Adopción de apps de salud digital
Salud / mHealth
Una extensión del Technology Acceptance Model (TAM) a las apps de salud digital. Junto a las variables clásicas de TAM Perceived Ease of Use y Perceived Usefulness, modelamos la Health Consciousness como motivador específico del dominio y el Perceived Risk como ruta negativa de privacidad — un efecto f² rara vez tan claramente delimitado.
- N
- 380
- LVs
- 6
- Efecto
- PR → BI negativo
Clonar requiere una cuenta gratuita de OpenPLS.
Fundamento teórico
Davis (1989) estableció TAM, que sigue siendo a día de hoy un modelo de aceptación extremadamente popular con dos determinantes centrales: las percepciones de utilidad (PU) y facilidad de uso (PEOU). Estas configuran la actitud, que a su vez impulsa la intención.
Para aplicaciones mHealth, el TAM clásico no basta: Sun et al. (2013) integraron Health Consciousness (positiva) y Perceived Risk (negativo) como extensiones específicas del dominio. La privacidad es especialmente relevante en salud porque se comparten datos sensibles.
El modelo es metodológicamente interesante porque contiene una ruta claramente negativa (PR → BI). Este tipo de efectos son valiosos en la docencia de PLS-SEM: muestran que signo, significatividad y tamaños de efecto f² deben interpretarse por separado.
Modelo estructural
Cadena TAM clásica (PEOU → PU → Actitud → Intención) más dos antecedentes específicos del dominio: Health Consciousness positiva, Perceived Risk negativo.
Perceived Ease of Use
Facilidad percibida para operar la app.
Perceived Usefulness
Utilidad esperada en términos de salud.
Health Consciousness
Conciencia de salud y responsabilidad personal.
Perceived Risk
Riesgo percibido de privacidad y mal uso de datos.
Actitud
Actitud general hacia la app.
Behavioral Intention
Intención de usar la app de forma habitual.
Hipótesis
| H1 | PEOU → PU | + | La facilidad de uso eleva la utilidad percibida. |
| H2 | PU → ATT | + | La utilidad eleva la actitud hacia la app. |
| H3 | HC → ATT | + | La conciencia de salud refuerza la actitud positiva. |
| H4 | PR → ATT | - | El riesgo percibido sobre los datos socava la actitud. |
| H5 | PU → BI | + | La utilidad eleva directamente la intención de uso. |
| H6 | ATT → BI | + | Una actitud positiva conduce a la intención de uso. |
Metodología y datos
N = 380 respuestas sintéticas sobre 20 indicadores reflectivos (Likert de siete puntos). Los tamaños de efecto están calibrados para que la ruta negativa PR sea significativa pero menor que los drivers positivos — típico en estudios mHealth reales (Sun et al., 2013; Cocosila y Archer, 2010).
Resultados esperados
- R²(BI) ≈ 0.52
- Los cinco determinantes explican alrededor del 52 % de la varianza en la intención — sólido para un TAM extendido.
- PR → BI ≈ −0.18
- Una ruta claramente negativa pero moderada. Un ejemplo didáctico para efectos negativos: reportar por separado signo, significatividad y tamaño del efecto.
- f²(PR)
- El tamaño de efecto f² para el Perceived Risk suele situarse en el rango pequeño-medio (≈ 0,06). Ideal para discutir los umbrales de Cohen.
Reproducir en 60 segundos
- 1
Clona el proyecto
Un solo clic en tu workspace de OpenPLS crea una copia totalmente editable: modelo, indicadores y dataset, todo enlazado y listo para usar.
- 2
Ejecuta el cálculo
OpenPLS resuelve pesos externos, coeficientes de ruta, R², HTMT, SRMR e intervalos de confianza por bootstrap en pocos segundos.
- 3
Compara con las métricas esperadas
Las métricas clave documentadas más abajo provienen del trabajo original publicado. Tus valores calculados deberían caer dentro de los IC del 95 % del bootstrap.
Referencias
- 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