新技术正以惊人的速度渗透到日常生活中。这些技术涵盖的领域包括健康和保健、通信和社交、交通、娱乐、终身学习和家庭支持，并可能以不同的形式出现，如网站、移动应用程序、可穿戴设备和控制台。重要的是，许多现有的和新兴的技术可能为老年人提供增强独立性和生活质量的机会。 1]，以及更成功的衰老[ 2- 5]通过促进保持身心健康和参与生活活动，以及更普遍地继续适应与年龄有关的整个生命周期的变化[ 6]。然而，与年轻群体相比，老年人采用技术的比例一直较低[ 7- 9]，这损害了他们获得技术带来的好处的能力。

考虑到技术使用的广泛而重要的影响，甚至超出了老年人的范围，已经开发和完善了几个模型，目的是描绘预测技术在一般人群中的采用的因素。一个被广泛引用的早期模型是技术接受模型(TAM) [ 10， 11]。它假定，对技术系统的使用是由个人使用它的动机所预测的，这取决于3个变量:技术的感知有用性，技术的感知易用性，以及使用技术的总体态度。

TAM的各种修订[ 12]导致TAM 2 [ 13，主要关注科技在工作场所的使用。它提出了影响技术感知有用性的其他变量，如工作相关性和输出质量。另一个被广泛引用的技术接受模型是技术接受与使用统一理论(UTAUT) [ 14]，它结合了8个先前的技术采用模型的数据，这些模型考虑了结构的作用，如社会因素、工作适合度、主观规范、感知的易用性和有用性、自我效能感和对行为的态度。UTAUT允许年龄与模型中的每个关系进行交互。

UTAUT模型还提出了在采用技术的行为意图中重要的4个额外因素:便利条件、社会影响、努力期望和绩效期望。然而，UTAUT及其前身模型所基于的数据主要来自学生，以及对工作环境中的人们的担忧，这些人不愿采用可能使自己和雇主受益的工作场所技术。正如这些作者所述，“UTAUT因此为需要评估新技术引入成功可能性的管理人员提供了一个有用的工具，并帮助他们了解接受的驱动因素，以主动设计针对可能不太倾向于采用和使用新系统的用户群体的干预措施(包括培训、营销等)”[ 14]。此外，这些模型没有在老年人群中进行明确的测试，因此没有具体解决与老年人群相关的因素。为此，UTAUT模型已经扩展了新的结构，如隐私和新的人群[ 15]。

高级TAM (STAM) [ 16， 17]也试图解决这些问题。在TAM和UTAUT建模框架的基础上，通过纳入几个因素，开发了STAM来预测香港华人老年人对通用技术的接受程度。尽管TAM和UTAUT都提出了一个因果流，其中一组构造导致另一组构造，而另一组构造又导致技术的使用，但STAM与TAM和UTAUT的不同之处是因果规范更广泛。

例如，在TAM中，感知易用性对使用技术的行为意图的直接影响被预测受到对技术的态度的影响。相比之下，STAM模型没有发现对实际使用技术的感知易用性(或感知有用性)的直接影响的支持。虽然感知易用性和感知有用性都预测了对技术使用的态度，但态度并不能显著预测实际使用。相反，STAM发现了一系列广泛的变量，包括老年技术自我效能、老年技术焦虑、便利条件(来自他人的知识、指导和支持)、健康和能力特征、社会关系以及对生活和满意度的态度，这些变量对技术的实际使用有直接影响。此外，几乎所有这些预测因素都对感知易用性、感知有用性或两个变量都有直接影响。然而，在这个模型中如何指定因果关系的一般性质意味着很难反驳[ 18]。

此外，还应指出的是，STAM的发展[ 16的调查结果是基于调查对象在过去12个月里使用了多少种技术。因此，与其他技术采用模式相比，结果是回顾性的，而不是同时或前瞻性的。这提出了一种可能性，即形成STAM模型的结论可能是由于老年人回顾性技术使用的差异，而不是基于他们对采用技术的同时或前瞻性态度。

最近，哈里斯和罗杰斯[ 19]开发了一种基于老年高血压患者的医疗TAM。共对23名老年人进行了访谈，并对访谈记录进行了分析，以确定在考虑使用3种医疗保健技术(血压监控器、电子药丸盒和多功能机器人)时经常提到的因素。感知易用性、感知有用性、便利条件和社会影响——与技术接受相关的技术接受理论模型中常用的4个预测因子——被认为是采用技术的行为意图的主要驱动因素。定性分析显示，许多其他因素会影响这些预测因素，包括感知需求、隐私和对技术的信任、熟悉度和建议接受度。

这项研究的重点是更全面地了解在并发环境中影响老年人采用技术意愿的潜在因素和交互因素。具体而言，参与者根据实际技术的接触情况提供评估，而不是从老年人中引出关于接受“一般技术”的回答[ 17通过广泛的问题。我们使用了一种混合方法的实验方法，称为技术评估程序(TAP)，它为研究参与者提供了一系列特定技术的必要暴露。

然而，重点并不是这些具体的技术;所选择的技术是跨越几个生命领域的潜在的大量现有和未来技术的范例。在选择一组可用于实验性调查采用技术意愿预测因素的代表性技术样本时，我们的目标是确保这些技术跨越不同的领域(如交通、健康和终身学习)，跨越不同的形式(如移动应用程序和网站)，并具有潜在相关性，因为它们能够改善老年人的生活质量[ 1]。同时，我们想要确保我们的老年研究参与者在一次实验中评估所选技术是可行和舒适的，我们在试点研究中验证了这一点。

使用TAP方法，我们获得了参与者对每项技术的评分，包括感知价值、生活质量的改善、对使用技术能力的信心、对隐私的关注、学习技术所需的感知努力，以及使用技术需要从家人和朋友那里获得的感知帮助。作为我们方法的一部分，我们还研究了认知能力测量、基于自我评估的主观能力测量、参与者的折扣行为和一般技术经验。

这项研究的主要目标是使用一个并行框架，在向参与者展示的实际技术的背景下提供参与者的评估，确定那些对直接影响采用这些技术的意愿最关键的变量。我们还试图通过确定对这些变量的促进和抑制影响来建立可能的中介作用。正如接下来的部分所讨论的，这些变量中的许多都是基于我们之前关于老年人使用技术的研究结果和认知老化理论得出的。了解这些影响的相互作用是至关重要的，无论是对我们关于老年人和技术采用的理论知识，还是为更有效地为老年人口设计技术产品和向老年消费者营销这些产品的战略提供蓝图。

本研究总共针对5种范例技术。对于每一项技术，使用TAP方法检查的变量包括参与者对采用特定技术的意愿的自我评价，技术的价值或重要性，学习和掌握技术所需的(精神)努力，对自己学习和掌握技术的能力的信心，学习和掌握技术需要从家人和朋友那里获得帮助的程度，技术在多大程度上被认为改善了人们的生活质量，关注与技术相关的隐私和信任问题，以及为技术付费的意愿。

此外，还考虑了与采用可能受年龄影响的技术意愿有关的其他因素。这些因素包括对健康状况的感知、接受技术的开放程度和准备程度、由于获得技术所需的时间投资而对技术产生的折扣程度、对个人认知能力的自我评估、认知能力(基于认知测试)、使用计算机技术的经验、与使用技术相关的知识和技能，以及家人或朋友在学习或使用技术方面提供的支持的程度和性质。

使用k-fold交叉验证回归的机器学习技术来选择直接预测参与者采用技术的意愿的变量。然后，我们使用多元回归分析来确定k倍交叉验证回归选择的变量的最佳预测因子。这种技术非常适合这项研究，因为数据是在许多变量上收集的，包括那些彼此高度相关的变量。此外，所审查的技术采用模型主要是作为描述可能影响技术采用的因素类型的框架，其目的不是足够严格，不能作为完全确定的模型的基础。我们假设，基于对老年人的实证研究，这项技术的感知价值[ 1)，将是其被采用的有力预测因素。我们还预测了对一个人学习技术能力的信心，这与基于技术接受的模型(如STAM)中自我效能的构建有关，以及基于我们过去的发现，技术被视为改善个人生活质量的程度将是采用技术意愿的强有力预测因素[ 1]。

此外，人们认为学习和掌握一项技术所需的认知努力预计会对采用技术的意愿产生抑制影响，因为人们普遍倾向于尽量减少认知努力的支出[ 20.]以及“元认知信念”随着年龄的增长而减少[ 21关于认知能力。此外，从学习和技能习得的角度来看[ 22， 23，考虑到老年人学习新知识的速度比年轻人慢，老年人学习新技术可能需要投入更多的精力，这可能会抑制他们采用新技术的意愿。学习新事物的意愿，与被称为“经验的开放性”的特征和技术准备的构建有关，也被认为会间接影响采用技术的意愿，因为它通常会随着年龄的增长而减弱[ 24]。

我们认为，另一个影响采用技术意愿的与年龄有关的因素是，后来获得的奖励在多大程度上被贴现了。对于基于更现实的(即不是假设的金钱)未来奖励类型的决策，梅伦霍斯特[ 25]发现折扣随着年龄的增长而增加，这与经济学关于老龄化和折扣的观点一致[ 26]。然而，Sharit等人[ 27研究发现，当奖励包括获得更高的技术技能时，老年人的折扣会随着年龄的增长而减少。在这种情况下，愿意比别人投入更多的时间来获得相同的奖励(即技术的技能水平)将反映出较小的折扣，类似于愿意比别人等待更长的时间来获得相同数量的货币奖励。我们假设，更低的折扣意味着更大的意愿采用技术，特别是如果技术被认为可以改善生活质量。

老年人可能会担心隐私问题，这可能取决于技术，例如，旨在支持健康或财务管理的应用程序[ 1]。此外，是否愿意为技术(适用此类费用的技术或应用程序)付费，也可能影响老年人采用技术的意愿[ 28]。这些和一些附加变量的假设影响在 表1．

正如上文所述的一些例子所示，我们希望通过确定直接影响采用向参与者介绍的技术的意愿的变量，并确定其可能的促进和抑制间接影响，从而确定可能的中介作用，从而更好地理解影响老年人采用技术的相互作用。总的来说，这项研究的目标是衡量这些变量，测试它们的假设影响，并最终得出一个有效的模型，可靠地捕捉一系列与老年人相关的技术，控制老年人采用技术意愿的因素的动态相互作用。

通过在当地媒体和通讯上刊登广告、与服务老年人的机构互动以及参与者注册，从美国两个大城市招募了参与者。感兴趣的参与者完成了初步的电话采访，评估基本资格，包括年龄≥65岁;能够阅读和理解六年级水平的英语;听力(矫正后)、视力(至少20/70矫正后)没有问题，或关节炎损害他们写作或使用笔记本电脑的能力(基于这一标准，只有2人被排除);由认知状态电话访谈仪测量的非认知障碍[ 29]，并根据年龄和教育程度调整了分值(例如，对于70至79岁的人群，高中以下教育程度最低要求为29分，高中以上教育程度最低要求为31分);并且对研究中提出的5种技术中的任何一种都没有经验。

参与者提供书面知情同意书，并获得40美元(以及任何停车费)的参与报酬。迈阿密大学和威尔康奈尔医学院的机构审查委员会批准了这项研究(批准号1808019538)。

实验程序使用了混合方法数据收集程序的修改版本，称为TAP。此方法[ 1包括以下内容:(1)向研究参与者介绍各种技术的深入概述;(2)在每次技术演示之后，完成一份问卷，根据与其采用相关的各种标准对技术进行评分;(3)完成额外的调查问卷和其他评估，以补充技术评级数据;(4)参与演讲后的焦点小组。在本研究中，没有实现TAP的焦点小组功能。

每次学习由2到4人组成。参与者被介绍到研究中，提供书面知情同意书，然后分别进行人口统计学问卷调查，即广泛成就测试[ 30.来评估读写能力，以及视力测试。不符合纳入标准的参与者将获得10美元的时间补偿。符合入选标准的参与者按顺序进行接下来的会话步骤，在这些步骤之间给予休息时间。

评估通常需要大约4个小时。在测试过程中，参与者可以得到零食和饮料，技术评估完成后可以正式休息，必要时还可以上厕所。尽管技术展示和评级的顺序是随机的，但仪器的顺序并没有变化。由于本研究最重要的衡量指标是技术评分，因此这些评分先完成。根据之前的经验，我们认为认知测试对参与者来说是研究中最费力的部分;因此，这些测量是最后收集的，以减少疲劳对研究其他部分的影响。此外，由于该研究并不关注认知状态或能力分类的认知测量水平，而是研究个体差异的潜在影响，这种方法似乎比添加一个额外的设计因素更好，即一些参与者在研究开始时完成了认知测量，在做不同的研究部分之前比其他参与者更疲劳。

实验者按照一个脚本，指导使用两种用于评估折扣行为的互补工具，这些工具在提供给参与者的笔记本电脑上呈现给他们。首先，使用时间分配来获得技能工具，让参与者表示他们愿意花费多少时间(以小时和分钟为单位)来在指定的技术上达到一定的技能水平。定义了基本、中等、中级、高级和精通五个技能级别，并进行了培训以澄清这些技能级别之间的差异。参与者的回答是“是”或“否”，关于他们在技术上获得下一个技能水平的愿望。如果他们的选择是“是”，他们还被要求表明他们愿意投入额外的时间来达到该技能水平;然而，如果他们不希望获得该技术的任何进一步技能，他们可以选择在任何级别停止。

在完成5项技术的每一项测试后，参与者完成了“分配技能水平的重要性”测试。使用笔记本电脑，他们被要求对达到他们之前对5项技术中的每一项技术的期望技能水平的重要性进行评分，评分范围从1到10(1表示不重要，5表示平均重要，10表示非常重要)。参与者被提示(通过计算机界面)，只对那些他们表示愿意投入时间来达到的技能水平赋予重要值。

这两种工具能够收集数据，以确定参与者在多大程度上贴现了他们愿意为获得5种技术中的每一种技术的技能而投资的时间[ 27]。此外，期望技能水平被定义为参与者希望获得每种技术的最高技能水平(从基本技能1到熟练技能5)也被用作衡量标准，因为获得更高技能的愿望被认为是采用该技术的意愿。

如前所述，由于变量数量众多，并且难以先验地指定具有如此大量参数和潜在共线性的预测模型，我们采用了基于机器学习技术的系统探索分析方法，即k-fold交叉验证回归技术，来推导我们采用技术的意愿模型。我们选择这种技术是因为它有助于减少模型过拟合，并提供了一个更好的估计，我们的派生模型将如何在一般情况下执行，超出我们的样本生成的数据[ 41]。

最初，由于数据缺失(占总观察值的<1%)，对于某些变量，我们使用多重imputation为187名参与者中的每个人创建了20个不同的完整数据记录。对于每个参与者，每个数据记录都包含所有变量的完整数据，之前缺失的数据被估算值取代。因此，我们为每个参与者生成了20个数据记录，每个记录对每个缺少数据的变量都有20个不同的估算值。虽然对于缺失的数据，通常5个估算值被认为是足够的，但我们选择保守，而是为每个参与者创建了20个不同的数据记录，原因涉及我们在下面的段落中解释的变量选择方法。

在计算和生成20个数据记录之后，下一步是确定一组变量，这些变量可以最好地预测我们的主要因变量，即采用技术的意愿。我们用k-fold交叉验证回归程序测试每个数据记录 glmnet为R统计环境[ 42]。该程序使用惩罚回归技术来处理共线性，并与Ridge回归和Lasso回归技术一致。k-fold交叉验证在部分数据上估计模型参数，然后在不用于估计参数的单独子样本上验证这些参数。程序试图找到最适合单独子样本的参数集，同时将lambda惩罚(将回归参数缩小到0的值)从0(相当于Ridge回归)改变为1(相当于Lasso回归)。

一旦计算了20 k-fold交叉验证回归，我们记录了20个数据记录中每个变量是可预测的次数，以及每次可预测的平均参数值。我们采用的标准是，如果在至少一半(10/ 20,50%)的回归模型中发现变量显著，就会选择变量进行进一步的探索，因为这将导致一个更一般化和更少偏见的模型。我们认为在所有20个数据记录中具有预测性的变量比那些在所有20个数据记录中不具有预测性的变量更有可能产生可复制的效果。我们还认为，那些具有预测性的变量比那些不具有预测性的变量更有可能在未来的研究中被复制，我们鼓励读者使用相同的启发式方法。尽管我们报告了模型根据前面的推理在<10条数据记录中选择的那些变量的模型数据，但我们没有提供这些变量的参数解释。

然后，我们进行了一系列回归分析，目的是增强我们对预测采用意愿的变量的理解(例如，理解与变量相关的效应量)，使用k倍交叉验证回归选择的变量集。

然而，与我们理解各种变量在影响技术采用意愿方面的促进和抑制作用的研究目标一致，我们也有兴趣了解采用技术意愿的最强预测因素是否潜在地中介了与采用技术意愿相关的其他变量(例如，结晶智力和技术准备)的关系。例如，我们对采用意愿的分析结果表明，参与者对技术改善生活质量的评分、技术的感知价值和使用技术的信心最能预测采用意愿。为了检验这3个变量的潜在中介作用，我们再次进行了k倍交叉验证回归 glmnet这一次，生活质量、感知价值和信心的评级作为因变量。

在使用交叉验证为3个变量中的每一个确定了一组预测因子后，我们再次对采用技术意愿的3个主要预测因子进行了单独的回归分析，再次以获得具有效应大小和统计显著性的更直观的输出为目标。例如，作为这个分析过程的一个例子，在k-fold回归中，结晶能力与采纳意愿没有直接关系。然而，在这两个变量的k-fold回归中，它与生活质量呈负相关，与使用技术的信心呈正相关。

研究样本包括187名65至92岁(平均74.1岁，标准差6.3岁)的成年人，主要为女性(145/ 187,77.5%);年龄多样化，41.1%(77/187)的参与者年龄≥75岁;种族和种族的多样性——21.3%(40/187)的参与者被认定为西班牙裔，35.8%(67/187)的参与者被认定为黑人或非洲裔美国人。大多数参与者(157/187,83.9%)报告至少受过一些大学教育，82.9%(155/187)报告退休，89.8%(168/187)自我报告他们的健康状况至少良好。 表3包括样本人口统计的描述性统计数据。 表4显示了k-fold交叉验证回归的结果与参数估计和数量相乘的输入数据集的参数，被选为预测;再次，我们敦促在解释大多数模型中没有选择的变量时要谨慎。对于20个模型中的每一个，以下4个变量都可以预测采用技术的意愿评级较高:技术的感知价值评级较高，技术对生活质量的感知改善评级较高，使用技术的信心评级较高，技术体验更高。此外，在所有20个模型中，学习技术所需的感知帮助评分越高，采用技术的意愿评分越低。

采用技术意愿的k-fold分析发现，在20个估算数据集中，以下变量在≥10个数据集具有预测性:技术的感知价值、技术对生活质量的感知改善、使用技术的信心、技术所需的感知帮助、技术准备程度的创新性成分、技术准备程度的不安全感成分、积极的技术准备程度和技术体验。

在多元回归分析中，交叉验证选择的这8个变量解释了大量的方差( F_8178年= 59.7, P<措施, R²= 0.73)。其中5个变量在多元回归中具有显著的预测性。对于每个统计上显著的预测因子，我们首先报告回归参数，然后是零级相关。报告零级相关是为了让读者看到预测因子如何与目标变量相关，在这种情况下，在不考虑其他变量的情况下，采用技术的意愿，以及多元回归中包括的其他变量如何改变效应量。其中，技术的感知价值是最强的预测因子(β=.60， P<措施; r= 0.77, P<.001)，其次是技术对生活质量的感知改善(β=.32， P<措施; r= 0.71, P<措施)。使用技术的信心是第二个最强的预测因素(β=.15， P= .009; r= 0.45, P<.001)，其次是感知技术需要的帮助(β= - .10， P= .02点; r= 0.17, P其次是技术经验(β=.12， P= .03点; r= 0.30, P<措施)。因此，就个体而言，感知价值和生活质量的改善占技术采用意愿方差的>50%，信心占20%，技术经验占9%。同样值得注意的是，在这个只有8个预测变量的模型中，技术准备变量并不显著，尽管它们在超过一半的模型中被选择来提高模型的预测精度。

如上所述，考虑到采用技术的意愿与感知价值、生活质量的改善和使用技术的信心之间的强烈关系，我们假设这些变量潜在地中介了其他重要变量的关系。k-fold交叉验证分析的结果表明，在所有20个估算数据记录中，技术准备量表的乐观成分得分越高，学习技术所需的感知努力得分越高，与关于技术对感知价值影响的认知正相关。

多元回归分析的结果显示，这两个变量加在一起，对感知价值有很强的正向预测作用( F_2184年= 29.88, P<措施, R²= 0.25)。各参数β=.19（ P<措施), r= 0.43 ( P技术准备的乐观成分<.001)，β=.21（ P<措施), r= 0.25 ( P=.001)表示技术所需要的工作量。

关于对技术改善生活质量的看法，所有20个数据记录的模型选择了技术准备程度的乐观成分和技术所需的感知努力，两者的较高值与采用技术带来的较高生活质量相关。大多数模型(但不是所有模型)选择从技术中预测更高水平的生活质量的是较高水平的积极技术准备，较低的结晶智力，较低的技术折扣值，随着年龄增长的更高收益的感知，以及较低的健康水平。对这组7个变量的后续多元回归分析表明，这组变量解释了生活质量感知改善方面的大量方差( F_7179年= 13.08, P<措施, R²= 0.33)。在这些变量中，3个在多元回归中显著预测生活质量的感知改善。其中，最强烈的两个关系是技术要求更高的感知努力(β=.18， P=措施; r= 0.30, P<.001)和技术准备的积极方面(β=.14， P<措施; r= 0.41, P<措施)。随后，更低的折扣预示着更高的生活质量感知改善(β= - .86， P= .03点; r= 0.24, P=措施)。

关于使用技术的信心，通过k-fold交叉验证回归发现，预测使用技术的更高信心的变量是更高的结晶智力、技术经验、自我评估的新知识应用、自我评估的解决问题或推理、通识教育、技术乐观成分的得分，以及较少的技术帮助。大多数模型(但不是所有模型)选择以下变量来预测使用该技术的更高信心:更高的自我评估理解，更高的自我评估检测，更高的经验开放度，以及更高的自我评估学习能力。然而，有趣的是，尽管这组变量的多元回归预测了更高的置信度，但解释了大量的方差( F_11175年= 13.14, P<措施, R²=0.45)，可能由于共线性，在多元回归中只有2个变量是可预测的。对技术的感知帮助得分较低(β= - .25， P<措施; r= 0.31, P<.001)，技术准备的乐观成分得分较高(β=.07， P= .02点; r=−0.54, P<.001)预示使用这些技术的信心更高。

识别和理解促使人们采用技术的因素的重要性源于许多强大而容易获得的技术可能提供的巨大好处。对于许多老年人来说，这些好处可能尤其有益，因为这些人可能正在经历认知和身体限制，或与社会隔离相关的健康状况下降，或功能能力下降，这些都有可能在技术的帮助下避免甚至克服。然而，与之前对年轻人群的技术采用的研究不同，与这一成年人群体的技术采用相关的研究仅限于基于成年人对针对一般技术采用的问卷项目的回答来确定因素。在本研究中，我们实施了一种被称为TAP的创新方法，旨在捕捉研究参与者采用本研究中包括的5种技术的意愿。这种方法使与会者能够评估他们对具体技术的看法，方法是通过一系列正式发言，向他们提供与一套被认为对老年人的健康和福祉具有独特益处的技术有关的基本信息[ 1]。除了能够在具体技术的背景下评估采用技术的意愿之外，我们还纳入了一个实证实验的视角，包括对各种工具的管理，这些工具旨在评估其他变量，这些变量被假设为促进或抑制隐含在主要因变量之下的行为意图，即采用技术的意愿，在预测变量的选择中，机器学习方法与回归分析相结合，以评估这些预测变量的可能中介作用。此外，我们的样本包括187名老年人的不同样本，其中包括年龄较大的人群。

一个可靠的研究结果是，以下4个变量的评级越高，就意味着采用技术的意愿评级越高，而第五个变量的评级越高，就意味着采用技术的意愿评级越低。这些变量包括对技术的感知价值、对技术对生活质量的感知改善、对使用技术的感知信心、对技术经验的较高得分，以及对技术所需的感知帮助的较高评级(这预示着采用技术的意愿评级较低)。感知价值、生活质量改善和信心的结果与过去TAM的研究一致[ 10， 11]和STAM [ 16， 17]，以及一项实施TAP方法的研究[ 1]。戴维斯认为，使用技术的意图是由感知到的易用性和感知到的有用性决定的。我们发现的最大的预测因素，感知价值和感知生活质量的改善，可以被解释为对应于感知有用性的构建，而我们第二强的预测因素，使用技术的信心和感知技术所需的帮助，可以被解释为与感知易用性有关。在STAM [ 16， 17]，重点关注老年人(年龄为>55岁)，发现预测一般技术接受度的因素相对广泛，如自我效能感、老年技术焦虑、健康和能力特征，并且可以被视为与使用技术的信心预测相关。

与STAM和TAM不同的是，本研究基于一个并行的视角，它使用特定技术的具体背景的展示作为提供与采用技术的意愿相关的评估的基础。因此，我们认为，感知价值和感知生活质量改善这两个变量虽然在概念上明显相关，但却是独特的预测因子。由于与会者有机会考虑目前采用这些技术的情况，他们可能已经能够将一般用途或价值与技术可能影响其生活质量和独立性的更具体的方式分开。因此，我们还认为，与一项技术相关的感知价值所获得的评估，与一项技术是否有用的总体评估更密切相关，而生活质量的感知改善所代表的评估，使技术在积极改变人们生活的程度上更具差异化。同样地，尽管自我效能类似于对一个人学习和掌握技术的能力的信心程度(我们研究中使用的变量)，但在每种技术的介绍之后收集的自信自我评估可能更依赖于特定技术的性质，而不是更普遍的自我效能自我评估状态。更强调当前使用特定技术的信心，而不是对个人自我效能的更一般的回顾性评估，这与Lee和Coughlin的观点更一致。 43关于老年人采用技术的信心的重要性，并且(稍后将讨论)为旨在向老年用户推销技术的战略提供了更直接的桥梁。

将具体情况作为评估技术采用情况的基础，也可能影响到这一发现，即发现较大的感知帮助需求会降低采用技术的意愿，因为这一信息将使参与者更了解他们在没有可用支持的情况下试图采用或使用特定技术时可能遇到的困境。最后，一般技术经验和采用技术的意愿之间的积极关系，虽然与与特定技术的介绍相关的自我评价无关，但也具有信息性，因为它提供了与技术使用有关的自我效能评估。

然而，为了建立对预测老年人采用技术的因素的更全面的理解，并制定营销技术的策略，以增加这些用户采用技术的可能性，需要考虑其他变量，这些变量可能促进或抑制上述主要预测因素对采用技术的意愿可能产生的中介作用。最有力的发现(即，在所有20个估算数据记录中)是，对于感知价值和生活质量的改善，技术就绪量表的乐观成分和学习技术所需的感知努力都对技术的感知价值和生活质量的改善产生积极影响。对技术准备的乐观态度(相信技术增加了控制、灵活性和效率)似乎是该量表上2个积极维度中更关键的，并且在考虑采用特定技术的背景下(如本研究中考虑的那些)，可能代表了对采用技术的行为意图的强有力的态度观点，从而低于感知价值和生活质量改善的评级。

对于这两个采用技术意愿的预测因素的可能中介作用来说，可能不那么直观的是，学习技术所需的感知努力与它们之间的积极关系。之前，我们假设，学习技术所需的认知努力增加会对采用的意愿产生负面影响，因为人们倾向于将认知努力最小化。然而，总体研究结果可能表明，如果老年用户对他们的技术准备态度表现出乐观态度，这可能会压倒避免在学习上投入精力的倾向，特别是如果技术被认为能够改善生活质量。

在20个估算数据集中的大多数(但不是全部)中发现的其他显著影响生活质量改善的变量包括结晶智力、技术折扣和感知健康，这些变量中每个变量的较低值与生活质量的改善和采用技术的意愿呈正相关。在本研究样本中，年龄增长与折扣减少相关[ 27这表明，老年人愿意投入更多时间在这些技术上获得更高的技能水平，可能与他们认为获得这些更高水平的技能可以转化为改善他们的生活质量有关。在低水平的结晶智力和较低的健康感知之间发现的较弱的关系，对生活质量提高的感知和采用技术的意愿的理解较少;它们可能表明这些参与者有自我意识，需要通过可能有益于他们健康和福祉的技术来弥补这些较低的认知和健康水平。

可以预见的是，对具有学习技术能力的信心是采用它们的意愿的积极预测因素，这可以通过对理解和学习能力等能力的较高自我评估，在技术准备程度量表的乐观成分中得分较高，以及在学习使用技术时感知到的帮助需求评分较低来预测。结合对其他两个主要预测因素的研究结果，感知价值和生活质量的改善，提出了一些诱导老年人采用技术的策略。例如，在营销这些技术和开发这些技术的使用指导方法时，应强调这些技术有利于独立性和生活质量的非常具体的方式，以及这些技术在实现这些目标方面的效率。尽管设计老年人容易使用的科技产品很关键[ 44]，如果这些设计是可用的，如果需要在合理的范围内进行认知努力来学习使用这些技术，老年人可能不会被吓倒。此外，如果技术的好处是显而易见的，他们可能愿意投入额外的时间来达到更高的掌握水平。我们也推荐那些促进科技乐观的信息，因为它们为积极的潜在态度提供了基础。

这项研究的主要局限性在于它是一项并行的横断面研究，参与者没有机会实际使用这些技术。因此，虽然我们花了很大的精力让参与者熟悉每种技术，以便参与者能够提供尽可能准确的回答，说明他们是否愿意采用所介绍的每种技术，但最好是收集关于实际使用模式的预期现实世界数据，但这超出了本研究的范围。

然而，这项研究克服了与回顾性、基于问卷的数据相关的许多局限性，为评估技术采用提供了更现实的背景，并通过对老年人认知能力和局限性的理解提供了更大的变量数组。此外，该研究的两个主要优势是对目标技术的全面解释和演练，我们认为这对于参与者准确理解技术是必要的，以及我们对他们的感知和许多相关构念的严格测量。然而，这些全面的解释和测量将我们局限于所选择的5种技术。虽然我们认为我们的研究结果可能会推广到这些特定的技术之外，但这必须由未来的研究来证实。

此外，由于本研究仅使用了5种技术，因此我们无法在本项目范围内研究不同技术在技术采用上的差异。未来的研究应该扩展这里使用的技术，并可能研究不同类型技术之间预测技术采用的异质性。此外，参与者是自行选择参加这项研究的，研究广告表明，这项研究是关于技术的，可能需要参与者前往迈阿密大学米勒医学院或威尔康奈尔医学院。这可能影响了样本的招募。在这方面，样本可能更健康，对技术更感兴趣，受教育程度更高，因此不能代表独立生活的老年人的多样化人群。此外，由于研究要求的性质，我们不能包括有认知缺陷的人。

这项研究为确定可能影响老年人采用技术的意愿的变量提供了概念基础，并使用了一个并行框架，在此框架中，参与者在接触5种对老年人具有潜在益处的范例技术的背景下，对其采用技术的意愿进行了评估。采用的分析方法能够确定采用技术意愿的直接预测因素，以及对这些预测因素具有抑制和促进影响的变量。研究技术采用问题的未来研究可以受益于本研究中使用的方法，并检查所发现的关系的复杂模式。在本研究中确定的重要变量的基础上，在未来的研究中，应该更容易选择调查变量的数量，并进一步扩展我们的因果模型。然而，老年人接受技术模型的最终标准是在自然环境中对技术使用的纵向测量，由于许多原因，这仍然是一个具有挑战性的问题。