A hybrid PLS-SEM and convolutional neural network analysis of artificial intelligence adoption intention in SMEs
Diese Studie führt ein einheitliches zweistufiges Framework ein, das die partielle quadratische Strukturgleichungsmodellierung (PLS-SEM) mit einem faltenden neuronalen Netzwerk (CNN) integriert, um die KI-Adoption in nigerianischen KMU zu analysieren, und zeigt auf, dass während PLS-SEM die theoretischen Beziehungen bestätigt, das CNN die Out-of-Sample-Vorhersagegenauigkeit signifikant verbessert, wenn beide Modelle streng auf identischen Datenfalten gebenchmarkt werden.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Kleine Unternehmen bilden das Rückgrat der Weltwirtschaft, beschäftigen die Hälfte der weltweiten Erwerbstätigen und stellen die überwältigende Mehrheit der Unternehmen überall auf der Welt dar. Doch wenn es darum geht, neue Technologien wie künstliche Intelligenz einzuführen, hinken diese kleineren Firmen ihren größeren Gegenstücken oft hinterher. Die Lücke liegt meist nicht darin begründet, dass die Technologie nicht verfügbar oder zu teuer sei; vielmehr ist es eine Frage der Bereitschaft. Entscheidungsträger in kleinen Unternehmen müssen zuerst verstehen, was die Technologie leisten kann, und dann entscheiden, ob sie sie nutzen wollen. Forscher versuchen seit langem, die Faktoren abzubilden, die diese Entscheidung beeinflussen, wie etwa, ob ein Unternehmensinhaber der Technologie vertraut, ob er über die notwendigen digitalen Fähigkeiten verfügt oder ob er Druck durch Wettbewerber spürt. Traditionell haben Wissenschaftler statistische Werkzeuge verwendet, um gerade Linien zwischen diesen Faktoren und der endgültigen Entscheidung zur Einführung zu ziehen, unter der Annahme, dass die Beziehung einfach und direkt ist. Menschliches Verhalten und Geschäftsumfelder sind jedoch selten so geradlinig, und die Werkzeuge, die zur Untersuchung dieser Prozesse verwendet werden, haben oft Schwierigkeiten, die chaotische, nicht-lineare Realität abzubilden, wie Menschen tatsächlich Entscheidungen treffen.
Ein Team von Forschern aus Nigeria und dem Vereinigten Königreich setzte sich zum Ziel zu testen, ob ein anspruchsvollerer Ansatz ein klareres Bild davon zeichnen könnte, wie kleine Unternehmen über die Nutzung künstlicher Intelligenz entscheiden. Sie konzentrierten sich auf eine spezifische Gruppe von 1.210 kleinen und mittleren Unternehmen in Nigeria und befragten Eigentümer sowie Manager zur Kenntnis über verschiedene KI-Werkzeuge, das Vertrauen in die Technologie und die Absicht, diese einzuführen. Die Forscher kombinierten zwei verschiedene Analysemethoden. Die erste war ein standardmäßiger statistischer Ansatz, der eine vordefinierte Theorie darüber testet, wie verschiedene Faktoren miteinander verknüpft sind. Die zweite war eine Art der künstlichen Intelligenz, bekannt als Convolutional Neural Network, ein System, das darauf ausgelegt ist, komplexe Muster in Daten zu finden, die die Standardstatistik vielleicht übersehen würde. Entscheidend war, dass das Team diese beiden Methoden nicht einfach nacheinander auf verschiedenen Datensätzen ausführte. Stattdessen bauten sie ein einheitliches System auf, bei dem die Ergebnisse der ersten Methode die Eingabe für die zweite formten, und sie testeten beide Modelle an exakt denselben Datenpaketen, um einen fairen Vergleich zu gewährleisten.
Die Studie begann mit der Bestätigung eines Satzes von fünfzehn verschiedenen Faktoren, die die Entscheidung eines Unternehmens beeinflussen könnten. Dazu gehörten technologische Aspekte wie die Nützlichkeit oder die Leichtigkeit der Handhabung der Werkzeuge, organisatorische Faktoren wie die Unterstützung durch das Top-Management und die digitale Kompetenz der Mitarbeiter sowie Umweltfaktoren wie staatliche Unterstützung und Wettbewerbsdruck. Die Forscher maßen auch, wie sehr die Unternehmensinhaber der KI vertrauten und wie sehr sie über spezifische auf dem Markt verfügbare Werkzeuge informiert waren. Bei der Analyse der Daten stellten sie fest, dass fast jeder einzelne dieser fünfzehn Faktoren eine Rolle spielte. Die stärksten Treiber waren das Vertrauen in die Technologie und das Niveau der digitalen Kompetenz innerhalb des Unternehmens. Interessanterweise entdeckten die Forscher, dass diese Faktoren die Entscheidung zur Einführung von KI selten direkt beeinflussten. Stattdessen wirkten sie, indem sie zunächst das Bewusstsein des Unternehmers für das, was KI leisten kann, steigerten. Sobald ein Entscheidungsträger sich der Technologie bewusst wurde, wurde dieses Bewusstsein zum primären Tor zur Absicht, die Technologie einzuführen. Vertrauen war der einzige Faktor, der auf zwei Arten funktionierte: Es steigerte das Bewusstsein, aber es steigerte auch direkt die Bereitschaft zur Einführung, unabhängig vom Bewusstsein.
Die Forscher testeten anschließend, ob ihr komplexes Modell der künstlichen Intelligenz die Einführungsabsicht besser vorhersagen konnte als das standardmäßige statistische Modell. Sie fanden heraus, dass das neuronale Netz tatsächlich etwas besser abschnitt und den Fehler in seinen Vorhersagen im Vergleich zum Standardmodell um etwa zwei Prozent reduzierte. Diese Verbesserung war statistisch signifikant, was bedeutet, dass es unwahrscheinlich war, dass es sich um einen Zufall handelte. Die Studie offenbarte jedoch auch eine überraschende Einschränkung. Als die Forscher das neuronale Netz mit anderen einfacheren Machine-Learning-Werkzeugen verglichen, wie etwa einem Random-Forest-Algorithmus oder einem einfachen Feed-Forward-Netzwerk, schnitt das neuronale Netz nicht besser ab. Dies deutet darauf hin, dass die Verbesserung nicht aus der spezifischen, komplexen Architektur des neuronalen Netzes resultierte, sondern schlichtweg daraus, dass es nicht-lineare Beziehungen zuließ, die das standardmäßige statistische Modell nicht erfassen konnte. Die Studie fand auch heraus, dass die Verwendung eines validierten Messmodells zur Gruppierung der Umfragefragen essenziell war. Als sie versuchten, die Einführung unter Verwendung aller Rohdaten der Umfragefragen ohne vorherige Gruppierung vorherzusagen, fielen die Ergebnisse deutlich schlechter aus, was bewies, dass die Organisation der Daten gemäß der Theorie genauso wichtig ist wie die Vorhersagemethode selbst.
Letztlich verdeutlicht die Forschung, dass der Weg zur Einführung künstlicher Intelligenz für kleine Unternehmen durch Bewusstsein geebnet wird. Kontextuelle Faktoren wie staatliche Unterstützung, finanzielle Bereitschaft oder Wettbewerbsdruck führen nicht direkt dazu, dass ein Unternehmen KI einführt; sie führen zuerst dazu, dass der Unternehmensinhaber sich der Technologie bewusst wird. Sobald dieses Bewusstsein etabliert ist, folgt die Absicht zur Einführung. Die Studie dient auch als methodische Lektion für die wissenschaftliche Gemeinschaft. Sie zeigt auf, dass fortgeschrittene Machine-Learning-Werkzeuge zwar einen leichten Vorteil in der Vorhersage bieten können, sie jedoch fair gegen einfachere Alternativen getestet werden müssen, um zu verstehen, was die Verbesserung tatsächlich antreibt. In diesem Fall kam der Gewinn nicht durch die spezifische Komplexität des neuronalen Netzes selbst zustande, sondern dadurch, dass es den Daten ermöglichte, mit ihrer eigenen komplexen, nicht-linearen Stimme zu sprechen, anstatt sie in eine gerade Linie zu zwingen. Die Ergebnisse bestätigen, dass die Theorie weiterhin von Bedeutung ist: Die Organisation von Daten rund um etablierte Konzepte hilft selbst den fortschrittlichsten Algorithmen dabei, die Welt besser zu begreifen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.