Adoção de apps de saúde digital
Saúde / mHealth
Uma extensão do Technology Acceptance Model (TAM) para apps de saúde digital. Ao lado das variáveis clássicas do TAM, Perceived Ease of Use e Perceived Usefulness, modelamos Health Consciousness como motivador específico do domínio e Perceived Risk como um caminho negativo de privacidade, um efeito f² raramente tão claramente delimitado.
- N
- 380
- LVs
- 6
- Effect
- PR → BI negative
Clonar requer uma conta OpenPLS gratuita.
Base teórica
Davis (1989) estabeleceu o TAM, que até hoje permanece um modelo de aceitação extremamente popular, com dois determinantes centrais: percepção de utilidade (PU) e facilidade de uso (PEOU). Estas moldam a atitude, que por sua vez impulsiona a intenção.
Para aplicações mHealth, o TAM clássico não é suficiente: Sun et al. (2013) integraram Health Consciousness (positivo) e Perceived Risk (negativo) como extensões específicas do domínio. A privacidade é particularmente relevante na saúde porque dados sensíveis são compartilhados.
O modelo é metodologicamente interessante porque contém um caminho claramente negativo (PR → BI). Tais efeitos são valiosos no ensino de PLS-SEM: mostram que sinal, significância e tamanhos de efeito f² precisam ser interpretados separadamente.
Modelo estrutural
Cadeia TAM clássica (PEOU → PU → Attitude → Intention) mais dois antecedentes específicos do domínio: Health Consciousness positivo, Perceived Risk negativo.
Facilidade de uso percebida
Facilidade percebida ao operar o app.
Utilidade percebida
Utilidade esperada relacionada à saúde.
Consciência sobre saúde
Consciência sobre saúde e responsabilidade pessoal.
Risco percebido
Risco percebido de privacidade e de uso indevido de dados.
Atitude
Atitude geral em relação ao app.
Intenção comportamental
Intenção de usar o app regularmente.
Hipóteses
| H1 | PEOU → PU | + | A facilidade de uso eleva a utilidade percebida. |
| H2 | PU → ATT | + | A utilidade eleva a atitude em relação ao app. |
| H3 | HC → ATT | + | A consciência sobre saúde reforça a atitude positiva. |
| H4 | PR → ATT | - | O risco percebido aos dados mina a atitude. |
| H5 | PU → BI | + | A utilidade eleva diretamente a intenção de uso. |
| H6 | ATT → BI | + | Uma atitude positiva leva à intenção de uso. |
Metodologia e dados
N = 380 respostas sintéticas em 20 indicadores reflexivos (escala Likert de sete pontos). Os tamanhos de efeito são calibrados de modo que o caminho negativo PR seja significativo, mas menor do que os drivers positivos, típico para estudos mHealth reais (Sun et al., 2013; Cocosila & Archer, 2010).
Resultados esperados
- R²(BI) ≈ 0.52
- Os cinco determinantes explicam cerca de 52 % da variância na intenção, sólido para um TAM estendido.
- PR → BI ≈ −0.18
- Um caminho claramente negativo, mas moderado. Um exemplo didático para efeitos negativos: reportar sinal, significância e tamanho de efeito separadamente.
- f²(PR)
- O tamanho de efeito f² para Perceived Risk normalmente situa-se na faixa entre pequeno e médio (≈ 0.06). Ideal para discutir os limiares de Cohen.
Reproduza em 60 segundos
- 1
Clone o projeto
Um único clique no seu workspace OpenPLS cria uma cópia totalmente editável: modelo, indicadores e dataset, tudo conectado e pronto para uso.
- 2
Execute o cálculo
O OpenPLS resolve pesos externos, coeficientes de caminho, R², HTMT, SRMR e intervalos de confiança via bootstrap em poucos segundos.
- 3
Compare com as métricas esperadas
As métricas-chave documentadas abaixo vêm do original publicado. Seus valores calculados devem cair dentro dos ICs bootstrap de 95 %.
Referências
- 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