• Messmodell

Die Daten wurden mit AMOS (v. 22) analysiert. Eine konfirmatorische Faktorenanalyse (CFA) wurde durchgeführt, um die Konstruktvalidität der untersuchten Variablen zu testen. Die Faktorladungen aller Items relativ zu ihren Konstrukten waren größer als 0,5 [57], was zeigte, dass die Skalen Konstruktvalidität hatten (Tabelle 2). Um die interne Konsistenz für die untersuchten Konstrukte sicherzustellen, wurde Cronbachs Alpha für alle Skalen berechnet, und die Alphas für alle Skalen waren größer als der empfohlene Wert von 0,7 [58].

Um die konvergente Validität zu gewährleisten, wurden zusätzlich die durchschnittliche extrahierte Varianz (AVE) und die zusammengesetzte Reliabilität für jedes Konstrukt berechnet (Tabelle 2).   Die AVEs für alle Skalen waren größer als der empfohlene Wert von 0,5, und die zusammengesetzten Reliabilitäten überschritten den empfohlenen Wert von 0.70 [59]. Um die diskriminante Validität sicherzustellen, wurden die Korrelationen zwischen den untersuchten Konstrukten mit der Quadratwurzel des AVE verglichen [59]. Wie in Tabelle 3 zusehen ist, war die Quadratwurzel des AVE für jedes Konstrukt größer als die Korrelationen mit anderen Faktoren.

  • Strukturelle Modellprüfung

Die Ergebnisse des für diese Studie getesteten Strukturmodells sind in Tabelle 4 dargestellt. Die wahrgenommene Nützlichkeit der digitalen Gesundheits-Wearables sagte die Fortsetzungsabsicht der älteren Diabetiker signifikant voraus (H1: β = 0,183, p < 0,05).   Die Ergebnisse zeigen, dass eine Veränderung des PU um eine Einheit zu einer Veränderung des CI um 0,183 Einheiten führt. Ebenso war die von älteren Diabetikern wahrgenommene Benutzerfreundlichkeit von digitalen Gesundheits-Wearables ein signifikanter Prädiktor für den CI (H2: β = 0,165, p < 0,05). Diese Ergebnisse stimmen mit vielen Studien überein, die herausgefunden haben, dass die wahrgenommene Nützlichkeit und die wahrgenommene Benutzerfreundlichkeit in Bezug auf eine neue Technologie die anfängliche Nutzungsabsicht und zusätzlich auch die fortgesetzte Nutzungsabsicht beeinflusst [60-62].

CI wurde auch signifikant durch die Überzeugung der Kunden über die Unersetzbarkeit vorhergesagt, da eine Änderung von einer Einheit in PIR eine Änderung von 0,138 Einheiten in CI bewirkte (H3: β = 0,138, p < 0,05). Studien weisen darauf hin, dass Kunden, die eine positive Einstellung zu neuen Technologien haben und diese für wichtig halten, eher bereit sind, diese Technologien weiter zu nutzen. Die wahrgenommene Glaubwürdigkeit der digitalen Gesundheits-Wearables erwies sich in dieser Studie ebenfalls als signifikanter Prädiktor für CI (H4: β = 0,165, p < 0,05). Eine Fülle von wissenschaftlicher Literatur legt nahe, dass die wahrgenommene Glaubwürdigkeit von Anwendungen eine signifikante Determinante für die Fortsetzungsabsicht der Kunden ist, diese zu nutzen [31,63-65]. Ältere diabetische Patienten die digitale Gesundheits-Wearables für zuverlässig halten, sind eher bereit, sie weiter zu nutzen und sogar fortgeschrittene Versionen erneut zu kaufen.

Die Kompatibilität solcher digitaler Gesundheits-Wearables mit den bestehenden Technologien und anderen Aspekten des Lebens älterer diabetischer Patienten prägte ihre Absicht, sie weiterhin zu nutzen (H5: β = 0,285, p < 0,05). Von allen in das Modell einbezogenen Variablen war die wahrgenommene Kompatibilität die wichtigste Determinante für die Absicht, digitale Gesundheits-Wearables weiterhin zu nutzen. Dieses Ergebnis wird von der wissenschaftlichen Literatur gut unterstützt, die herausgefunden hat, dass die wahrgenommene Kompatibilität signifikant mit der positiven Einstellung der Kunden gegenüber einer neuen Technologie und der Wahrscheinlichkeit ihrer weiteren Nutzung zusammenhängt [62,66-69]. Humbani und Wiese [66] fanden heraus, dass Kunden, die eine neue Technologie als kompatibel mit ihren Bedürfnissen und ihrem Lebensstil empfanden, diese mit höherer Wahrscheinlichkeit weiter nutzten. Der soziale Einfluss erwies sich auch als ein wichtiger Faktor für die Fortsetzungsabsicht älterer Diabetiker bei der Nutzung von digitalen Gesundheits-Wearables, da die Ergebnisse darauf hindeuteten, dass eine Änderung um eine Einheit in SI eine Änderung um 0,226 Einheiten in CI bewirkte (H6: β = 0,226, p < 0,05). Viele Belege deuten darauf hin, dass neben der wahrgenommenen Benutzerfreundlichkeit, Nützlichkeit und Kompatibilität auch der soziale Einfluss durch Gleichaltrige und wichtige Bezugspersonen ein wichtiger Faktor für die Absicht ist, eine neue Technologie weiterhin zu nutzen [27,64,70,71].

Um die relative Anpassung der Daten an das Modell zu sehen (Tabelle 5), wurden das Verhältnis von Chi-Quadrat zu Freiheitsgraden (χ2/df), der Goodness-of-Fit (GFI) Index, der Adjusted Goodness-of-Fit Index (AGFI), der Comparative Fit Index (CFI), der Tucker-Lewis Index (TLI), der Normed Fit Index (NFI) und der Root-Mean-Square Error of Approximation (RMSEA) verwendet [57,72,73]. Nach Hair et al. [74]sollte der Wert von χ2/df kleiner als 3 sein, um den akzeptierten Standard zu erfüllen. Der Wert von GFI = 0,840 lag sehr nahe an dem empfohlenen Wert von 0,90. Nichtsdestotrotz haben Wissenschaftler wie Baumgartner und Homburg [72] vorgeschlagen, dass ein Wert größer oder gleich 0,8 ebenfalls eine gute Anpassung darstellt.   In ähnlicher Weise lag der Wert des NFI = 0,825 sehr nahe am empfohlenen Wert, und es wurde von vielen Studien vorgeschlagen, dass ein Wert größer als 0,8 als gute Passung angesehen werden kann [75]. Gefen et al. [76] und Singh et al. [77] empfahlen, dass der Wert von AGFI, CFI und NFI größer als 0,8 sein sollte. Der Wert von RMSEA wurde empfohlen, kleiner als 0,8 zu sein [78].

Referenzen und Open Access Hinweis

This is an open access article distributed under the Creative Commons Attribution License which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited

Ahmad, A.; Rasul, T.; Yousaf, A.; Zaman, U. Understanding Factors Influencing Elderly Diabetic Patients’ Continuance Intention to Use Digital Health Wearables: Extending the Technology Acceptance Model (TAM). J. Open Innov. Technol. Mark. Complex. 20206, 81. https://doi.org/10.3390/joitmc6030081