A hybrid PLS-SEM and convolutional neural network analysis of artificial intelligence adoption intention in SMEs
Deze studie introduceert een verenigd tweestapsraamwerk dat Partial Least Squares Structural Equation Modeling (PLS-SEM) integreert met een Convolutional Neural Network (CNN) om de adoptie van AI bij Nigeriaanse mkb's te analyseren, waarbij wordt aangetoond dat terwijl PLS-SEM de theoretische relaties bevestigt, de CNN de voorspellende nauwkeurigheid buiten de steekproef aanzienlijk verbetert wanneer beide modellen rigoureus worden afgezet op identieke datavouwen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Kleine bedrijven vormen de ruggengraat van de wereldeconomie; ze bieden werk aan de helft van de wereldwijde beroepsbevolking en vormen de overgrote meerderheid van de bedrijven overal ter wereld. Toch blijven deze kleinere firma's vaak achter bij hun grotere tegenhangers wanneer het gaat om het adopteren van nieuwe technologieën zoals kunstmatige intelligentie. Het gat komt meestal niet doordat de technologie niet beschikbaar of te duur is; het is eerder een kwestie van bereidheid. Besluitvormers in kleine bedrijven moeten eerst begrijpen wat de technologie kan doen en vervolgens beslissen of ze het willen gebruiken. Onderzoekers proberen al lang de factoren in kaart te brengen die deze beslissing beïnvloeden, zoals of een bedrijfsleider de technologie vertrouwt, of ze over de nodige digitale vaardigheden beschikken, of dat ze druk voelen van concurrenten. Traditioneel hebben wetenschappers statistische instrumenten gebruikt om rechte lijnen te trekken tussen deze factoren en de uiteindelijke beslissing tot adoptie, uitgaande van de veronderstelling dat de relatie eenvoudig en direct is. Menselijk gedrag en zakelijke omgevingen zijn echter zelden zo recht door zee, en de instrumenten die worden gebruikt om ze te bestuderen, worstelen vaak met de rommelige, niet-lineaire realiteit van hoe mensen daadwerkelijk keuzes maken.
Een team van onderzoekers uit Nigeria en het Verenigd Koninkrijk zette zich af om te testen of een meer geavanceerde aanpak een duidelijker beeld kon onthullen van hoe kleine bedrijven beslissen om kunstmatige intelligentie te gebruiken. Ze richtten zich op een specifieke groep van 1.210 kleine en middelgrote ondernemingen in Nigeria, waarbij zij eigenaren en managers ondervroegen over hun bewustzijn van diverse AI-tools, hun vertrouwen in de technologie en hun intentie om deze te adopteren. De onderzoekers combineerden twee verschillende analysemethoden. De eerste was een standaard statistische benadering die een vooraf gedefinieerde theorie test over hoe verschillende factoren met elkaar verbonden zijn. De tweede was een type kunstmatige intelligentie bekend als een convolutioneel neuraal netwerk, een systeem dat ontworpen is om complexe patronen in data te vinden die standaard statistiek zou kunnen missen. Cruciaal was dat het team deze twee methoden niet simpelweg na elkaar op verschillende datasets uitvoerde. In plaats daarvan bouwden ze een verenigd systeem waarbij de resultaten van de eerste methode de input voor de tweede vormden, en ze testten beide modellen op exact dezelfde delen van de data om een eerlijke vergelijking te garanderen.
De studie begon met het bevestigen van een set van vijftien verschillende factoren die de beslissing van een bedrijf om AI te adopteren zouden kunnen beïnvloeden. Dit omvatte technologische aspecten zoals hoe nuttig of gemakkelijk de tools leken, organisatorische factoren zoals de steun van het hogere management en de digitale geletterdheid van het personeel, en omgevingsfactoren zoals overheidssteun en concurrentiedruk. De onderzoekers maten ook in ho welke mate de bedrijfsleiders vertrouwden op AI en hoe bewust zij waren van specifieke tools die op de markt beschikbaar zijn. Toen zij de data analyseerden, ontdekten zij dat bijna elk een van deze vijftien factoren een rol speelde. De sterkste drijfveren waren het vertrouwen in de technologie en het niveau van digitale geletterdheid binnen het bedrijf. Interessant genoeg ontdekten de onderzoekers dat deze factoren de beslissing om AI te adopteren zelden direct beïnvloedden. In plaats daarvan werkten ze door eerst het bewustzijn van de bedrijfsleider te vergroten over wat AI kon betekenen. Zodra een besluitvormer zich bewust werd van de technologie, werd dat bewustzijn de primaire toegangspoort tot de intentie tot adoptie. Vertrouwen was de enige factor die op twee manieren werkte: het vergrootte het bewustzijn, maar het stimuleerde ook direct de bereidheid tot adoptie, onafhankelijk van het bewustzijn.
De onderzoekers testten vervolgens of hun complexe model voor kunstmatige intelligentie de intentie tot adoptie beter kon voorspellen dan het standaard statistische model. Zij vonden dat het neurale netwerk inderdaad iets beter presteerde, waarbij het de fout in zijn voorspellingen met ongeveer twee procent verminderde ten opzichte van het standaardmodel. Deze verbetering was statistisch significant, wat betekent dat het onwaarschijnlijk was dat het een toevalstreffer was. Echter, de studie onthulde ook een verrassende beperking. Wanneer de onderzoekers het neurale netwerk vergeleken met andere simpelere machine learning-instrumenten, zoals een random forest-algoritme of een basis feed-forward netwerk, presteerde het neurale netwerk niet beter. Dit suggereert dat de verbetering niet voortkwam uit de specifieke, complexe architectuur van het neurale netwerk, maar simpelweg uit het feit dat het toestond voor niet-lineaire relaties, die het standaard statistische model niet kon vatten. De studie vond ook dat het gebruik van een gevalideerd meetmodel om de enquêtevragen te groeperen essentieel was. Wanneer zij probeerden de adoptie te voorspellen met behulp van alle ruwe enquêtevragen zonder deze eerst te groeperen, waren de resultaten aanzienlijk slechter, wat bewees dat het organiseren van data volgens een theorie even belangrijk is als de voorspellingsmethode zelf.
Uiteindelijk benadrukt het onderzoek dat voor kleine bedrijven het pad naar de adoptie van kunstmatige intelligentie wordt geplaveid met bewustzijn. Contextuele factoren zoals overheidssteun, financiële gereedheid of concurrentiedruk duwen een bedrijf niet direct naar de adoptie van AI; ze duwen de bedrijfsleider eerst naar een bewustzijn van de technologie. Zodra dat bewustzijn is gevestigd, volgt de intentie tot adoptie. De studie dient ook als een methodologische les voor de wetenschappelijke gemeenschap. Het demonstreert dat hoewel geavanceerde machine learning-instrumenten een lichte voorsprong kunnen bieden, ze eerlijk getest moeten worden tegenover simpelere alternatieven om te begrijpen wat de verbetering daadwerkelijk drijft. In dit geval kwam de winst voort uit het toestaan van de data om haar eigen complexe, niet-lineaire stem te laten spreken in plaats van haar in een rechte lijn te dwingen, maar de specifieke complexiteit van het neurale netwerk zelf was niet het magische ingrediënt. De bevindingen bevestigen dat theorie nog steeds belangrijk is: het organiseren van data rond gevestigde concepten helpt zelfs de meest geavanceerde algoritmen om de wereld beter te begrijpen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.