Akzeptanz digitaler Gesundheits-Apps
Healthcare / mHealth
Eine Erweiterung des Technology Acceptance Model (TAM) auf digitale Gesundheits-Apps. Neben den klassischen TAM-Variablen Perceived Ease of Use und Perceived Usefulness modellieren wir Health Consciousness als gesundheitsbezogenen Motivator und Perceived Risk als negativen Datenschutz-Pfad — ein selten so klar abgegrenzter f²-Effekt.
- N
- 380
- LVs
- 6
- Effekt
- PR → BI negativ
Klonen erfordert ein kostenloses OpenPLS-Konto.
Theorie-Background
Davis (1989) etablierte mit TAM ein bis heute extrem populäres Akzeptanzmodell mit zwei Kern-Determinanten: Wahrnehmung von Nützlichkeit (PU) und einfacher Bedienbarkeit (PEOU). Diese formen die Einstellung (Attitude), die wiederum Intention treibt.
Für mHealth-Anwendungen genügt das klassische TAM nicht: Sun et al. (2013) integrierten Health Consciousness (positiv) und Perceived Risk (negativ) als domänenspezifische Erweiterungen. Der Datenschutz ist im Gesundheitsbereich besonders relevant, weil sensible Daten geteilt werden.
Das Modell ist methodisch interessant, weil es einen klar negativen Pfad enthält (PR → BI). Solche Effekte sind in PLS-SEM-Schulungen wertvoll: sie zeigen, dass Vorzeichen, Signifikanz und f²-Effektstärken differenziert interpretiert werden müssen.
Strukturmodell
Klassische TAM-Kette (PEOU → PU → Attitude → Intention) plus zwei domänenspezifische Antezedenzien: Health Consciousness positiv, Perceived Risk negativ.
Perceived Ease of Use
Wahrgenommene einfache Bedienbarkeit der App.
Perceived Usefulness
Erwarteter gesundheitlicher Nutzen.
Health Consciousness
Gesundheitsbewusstsein und Eigenverantwortung.
Perceived Risk
Wahrgenommenes Datenschutz- und Datenmissbrauchsrisiko.
Attitude
Generelle Einstellung gegenüber der App.
Behavioral Intention
Absicht, die App regelmäßig zu nutzen.
Hypothesen
| H1 | PEOU → PU | + | Einfache Bedienung erhöht den wahrgenommenen Nutzen. |
| H2 | PU → ATT | + | Nutzen wirkt positiv auf die Einstellung zur App. |
| H3 | HC → ATT | + | Gesundheitsbewusstsein verstärkt die positive Einstellung. |
| H4 | PR → ATT | - | Wahrgenommenes Datenrisiko untergräbt die Einstellung. |
| H5 | PU → BI | + | Nutzen wirkt direkt auf die Nutzungs-Intention. |
| H6 | ATT → BI | + | Eine positive Einstellung führt zu Nutzungs-Intention. |
Methodik & Daten
N = 380 synthetische Antworten auf 20 reflektive Indikatoren (siebenstufige Likert). Die Effektstärken sind so kalibriert, dass der negative PR-Pfad signifikant, aber kleiner ist als die positiven Treiber — typisch für reale mHealth-Studien (Sun et al., 2013; Cocosila & Archer, 2010).
Erwartete Ergebnisse
- R²(BI) ≈ 0,52
- Die fünf Determinanten erklären rund 52 % der Varianz in der Intention — solide für ein erweitertes TAM.
- PR → BI ≈ −0,18
- Ein klar negativer, aber moderater Pfad. Lehrbeispiel für negative Effekte: Vorzeichen, Signifikanz und Effektstärke alle separat berichten.
- f²(PR)
- Die f²-Effektstärke für Perceived Risk liegt typischerweise im Bereich klein-bis-mittel (≈ 0,06). Ideal zur Diskussion der Cohen-Schwellen.
Reproduzieren in 60 Sekunden
- 1
Projekt klonen
Ein Klick im OpenPLS-Workspace erstellt eine vollständige Kopie: Modell, Indikatoren und Datensatz, sofort editierbar.
- 2
Berechnung starten
OpenPLS löst Outer Weights, Path Coefficients, R², HTMT, SRMR und Bootstrap-Konfidenzintervalle in wenigen Sekunden.
- 3
Mit erwarteten Metriken vergleichen
Die unten dokumentierten Schlüsselmetriken stammen aus dem publizierten Original. Deine Werte sollten innerhalb der Bootstrap-95 %-CIs liegen.
Referenzen
- Davis, F. D. (1989). Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology. MIS Quarterly, 13(3), 319–340. doi.org/10.2307/249008
- Sun, Y., Wang, N., Guo, X., & Peng, Z. (2013). Understanding the acceptance of mobile health services: A comparison and integration of alternative models. Journal of Electronic Commerce Research, 14(2), 183–200. www.jecr.org/node/313
- Cocosila, M., & Archer, N. (2010). Adoption of mobile ICT for health promotion: an empirical investigation. Electronic Markets, 20(3), 241–250. doi.org/10.1007/s12525-010-0042-y