💻 ciência da computação

A hybrid PLS-SEM and convolutional neural network analysis of artificial intelligence adoption intention in SMEs

Este estudo introduz uma estrutura unificada de dois estágios que integra a Modelagem de Equações Estruturais por Mínimos Quadrados Parciais (PLS-SEM) com uma Rede Neural Convolucional (CNN) para analisar a adoção de IA em PMEs nigerianas, demonstrando que, enquanto o PLS-SEM confirma as relações teóricas, a CNN aumenta significativamente a precisão preditiva fora da amostra quando ambos os modelos são rigorosamente comparados em dobras de dados idênticas.

Autores originais: Ayodeji Idowu, Yemisi Tomilola Babalola, Yacob Haliso, Oyebayo Ridwan Olaniran

Publicado 2026-10-22

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Ayodeji Idowu, Yemisi Tomilola Babalola, Yacob Haliso, Oyebayo Ridwan Olaniran

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

As pequenas empresas são a espinha dorsal da economia global, empregando metade da força de trabalho mundial e formando a vasta maioria das empresas em todos os lugares. No entanto, quando se trata de adotar novas tecnologias como a inteligência artificial, essas empresas menores costam ficar atrás de suas contrapartes maiores. A lacuna não é geralmente porque a tecnologia esteja indisponível ou seja muito cara; trata-se, antes, de uma questão de disposição. Os tomadores de decisão em pequenas empresas devem primeiro entender o que a tecnologia pode fazer e, depois, decidir se querem usá-la. Pesquisadores há muito tempo tentam mapear os fatores que influenciam essa decisão, como se o proprietário de um negócio confia na tecnologia, se possui as habilidades digitais necessárias ou se sente pressão dos concorrentes. Tradicionalmente, os cientistas usaram ferramentas estatísticas para traçar linhas retas entre esses fatores e a decisão final de adoção, assumindo que a relação é simples e direta. No entanto, o comportamento humano e os ambientes de negócios raramente são tão diretos, e as ferramentas usadas para estudá-los muitas vezes têm dificuldade em capturar a realidade complexa e não linear de como as pessoas realmente fazem escolhas.

Uma equipe de pesquisadores da Nigéria e do Reino Unido estabeleceu o objetivo de testar se uma abordagem mais sofisticada poderia revelar um quadro mais claro de como as pequenas empresas decidem usar a inteligência artificial. Eles focaram em um grupo específico de 1.210 pequenas e médias empresas na Nigéria, entrevistando proprietários e gestores sobre sua percepção de várias ferramentas de IA, sua confiança na tecnologia e sua intenção de adotá-la. Os pesquisadores combinaram dois métodos diferentes de análise. O primeiro foi uma abordagem estatística padrão que testa uma teoria predefinida sobre como diferentes fatores se conectam. O segundo foi um tipo de inteligência artificial conhecido como rede neural convolucional, um sistema projetado para encontrar padrões complexos nos dados que a estatística padrão poderia perder. Crucialmente, a equipe não apenas executou esses dois métodos um após o outro em conjuntos de dados diferentes. Em vez disso, construíram um sistema unificado onde os resultados do primeiro método moldavam a entrada para o segundo, e testaram ambos os modelos no exato mesmo fragmentos de dados para garantir uma comparação justa.

O estudo começou confirmando um conjunto de quinze fatores diferentes que poderiam influenciar a decisão de uma empresa de adoção. Estes incluíam aspectos tecnológicos, como o quão úteis ou fáceis as ferramentas pareciam; fatores organizacionais, como o apoio da alta gestão e a literacia digital dos funcionários; e fatores ambientais, como o apoio governamental e a pressão competitiva. Os pesquisadores também mediram o quanto os proprietários de empresas confiavam na IA e o quanto estavam cientes de ferramentas específicas disponíveis no mercado. Ao analisarem os dados, descobriram que quase todos esses quinze fatores desempenhavam um papel. Os principais impulsionadores foram a confiança na tecnologia e o nível de literacia digital dentro da empresa. Curiosamente, os pesquisadores descobriram que esses fatores raramente influenciavam a decisão de adotar a IA diretamente. Em vez disso, eles funcionavam primeiro aumentando a percepção do proprietário da empresa sobre o que a IA poderia fazer. Uma vez que o tomador de decisão se tornava consciente da tecnologia, essa percepção tornava-se o principal portal para a intenção de adoção. A confiança foi o único fator que funcionava de duas maneiras: aumentava a percepção, mas também impulsionava diretamente a disposição para a adoção, independentemente da percepção.

Os pesquisadores então testaram se o seu modelo complexo de inteligência artificial poderia prever a intenção de adoção melhor do que o modelo estatístico padrão. Eles descobriram que a rede neural de fato teve um desempenho ligeiramente superior, reduzindo o erro em suas previsões em cerca de dois por cento em comparação com o modelo padrão. Essa melhoria foi estatisticamente significativa, o que significa que era improvável que fosse uma coincidência. No entanto, o estudo também revelou uma limitação surpreendente. Quando os pesquisadores compararam a rede neural com outras ferramentas de aprendizado de máquina mais simples, como um algoritmo de floresta aleatória (random forest) ou uma rede neural feed-forward básica, a rede neural não teve um desempenho superior. Isso sugere que a melhoria não veio da arquitetura específica e complexa da rede neural, mas simplesmente do fato de que ela permitiu relações não lineares, que o modelo estatístico padrão não conseguia capturar. O estudo também descobriu que o uso de um modelo de medição validado para agrupar as perguntas da pesquisa era essencial. Quando tentaram prever a adoção usando todas as perguntas brutas da pesquisa sem agrupá-las primeiro, os resultados foram significativamente piores, provando que organizar os dados de acordo com a teoria é tão importante quanto o método de previsão.

Em última análise, a pesquisa destaca que, para as pequenas empresas, o caminho para a adoção da inteligência artificial é pavimentado pela percepção. Fatores contextuais como apoio governamental, prontidão financeira ou pressão competitiva não empurram uma empresa para a adoção da IA diretamente; eles primeiro empurram o proprietário da empresa para se tornar consciente da tecnologia. Uma vez estabelecida essa percepção, a intenção de adoção segue-se. O estudo também serve como uma lição metodológica para a comunidade científica. Demonstra que, embora as ferramentas avançadas de aprendizado de máquina possam oferecer uma ligeira vantagem na previsão, elas devem ser testadas de forma justa contra alternativas mais simples para entender o que está realmente impulsionando a melhoria. Neste caso, o ganho veio de permitir que os dados falassem em sua própria voz complexa e não linear, em vez de forçá-los a uma linha reta, mas a complexidade específica da rede neural em si não foi o ingrediente mágico. As descobertas confirmam que a teoria ainda importa: organizar os dados em torno de conceitos estabelecidos ajuda até mesmo os algoritmos mais avançados a compreender melhor o mundo.

Resumo Técnico: Uma Análise Híbrida de PLS-SEM e Redes Neurais Convolucionais sobre a Intenção de Adoção de IA em PMEs

Problema de Pesquisa
A pesquisa empírica sobre adoção tecnológica, particularmente a Inteligência Artificial (IA) em Pequenas e Médias Empresas (PMEs), tem dependido historicamente da Modelagem de Equações Estruturais por Mínimos Quadrados Parciais (PLS-SEM). Embora eficaz para o teste de hipóteses e explicação da variância amostral, esta abordagem enfrenta três limitações críticas:

Validade Preditiva: Os modelos são frequentemente avaliados com base no poder explicativo amostral ( $R^2$ ) em vez do desempenho preditivo fora da amostra, levando a uma potencial superestimação da transportabilidade de um modelo.
Suposições de Forma Funcional: O PLS-SEM convencional assume relações lineares, falhando em capturar potenciais dinâmicas não lineares (ex: limiares de capacidade ou retornos decrescentes) inerentes aos comportamentos de adoção.
Metodologias Híbridas Falhas: As abordagens híbridas existentes que combinam SEM com Redes Neurais Artificiais (ANN) tipicamente treinam a rede neural em escores de construtos derivados do modelo estrutural e as avaliam em divisões de dados separadas. Esta metodologia impede uma comparação formal e estatisticamente rigorosa entre os modelos estrutural e preditivo, tornando as alegações de "validação mútua" impossíveis de serem testadas.

Metodologia
O estudo propõe um framework de avaliação unificado em duas etapas aplicado a dados de 1.210 PMEs nigerianas. O design integra as etapas confirmatória e preditiva através de três acoplamentos arquitetônicos explícitos:

Etapa 1: PLS-SEM Confirmatória
- Objetivo: Validar o modelo de mensuração, estimar construtos latentes e testar hipóteses baseadas em um framework integrado de Tecnologia-Organização-Ambiente (TOE), Difusão de Inovações (DOI) e comportamento.
- Modelo: Um modelo estrutural com 15 construtos (13 antecedentes, 1 mediador, 1 resultado) e 15 hipóteses.
- Saída: Escores de construtos validados e coeficientes de caminho padronizados servem como base para a etapa seguinte.
Etapa 2: Rede Neural Convolucional (CNN) Preditiva
- Representação de Entrada: Em vez de usar indicadores brutos ou simples escores de construtos, o estudo codifica cada respondente como um tensor 2D ( $14 \times 6$ ). As linhas representam os 14 construtos validados (13 antecedentes + mediador) e as colunas representam seus indicadores retidos.
- Arquitetura:
  - Convolução Intra-Construto: Kernels 1D (especificamente 1×3) deslizam ao longo do eixo dos indicadores para aprender um análogo de agregação do "modelo externo" do PLS-SEM.
  - Convolução Entre-Construtos: Kernels 1D (especificamente 3×1) deslizam ao longo do eixo dos construtos para aprender as relações entre construtos, servindo como um análogo aprendido do "modelo interno".
- Protocolo de Avaliação: Crucialmente, a CNN, o modelo estrutural PLS-SEM e quatro benchmarks alternativos (ANN Feed-Forward, Random Forest, CNN de Escores de Construto e Regressão Ordinária de Mínimos Quadrados) são avaliados utilizando as mesmas divisões de validação cruzada de 10 dobras (10-fold cross-validation). Isso garante comparações fora da amostra commensuráveis.
- Rigor Estatístico: As diferenças de desempenho são avaliadas por testes t pareados, testes de postos sinalizados de Wilcoxon e tamanhos de efeito (Cohen's $d$ ).

Principais Resultados

Achados Estruturais: Todas as 15 hipóteses foram suportadas. O modelo explicou 61,1% da variância na Consciência de IA e 54,7% na Intenção de Adoção de IA.
- Mediação: A Consciência de IA mediou totalmente os efeitos de 12 dos 13 antecedentes sobre a intenção de adoção.
- Confiança: A Confiança na IA foi o único construto que exibiu mediação parcial complementar, influenciando a intenção tanto direta quanto indiretamente através da consciência.
- Relevância Preditiva: Embora o modelo PLS-SEM tenha mostrado relevância preditiva positiva ( $Q^2_{predict}$ ), ele falhou em superar um benchmark de regressão linear na variável de resultado final (Intenção de Adoção), destacando uma limitação em confiar apenas em $Q^2$ sem benchmarking explícito.
Desempenho Preditivo:
- A CNN de item-tensor alcançou uma redução de 2,06% no RMSE fora da amostra em comparação com o benchmark estrutural de PLS-SEM ( $p = 0,032$ ).
- No entanto, a CNN não superou significativamente uma ANN Feed-Forward ou uma Random Forest. Isso sugere que o ganho de desempenho provém do relaxamento das suposições de forma funcional linear, e não da arquitetura convolucional específica ou da profundidade da rede.
- Valor da Redução de Dimensionalidade: Um modelo OLS treinado em todos os 68 indicadores brutos apresentou um desempenho significativamente inferior (3,97% de RMSE maior) ao modelo estrutural de dois preditores. Isso confirma que a redução de dimensionalidade guiada pela teoria via um modelo de mensuração validado é essencial para o desempenho preditivo neste tamanho de amostra.
Análise de Importância: A importância por permutação da CNN e os coeficientes de caminho padronizados do PLS-SEM mostraram concordância ampla (Spearman $\rho = 0,503$ ), com a Consciência de IA e a Confiança sendo identificadas como os preditores dominantes em ambos os frameworks.

Significância e Alegações
O artigo afirma avançar a pesquisa de híbridos SEM-ANN ao abordar a transparência e o rigor metodológico:

Integração Arquitetônica: Ele formaliza um framework híbrido onde o modelo de mensuração define a representação de entrada da rede profunda, tornando o vínculo entre as etapas confirmatória e preditiva arquitetônico, e não meramente sequencial.
Teste Falseável: Ao avaliar todos os modelos usando dobras de validação cruzada idênticas com testes estatísticos pareados, o estudo fornece um nível de transparência inferencial raramente encontrado na literatura híbrida. Demonstra que as alegações de "confirmação neural" de modelos estruturais só são válidas se o modelo neural for testado contra o modelo estrutural nas mesmas partições de dados.
Papel da Teoria de Mensuração: O estudo fornece evidência empírica de que a redução de dimensionalidade guiada pela teoria (via PLS-SEM) preserva melhor a informação preditiva do que estimadores flexíveis aplicados a dados brutos de alta dimensionalidade em pesquisas baseadas em surveys com amostras moderadas ( $N \approx 1.200$ ).
Insight Substantivo: Os achados reforçam a "lógica de decisão em estágios" na teoria da difusão, identificando a Consciência de IA como um portal quase universal através do qual os fatores contextuais influenciam a intenção de adoção, com a Confiança atuando como um driver de via dupla único.

Os autores mantêm uma postura modesta, reconhecendo que os ganhos preditivos observados sobre os modelos lineares são modestos (alguns pontos percentuais) e que a arquitetura CNN específica não ofereceu vantagem sobre baselines não lineares mais simples, como Random Forests, neste contexto. A principal contribuição é o framework metodológico para comparação rigorosa, em vez da superioridade do próprio aprendizado profundo.

Resumo Técnico: Uma Análise Híbrida de PLS-SEM e Redes Neurais Convolucionais sobre a Intenção de Adoção de IA em PMEs

Mais como este