可持续运营与计算机3（2022）118接受和使用数字技术应对COVID-19的博卢瓦吉河放大图片作者：Akinnuwesi A.放大图片作者：Stephen G.法肖托a，埃利奥特Mbungea，Adedoyin Odumaboc，Oluwaseun O.Amusad，Moses Okpekue，Olumide Owolabifa斯威士兰大学科学与工程学院计算机科学系，Kwaluseni M201，斯威士兰b加拿大阿尔伯塔省卡尔加里皇家山大学数学与计算系T3E6K6c/尼日利亚拉各斯Ojo拉各斯州立大学理学院计算机科学系。d尼日利亚翁多州Akungba-Akoko Adekunle Ajasin大学文学院英语系南非夸祖鲁-纳塔尔大学遗传学系f尼日利亚阿布贾，阿布贾大学计算机科学系aRT i cL e i nf o保留字：接受和使用COVID-19数字化应对技术尼日利亚，人民行为意图UTAUTa b sTR a cTCOVID-19疫情加快了数字技术的发展，以应对病毒的传播。严重度-已部署了各种数字干预措施，以减少这一流行病的灾难性影响，并遵守预防措施。然而，受影响的民众采用和利用这些技术一直是一项艰巨的任务。因此，本研究采用UTAUT（UnifiedTheoretyofAcceptanceandUseofTechnology）框架，对影响人们接受COVID-19数字化应对技术（CDTT）的行为意向（BI）的因素进行了探索性研究。本研究应用主成分分析与多元回归分析进行假设检验。研究发现，表现期望（PE）、促进条件（FC）和社会影响力（SI）是人们接受CDTT的BI的最佳预测因素此外，组织政府期望和福利（GEB），以提高人民的BI。然而，诸如年龄、性别和使用CDTT的非自愿性等变量对影响BI没有意义，因为CDTT仍处于新生阶段，不易获得。结果表明，决策者和监管者应该考虑激励变量，如PE，FC，SI，OIB和GEB，激励接受和使用CDTT。此外，必须使民众敏感地认识到CDTT在所有社区的可用性和使用情况。此外，CDTT接受和使用的路径图和假设检验结果将有助于政府和私人组织规划和应对COVID-19防护措施的数字化，从而修订COVID-19健康防护法规。1. 介绍2019冠状病毒病疫情于2019年在武汉爆发，由新型冠状病毒SARS-COV-2（严重急性呼吸综合征冠状病毒2）引起[1，2]。世界卫生组织（WHO）于2020年3月11日宣布其为大流行[1，3]。截至2021年7月15日，全球确认的COVID-19病例总数约为1. 89亿例; 222个国家报告超过400万例死亡1此外，在尼日利亚，约有168，000例确诊COVID-19病例和约2，000例死亡。由于传播速度和死亡率之快，该病毒的传播令全球社会震惊然而，当局已采取多项常规措施，例如洗手、戴口罩、保持社交距离、∗ 通讯作者。电子邮件地址：bakinnuwesi@uniswa.sz（学士学位）Akinnuwesi）。1 https://www.worldometers.info/coronavirus/?utm_campaign=homeAdvegas1？https://doi.org/10.1016/j.susoc.2021.12.001清洁和消毒。同样，COVID-19数字应对技术已开发用于跟踪和接触者追踪、社交距离监测、体温筛查、诊断和症状跟踪。开发这些技术是为了补充预防疾病传播的传统措施。因此，对COVID-19的此类应对凸显了CDTT在当前疫情期间促进包容、公正和公平社会的重要性和加速发展。各国政府制定法律并执行COVID-19法规，以使大众（即最终用户）接受并使用可用的CDTT以防止疾病传播。然而，为应对COVID-19而部署的CDTT的采纳、接受及使用受到严峻挑战，并最终影响其效能。这是由态度（感知的需求、风险和收益）等因素接收日期：2021年9月28日;接收日期：2021年11月19日;接受日期：2021年12月3日2021年12月16日网上发售2666-4127/© 2021作者。由Elsevier B.V.代表KeAi Communications Co.出版，这是一篇CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）可在ScienceDirect上获得目录列表可持续运营和计算机期刊主页：http://www.keaipublishing.com/en/journals/sustainable-operations-and-computers/B.A. Akinnuwesi，F.E.Uzoka，S.G.Fashoto等人可持续运营与计算机3（2022）118119数据安全和隐私、基础设施、易用性、数字素养、教育水平、公众意识计划的规模和公众信任[4]。尽管有大量关于COVID-19的研究报告，但有关为应对COVID-19而开发的CDTT的采纳、接受和使用的研究非常有限。与其他发展中国家一样，尼日利亚面临着一些与基础设施、电力、识字、信仰和习俗、互联网连接和低人均收入有关的挑战[5，6]。这些障碍阻碍了人们采纳、接受和使用现有数字技术的商业意图（BI）。因此，本研究旨在调查为应对COVID-19而部署的数字解决方案，并考虑影响尼日利亚民众使用CDTT的意愿。本研究以UTAUT模型为指导，试图解决以下研究问题（RQ）：a RQ-1：人们在使用数字化工具应对COVID-19时遇到了哪些问题？b RQ-2：什么因素和调节变量影响民众接受和使用CDTT的道德意愿c RQ-3：什么框架适合于接受和利用CDTT？本研究的总体目标和贡献是发展 通过扩展[7]中提出的原始UTAUT框架，在发展中国家采用CDTT的改进UTAUT模型。根据我们的数据分析结果，使用我们建立的因素对原始UTAUT模型进行了修改，这些因素是人们接受CDTT的BI的重要预测因素。据我们所知，这是首次在尼日利亚背景下就COVID-19数字化应对技术开发接受和使用技术模型的研究。建议的CDTT接受模式可作为发展中经济体私营和政府组织本文的结构安排如下：第二部分是文献综述。第3节介绍了方法。第4节介绍了结果讨论，而结论见第5。2. 文献综述我们正处于数字技术的革命时代，为解决现实生活中的问题开发了许多数字解决方案，人们应该接受并相应地使用它们[8]。SARS-CoV-2的爆发催生了数个数字解决方案，以应对COVID-19的传播，这些解决方案有助于补充目前用作个人防护装备（PPE）的临床工具。为应对COVID-19而开发的CDTT可按以下类别呈现：追踪和接触者追踪;社会距离;体温筛查;预后;诊断和治疗。这些技术是基于以下概念开发的，并且它们正常运行：物联网（IoT），地理信息系统（GIS），人工智能，大数据，医疗物联网（IoMT），蜂窝技术和智能应用，虚拟现实和区块链[2]。许多关于COVID-19的研究强调了以下几点：a COVID-19病例的预测/预测[9b 2019冠状病毒病紧急情况的立法应对与对人权保护的影响[12，13]。c公众对COVID-19早期预防措施的意见[14]。d COVID-19大流行对人们的心理影响[15，16]。e COVID-19传播的空间分析[17f 风险评估/传播风险[21，22]。g COVID-19数据集结构[23];症状特征分析，例如[24]。h遗传特征/变异[25、26]。i 测试/检测[27，28];风险因素分析[29]。j 变速器动力学[30];和变速器故障诊断[31]。此外，亦有报告指出，在COVID-19疫情期间，一些新兴技术可改善人们的生活。例如，在COVID-19期间使用远程医疗和虚拟软件治疗患者的情况在[32]中得到考虑，作者的发现表明，使用这些应用程序远程治疗患者有助于减少医院患者的拥挤，保护医疗设施并尽量减少COVID-19的传播Hernán-Orallo等人在[33]中评估了基于蓝牙的智能手机应用程序用于COVID-19接触追踪的作者进行了研究，以期建立基于精度、利用率、跟踪速度和实现的系统性能模型。他们的研究结果表明，智能手机联系人追踪应用程序在与社交距离等措施相结合时有效同样，在[34]中进行了一项审查，以捕捉全球应对COVID-19的数字创新。作者指出，数字创新在以下领域补充了传统医疗措施然而，安全和隐私仍然是提出的主要问题，这些技术[35此外，在以色列收集的有关使用技术对抗COVID- 19传播的数据也引发了隐私问题，并需要提供必要的保障措施，以尽量减少公民人权的风险[38]。[39]中提出的采访报告也确定了在保护公众健康和保障公民权利之间取得平衡的必要性。同样，Maalsen和Dowling在[40]中提出，在这个由于COVID-19危机而加速技术采用在[41，42]中，作者确定并描述了用于COVID-19诊断，预防和监测的数字解决方案数码技术的快速增长归因于需要良好的数码医疗措施，以补充为应对COVID-19而采取的传统医疗措施。在[43]中，作者对采用社交媒体技术作为中小型企业（SME）宣传其产品的工具的行为意图进行了分析。与会者注意到，COVID-19的传播使大多数中小企业陷入瘫痪，因此需要以其他虚拟方式开展业务活动。结果显示，受COVID-19疫情影响的中小企业对采用社交媒体工具有很高的认识，并有很高的意愿。此外，作者指出，组织背景、技术背景、环境背景和社会媒介意识，显著影响采用社会媒介工具的意图。因此，作者建议政府应在COVID-19等危机中为中小企业提供支持，[44，45]中也报道了类似的研究。作者在[46]中抽样调查了公共住房访问者的意见新加坡的pitals，研究他们对COVID-19国家数字接触者追踪工具的认识、接受和采用情况。他们指出，很大一部分人都知道这项技术，并愿意采用、接受和使用它。同样，在[47]中，泰国开发了一个综合预期确认和健康信念模型（ECHBM），以解释人们在COVID-19危机中采用和继续使用非接触式数字技术的意图。作者发现，感知的敏感性，感知的有用性，满意度和感知的严重性对使用非接触式支付系统的意图有重大影响。感知有用性和确认也被确定为消费者满意度的重要决定因素公众对采用社交距离的意见也在[14]中进行了分析和介绍。结果表明，情境意识对社会距离有显著影响因此，通过正式的信息来源，在流行病时期提高对形势的认识，可以大大增加采取保护性健康行为，从而最大限度地减少疾病的传播。B.A. Akinnuwesi，F.E.Uzoka，S.G.Fashoto等人可持续运营与计算机3（2022）118120在[48]中，使用扩展的UTAUT模型并考虑环境问题，研究了COVID-19期间影响在家工作（WFH）技术接受度的因素，预测WFH技术的接受度为57.4%。在[49]中，研究了COVID-19期间数字接触者追踪的采用。作者概念化了管理方法与可能影响数字联系人跟踪采用的背景社会因素之间的关系。研究结果表明，如何监测接触，以期实现预期的健康，经济和社会效益，新冠肺炎等大流行时期。采用数字技术 在COVID-19期间，帮助政府和私人组织规划和应对紧急情况[50]。许多研究报告了影响免疫功能的因素，在COVID-19等危机时期，在教学和学习中采用数字技术。例如，Ezzat在[51]中探讨了影响埃及公立大学教学水平在COVID-19危机期间接受和使用社交媒体工具进行教学的因素。采用技术接受模型（TAM），作者确定了以下重要的内部因素：感知易用性和感知有用性，而基础设施和设备访问部分被认为是外部因素。同样地，使用TAM在[52]中，研究了四所德国大学在COVID-19期间学生作者扩展了该模型，增加了影响感知有用性的变量（即时间不确定性、学习不确定性和社会隔离）。同样在[53]中，研究了在COVID-19等大流行期间采用基于计算机的协作学习对文化和个人特征的影响。结构方程模型（SEM）被用来评估结构之间的关系。结果表明，学生多位学者在多项研究中报告了用户参与的重要性，在这些应用中，用户我们的研究显示，在开发数字化工具以应对COVID-19方面取得了重大进展，我们注意到以下优点：预测COVID-19病例和死亡率变得更容易和更快;跟踪COVID-19感染者和接触者变得更容易和更快;医疗设备、智能健康应用程序和智能传感器相互连接以监测和检测COVID-19;改善医疗保健服务系统，以使用智能应用程序和智能可穿戴设备应对COVID-19紧急情况;为医护专业人员管理COVID-19病例提供良好指导;绘制COVID-19热点区域变得更容易和更快;以及通过频繁发送关于接触者、体征和症状以及位置的通知来。尽管有上述优点，但在本研究进行时，作者还没有关于采用、接受和使用CDTT的研究，考虑到在发展中国家，如尼日利亚，人们在那里-因此，本研究的目的是调查接受和使用 以尼日利亚为案例，在发展中国家应对COVID-19所部署的数字技术。UTAUT模型作为一个理论框架，以指导研究。3. 方法3.1. 接受和使用技术的统一理论（UTAUT）图1展示了UTAUT模型，该模型在本研究中被用作发现和检验影响用户为应对COVID-19而开发的虽然接受模型有理性行为理论（TRA）、技术接受模型（TAM）、计划行为理论（TPB）、TAM和TPB的组合模型（C-TAM-TPB）、动机模型（MM）、个人计算机使用模型（MPCU）、社会认知理论（SCT）和创新差异理论（IDT）等，但Venkatesh等的研究表明，技术接受模型是一种有效的接受在[7，62]中，UTAUT模型比这些模型更好地解释了70%的行为意图变异和50%的技术使用变异。Dwivedi在[63]中对UTAUT进行的实证检验的结果证实了Venkatesh等人在[7，62]中的发现。年龄、性别、经验和非自愿性是UTAUT中确定的调节因素，以增强其预测能力，并使UTAUT与其他接受模型不同[63]。此外，UTAUT已被广泛用于解释技术接受。UTAUT模型认可了技术在授权中四种不同结构下的变量直接决定了用户的接受和使用行为[7]：性能期望（PE）、娱乐期望（EE）、社会影响（SI）和便利条件（FC）。结构的关键调节因子是性别、年龄、非自愿性和EX经历。绩效预期描述了个人对技术的使用将帮助他/她提高工作绩效的信念程度[7]。在PE中包含的因素是：感知有用性[64]，外在动机[65]，工作适合[66]，相对优势[67]，结果期望[68]。体育对技术接受的影响受性别和年龄的调节[69]。期望值描述了与使用技术相关的容易程度[7]。在EE中组成的因素是感知易用性[70]，复杂性[66]和易用性[67]。调节变量是性别、年龄和经验[69]。社会影响力定义了一个人对其他人对他或她使用新技术的信念的重要程度[7]。它由这些因素组成：主观规范[71]，社会因素[66]和形象[67]。定义为中度的变量影响SI的因素有性别、年龄、非自愿性和经验[7]。促进条件是指个人相信组织和技术基础设施的存在支持技术的使用的程度它由感知行为控制[72]，促进条件[66]和兼容性[67]组成。定义为FC的调节变量为年龄和经验[7]。3.2. 数据收集本研究采用问卷调查法收集资料。我们从尼日利亚西南地缘政治区的六个州（即奥贡州、埃基蒂州、奥逊州、拉各斯州、奥约州和翁多州）获得了参与者。 参与者来自以下工作部门：医疗中心（如医院，诊所，医学实验室），学术机构，企业（如银行，保险公司等），IT公司、市场（如社区的一般开放市场、购物中心、超市）、执法机构（如警察、军队、移民、民防、海关）和农村地区的农场。我们收到了来自每个工作部门的组织的答复。我们通过电子邮件和面对面的方式向受访者分发了问题。受访者还使用SurveyMonkey应用程序下载的在线版本在线完成了部分问卷。通过面对面、电子邮件和在线方式共发放了八百（800）份问卷。我们收到了650份（81.25%）问卷，这些问卷正确填写并用于我们的分析。受访者主要来自医疗保健行业、政府机构、学术机构、企业及资讯科技公司，彼等对COVID-19疫情及其主要关注事项较为了解，而我们在多个农场定居点及市场获得的受访者对COVID-19及其防护措施的了解则较浅。调查表分为三个部分。第一部分包含以下人口统计信息：受访者的年龄，性别，B.A. Akinnuwesi，F.E.Uzoka，S.G.Fashoto等人可持续运营与计算机3（2022）118121=1Fig. 1. UTAUT模型[7]。年龄、受访者的教育背景、受访者的工作部门、在组织中的职位、组织的规模、组织的年龄、数字化工具的使用程度和非自愿性使用数字化工具。第二部分包含的问题使我们能够衡量受访者使用COVID-19防护工具的程度。第三部分集中在帮助我们的问题上来衡量人们对接受和使用关于CDTT分析受访者对问卷第三部分问题的回应，有助我们识别影响人们接受及使用数字化工具应对COVOD-19的行为意向的因素，从而提出CDTT的接受及使用框架。使用5点Likert类型量表测量因素变量。3.3. 数据分析和结果图2说明了本研究中使用的一般分析和结果框架。该框架的七个阶段以方框显示，各阶段的简要描述于左边显示，而各阶段所应用的具体方法则于右边显示。第3.3.1 - 3.3.7小节详细描述了阶段和结果我们使用社会科学统计软件包（SPSS）来分析所收集的数据。 我们基于描述性统计分析人口统计数据，同时进行Kaiser-Meyer-Olkin（KMO）、Bartlett球度检验和显著性检验，以确认因子分析的抽样充分性。可影响CDTT之接受及使用之重大可测变量乃使用主成分分析提取。分析分三个阶段进行：生成所有变量的相关矩阵;从相关矩阵中提取因子;旋转提取的因子以最大化变量与某些因子之间的关系。内部一致性采用Cronbach’s alpha进行测量。进行回归分析，以确定的程度，所有受访者（84.6%）均为20岁以上的成年人。他们的教育水平不同，其中64.9%拥有学士或更高学位，因此大多数受访者都有文化，也来自不同的工作部门。我们的受访者大多来自政府机构（19.7%）、医疗保健部门（15.5%）、学术机构（14.9%）和企业（14.2%）。我们有91.4%与年龄在（0 - 30）岁的组织合作的受访者。此外，这些组织大多是小型（42.0%）和中型（32.0%）。我们的研究样本中包含了所有管理层。有趣的是，89.4%的受访者表示他们不愿意使用现有的数字化工具让他们履行职责此外，79.8%的受访者对使用数字技术的程度有经验。调查结果显示，大部分受访者都受过良好的教育，知识渊博，成熟和经验丰富。他们对数字技术的熟悉程度和使用这些技术的不情愿程度意味着，如果工具可用、可订购和可访问，他们愿意使用数字化工具来应对COVID-19。使用保障措施应对COVID-19我们在问卷B部分提出了一些问题，以评估人们在多大程度上遵守和使用应对COVID-19的保障措施。此乃对受访者遵守COVID-19防护措施的评估。保障措施的成分分析见表2。我们将保障措施分为两类：（1）不使用数字设备的传统保障措施和（2）使用数字技术的数字保障措施。本研究中确定的每项保障措施均被分配了使用评分（US）或综合评分（AS）。使用分数在等式中定义。(1) 如[73]所示：������������������������������������ (��� )��������������� ������ ������������ ��� ��� ���()=∑���������������������������（ ������������一）因素变量对CDTT的影响。我们同样使用回归分析来确定调节因素（即年龄，性别，经验和使用的非自愿性3.3.1. 第一阶段：答复者的人口分布样本分布和描述性统计表1概述了答复者的人口分布情况。受访者大多为男性（55.2%）。此外，几乎其中w i（i=1，2，3，4，5）是权重（即，w=0，1，2，3，4）分配给第i个分组（即，[0%]→（w1 = 0）;[1[51–75%] 而P是根据指定次数的百分比使用测量变量的响应的总百分比。可获得的最大使用得分为400（即100%的受访者在[76 - 100%]的时间内使用给定的测量变量将使用分数或总分数分配给值-表1样本分布和描述性统计。B.A. Akinnuwesi，F.E.Uzoka，S.G.Fashoto等人可持续运营与计算机3（2022）118122B.A. Akinnuwesi，F.E.Uzoka，S.G.Fashoto等人可持续运营与计算机3（2022）118123图二. 数据分析和成果框架。使用率有助于我们汇总响应，从而确定使用CDTT的人们非常关注的测量变量。鼻罩是预防感染COVID-19的最重要的保障措施之一，然而，表2所示的结果显示，使用鼻罩的合规性较差（US = 174. 8）。我们的研究结果显示，72.6%的抽样人群对使用鼻罩的依从性介于（0.0% - 50%）之间，而27.3%的人群对使用鼻罩的依从性介于（51.0% - 100%）之间。受访者抱怨使用大多数可用的鼻罩呼吸困难，因此人们避免使用鼻罩，除非他们在严格要求鼻罩的公司或机构的场所内。同样，也有对手的洗衣服。根据我们的结果（US = 139.4），未建立洗手的完全依从性。我们的研究结果显示，24.9%的人没有洗手，特别是在一般市场和拥挤的政府机构（如机场，移民局等）。很少有组织强制要求其客户洗手，但洗手是强制性的，所有组织都有洗手设施，这在我们的结果中得到了证明，该结果显示84.3%的人群具有（51% - 100%）的依从性，US =323.7。尽管大约15.7%的人口主要在公开市场工作，但他们对手部消毒的依从性很差。此外，社交距离（US = 115.5）在人群控制变得困难的露天市场、公交车或小汽车满载乘客的公共交通工具以及机构B.A. Akinnuwesi，F.E.Uzoka，S.G.Fashoto等人可持续运营与计算机3（2022）118124政府的官员发现很难组织人群， 他们服务的高峰期。然而，在少数公司（如银行、超市、高等教育机构）中，社交距离是严格遵守的，因此我们有20.4%的公司遵守了51%-100%的社交距离。数字化应对措施在样本人群中不明显。我们的研究结果显示，只有数字温度计（US = 334）被人们（93.0%）广泛用于温度检查（51%-100%）的使用或依从性，但其他数字设备的使用和依从性较差，因此使用评分非常低（即US = 37.5; 31.6; 12.1;和9.6）。低使用率可归因于一些因素，例如（见表3）：高成本（AS = 282.3）;数字化工具不可用（AS = 331.3）;互联网不可用（AS = 352.8）;以及电力故障（AS = 315.1）。测量实施数字系统的基础，以解决COVID-19和遇到的表3列出了实施数字化系统应对COVID-19的基础、使用数字化工具过程中遇到的问题以及问题发生率的组成分析。表3中的结果提供了RQ- 1的答案：人们在使用数字化工具应对COVID-19时遇到了哪些问题？总得分意味着：a CDTT的实施将基于：提供足够的培训（AS = 313. 6）;组织管理层的支持（AS = 305）;保证数据隐私和安全（AS = 300. 9）以及保证充分保护免受COVID- 19感染（AS = 351. 4）。大多数人（即83.5%）同意成本（AS = 83.2）非常低）不会成为推动技术实施的指标。数字设备可能不会更便宜，但它们可能是那些想要购买它们的人的首选。b 与实施CDTT相关的问题是：互联网连接性差且不稳定（AS =352.8）;设备认证失败（AS = 313.3）;电力故障（AS = 315.1）;以及数字设备不可用（AS = 331.3）。此外，许多人同意，在尼日利亚这样的发展中经济体，工人的最低工资每月不到100美元，人们 购 买 CDTT 是 昂 贵 的 （ AS = 300.9 ） 此 外 ， 所 有 受 访 者（100.0%）均同意用户识别并不重要，亦非推动推行数码地面广播的同样，技术故障（AS = 191.1）被部分认为是一个问题，尽管47.7%的受访者不同意这一点，36.0%的人同意，16.3%的人不确定。c 几乎所有的受访者都认为，数字技术的实施和使用不可避免，因此使用CDTT时经常出现问题的AS = 330.6和340.2。3.3.2. 第二阶段：确认抽样充分性结果中的Kaiser-Meyer-Olkin（KMO）值为0.834，显著性（p）值为0.000（见表4）。KMO结果属于Kaiser Rice在[74]中定义的它也与Tabachnick和Fidell在[75]中定义的KMO = 0.60的阈值“良好的因子分析”一致此外，显著性检验（p0.001）[76]。<因此，这些结果表明，我们的样本量是足够的，它是适当的相关矩阵进行主成分分析。3.3.3. 第三阶段：要素提取、分类和保留探索性因素分析采用主成分分析（PCA）进行，旨在提取可影响用户接受及使用CDTT的行为意向的重要变量。使用和遵守表2针对COVID-19的保障措施。保障措施0%合规性1%51% - 75%符合性26% - 50%合规性使用评分（美国）76% - 100%合规性百分比百分之十四点九百分之二十四点九百分之二点零45.1%百分之零点六74.8%频率9758132934486500606频率197953718571343032百分比百分之三十点三百分之四十点八5.7%百分之二十八点五百分之一点一百分之二频率178315239340230百分比百分之二十七点四百分之十三点三8.0%百分之六点零5.2%百分之零百分比百分之十九点五12.0%百分之三十五点二6.6%百分之四十九点五百分之一频率127282294332210180频率512131990283201912百分比7.8%9.0%49.1%百分之十三点八43.5%3.1%二点九厘鼻罩洗手洗手消毒社会距离温度计消毒剂隧道电子消毒剂分配器接触者追踪和社交距离监测数字化工具（例如腕带和手表）办公室中的数字传感器传统措施的使用174.8139.4323.7115.533437.531.612.1使用数字措施百分之九601375.7%10百分之一百分之零20百分之零9.6表3实施CDTT的依据、问题及问题发生率百分比计量0% 1%-频率百分比频率百分比频率百分比频率百分比频率百分比综合评分（AS）COVID-19数字工具适当培训9 1.4% 49 7.5% 47 7.2% 283 43.5% 262 40.3% 313.6成本效益370 56.9% 147 26.6% 69 10.6% 25 3.8% 39 6.0% 83.2执行管理层支持102 15.7% 285 43.8% 224 34.5% 305.9数据隐私安全4 0.6% 51 7.8% 92 14.2% 292 44.9% 211 32.5% 300.9预期/遇到的问题类型是什么确保充分保护互联网连接不稳定20 3.1% 0 0.0% 16 2.5% 203 31.2% 411 63.2% 351.4协议的措施非常不同意不同意不确定同意非常同意0 0.0% 0 0.0% 32 4.9% 243 37.4% 375 57.7% 352.8COVID-19数字化工具身份问题430 66.2% 220 33.8% 0 0.0% 0 0.0% 0 0.0% 33.8验证失败11 1.7% 42 6.5% 20 3.1% 355 54.6% 222 34.2% 313.3电力故障6 0.9% 76 11.7% 16 2.5% 268 41.2% 284 43.7% 315.1产品创意60 9.2% 113 17.4% 31 4.8% 319 49.1% 127 19.5% 246.3技术故障62 9.5% 248 38.2% 106 16.3% 154 23.7% 80 12.3% 191.1数字工具COVID-19数字应对工具价格昂贵问题发生率9 1.4% 7 1.1% 0 0.0% 391 60.2% 248 37.4% 331.340 6.2% 70 10.8% 65 10.0% 145 22.3% 330 50.8% 300.9协议的措施非常不同意不同意不确定同意非常同意COVID-19数字工具实施最经常27 4.2% 35 5.4% 7 1.1% 225 34.6% 356 54.8% 330.6定期10 1.5% 14 2.2% 30 4.6% 247 38.0% 349 53.7% 340.2很少314 48.3% 291 44.8% 26 4.0% 9 1.4% 10 1.5% 63从未300 46.2% 326 50.2% 2 0.3% 12 1.8% 10 1.5% 62.2B.A. Akinnuwesi，F.E.Uzoka，S.G.Fashoto等人可持续运营与计算机3（2022）118125B.A. Akinnuwesi，F.E.Uzoka，S.G.Fashoto等人可持续运营与计算机3（2022）118126图三. 碎石区。表4KMO和BartlettKaiser-Meyer-Olkin测度采样精度。0.83442个加载的测量变量与CDTT的接受和使用有关。表7列出了对提取组分的数据、特征值和Cronbach’s秩和值的变异性的贡献百分比���提取的组分具有Cronbach���Bartlett约X. 卡方24,485.814数据的可靠性和内部一致性。虽然在“政府预期和贝内菲特”下加载的变量���东风1275Sig.0.000我们在分析中纳入了51个测量变量。保留了十四（14）个符合经典Kaiser标准的组件（见表5）[即保留了特征值>1.0的所有组件][77]。然而，我们在随机生成的特征值的第95百分位数处使用了平行分析[78]，以确认表5中给出的结果，并保留了九（9）个分量（即1，2，3，分量10、11、12、13和14被丢弃，因为它们的随机特征值落在我们数据中相应分量的特征值之上。此外，考虑到Scree Plot（见图3），特征值截尾规则（即特征值≥1）将保留14个分量，但是Scree Plot建议9个分量，因为在第三次时，在具有弱特征值的分量10上的斜率为0，并且在该点处斜率似乎为0。正因为如此，9个可解释的潜在组件（即组件1，2，.. 表5中的9个）本研究3.3.4. 第四阶段：组件命名和测量变量表6显示了组件相关矩阵，一些值大于Tabachnick和Fidell阈值0.32[79];因此，我们使用了Promax旋转方法和Kaiser归一化，并使用[76，80 表7列出了9个保留的组件和加载到每个组件上的变量。测量变量的完整描述见表1。在9个部件上加载了42个符合加载标准的测量变量。对系数小于0.4载荷准则的测量变量进行了抑制。的根据[833.3.5. 第五阶段：介绍经修改的UTAUT模型，以便CDTT接受和使用，并提出假设CDTT的修正UTAUT模型如图4所示。该模型的提出基于：（1）广泛的文献综述，（2）我们在尼日利亚西南地缘政治区域的6个州进行的调查的数据分析结果，以及（3）我们与一些医疗从业者和一些随机选择的个人在社区的采访。不同数字技术为人类服务的演变确实促使研究人员引入新的变量，以扩展UTAUT模型。因此，研究人员建议需要随着时间的变化修改UTAUT模型[7，62，86]。根据因子分析的结果（见表6和表7），以及我们从文献和咨询中获得的结果，修改后的模型保留了原始UTAUT模型的四个基本结构（即PE、EE、SI和FC）和调节因子（即性别、年龄和使用的非自愿性），同时我们引入了五个新的结构，这些结构被确定为影响用户接受和使用CDTT的行为意图（BI）。引入的新概念是公众意识;感知成本（P-Cost）;数据安全和隐私（DSP）;组织影响和效益（OIB）和政府期望和效益（GEB）。支持公众意识和用户BI之间的相关性在[87，88]中。同样，作者在[89同样，研究人员也支持数据安全和隐私与用户BI之间的相关性 在[92]中。数字化工具的脆弱性是技术采用中需要考虑的一个问题。人们害怕使用特定的技术如果个人和位置数据隐私没有完全得到保护。因此，在保护个人和位置数据方面的安全B.A. Akinnuwesi，F.E.Uzoka，S.G.Fashoto等人可持续运营与计算机3（2022）118127表5解释的差异总额分量/因子初始特征值EX牵引力平方载荷平方载荷a2 6.605 12.951 28.346 5.7963 2.904 5.695 34.041 2.904 5.695 34.0414 2.041 4.002 38.043 2.041 4.002 38.0431.991 3.904 41.947 1.991 3.904 41.947 3.7821.792 3.514 45.461 1.792 3.514 45.461 3.7581.555 3.049 48.510 1.555 3.049 48.5101.485 2.912 51.422 1.485 2.912 51.422 1.8481.336 2.619 54.041 1.336 2.619 54.041 1.51110 1.250 2.450 56.49111 1.168 2.291 58.78212 1.131 2.218 61.00013 1.076 2.109 63.10914 1.015 1.991 65.100................49 003 006 99.99550 001 003 99.99851 001 002 100 000提取方法：主成分分析.a当各组成部分相互关联时，不能将平方载荷之和相加以获得总方差。表6分量相关矩阵。组件12345678911.000-0.103-0.027-0.035.009.334.008.007-0.0652 −0.103 1.000.498 −0.065.341 −0.047.053.175.0873 −0.027.498 1.000 −0.051.310.000.001.129 −0.0574 −0.035 −0.065 − 0.051 1.000.011 −0.043.015 −0.033.0225.009.341.310.011 1.000.029.044.131 −0.0616.334 − 0.047.000 − 0.043.029 1.000.036 −0.015 −0.2787.008.053.001.015.044.036 1.000 − 0.051.0448.007.175.129 − 0.033.131 −0.015 −0.051 1.000.1399 −0.065.087 −0.057.022 −0.061 −0.278.044.139 1.000提取方法：主成分分析. 旋转方法：Promax与Kaiser归一化。图四、 CDTT接受和利用的拟议研究模式。总方差%累计百分比总方差%累计百分比总17.85115.39515.3957.85115.39515.3957.270B.A. Akinnuwesi，F.E.Uzoka，S.G.Fashoto等人表7可持续运营与计算机3（2022）118128E X测量元件和加载的测量变量。结构/组件子结构测量变量组件加载系数测量变量Cronbach'sα本征值���差异百分比（%）性能EX性能E t EX pectancy感知有用性adapt-cov-dig-tool0.948100.9257.85115.395cov-dig-tool-improve-jop-perf 0.946cov-dig-tool-esay-use 0.674cov-dig-tool-delay-mismatch 0.623Job-fit COV-dig-tool-boost-conf 0.854cov-dig-tool-make-me-work
我的内容管理
展开
