A hybrid PLS-SEM and convolutional neural network analysis of artificial intelligence adoption intention in SMEs
本研究は、ナイジェリアの中小企業におけるAI導入を分析するために、部分的最小二乗構造方程式モデリング（PLS-SEM）と畳み込みニューラルネットワーク（CNN）を統合した統一的な二段階フレームワークを導入し、両方のモデルが同一のデータフォールド上で厳密にベンチマークされた際、PLS-SEMが理論的関係を裏付ける一方で、CNNがサンプル外の予測精度を大幅に向上させることを示している。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
中小企業は、世界の労働力の半分を雇用し、あらゆる場所で大多数の企業を形成しており、世界経済のバックボーンとなっています。しかし、人工知能（AI）のような新しいテクノロジーの採用となると、こうした小規模な企業は、しばしば大規模な企業に後れを取ります。その格差は、通常、テクノロジーが利用できない、あるいは高価すぎるためではなく、むしろ「意志」の問題です。中小企業の意思決定者は、まずそのテクノロジーが何に役立つのかを理解し、その上でそれを使用したいかどうかを決定しなければなりません。研究者たちは、テクノロジーを信頼しているか、必要なデジタルスキルを持っているか、あるいは競合他社からのプレッシャーを感じているかといった、この決定に影響を与える要因を長年解明しようとしてきました。伝統的に、科学者たちはこれらの要因と採用の最終決定との間に直線的な関係があると仮定し、統計的なツールを用いて、その関係が単純かつ直接的であると描いてきました。しかし、人間の行動やビジネス環境はこれほど単純ではありません。彼らが使用するツールは、人々が実際にどのように選択を行うかという、複雑で非線形な現実を捉えることに苦慮することがよくあります。
ナイジェリアとイギリスの研究チームは、より洗練されたアプローチを用いることで、中小企業がどのようにAIの使用を決定するかについて、より明確な全体像を明らかにできるかどうかを検証するために着手しました。彼らは、ナイジェリア全域の1,210の中小企業に焦点を当て、オーナーやマネージャーに対して、さまざまなAIツールの認知度、テクノロジーへの信頼、および採用の意図について調査を行いました。研究チームは2つの異なる分析手法を組み合わせました。1つ目は、異なる要因がどのように結びついているかという定義済みの理論をテストする標準的な統計的アプローチです。2つ目は、標準的な統計学では見逃してしまう可能性のある複雑なパターンを見つけ出すように設計された、畳み込みニューラルネットワークと呼ばれる一種の人工知能です。極めて重要なのは、チームがこれら2つの手法を異なるデータセットに対して順番に実行したのではない点です。代わりに、彼らは最初のメソッドの結果が2番目のメソッドの入力となるような統合されたシステムを構築し、公平な比較を行うために、両方のモデルを全く同じデータの塊に対してテストしました。
研究は、ビジネスのAI採用決定に影響を与える可能性のある15の異なる要因を特定することから始まりました。これには、ツールの有用性や使いやすさといった技術的な側面、経営陣のサポートやスタッフのデジタルリテラシーといった組織的な側面、そして政府の支援や競争圧力といった環境的な側面が含まれます。また、研究者たちは、ビジネスオーナーがAIをどの程度信頼しているか、および市場にある特定のツールをどの程度認識しているかも測定しました。データを分析した結果、これら15の要因のほぼすべてが役割を果たしていることが判明しました。最も強力な推進力は、テクノロジーへの信頼と、企業内のデジタルリテラシーのレベルでした。興味深いことに、研究者たちは、これらの要因がAIの採用決定に直接影響を与えることは稀であることを見出しました。その代わりに、これらの要因はまず、ビジネスオーナーがAIで何ができるかという「認識（アウェアネス）」を高めることによって機能していました。意思決定者がテクノロジーを認識すると、その認識が採用の意図への主要なゲートウェイ（入り口）となったのです。信頼は、二通りの方法で作用する唯一の要因でした。それは認識を高めるだけでなく、認識とは独立して、採用への意欲を直接的に高めるものでもありました。
研究チームは、次に、自分たちの複雑な人工知能モデルが、標準的な統計モデルよりも採用の意図をうまく予測できるかどうかをテストしました。その結果、ニューラルネットワークは実際に標準的なモデルよりも予測誤差を約2パーセント減少させ、わずかに優れたパフォーマンスを示しました。この改善は統計的に有意であり、偶然である可能性は低いことを意味します。しかし、この研究は驚くべき限界も明らかにしました。ニューラルネットワークを、ランダムフォレスト・アルゴリズムや基本的なフィードフォワード・ネットワークといった他のより単純な機械学習ツールと比較したところ、ニューラルネットワークはそれらよりも優れた性能を示すことはありませんでした。これは、この改善がニューラルネットワークの特定の複雑なアーキテクチャによるものではなく、単に、標準的な統計モデルでは捉えきれない非線形な関係を許容したことによるものであることを示唆しています。また、調査の質問項目をグループ化するために妥当性が確認された測定モデルを使用することが不可欠であることも判明しました。検証済みのモデルを用いてグループ化せずに、すべての生の調査質問を用いて採用を予測しようとすると、結果は著しく悪化しました。これは、データを理論に基づいて整理することが、予測手法そのものと同じくらい重要であることを証明しています。
結局のところ、この研究は、中小企業にとって人工知能を採用するための道は「認識」によって築かれていることを強調しています。政府の支援、財務的な準備状況、あるいは競争圧力といった文脈的な要因は、ビジネスにAIを採用させるのではなく、まずビジネスオーナーにテクノロジーへの認識を持たせるのです。一度その認識が確立されると、採用の意図が続きます。また、この研究は科学界に対する方法論的な教訓でもあります。高度な機械学習ツールは予測においてわずかな優位性を提供できる一方で、何が改善を導いているのかを理解するためには、より単純な代替案と公平に比較される必要があることを示しています。今回のケースでは、得られた利点は、データを直線の中に押し込めるのではなく、データ独自の複雑で非線形な声に語らせたことにあり、ニューラルネットワーク自体の特定の複雑さが魔法の成分だったわけではありません。研究結果は、データを確立された概念に基づいて整理することが、最も高度なアルゴリズムであっても世界をより良く理解する助けになるという、理論がいまだに重要であることを裏付けています。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。