这是一篇根据创作共用署名许可协议(https://creativecommons.org/licenses/by/4.0/)发布的开放获取文章,允许在任何媒介上不受限制地使用、分发和复制,前提是正确引用了首次发表在JMIR Aging上的原创作品。必须包括完整的书目信息,https://aging.www.mybigtv.com上的原始出版物的链接,以及此版权和许可信息。
科技应用程序的迅速普及可能会支持老年人的独立性,提高他们的生活质量。预测老年人对技术接受度的模型很少,它们基于与一般技术接受度相关的宽泛问题,而且在很大程度上没有基于老龄化理论。
本研究旨在使用涉及5种技术的混合方法,全面评估影响老年人采用技术意愿的因素之间的因果关系。
共有187名年龄在65岁到92岁之间的男性和女性参与了这项研究。参与者被介绍了5种不同的技术,涵盖了交通、休闲、健康和新学习等领域,并根据假设的影响采用的各种措施对每种技术进行了评级。他们还使用了其他工具来收集关于他们实际的和自我评估的认知能力的数据,对技术的贴现率(相对于愿意投入时间来获得技术方面的更高技能),一般技术经验和对技术的态度。我们使用k-fold交叉验证回归的机器学习技术来选择预测参与者采用这些技术的意愿的变量。
采用技术的意愿受3个变量的影响最大:技术的感知价值(β=.54)、技术可实现的生活质量感知改善(β=.24)和能够使用技术的信心(β=.15)。反过来,这些变量主要是由学习使用技术所需的感知努力、技术准备量表的乐观成分所反映的对技术的积极态度、技术被贴现的程度以及学习使用技术所需的感知帮助所促进或抑制的。
我们的研究结果表明,参与者采用技术的意愿主要由对技术3个方面的感知决定;这些方面可能调解许多愿意收养的关系。我们讨论了这些发现对针对老年消费者的科技产品的设计和营销的影响。
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。
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) [
TAM的各种修订[
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)”[
高级TAM (STAM) [
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[
此外,还应指出的是,STAM的发展[
最近,哈里斯和罗杰斯[
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[
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[
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[
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[
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[
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[
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。
假设所选研究变量的增加对采用技术的意愿的影响。
变量 | 预期效果 |
感知价值 | 积极的 |
对使用技术的能力有信心 | 积极的 |
感知技术改善生活质量的能力 | 积极的 |
感知帮助需要学习技术 | 负 |
学习技术需要感知认知的努力 | 负 |
技术准备 | 积极的 |
愿意投入时间学习技术的折扣 | 负 |
隐私问题 | 负 |
愿意为技术付费 | 积极的 |
能力自我评估 | 积极的 |
一般技术经验 | 积极的 |
提供技术援助 | 积极的 |
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[
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[
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[
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。
参与者作为一组,以预先确定的随机顺序展示5种技术的PowerPoint演示文稿,以减少顺序影响。这五项技术分别是:(1)拼车应用Lyft;(2) eCareCompanion,这是一款应用程序,可以与您的护理团队共享健康信息,跟踪健康任务,以及可选的设备来测量重要统计数据;(3) Curious,一个致力于为终身学习者提供各种主题课程的网站;(4) InteliChart,患者门户网站,允许个人查看医疗图表、安排预约和管理医疗保健的其他方面;(5) Fittle,这是一款利用互联网教练帮助人们达到健康和健身目标的应用。每次演示大约持续10分钟。参与者被允许就每种技术提出澄清性问题;但是,与会者之间的讨论是不允许的。
在每种技术展示之后,参与者完成了一份技术评级问卷,其中他们使用李克特式9分制(支付意愿标准除外)根据各种标准对技术进行评级,并为量表上的2个端点和3个中间点提供了口头描述符。在关于所有5种技术的演示完成后,5种技术的摘要被呈现出来,参与者可以查看他们的评分并根据需要进行更改。参与者根据以下标准对每项技术进行评级。
从左上方顺时针方向向参与者展示技术时使用的幻灯片示例:Lyft、eCareCompanion、Curious、Fittle(右下方)和InteliChart。
您是否愿意采用刚刚呈现给您的技术?换句话说,你有多愿意“拿起”并开始使用它(1表示完全不愿意,5表示有点愿意,9表示完全愿意)?这是分析中的主要因变量。我们还使用层次分析法中的配对比较来测量采用的意愿[
你如何评价刚刚呈现给你的技术的重要性或价值(1是完全不重要,5是有点重要,9是非常重要)?
你认为你需要付出多少努力来学习和掌握刚刚呈现给你的技术(1表示没有,5表示有些,9表示很多)?
你对自己有能力学习和掌握刚刚介绍给你的技术有多大信心(1表示完全没有信心,5表示有点信心,9表示非常有信心)?
你需要多少家人和朋友的帮助来学习和掌握刚刚呈现给你的技术(1表示没有,5表示有些,9表示很多)?
想想那些对你来说最重要、对你的生活质量有贡献的事情。这些技术能在多大程度上改善你的生活质量(1表示完全没有,5表示一些,9表示很多)?
你对这项技术带来的隐私和信任问题有多担心(1分完全不担心,5分有点担心,9分非常担心)?
选择你愿意支付多少钱来拥有刚刚展示给你的技术。在做出选择时,不要包括与该技术相关的服务或订阅的任何持续或经常性成本。(参与者可以选择从零到超过100美元,在这两个极端之间有10个类别)。
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[
对参与者进行试纸测试A和B [
参与者完成了一个由8个项目组成的评分量表,该量表改编自Ackerman和Wolman [
参与者回答了10项人格量表中的2个问题[
参加者回答有关年龄变化的10项态度[
参与者完成了技术准备指数,这是一份包含16个项目的问卷,采用李克特5分制,旨在确定个人对采用新技术的倾向[
该工具分为三个部分:(1)一部分询问参与者对计算机技术的访问和使用情况,如台式机、笔记本电脑、平板电脑、智能手机、互联网和电子邮件;(2)由4个问题组成的部分,参与者在9分制上表示(1=非常低;9=非常高),他们的基本计算机技术技能的程度(例如,能够轻松使用与基本计算机技术相关的设备,如键盘或鼠标);互联网和电子邮件技能或知识;计算机程序知识;计算机应用知识(例如,关于计算机或智能手机上的不同应用程序或“应用程序”以及如何使用它们);(3)关于参与者在使用技术时需要帮助和支持的部分。最后一部分由两个问题组成,参与者回答,使用9分制(1=从来没有,5=有时,9=一直),他们多久需要帮助来帮助他们学习和掌握一项新技术,多久有人可以帮助他们学习和掌握一项新技术。此外,参与者还被要求勾选以下项目:他们在学习使用新技术时依赖谁的帮助,以及他们在考虑是否使用新技术时听取谁的建议和建议。
研究中收集的变量。
测量 | 变量类型一个 | 仪器 |
年龄 | 个人(连续) | 人口调查问卷 |
整体健康状况 | 个人(尺度值:1-5) | 人口调查问卷 |
愿意采用该技术 | 技术(尺度值:1-9) | 技术评价问卷 |
技术的感知价值 | 技术(尺度值:1-9) | 技术评价问卷 |
努力学习技术 | 技术(尺度值:1-9) | 技术评价问卷 |
对学习和使用技术的能力有自信 | 技术(尺度值:1-9) | 技术评价问卷 |
感知帮助需要学习技术 | 技术(尺度值:1-9) | 技术评价问卷 |
从科技提升生活品质 | 技术(尺度值:1-9) | 技术评价问卷 |
这项技术的隐私或信任问题 | 技术(尺度值:1-9) | 技术评价问卷 |
愿意为拥有技术而付费 | 技术(分类) | 技术评价问卷 |
采用技术的相对比较 | 技术(每项技术的相对权重) | 配对比较评级仪 |
折现率 | 技术(连续) | 获得技能工具的时间分配 |
所需技能水平 | 技术(尺度值:1-5) | 获得技能工具的时间分配 |
整体认知功能 | 个人(考试成绩) | 认知测试组(轨迹测试A和B) |
工作记忆 | 个人(考试成绩) | 认知测验组(数位跨度) |
结晶和流动的认知能力 | 个人(考试成绩) | 认知测验(希普利词汇) |
生活知识 | 个人(考试成绩) | 认知测验(多维能力倾向测验) |
认知能力的自我评估 | 单项(平均分;项目刻度值:1-9) | 能力自评问卷(8项中的6项) |
接受新体验 | 单项(平均分;项目尺度值:1-7) | 十项人格量表(2项) |
对衰老的看法:收获 | 个人(总分;项目尺度值:1-5) | 对衰老的看法(10项中的5项) |
对衰老的看法:失去 | 个人(总分;项目尺度值:1-5) | 对衰老的看法(10项中的5项) |
技术准备:乐观、创新、不安和不安全感 | 个人(平均总分和分量表得分;项目尺度值:1-5) | 技术准备指数问卷 |
技术技能的自我评估 | 单项(平均5项;项目刻度值:1-9) | 一般科技使用调查 |
技术援助支持的需求或可用性 | 单项(项目平均数;项目刻度值:1-9) | 一般科技使用调查 |
一般技术经验 | 个人(使用过5种技术的是或否的总分) | 一般科技使用调查 |
一个收集了5种技术的技术变量;单个变量只收集一次。
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[
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
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
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。
样本的人口统计学(n=187)。
变量 | 值 | ||
技术经验,平均值(SD) | 3.87 (1.50) | ||
年龄(年),平均值(SD) | 74.11 (6.33) | ||
一般健康状况,平均值(SD) | 3.43 (0.85) | ||
性别(女性),n (%) | 145 (77.5) | ||
|
|||
|
高中及以下学历 | 22日(11.8) | |
|
一些大学或同事 | 51 (27.4) | |
|
学士学位 | 48 (25.8) | |
|
研究生 | 58 (31.2) | |
|
职业 | 7 (3.8) |
20次多重输入交叉验证回归结果。
|
愿意采用技术 | 科技造就生活品质 | 技术感知价值 | 使用技术的信心 | |||||||
|
米一个 | β | 米 | β | 米 | β | 米 | β | |||
拦截 | 20. | −厚 | 20. | 3.19 | 20. | 4.55 | 20. | 6.34 | |||
技术准备乐观 | - - - - - -b | - - - - - - | 20. | 厚 | 20. | 厚 | 20. | 02 | |||
技术准备创新能力 | 15 | . 01 | - - - - - - | - - - - - - | - - - - - - | - - - - - - | - - - - - - | - - - - - - | |||
技术准备不充分 | 14 | 〇〇 | 2 | 〇〇 | - - - - - - | - - - - - - | - - - - - - | - - - - - - | |||
积极的技术准备 | 18 | . 01 | 19 | . 01 | - - - - - - | - - - - - - | 7 | 〇〇 | |||
一般技术经验 | 20. | 06 | - - - - - - | - - - - - - | - - - - - - | - - - - - - | 20. | 06 | |||
性别(女性) | 8 | −.06点 | - - - - - - | - - - - - - | - - - - - - | - - - - - - | 0 | - - - - - - | |||
教育 | - - - - - - | - - - - - - | - - - - - - | - - - - - - | - - - - - - | - - - - - - | 20. | 03 | |||
一般健康 | - - - - - - | - - - - - - | 11 | −.04点 | - - - - - - | - - - - - - | - - - - - - | - - - - - - | |||
自我评价的理解 | - - - - - - | - - - - - - | - - - - - - | - - - - - - | - - - - - - | - - - - - - | 19 | . 01 | |||
自我评估学习能力 | - - - - - - | - - - - - - | - - - - - - | - - - - - - | - - - - - - | - - - - - - | 11 | 〇〇 | |||
自我评估应用新知识 | - - - - - - | - - - - - - | - - - - - - | - - - - - - | - - - - - - | - - - - - - | 20. | 03 | |||
自我评估解决问题或推理的能力 | - - - - - - | - - - - - - | - - - - - - | - - - - - - | - - - - - - | - - - - - - | 20. | 02 | |||
自我评价检测 | - - - - - - | - - - - - - | - - - - - - | - - - - - - | - - - - - - | - - - - - - | 19 | 02 | |||
认知能力:流体 | - - - - - - | - - - - - - | 1 | −.02点 | - - - - - - | - - - - - - | - - - - - - | - - - - - - | |||
认知能力:结晶 | - - - - - - | - - - - - - | 18 | −。08 | 7 | −.02点 | 20. | .14点 | |||
对衰老的认知:收获 | - - - - - - | - - - - - - | 12 | . 01 | 1 | 〇〇 | - - - - - - | - - - - - - | |||
开放的体验 | - - - - - - | - - - - - - | - - - - - - | - - - - - - | - - - - - - | - - - - - - | 13 | . 01 | |||
技术上的帮助 | 20. | −03 | - - - - - - | - - - - - - | - - - - - - | - - - - - - | 20. | −.20 | |||
使用技术的信心 | 20. | 酒精含量 | N/Ac | N/A | N/A | N/A | N/A | N/A | |||
关注技术隐私 | - - - - - - | - - - - - - | 1 | 〇〇 | - - - - - - | - - - - - - | - - - - - - | - - - - - - | |||
技术感知努力 | - - - - - - | - - - - - - | 20. | 厚 | 20. | .04点 | - - - - - - | - - - - - - | |||
技术感知价值 | 20. | 54 | N/A | N/A | N/A | N/A | N/A | N/A | |||
科技造就生活品质 | 20. | 。 | N/A | N/A | N/A | N/A | N/A | N/A | |||
折扣参数d | - - - - - - | - - - - - - | 15 | −低位 | - - - - - - | - - - - - - | - - - - - - | - - - - - - |
一个M:包含该参数的模型数。
b-:变量未在该因变量的任何数据记录中选择为预测变量。
cN/A:不适用。
d模型包括技术准备不适感、消极技术准备、年龄、自评词汇量、自评数字、自评记忆、自评掌握和对老化损失的感知;然而,它们没有被提出,因为它们在任何计算模型中都不是可预测的。
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(
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(
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(
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(
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[
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[
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。
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[
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[
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。
高级技术接受模型
技术接受模型
技术评估程序
技术接受与使用的统一理论
这项研究由国家老龄化研究所和国立卫生研究院(NIA 3 PO1 AG17211, CREATE iv项目-老龄化和技术增强研究和教育中心)资助。作者感谢Ronald Berkowsky和Mario Hernandez对这项研究的贡献。内容仅为作者的责任,并不一定代表美国国立卫生研究院的官方观点。
资料可按要求提供。作者目前正在合并迈阿密大学衰老研究中心和威尔康奈尔医学衰老与行为研究中心的技术采用数据集。
没有宣布。