A hybrid PLS-SEM and convolutional neural network analysis of artificial intelligence adoption intention in SMEs
Questo studio introduce un framework unificato in due fasi che integra la Modellazione di Equazioni Strutturali con Minimi Quadrati Parziali (PLS-SEM) con una Rete Neurale Convoluzionale (CNN) per analizzare l'adozione dell'IA nelle PMI nigeriane, dimostrando che mentre la PLS-SEM conferma le relazioni teoriche, la CNN migliora significativamente l'accuratezza predittiva fuori campione quando entrambi i modelli sono rigorosamente confrontati su identici fold di dati.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Le piccole imprese sono la spina dorsale dell'economia globale, impiegando la metà della forza lavoro mondiale e costituendo la stragrande maggioranza delle aziende ovunque. Eppure, quando si tratta di adottare nuove tecnologie come l'intelligenza artificiale, queste piccole realtà spesso restano indietro rispetto alle loro controparti più grandi. Il divario non è solitamente dovuto al fatto che la tecnologia sia indisponibile o troppo costosa; si tratta piuttosto di una questione di volontà. I decisori nelle piccole imprese devono prima comprendere cosa possa fare la tecnologia e poi decidere se vogliono utilizzarla. I ricercatori hanno cercato a lungo di mappare i fattori che influenzano questa decisione, come se il proprietario di un'azienda si fidi della tecnologia, se possieda le competenze digitali necessarie o se avverta la pressione dei concorrenti. Tradizionalmente, gli scienziati hanno utilizzato strumenti statistici per tracciare linee rette tra questi fattori e la decisione finale di adottare, assumendo che la relazione sia semplice e diretta. Tuttavia, il comportamento umano e gli ambienti aziendali sono raramente così lineari, e gli strumenti utilizzati per studiarli spesso faticano a catturare la realtà complessa e non lineare del modo in cui le persone compiono effettivamente le loro scelte.
Un team di ricercatori provenienti dalla Nigeria e dal Regno Unito si è posto l'obiettivo di testare se un approccio più sofisticato potesse rivelare un quadro più chiaro di come le piccole imprese decidano di utilizzare l'intelligenza artificiale. Si sono concentrati su un gruppo specifico di 1.210 piccole e medie imprese in Nigeria, intervistando proprietari e manager sulla loro consapevolezza di vari strumenti di IA, sulla fiducia nella tecnologia e sulla loro intenzione di adottarla. I ricercatori hanno combinato due diversi metodi di analisi. Il primo era un approccio statistico standard che testa una teoria predefinita su come diversi fattori si connettano. Il secondo era un tipo di intelligenza artificiale nota come rete neurale convoluzionale, un sistema progettato per trovare schemi complessi nei dati che la statistica standard potrebbe perdere. Fondamentalmente, il team non ha solo eseguito questi due metodi uno dopo l'altro su diversi set di dati. Al contrario, hanno costruito un sistema unificato in cui i risultati del primo metodo modellavano l'input per il secondo, e hanno testato entrambi i modelli sugli stessi identici segmenti di dati per garantire un confronto equo.
Lo studio è iniziato confermando un insieme di quindici diversi fattori che potrebbero influenzare la decisione di un'impresa. Questi includevano aspetti tecnologici come quanto gli strumenti sembrassero utili o facili da usare, fattori organizzativi come il supporto della direzione e la alfabetizzazione digitale del personale, e fattori ambientali come il supporto governativo e la pressione competitiva. I ricercatori hanno anche misurato quanto i proprietari di aziende si fidassero dell'IA e quanto fossero consapevoli degli specifici strumenti disponibili sul mercato. Analizzando i dati, hanno scoperto che quasi ognuno di questi quindici fattori giocava un ruolo. I driver più forti erano la fiducia nella tecnologia e il livello di alfabetizzazione digitale all'interno dell'azienda. Interessantemente, i ricercatori hanno scoperto che questi fattori raramente influenzavano la decisione di adottare l'IA direttamente. Invece, operavano prima aumentando la consapevolezza del proprietista dell'azienda su ciò che l'IA potesse fare. Una volta che un decisore diventava consapevole della tecnologia, quella consapevolezza diventava la porta d'accesso principale all'intenzione di adottarla. La fiducia era l'unico fattore a funzionare in due modi: aumentava la consapevolezza, ma aumentava anche direttamente la volontà di adottare, indipendentemente dalla consapevolezza.
I ricercatori hanno poi testato se il loro complesso modello di intelligenza artificiale potesse prevedere l'intenzione di adozione meglio dello standard modello statistico. Hanno scoperto che la rete neurale otteneva effettivamente prestazioni leggermente migliori, riducendo l'errore nelle sue previsioni di circa il due percento rispetto al modello standard. Questo miglioramento era statisticamente significativo, il che significa che era improbabile che fosse un caso fortuito. Tuttavia, lo studio ha anche rivelato un limite sorprendente. Quando i ricercatori hanno confrontato la rete neurale con altri strumenti di machine learning più semplici, come un algoritmo random forest o una rete feed-forward di base, la rete neurale non ha ottenuto prestazioni superiori. Ciò suggerisce che il miglioramento non derivasse dall'architettura specifica e complessa della rete neurale, ma semplicemente dal fatto che essa permetteva relazioni non lineari, che il modello statistico standard non poteva catturare. Lo studio ha anche rilevato che l'uso di un modello di misurazione validato per raggruppare le domande del sondaggio era essenziale. Quando hanno provato a prevedere l'adozione usando tutte le domande grezze del sondaggio senza raggrupparle prima, i risultati sono stati significativamente peggiori, dimostrando che organizzare i dati secondo la teoria è importante quanto il metodo di previsione stesso.
In definitiva, la ricerca evidenzia che per le piccole imprese, il percorso verso l'adozione dell'intelligenza artificiale è pavimentato dalla consapevolezza. Fattori contestuali come il supporto governativo, la prontezza finanziaria o la pressione competitiva non spingono un'impresa ad adottare l'IA direttamente; essi spingono prima il proprietario dell'azienda a diventare consapevole della tecnologia. Una volta stabilita tale consapevolezza, l'intenzione di adottare segue di conseguenza. Lo studio funge anche da lezione metodologica per la comunità scientifica. Dimostra che, sebbene gli strumenti avanzati di machine learning possano offrire un leggero vantaggio nella previsione, devono essere testati equamente contro alternative più semplici per capire cosa stia effettivamente guidando il miglioramento. In questo caso, il guadagno derivava dal lasciare che i dati parlassero con la propria voce complessa e non lineare, piuttosto che forzarli in una linea retta, ma la specifica complessità della rete neurale stessa non era l'ingrediente magico. I risultati confermano che la teoria conta ancora: organizzare i dati attorno a concetti stabiliti aiuta anche gli algoritmi più avanzati a dare più senso al mondo.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.