обучение помогает улучшить адаптивность интерфейса, делая его более удобным и полезным для пользователя, что, в свою очередь, повлияет на восприятие системы.
5. Моделирование поведения с учетом эмоций и когнитивных факторов
Современные исследования все чаще фокусируются на понимании того, как эмоции, мотивация и когнитивные процессы влияют на принятие технологий.
• Эмоциональные реакции на технологии:
Одним из перспективных направлений является исследование того, как эмоции пользователей влияют на принятие технологий. Например, в играх или виртуальных приложениях пользователи могут испытывать сильные эмоциональные реакции, которые могут изменить их восприятие системы. Использование SEM позволяет анализировать такие латентные переменные, как эмоциональная вовлеченность, и оценивать их влияние на принятие технологий.
• Когнитивные и психологические барьеры:
Важно изучить, как когнитивные факторы, такие как ощущение перегрузки информацией или психологические барьеры, влияют на принятие технологий. Это позволит более эффективно проектировать системы, которые будут учитываться психологические особенности пользователей, улучшая их восприятие и вовлеченность.
Перспективы исследований в области TAM и SEM многогранны и многообещающие. С учетом постоянных изменений в мире технологий и растущих требований к интеграции систем в реальную жизнь, исследования в этих направлениях будут оставаться актуальными и востребованными. В дальнейшем, синергия между TAM и SEM обеспечит более точное понимание того, как пользователи воспринимают, принимают и взаимодействуют с современными информационными системами, что откроет новые пути для их более успешного внедрения и использования.
Интеграция модели принятия технологий (TAM) и модели структурных уравнений (SEM) является важным шагом вперед в области исследований информационных технологий. Эти модели, благодаря своей гибкости и способности учитывать множество факторов, оказывающих влияние на принятие технологий, позволяют глубже понять поведение пользователей и создавать более эффективные и инновационные системы. С учетом современных технологических трендов и глобализации, перспективы дальнейших исследований в области TAM и SEM обещают быть многообещающими, открывая новые пути для создания технологий, которые будут отвечать потребностям и ожиданиям пользователей в разных культурных и социальных контекстах.
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ:
1. Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319-340.
2. Venkatesh, V., & Davis, F. D. (2000). A theoretical extension of the technology acceptance model: Four longitudinal field studies. Management Science, 46(2), 186-204.
3. Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2014). Multivariate data analysis. Pearson Education.
4. Bagozzi, R. P., & Yi, Y. (2012). Specification, evaluation, and interpretation of structural equation models. Journal of the Academy of Marketing Science, 40(1), 8-34.
