A mesterséges intelligencia alapú digitális asszisztensek elfogadását befolyásoló tényezők
Megjelent: 2019, 2019/3. lapszám
Absztrakt. Kutatásunk célja a mesterséges intelligencia alapú digitális asszisztensek elfogadásának és használatának kutatása, illetve az elfogadást és a használatot befolyásoló tényezők beazonosítása. Másodlagos célunk, hogy összefoglaljuk a digitális asszisztensekkel foglalkozó, eddig megjelent tudományos munkákat. Konceptuális modellünk által arra a kérdésre keressük a választ, hogyan magyarázza a vizsgált öt független változó, melyek az UTAUT 2 modellből számaznak, a használati szándék alakulását. A szóban forgó öt független változó a várható teljesítmény, a várható szükséges erőfeszítés, a társadalmi hatás, az elősegítő feltételek és a hedonista motiváció. A kutatást egy N=123 elemszámú mintán végeztük, a válaszadók többsége egyetemista. Az adatok elemzésére a parciális legkisebb négyzetek – strukturális egyenletek modellezési technikát (PLS-SEM) használtuk. Arra a következtetésre jutottunk, hogy a várható teljesítmény, a várható szükséges erőfeszítés, a társadalmi hatás és a hedonista motiváció szignifikánsan befolyásolja a használati szándékot. Ez az öt független változó a függő változó varianciájának 69%-át magyarázza.
Kulcsszavak: mesterséges intelligencia, digitális asszisztens, technológiaelfogadás, használati szándék, UTAUT2 modell
Kiadó: Romániai Magyar Közgazdász Társaság és a Babeş–Bolyai Tudományegyetem Közgazdaság- és Gazdálkodástudományi Karának Magyar Intézete ISSN: 1582-1986 www.econ.ubbcluj.ro/kozgazdaszforum
A mesterséges intelligencia alapú digitális asszisztensek elfogadását befolyásoló tényezők SEER LÁSZLÓ1 – VIZELI IBOLYA2 Kutatásunk célja a mesterséges intelligencia alapú digitális asszisztensek elfogadásának és használatának kutatása, illetve az elfogadást és a használatot befolyásoló tényezők beazonosítása. Másodlagos célunk, hogy összefoglaljuk a digitális asszisztensekkel foglalkozó, eddig megjelent tudományos munkákat. Konceptuális modellünk által arra a kérdésre keressük a választ, hogyan magyarázza a vizsgált öt független változó, melyek az UTAUT 2 modellből számaznak, a használati szándék alakulását. A szóban forgó öt független változó a várható teljesítmény, a várható szükséges erőfeszítés, a társadalmi hatás, az elősegítő feltételek és a hedonista motiváció. A kutatást egy N=123 elemszámú mintán végeztük, a válaszadók többsége egyetemista. Az adatok elemzésére a parciális legkisebb négyzetek – strukturális egyenletek modellezési technikát (PLS-SEM) használtuk. Arra a következtetésre jutottunk, hogy a várható teljesítmény, a várható szükséges erőfeszítés, a társadalmi hatás és a hedonista motiváció szignifikánsan befolyásolja a használati szándékot. Ez az öt független változó a függő változó varianciájának 69%-át magyarázza.
Kulcsszavak: mesterséges intelligencia, digitális asszisztens, technológiaelfogadás, használati szándék, UTAUT2 modell.
JEL kódok: M31, M39, O33, L86.
Bevezető
Az elmúlt évtizedekben a digitális technológia soha nem látott ütemben fejlődött. A digitalizáció korában az emberek mindennapi szokásai, a vállalatok munkafolyamatai, sőt még a munkaerőpiac szerkezete is jelentős átalakulásokon megy át (Fehér 2016).
A digitalizációnak mint fogalomnak nincs egységesen elfogadott meghatározása. Brennen és Kreiss (2016) a digitalizáció definícióját a társadalmi életre alapozzák, szerintük ennek kiindulópontja az, ahogyan az emberek interakcióba lépnek egymással. Az interakciók pedig egyre távolodnak az analóg technológiáktól (hagyományos levelek, telefonhívások) és közelednek a digitális (e-mail, chat, közösségi média) felé, így pedig az élet számos területe (munka, szabaidő) digitalizálódik (Brennen–Kreiss 2016).
A Gartner innovációkutató szervezet megfogalmazása szerint a digitalizáció azon digitális technológiák által történik, amelyeket a vállalatok az üzleti modell megváltoztatására használnak új bevételforrások és értéknövelő lehetőségek biztosítása céljából (Gartner 2017). Általánosan elfogadott tény, hogy ma számos vállalat újragondolja az üzleti modelljeit, és az új üzleti modellek nagymértékben a digitális technológiák hatása alatt állnak.
A digitális technológia fejlődése várhatóan növekvő ütemben folytatódik tovább, ami jelentősen kihat majd a fogyasztók és a vállalatok közötti sokrétű kapcsolatrendszerre is. A Gartner egy másik előrejelzése szerint 2020-ra a fogyasztók és a vállalatok közötti interakció 85%-a anélkül zajlik majd, hogy a fogyasztó emberekkel lépne kapcsolatba a vállalat részéről (Gartner 2011). Ezért a fogyasztói elvárások minél magasabb színvonalú kielégítése érdekében a vállalatoknak nagy hangsúlyt kell fektetniük arra, hogy a fogyasztókat érintő folyamataik automatizálása során szem előtt tartsák azok egyre változatosabb igényeit és elvárásait is.
Ebben pedig a marketingrészlegeknek és szakembereknek kiemelkedő szerep jut, hiszen ők azok, akik ismerik a fogyasztók igényeit. Ennek a folyamatautomatizálásnak az egyik kulcstechnológiája a mesterséges intelligencia, amely keretében több technológiáról beszélhetünk (pl. gépi tanulás, mélytanulás, neurális hálók, természetes nyelvek feldolgozása stb.) (Bostrom 2014).
Kutatásunk fókuszában annak a jelenségnek a vizsgálata áll, hogy a fogyasztók milyen elvek mentén fogadnak vagy utasítanak el egy új, digitális technológiai megoldást. A kutatás tárgya a mesterséges intelligencia alapú, ún. digitális asszisztensek fogyasztók általi elfogadásának és az elfogadást befolyásoló tényezőinek vizsgálata.
A technológiaelfogadás szakirodalma rendkívül gazdag (Nysveen–Pedersen 2016), ezért az új technológiával szembeni elfogadási hajlandóság vizsgálatát a már meglévő, gazdag szakirodalomra és azon belül a technológiaelfogadás és -használat egységesített elméletére (UTAUT2) alapozzuk.
A téma relevanciája abban áll, hogy a mesterséges intelligencia fokozatos térnyerése jelentős hatást gyakorol az emberek mindennapi életére, illetve a vállalatokéra egyaránt. E kettő a marketing szakterületét három ponton érinti: egyrészt a marketing munkafolyamatainak radikális megváltozásával (számos tevékenység válik automatizálhatóvá). Másrészt a fogyasztók elvárásai is átalakuláson mennek keresztül annak köszönhetően, hogy a különböző mesterségesintelligencia-rendszerek kezdenek a mindennapi életük részévé válni (Netflix, Alexa, Siri nevű digitális asszisztensek). Harmadrészt, sok más területhez hasonlóan, a marketingszakma is teljesen átalakul a mesterséges intelligencia alapú technológiáknak köszönhetően (Kotler et al. 2017).
Brynjolfsson és McAfee (2014) szerint a technológia fejlődése során sok ember veszítheti el a munkahelyét, rengeteg munkahely szűnik majd meg. Ez főleg azokat a területeket érinti, amelyek esetében nem szükséges az, hogy a munkavállaló különleges készségek és képességek birtokában legyen (például gyártósorok mellett dolgozók). Emellett azonban új munkahelyek is létrejönnek, amelyek végzéséhez különleges képességekre és kompetenciákra van szükség, mindezt azonban nem lesz lehetetlen elsajátítani (Brynjolfsson–McAfee 2014).
Ugyanakkor viszont az automatizálásból és a mesterséges intelligencia alapú technológiák egyéb jelentős hozzáadott értékéből jelentős idő takarítható meg a termelésben és a mindennapokban egyaránt, ezek származtatott előnyei rendkívül sokrétűek (Brynjolfsson–McAfee 2014). Mi e jelenség a fogyasztókra gyakorolt hatásának egyik specifikus részét kutatjuk, ugyanis ennek a feltárása a marketingszakma számára időszerű.
Következtetésképpen a fogyasztói elvárások vizsgálata a mesterséges intelligencia térnyerése korában hasznos információkkal szolgálhat a marketingszakemberek számára. Továbbá a téma kevéssé kutatott mind nemzetközi, mind hazai szinten, annak ellenére, hogy jelentős hatást gyakorol a fogyasztók és a vállalatok életére, illetve teljesen átalakít bizonyos szakmákat, így a marketingszakmát is.
Szakirodalmi áttekintés
A mesterséges intelligencia meghatározása
A mesterséges intelligencia azon technológiák együttesének a megnevezése, amelyek nemcsak a sokrétű információk programmatikus feldolgozására képesek, hanem saját folyamataik fejlesztésére, adaptálására is. Tehát egy mesterséges intelligencia alapú szoftver egy olyan program, ami adott paraméterek között önmagát fejleszteni, adaptálni képes (Mijwel 2015; Bostrom 2014).
A mesterséges intelligencia tudományának születése 1950-re tehető (Nguyen–Sidorova 2017), ugyanis ekkor jelent meg Alan Turing Computing Machinery and Intelligence című meghatározó munkája. A cikkben Turing megalkotta a Turing-teszt néven ismertté vált modellt, amelynek lényege a következő: egy számítógép akkor megy át a teszten, hogyha a tesztben részt vevő (emberi) alany egy másik (emberi) alannyal és egy számítógéppel szöveges, kérdés-válasz alapú interakció során nem tudja teljes bizonyossággal meghatározni, hogy melyik résztvevő a számítógép és melyik az ember (Turing 1950). A következő években a mesterséges intelligenciával kapcsolatos kutatások nagy részében arra fektették a hangsúlyt, hogy olyan gépet hozzanak létre, amely képes az emberi intelligenciával asszociálható képességeket produkálni vagy imitálni (Nguyen–Sidorova 2017). Ilyen képesség például a valamilyen nyelven történő kommunikáció, a tudás tárolása és hozzáférés a tudáshoz, sokváltozós adatelemzésből származó predikció, a racionális döntések meghozatala és a környezetből érkező inputokhoz való alkalmazkodás (Russell–Norvig 2010).
Nguyen és Sidorova (2017) összefoglalása szerint a mesterséges intelligencia tudományának három fő aspektusa van. Először is a mesterséges intelligencia magába foglalja az automatizált érvelést (automated reasoning), a természetes nyelvet (natural language), a képfeldolgozást (image processing), a tudás megjelenítését (knowledge representation) és a gépi tanulást (machine learning) (Bishop 1995; Jain et al. 1996). Másodszor, a legtöbb mesterségesintelligencia-kutatás olyan modellek, ábrázolások és algoritmusok létrehozását helyezi a fókuszba, amelyek képesek a már fent említett, emberi intelligenciával azonosítható képességek reprodukálására, azonban ezek jó része asszimilálható a hagyományos informatikai alkalmazásokkal, és így a viselkedésalapú kutatás (behavioral-style research) részét képezik (Gregor–Benbasat 1999; Se et al. 2007). Harmadsorban pedig a mesterséges intelligencia tudományára jellemző, hogy a fejlődési szakaszok gyorsak és magas elvárásokkal párosulnak, melyeket azonban hosszú, nagyon lassú fejlődés és a nagyközönség érdeklődésének hiánya követ (Bostrom 2014).
A mesterségesintelligencia-rendszerek osztályozása
Bostrom (2014) szerint a mesterségesintelligencia-rendszerek három osztályba sorolhatók: Keskeny Mesterséges Intelligencia (Artificial Narrow Intelligence – ANI), Általános Mesterséges Intelligencia (Artificial General Intelligence – AGI), Szuper Mesterséges Intelligencia (Artificial Super Intelligence – ASI).
Az ANI a mesterségesintelligencia-rendszerek első szintjét képezik, melyeket az jellemez, hogy egy specifikus területen nyújtanak kiemelkedő teljesítményt.
Ilyen például a Deep Blue nevet viselő, az IBM által kidolgozott „szuperszámítógép”, amely 1997-ben legyőzte Gary Kasparov világbajnok sakkozót egy sakkjátszma során (Gurkaynak et al. 2016; Vardi 2012). A ma létező mesterségesintelli-gencia-rendszerek tekintélyes része ebbe a kategóriába sorolható, például ANI-nak minősül a Google RankBrain rendszere és az Apple asszisztense, a Siri is.
Továbbá, Gurkaynak és társai (2016) szerint AGI-k az ember szintű mesterséges intelligenciák (Human-Level AI’s), azaz olyan számítógépek, amelyek minden szempontból olyan okosak, mint az ember, és minden olyan szellemi munkát igénylő feladatot képesek elvégezni, amit az ember is képes megoldani.
Az AGI-k várhatóan képesek lesznek a különböző területeken jelentkező komplex problémák megoldására, illetve önállóan érzékelni és irányítani saját gondolataikat, aggodalmaikat, érzéseiket, erősségeiket, gyengeségeiket és hajlamaikat (Pennachin–Goertzel 2007).
Végül pedig, az ASI-k olyan rendszerek, amelyek gyakorlatilag minden területen sokkal intelligensebbek, mint az ember, beleértve a tudományos kreativitást, az általános bölcsességet és a szociális készségeket is (Bostrom 2014).
A mesterségesintelligencia-kutatók nagy része úgy véli, hogy az AGI-k kifejlesztése után azok saját magukat fejlesztik majd tovább ASI-rendszerré, amit a szakirodalomban intelligens robbanásnak (intelligent explosion) vagy szingularitásnak neveznek (Yudkowsky et al. 2010; Urban 2015). A mesterséges intelligencia hatása a marketingfolyamatok átalakulására A mesterséges intelligencia definiálása után fontos meghatározni annak jelentőségét a marketingfolyamatok átalakulásában. Olson és Levy (2018) szerint a mesterséges intelligencia három ponton formálja át a marketing területét: az interakciók (interacting), a megértés (understanding) és az érvelés (reasoning) szintjén.
Először is, a mesterséges intelligencia a fogyasztók és vállalatok közti interakciót két ponton érinti: egyrészt a keresések (search), másrészt a bot-ok (keresőtechnológiák) tevékenysége által. A mesterséges intelligencia lehetőséget nyújt a fogyasztóknak arra, hogy természetesebb és személyesebb módon kommunikáljanak a márkákkal a különböző okosszolgáltatások és ügynöki kompetenciákkal rendelkező rendszerek (ágensek), mint például a botok, digitális aszszisztensek (digital assistants), okoshangszórók (smart speakers), a jövőben pedig összekapcsolt autók (connected cars) által (Olson–Levy 2018).
A chatbotok (adaptált válaszadásra képes szoftverek) fő alkalmazási területe az ügyfélkezelés, ügyfelekkel való kapcsolattartás, azonban ahogy ezen eszközök fejlődnek és egyre jobban kommunikálnak, képessé válhatnak arra, hogy a fogyasztó döntési folyamatának minden szakaszában részt vegyenek, és részvételükkel komoly hozzáadott értéket hozzanak létre a fogyasztó számára (keresési idő lerövidítése, racionálisabb döntések stb.). A digitális asszisztensek, illetve az okoshangszórók képesek arra, hogy megértsék, ki a felhasználó, mit cselekszik és azt hol csinálja, válaszolnak a kérdéseire, elvégzik a fogyasztó által kért feladatokat, képesek arra, hogy előre jelezzék a fogyasztó vágyait annak viselkedési mintája alapján (Sterne 2017).
Az asszisztensek széles körű elterjedése hozzájárul olyan folyamatok átalakulásához, mint a tartalomgyártás, a termékek és szolgáltatások személyre szabása, insightok gyűjtése és felhasználása, új reklámfelületek létrehozásával pedig a reklámkészítést is átformálják. A márkák esetében ezek az asszisztensek fontos eszközökké válnak az erős fogyasztó–márka kapcsolat kiépítésében, illetve a fogyasztói igények kielégítésében (Olson–Levy 2018; Sterne 2017).
Másodsorban, a mesterséges intelligencia lehetővé teszi azt, hogy a vállalatok természetesebb módon érthessék meg a fogyasztókat szöveg-, hang-, kép-, videó- és gesztusalapú inputok alapján. A Microsoft’s Cognitive Services, melyet 600 000 fejlesztő használ, lehetővé teszi a marketingszakemberek számára, hogy könnyen adjanak hozzá applikációikhoz, eszközeikhez és platformjaikhoz olyan intelligens fejlesztéseket, mint például érzelem- és érzésérzékelést (emotion and sentiment detection), látás- és beszédfelismerést (vision and speech recognition), nyelvértést (language understanding), tudást és keresést (knowledge and search) (Olson–Levy 2018).
Végül pedig, a mesterséges intelligencia lehetőséget nyújt a marketingszakembereknek arra, hogy nagyon nagy mennyiségű adatot (pl. big data) dolgozzanak fel és olyan mintákat azonosítsanak, melyek az emberi szem számára láthatatlanok. A hatalmas adathalmazok feldolgozása lehetővé teszi olyan insightok azonosítását, amelyeket a szakemberek felhasználhatnak kampányok és média mix stratégiák kialakítása és optimalizálása céljából. Továbbá az adatok elemzése előrejelzések elkészítését is lehetővé teszi a már kialakult keresési és viselkedési minták alapján, ami a különböző reklámkampányok sikerességéhez járulhat hozzá (Olson–Levy 2018).
Összegezve, a mesterséges intelligencia jelentősen átformálja a fogyasztói szokásokat és a vállalatok tevékenységét, ezáltal pedig átalakítja a marketingfolyamatokat és új kihívásokkal szembesíti a marketingszakembereket, miközben új eszközöket is nyújt számukra. Az egyik legfontosabb ilyen eszköz a digitális asszisztens, a továbbiakban ennek részletes bemutatására kerül sor.
A digitális asszisztensek meghatározása
Az angol nyelvű szakirodalomban a leggyakrabban használt kifejezés az
Intelligent Personal Assistant (IPA) az, amely magába foglalja azokat az alkalmazásokat, amelyek különböző inputok (például a felhasználó hangja) alapján segítséget nyújtanak a felhasználónak, azaz kérdéseket válaszolnak meg, ajánlatokat tesznek és különböző feladatokat végeznek el (Baber 2002). Az angol nyelvű szakirodalomban az IPA szinonimájaként használják a Conversational Agents, Virtual Personal Assistants, Personal Digital Assistants, Voice-Enabled Assistants vagy a Voice Activated Personal Assistants kifejezéseket (Cowan et al. 2017).
A magyar nyelvű szakirodalomban nincs egységesen elfogadott kifejezés az ilyen típusú alkalmazásokra, a köznyelvben pedig a leggyakrabban használt kifejezések a virtuális vagy digitális asszisztens és az intelligens asszisztens. A továbbiakban a digitális asszisztens (DA) kifejezést használjuk.
A digitális asszisztens olyan, úgynevezett szoftverügynök, amely professzionális/adminisztratív (üzenetküldés, ébresztőóra beállítása, ütemterv készítése, ételrendelés), technikai (olyan összetett feladatok, mint az otthoni automatizálási rendszer kezelése okoskészülékek vezérlésével, a felhasználó egészségi állapotának nyomon követése a viselhető – wearable – eszközök által kibocsátott jelek elemzésével) és szociális (kommunikáció a felhasználó és az asszisztens között) feladatok elvégzésében nyújt segítséget az (emberi) felhasználóknak azáltal, hogy automatizálja és megkönnyíti a mindennapi tevékenységeit (Saad et al. 2016; Santos et al. 2016). Spohrer és társai (2017) szerint a digitális asszisztensek olyan döntéshozatali eszközök (decision support tools), amelyek képesek kiterjeszteni, növelni az emberi képességeket és szakértelmet a környezet mélyreható megismerése által, így pedig olyan javaslatokat tehetnek a felhasználóknak, amelyek hozzájárulnak ahhoz, hogy a felhasználók jobb, adatvezérelt döntéseket hozzanak (data driven decision making) (Sterne 2017).
A digitális asszisztensek működési elve és felhasználásuk
A digitális asszisztensek kombinálják a beszédfelismerést (speech recognition), a nyelvi megértést (language understanding), a párbeszédkezelést (dialogue management), a nyelvgenerálást (language generation) és a beszédszintézist (speech synthesis), hogy válaszoljanak a felhasználók részéről jövő lekérdezésekre, kérésekre és kérdésekre (Siddike et al. 2018). Működésüket tekintve a digitális asszisztensek hangfelismerő és természetes nyelvi feldolgozási algoritmusokat használnak: első lépésben a DA a beépített mikrofon által meghallgatják és rögzítik a felhasználó parancsát (beszédfelismerés), ezt követően, interneten keresztül, a felvételt elküldik egy természetes nyelvfeldolgozó szervernek, ez a szerver pedig értelmezi a rögzített hangokat (nyelvi megértés) és megfelelő választ küld (szövegkimenetel) (Han–Yang 2018).
Lison és Meena (2014) szerint a beszédfelismerést és a nyelvi megértést követő szakaszban a DA az inputnak (a felhasználó kérdése, kérése, utasítása) leginkább megfelelő (válasz) művelet kiválasztása során figyelembe veszi a felismert kifejezés jelentését, a párbeszéd aktuális állapotát, és a felhasználó és a rendszer között megosztott korábbi információkat (a párbeszédkezelőn keresztül), ezt követi a felhasználónak szánt tartalom megtervezése, azaz a válasz generálása (a beszédszintézis által) és kibocsátása (Lison–Meena 2014). Néhány DA (például a Siri és a Google Assistant) a megfelelő válaszok megalkotásához, az adatokhoz való hozzáférési engedély birtokában, a felhasználó mobiltelefonján elérhető információkat is felhasználja (Milhorat et al. 2014). Az utóbbi években nemcsak a hang, hanem az érzelemfelismerő technikák is kifejlesztésre kerültek, amelyek a felhasználó arckifejezéseinek rögzítésével és értelmezésével működnek (Knight 2016).
A kereskedelmi forgalomban levő digitális asszisztensek négy különböző módon érhetők el: 1. operációs rendszerbe beágyazott külön funkció formájában (Apple Siri, Google Now), 2. letölthető mobilalkalmazások formájában (Amazon Alexa), 3. speciális hardvereszközökre (okostelefon, okosóra, okoshangszórók, PC-k, laptopok) telepítve (Amazon Echo, Google Home) és robotok formájában (JIBO). Jelenleg a piacon az okoshangszóró (intelligent speaker) típusú DA-k a legnépszerűbbek (Han–Yang 2018). Továbbá a hangalapú digitális asszisztensek (Siri, Google Assistant, Microsoft Cortana és Amazon Alexa) olyan széles körben, okostelefonon keresztül elérhető alkalmazások, melyek a felhasználó házát (Amazon Echo, Google Home), illetve autóját (a Google Assistant integrálása bizonyos Hyundai típusú járművekbe) érintő feladatok megoldásában nyújtanak segítséget (Cowan et al. 2017).
Az 1. táblázat összefoglalja azon feladatokat, amelyeket az előzőekben említett néhány digitális asszisztens képes elvégezni, illetve azokat a platformokat, amelyeket adott asszisztens a feladat elvégzése során használ. A digitális asszisztensek jelentőségét mutatja az is, hogy előrejelzések szerint a DA-k piacának értéke 2020-ra eléri a 4,61 milliárd dolláros értéket (Kamitis 2016).
1. táblázat. Néhány digitális asszisztens bemutatása Megnevezés
Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.
Apple Siri
Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.
IBM Watson
Watson Engagement Advisor: kapcsolatba lép a felhasználóval, meghallgatja a kérdéseit és megoldásokat nyújt Watson Explorer: hozzáfér adatbázisokhoz, elemez strukturált és nem strukturált adathalmazokat Watson Discovery Adviser: kapcsolatokat teremt adatpontok között Watson Oncology: páciensek orvosi adatait elemzi azért, hogy megalapozott kezelési javaslatokat tegyen
Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.
kérdésekre válaszol, javaslatokat tesz, feladatokat végez el a felhasználó kéréseinek megfelelően hang- és írásalapú kommunikációra is képes a felhasználóval Google Home: hangalapú eszköz, amely Googlekeresések alapján válaszolja meg a felhasználó kérdéseit, elindítja a zenelejátszót, egyéb hétköznapi feladatokat végez el hangalapú kommunikációt folytat elindítja a zenelejátszót, összeírja a teendők listáját, ébresztőórát állít be, podcasteket és hangoskönyveket közvetít, információt nyújt az időjárásról, a forgalom helyzetéről és egyéb valós idejű eseményekről képes irányítani bizonyos típusú okoseszközöket
Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.
képes emlékeztetőket beállítani, térképeket használni, e-maileket megírni és elküldeni, kereséseket futtatni A Microsoft informálja a felhasználót a repjülőjegy foglalásáról és a platformja legfrissebb hírekről Forrás: Siddike et al. 2018
A digitális asszisztensek használatát vizsgáló kutatások összefoglalása Az elmúlt években több, a digitális asszisztensekkel kapcsolatos tanulmány is megjelent. A Creative Strategies felmérése szerint az iPhone-felhasználók 98%-a használta már Siri-t, a digitális asszisztenst, ebből azonban csak 30% azok aránya, akik rendszeresen használják a DA-t, de ez a jelenség nemcsak a Siri esetében tapasztalható, a többi DA-t (Alexa, Cortana, Google Assistant) is érinti (Milanesi 2016). Luger és Sellen (2016) olyan felhasználókat vizsgált, akik rendszeresen használják a digitális asszisztensüket, és arra a következtetésre jutottak, hogy a felhasználók DA-val szembeni elvárásai jóval alacsonyabbak annál, mint amit a technológia nyújtani tud. Kiseleva és társai (2016) azt vizsgálták, hogy a DA által elvégzett feladattal szembeni elégedettség változik-e a felhasználási területek, körülmények függvényében.
Cowan és társai (2017) azokat a felhasználókat vizsgálták, akik kipróbálták a DA-t, de csupán alkalmanként használják azt. A rendszertelen használat okai között olyan tényezők találhatók, mint kulturális szokások, normák, illetve a feszültség, zavar azt illetően, hogy mások mit gondolnak (social embarrassment) (Cowan et al. 2017). Babic és társai (2018) szerint a VA-k széles körű elfogadását befolyásoló egyik legfontosabb tényező a minőség, mely ebben az esetben a használhatóság (usability) és a felhasználói élmény (user experience) együttese.
Manikonda és társai (2018) a felhasználói igényeket (user preferences) és az adatvédelemmel kapcsolatos aggályokat vizsgálták a DA-kat illetően, és megállapították, hogy több adatvédelmi probléma is jelentkezik a DA-k használata során, ilyenkor pedig a felhasználók gyakran visszaviszik a terméket az eladónak, lenémítják az eszköz mikrofonját, amelyen a DA-t használták, vagy leszűkítik a DA által végzett feladatok listáját (például csak ébresztőóra beállítása). Siddike és társai (2018) rámutattak arra, hogy a DA használata javítja az egyén (felhasználó) teljesítményét, vagyis azok a felhasználók, akik sikeres interakciókat bonyolítanak le a DA-val, fejleszthetik tudásukat és intelligenciájukat. Továbbá kimutatták azt is, hogy a DA sikerességének kulcsa a bizalomban (trust), titoktartásban (privacy), alaposságban (accuracy) és könnyű használatban (ease of use) rejlik (Siddike et al. 2018).
Jiang és társai (2015) elsőként dolgoztak ki egy olyan automatikus módszert, amelynek segítségével a hangalapú digitális asszisztensek által elvégzett feladatokkal szembeni elégedettség mérhető, illetve ez alapján a különböző DA-k és az általuk elvégzett feladatok összehasonlíthatók. A módszer által beazonosíthatóak a DA által elvégzett, a fogyasztó által megfelelőnek és a nem megfelelőnek értékelt munkamenetek (sessions) (Jiang et al. 2015). Sano és társai (2016) egy kereskedelmi DA felhasználói adatainak felhasználásával egy olyan modellt dolgoztak ki, amely által előre jelezhető a potenciális felhasználók DA-val szembeni elkötelezettsége. Han és Yang (2018) olyan átfogó kutatási modellt dolgozott ki, amely magyarázza a felhasználók DA-val szembeni elfogadásával és használatával kapcsolatos tényezőket. Eredményeik alapján a DA-k elfogadását befolyásoló tényezők az interperszonális vonzerő (interpersonal attraction) mint a feladat (task attraction), társadalmi (social attraction) és fizikai (physical attraction) vonzerő, továbbá a biztonsági, adatvédelmi kockázat (Han–Yang 2018).
Néhány DA-val kapcsolatos kutatás bizonyos csoportok vizsgálatával foglalkozott. Wulf és társai (2014) a digitális asszisztensek használatát idősek körében vizsgálták, Lovato és Piper (2015) pedig a gyerekek körében. Babic és társai (2018) a felsőoktatási rendszerben alkalmazott digitális asszisztensekkel szemben észlelt felhasználói élményt és teljesítményt vizsgálta, a vizsgált csoportot pedig a diákság képezte.
Összegezve, a digitális asszisztenseket vizsgáló eddigi kutatások nagy része a DA-val szembeni elégedettség, illetve az azt befolyásoló tényezők vizsgálatára, a DA elfogadását befolyásoló tényezők beazonosítására, valamint a használat során felmerülő problémák és azok okainak feltárására irányult. A DA-val szembeni használati szándék, illetve az azt befolyásoló tényezők vizsgálatával kevés számú tudományos munka foglalkozott annak ellenére, hogy a használati szándék szoros összefüggésben van a tényleges használattal (Venkatesh et al. 2003). Siddike és társai (2018) szerint a DA-k a jövőben mindenféle foglalkozás és társadalmi szerep betöltésére alkalmasak lesznek a szolgáltatási rendszerekben, ezzel veszi majd kezdetét az okos, emberközpontú szolgáltatási rendszerek korszaka (smart, people-centered service systems). Azaz a digitális asszisztensek hozzájárulnak a fogyasztói szokások, ezáltal pedig a szolgáltatások, a szolgáltatási folyamatok átalakulásához. A szolgáltatási rendszerek emberközpontúbbá válnak a digitális asszisztenseknek köszönhetően, a vállalatoknak és a marketingszakembereknek pedig egyaránt reagálniuk kell erre a folyamatra.
A technológiaelfogadás és -használat egységesített elméletének bemutatása Coskun és társai (2017) szerint az új technológiák nagyközönség általi elfogadása és adaptálása érdekében szükség van a jövőbeli felhasználók elvárásainak megismerésére és megértésére. Ezért a digitális asszisztensekkel szembeni használati szándékot befolyásoló tényezők beazonosítása fontos és szükségszerű lépése a technológia implementálásának. A DA-k felhasználók általi elfogadásának és a használati szándék vizsgálata céljából a technológiaelfogadás és -használat egységesített elméletét (Unified Theory of Acceptance and Use of Technology, rövidítve UTAUT) bizonyul a legmegfelelőbbnek.
Az UTAUT-modellt Venkatesh dolgozta ki 2003-ban, nyolc korábbi elmélet felülvizsgálata és integrálása során, melyek a következők: a logikus cselekvések elmélete (Theory of Reasoned Action – TRA), a tervezett viselkedés elmélete (Theory of Planned Behaviour – TPB), a technológiaelfogadás-modell (TAM), a motivációs modell, a TAM-ot és a TPB-t kombináló modell, a személyi számítógép használatának modellje, a Rogers-féle diffúziós elmélet és a társadalmi kognitív elmélet (Williams et al. 2015; Keszei–Zsukk 2017).
Keszei és Zsukk (2017) összefoglalása szerint az UTAUT-modell célja az, hogy egy eszközt biztosítson a menedzserek számára, amely által megbecsülhetik egy új technológia bevezetéséhez fűzött siker valószínűségét, megérthetik az új technológia elfogadásához kapcsolódó tényezőket, illetve megtervezhetik az esetleges beavatkozási lépéseket is. A modell (1. ábra) négy eleme – a várható teljesítmény (VT, performance expectancy), a várható szükséges erőfeszítés (VSZE, effort expectancy), a társadalmi hatás (TH, social influence) és az elősegítő feltételek (EF, facilitating conditions) – közvetlenül a használati szándékot (HSZ, behavioural intention) és közvetetten a tényleges használatot (TéH, use behaviour) befolyásoló tényezők. A fenti négy tényező hatásának mértékét pedig a modellben moderáló tényezőként megjelenő nem, életkor, tapasztalat és a használat önkéntességének mértéke befolyásolja.
A várható teljesítmény azt fejezi ki, hogy a rendszer milyen mértékben segíti a felhasználót a jobb munkateljesítmény elérésében. A várható szükséges erőfeszítés fejezi ki azt, hogy a felhasználó véleménye szerint mennyi energiafelhasználásra lesz szükség részéről a rendszer használatához. A társadalmi hatás azt fejezi ki, hogy a felhasználó mennyire érzi fontosnak a rendszer használata közben azt, hogy mit gondolnak a számára fontos személyek. Az elősegítő feltételek pedig a tényleges használatra közvetlenül hatással lévő tényezőket, azaz ezeknek a felhasználó rendelkezésére állásának mértékét foglalják magukba (Venkatesh 2003; Keszei–Zsukk 2017).
Forrás: Venkatesh et al. 2003
1. ábra. A technológiaelfogadás és -használat egységesített elmélete
Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.
Forrás: Venkatesh et al. 2012
2. ábra. A technológiaelfogadás és -használat egységesített elmélete 2
Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.
Mindebből megállapítható, hogy minél nagyobb a szórakozás vagy öröm, amivel a technológia használata jár, annál valószínűbb, hogy a fogyasztók elfogadják az adott technológiát és annál nagyobb a technológiával szembeni használati szándék.
A kutatás módszertana
Kutatási kérdések és hipotézisek
A digitális asszisztensekkel foglalkozó kutatások tanulmányozását követően a következő kutatási kérdéseket fogalmaztuk meg: 1. Milyen tényezők befolyásolják a potenciális felhasználók digitális aszszisztensekkel szembeni használati szándékának kialakulását? 2. A beazonosított tényezők milyen mértékben befolyásolják a digitális aszszisztensekkel szembeni használati szándékot?
A fenti kutatási kérdések megválaszolása céljából, az UTAUT2 modellből kiindulva, megalkottuk a jelen kutatásban alkalmazott koceptuális modellt (3. ábra). A vonatkozó szakirodalom tanulmányozását követően azonosítottuk azt az öt változót, amelynek a legnagyobb magyarázóereje lehet a digitális aszszisztensekkel szembeni használati szándékot illetően. A konceptuális modellben szereplő változók közötti nyilak jelzik a kutatási hipotéziseket, melyek a következők: 1. hipotézis (H1+): A digitális asszisztens várható teljesítménye és az azzal szembeni használati szándék között szignifikáns és pozitív kapcsolat van. 2. hipotézis (H2+): A digitális asszisztens használatával kapcsolatos várható szükséges erőfeszítés és az azzal kapcsolatos használati szándék között szignifikáns és pozitív kapcsolat van. 3. hipotézis (H3+): A digitális asszisztens használatával kapcsolatos társadalmi hatás és az azzal szembeni használati szándék között szignifikáns és pozitív kapcsolat van. 4. hipotézis (H4+): A digitális asszisztens használatát elősegítő feltételek és az azzal szembeni használati szándék között szignifikáns és pozitív kapcsolat van. 5. hipotézis (H5+): A digitális asszisztens használatával kapcsolatos hedonista motiváció és az azzal szembeni használati szándék között szignifikáns és pozitív kapcsolat van.
Forrás: saját szerkesztés
3. ábra. A kutatás konceptuális modellje
Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.
3. táblázat. A konstruktumok mérésére szolgáló kérdések Változó
Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.
Az adatgyűjtés hólabda mintavételi eljárással, online, a Google Űrlapok szolgáltatás alkalmazásával valósult meg 2019. április–május között. A végső minta N=123 fős volt. Az adatokat az SPSS statisztikai szoftverben és a Smart PLS 3.0 szoftverben (Ringle et al. 2015) dolgoztuk fel.
Adatok feldolgozása és eredmények
A kérdőíves kutatás során összesen 123 romániai és magyarországi válaszadótól gyűjtöttünk adatot. A válaszadók többsége (63,4%) nő, 46,3%-a 21 év alatti, míg 48,8%-a 22–31 év közötti, 87,8% városon él, az iskolai végzettséget tekintve 42,3% líceumot vagy szakiskolát, 39% pedig egyetemi alapképzést végzett. A válaszadók többsége (74,4%) diák, 14,6% pedig alkalmazott. A havi bruttó jövedelmet vizsgálva az látszik, hogy 50,4% 1000 RON alatti összegből gazdálkodik havonta (ami érthető, hiszen a legtöbb válaszadó még diák, nem rendelkezik saját keresettel), 14,6% 1001 és 1500 RON közötti összegből él, míg 12,2% 3000 RON fölött keres. A megkérdezettek 69,1%-a hallott már a digitális asszisztensekről, míg 28,5% nem találkozott még a jelenséggel (4. táblázat). 4. táblázat. A válaszadók szociodemográfiai adatainak összefoglalása Nem
Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.
Foglalkozás
Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.
Az 5. táblázat a konceptuális modellre vonatkozó leíró statisztikai elemzést foglalja össze. A várható teljesítményre vonatkozó kijelentések esetében az átlag 2,98 és 3,46 közötti értékkel rendelkezik, vagyis a válaszadók többsége a „részben nem értek egyet” és „semleges számomra” válaszokat jelölte meg.
Érdekesség, hogy „a digitális asszisztens hasznos lenne a mindennapi életemben” kijelentés esetében az átlag 3,46, azaz a legtöbb válaszadó a „közömbös számomra” és a „részben egyetértek” válaszlehetőséget adta, míg „a digitális aszszisztens használata segítene abban, hogy produktívabb legyek” kijelentés esetében az érték 2,98, azaz a legtöbben a „részben nem értek egyet” és a „közömbös számomra” választ adták. A várható szükséges erőfeszítésre vonatkozó állítások esetében az átlag 4,11 és 4,26 közötti értéket mutat, ami azt jelenti, hogy az adott kijelentésekhez tartozó legtöbb válasz a „részben egyetértek” és a „teljes mértékben egyetértek” volt. Ez arra utal, hogy a válaszadók többsége úgy gondolja, a DA használata könnyű, könnyen megtanulná kezelni, használni az eszközt, a DA-val való interakció egyértelmű és érthető lenne számára, illetve könnyen gyakorlottá válna annak használatában.
A társadalmi hatásra vonatkozó kijelentések esetében az átlag 1,89 és 1,96 közötti értéket mutat, tehát az idekapcsolódó kijelentésekkel a túlnyomó többség egyáltalán vagy részben nem értett egyet. Az elősegítő feltételekre és a hedonista motivációra vonatkozó kijelentések esetében az érték 3,28 és 3,74 között mozog, vagyis a többség a „közömbös számomra” és a „részben egyetértek” válaszokat jelölte meg. A használati szándék esetében az átlag 2,74 és 2,98 közötti, vagyis a legtöbb válaszadó részben nem ért egyet vagy közömbös azt illetően, hogy a jövőben szeretne, illetve tervez DA-t használni, valamint gyakran használná a DA-t a feladatai elvégzése során (5. táblázat).
5. táblázat. A konceptuális modellre vonatkozó leíró statisztikai
Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.
Forrás: saját szerkesztés
Érvényesség és megbízhatóság tesztelése
A kis mintaelemszám (123) miatt a parciális legkisebb négyzetek – strukturális egyenletek modellezési technikáját (PLS-SEM) használtuk a változók közötti kapcsolatok vizsgálata céljából (Hair et al. 2014). A PLS-SEM algoritmusait a SmartPLS 3.0 statisztikai szoftver segítségével futtattuk le (Ringle et al. 2015).
A modellezés során 6 változó közötti, előzetesen feltételezett kapcsolat meglétét és a kapcsolat erejét teszteltük. Azt vizsgáltuk, hogy a digitális asszisztens várható teljesítménye, a várható szükséges erőfeszítés, a társadalmi hatás, az elősegítő feltételek és a hedonista motiváció (független változók) milyen mértékben befolyásolják a digitális asszisztenssel szembeni használati szándékot, illetve annak kialakulását (függő változó). Fontos megjegyezni, hogy a PLS-SEM módszertan az SPSS statisztikai elemző program által használt módszertantól eltérő számítási módszert használ a látens változók (a kutatási modellben szereplő változók: VT, VSZE, TH, EF, HM, HSZ) és indikátoraik (a kérdőíves kutatás során használt kijelentések, amelyekkel a kutatási modellben szereplő változókat mértem: VT1, VT2, VT3, VT4, VSZE1, VSZE2, VSZE3, VSZE4, TH1, TH2, TH3, EF1, EF2, EF3, EF4, HM1, HM2, HM3, HSZ1, HSZ2, HSZ3) közötti, valamint az indikátorok közötti érvényességek és megbízhatóságok mérésére (Henseler– Sarstedt 2013), így lehetőség nyílt a változók mutatóinak újabb értelmezésére.
A PLS algoritmus futtatásának folyamatában a PLS algoritmus alapértelmezett path súlyozási sémáját (path weighting scheme) használtuk. Az adatokat z-standardizált formában dolgoztuk fel. A maximális iterációk szintjét 300-as értéken hagytuk, a bootstrapping algoritmus esetén pedig egy 500-as értékű bootstrap resamples beállítással dolgoztunk (Hair et al. 2014; Henseler et al. 2014).
A kutatási modell elemzésének első lépése a látens változók és az indikátorváltozók közötti, valamint az indikátorok egymás közötti megbízhatóságának és érvényességének becslése. Ennek érdekében megvizsgáltuk azokat a mérőszámokat, amelyeket a legújabb PLS-módszertan ajánl ezekben az esetekben (Hair et al. 2014; Henseler et al. 2014). Az említett mérőszámok a következők: indikátormegbízhatóság (indicator reliability): a konstruktumok és indikátoraik közötti értékek (path loadings) elemzése, belső konzisztencia-megbízhatóság (internal consistency reliability):
Cronbach Alfa, kompozit-megbízhatóság és Dijkstra és Henseler ρA száma, konvergens érvényesség (convergent validity): AVE-mutató (average variance extracted). összegző modell-illeszkedés (overall model fit assessment): SRMR-mutató.
A legfontosabb érvényességi mutatókat a 6. táblázatban foglaltuk össze. Az indikátormegbízhatóság értékelésére a 0,7-es értéket tekintettük mérvadónak (Hair et al. 2014), ezért azon indikátorokat, amelyek nem érték el ezt az értéket, eltávolítottuk a modellből (EF4 és HM1), és újra lefutattuk az elemzést. Az EF4 és HM1 indikátorok nélkül lefuttatott elemzésben már minden indikátor megfelelt az indikátormegbízhatóság 0,7-es küszöbkritériumának.
A belső konzisztencia-megbízhatóságot a Cronbach Alfája, a kompozit-megbízhatóság, illetve Dijkstra és Henseler ρA száma alapján vizsgáltuk. A kompozit-megbízhatóság, a Cronbach Alfa és a Dijkstra-Henseler ρA mutatók minden esetben a 0,7-es küszöb fölötti értékkel rendelkeznek, így ezek elfogadhatók.
A konvergens érvényességet vizsgáló AVE mutató minden esetben elfogadható, hiszen a 0,5-ös küszöbérték fölötti értékekkel rendelkezik, tehát a konvergens érvényesség megfelelő minden konstruktum esetén. A modell illeszkedésének felmérését az SRMR mutatóval jellemeztük (Henseler 2015). A mutatónak 0,8 alatti értékkel kell rendelkeznie ahhoz, hogy az illeszkedés elfogadható legyen. Jelen esetben az érték 0,059, azaz a modell illeszkedése elfogadható. Végül megvizsgáltuk a diszkrimináns érvényességet (2. melléklet).
Hipotézistesztelés
A látens változók és az indikátorváltozók közötti, valamint az indikátorok egymás közötti megbízhatóságának és érvényességének becslése után a következő lépés a bootstrapping algoritmus lefuttatása a kutatási hipotézisek tesztelése céljából. Az eljárás eredményeit a 7. táblázatban foglaltuk össze.
6. táblázat. A legfontosabb érvényességi mutatók összefoglalása
Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.
Faktorsúly
Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.
Forrás: saját szerkesztés
7. táblázat. A hipotézisvizsgálat eredményének összefoglalása Hipotézis
Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.
Forrás: saját szerkesztés
A 7. táblázat alapján a következő összefüggések állnak fenn:
A digitális asszisztens várható teljesítménye (VT) szignifikánsan és pozitívan befolyásolja a használati szándékot (út együttható=0,421, p<,01), így az első hipotézist elfogadjuk (H1).
A digitális asszisztens használatával kapcsolatos várható szükséges erőfeszítés (VSZE) szignifikánsan és pozitívan befolyásolja a használati szándékot (út együttható=0,145, p<,05), így a második hipotézist elfogadjuk (H2).
A digitális asszisztens használatával kapcsolatos társadalmi hatás (TH) szignifikánsan és pozitívan befolyásolja a használati szándékot (út együttható=0,265, p<,01), így a harmadik hipotézist elfogadjuk (H3).
A digitális asszisztens használatát elősegítő feltételek (EF) nem befolyásolják szignifikánsan a használati szándékot (út együttható=0,018, p>,05), így a negyedik hipotézist elutasítjuk (H4). A digitális asszisztens használatával kapcsolatos hedonista motiváció (HM) szignifikánsan és pozitívan befolyásolja a használati szándékot (út együttható=0,262, p<,01), így az ötödik hipotézist elfogadjuk (H5).
A kutatási modellben szereplő változók a következőképpen járulnak hozzá a használati szándék alakulásához: a várható teljesítmény 42,1%-ban (út együttható=0,421), a várható szükséges erőfeszítés 14,5%-ban (út együttható=0,145), a társadalmi hatás 26,5%-ban (út együttható=0,265), a hedonista motiváció pedig 26,2%-ban (út együttható=0,262) magyarázza a használati szándék varianciáját. Az elősegítő feltételek esetében a kapcsolat nem volt szignifikáns, itt az út együttható értéke 0,018, azaz 1,8%. Az általunk felállított konceptuális modell a digitális asszisztensekkel szembeni használati szándék varianciáját 68,9%-ban magyarázza (R2=0,689) (4. ábra).
Az eredmények értékelése és következtetések
A kutatás eredményeit összegezve kijelenthető, hogy sikerült négy olyan tényezőt azonosítani, melyek szignifikáns és pozitív hatást gyakorolnak a digitális asszisztensekkel szembeni használati szándékra. Ezek a következők: várható teljesítmény, társadalmi hatás, hedonista motiváció, várható szükséges erőfeszítés.
A négy változó együttesen 68,9%-ban magyarázza a használati szándék varianciáját, amit jó eredménynek tartunk.
A digitális asszisztensekkel szembeni használati szándékra az eszköz várható teljesítménye gyakorolja a legnagyobb hatást (t érték=5,287) a vizsgált minta
Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.
4. ábra. A konceptuális modell tesztelésének eredménye
Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.
Cowan, B. R.–Pantidi, N.–Coyle, D.–Morrissey, K.–Clarke, P.–Al-Shehri, S. 2017. “What can I help you with?”: Infrequent users’ experiences of intelligent personal assistants. In: Proceedings of the 19th International Conference on Human-Computer Interaction with Mobile Devices and Services, 1–12. Fehér, K. 2016. Digitalizáció és új média. Trendek, stratégiák, illusztrációk. Budapest: Akadémiai kiadó.
Gartner 2017. High-Tech Manufacturing Supply Chainnovators 2017: Demand-Driven Digitalization. https://www.gartner.com/doc/3724117?srcId=1-3931087981, letöltve: 2019. 04. 07.
Gartner 2011. Gartner Customer Summit 2011. https://www.gartner. com/imagesrv/ summits/docs/na/customer-360/C360_2011_brochure_FINAL.pdf, letöltve: 2019. 02. 26.
Gregor, S.–Benbasat, I. 1999. Explanations from intelligent systems: Theoretical foundations and implications for practice. MIS Quarterly: Management Information Systems 23(4), 497–530.
Gurkaynak, G.–Yilmaz, I.–Haksever, G. 2016. Stifling artificial intelligence: Human perils. Computer Law & Security Review 32(5), 749–758.
Hair, J. F.–Hult, J. T. M.–Ringle, C.–Sarstedt, M. 2014. A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM). London: Sage.
Han, S.–Yang, H. 2018. Understanding adoption of intelligent personal assistants:
A parasocial relationship perspective. Industrial Management & Data Systems 118(3), 618–636.
Henseler, J. 2015. PLS Path Modeling: Introduction and Applications. ADANCO Seminar, 2015 November 3-5, Cluj-Napoca.
Henseler, J.–Ringle, C. M.–Sarstedt, M. 2014. A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science 43, 115–135.
Henseler, J.–Sarstedt, M. 2013. Goodness-of-fit indices for partial least squares path modeling. Computational Statistics 28(2), 565–580.
Jain, A.–Mao, J.–Mohiuddin, K. 1996. Artificial neural networks: A tutorial. IEEE Computer 29(3), 31–34.
Jiang, J.–Awadallah, A. H.–Jones, R.–Ozertem, U.–Zitouni, I.–Gurunath Kulkarni, R. 2015. Automatic online evaluation of intelligent assistants. In: Proceedings of the 24th International Conference on World Wide Web, 506–516.
Kamitis 2016. Intelligent Personal Assistant: Products, technologies and market – 2017. http://kamitis.cluster014.ovh.net/IMG/pdf/ipa_-sample.pdf, letöltve: 2019. 04. 30.
Keszey, T.–Zsukk, J. 2017. Az új technológiák fogyasztói elfogadása. A magyar és nemzetközi szakirodalom áttekintése és kritikai értékelése. Vezetéstudomány. Budapest Management Review 48(10), 38–47.
Kiseleva, J.–Williams, K.–Hassan, A.–Crook, A.–Zitouni, I.–Anastasakos, T. 2016.
Predicting User Satisfaction with Intelligent Assistants. In: SIGIR ‘16: Proceedings of the
39 International ACM SIGIR conference on Research and Development in Information – July 2016, 45–54.
Knight, W. 2016. Amazon working on making Alexa recognize your emotions.
MIT Technology Review. https://www.technologyreview.com/s/601654/amazon-workingon-making-alexa-recognize-your-emotions/, letöltve: 2019. 04. 30. Kotler, P.–Kartayala, H.–Setiawan, I. 2017. Marketing 4.0: Moving from Traditional to Digital. Hoboken, NJ: Wiley.
Lison, P.–Meena, R. 2014. Spoken dialogue systems: The new frontier in human-computer interaction. ACM Crossroads 21(1), 46–51.
Lovato, S.–Piper, A. 2015. “Siri, is This You?”: Understanding Young Children’s Interactions with Voice Input Systems. In: Proceedings of the 14th International Conference on Interaction Design and Children (IDC ’15), 335–338.
Lowenthal, J. 2010. Using mobile learning: Determinates impacting behavioral intention. The American Journal of Distance Education 24(4), 195–206.
Luger, E.–Sellen, A. 2016. Like having a really bad PA: The gulf between user expectation and experience of conversational agents. In: Proceedings of the 2016 CHI Conference on Human Factors in Computing Systems, 5286–5297.
Manikonda, L.–Deotale, A.–Kambhampati, S. 2018. What’s up with Privacy?: User Preferences and Privacy Concerns in Intelligent Personal Assistants. In: Proceedings of the 2018 AAAI/ACM Conference on AI, Ethics, and Society, 229–235.
Marchewka, J. T.–Kostiwa, K. 2007. An Application of the UTAUT Model for Understanding Student Perceptions Using Course Management Software. Communications of the IIMA 7(2), 93–104.
Mijwel, M. 2015. History of Artificial Intelligence. PhD Thesis. Baghdad: Baghdad College of Economics Sciences University.
Milanesi, C. 2016. Voice Assistant Anyone? Yes please, but not in public! http:// creativestrategies.com/voice-assistant-anyoneyes-please-but-not-in-public/, letöltve: 2019. 04. 26.
Milhorat, P.–Schlögl, S.–Chollet, G.–Boudy, J.–Esposito, A.–Pelosi, G. 2014. Building the next generation of personal digital assistants. In: IEEE 1st International Conference on Advanced Technologies for Signal and Image Processing (ATSIP), 458–463.
Nguyen, Q. N.–Sidorova, A. 2017. AI capabilities and user experiences: a comparative study of user reviews for assistant and non-assistant mobile apps. In: Twenty-third Americas Conference on Information Systems.
Nysveen, H.–Pedersen, P. E. 2016. Consumer adoption of RFID-enabled services.
Applying an extended UTAUT model. Information Systems Frontiers 18(2), 293–314.
Olson, C.–Levy, J. 2018. Transforming marketing with artificial intelligence. Applied Marketing Analytics 3(4), 291–297.
Pennachin, C.–Goertzel, B. 2007. Contemporary Approaches to Artificial General Intelligence. In: Artificial General Intelligence, Heidelberg: Springer. th
Ringle, C.–Wende, S.–Becker, J-M. 2015. SmartPLS 3. http://www.smartpls.com, letöltve: 2019. 05. 10.
Russell, S. J.–Norvig, P. 2010. Artificial Intelligence: A Modern Approach. Hoboken, NJ: Pearson Education.
Saad, U.–Afzal, U.–El-Issawi, A.–Eid, M. 2016. A model to measure QoE for virtual personal assistant. Multimedia Tools and Applications 76(10), 1–21.
Sano, S.–Kaji, N.–Sassano, M. 2016. Prediction of prospective user engagement with intelligent assistants. In: Proceedings of the 54th Annual Meeting of the Association for Computational Linguistics 1, 1203–1212.
Santos, J.–Rodrigues, J. J.–Casal, J.–Saleem, K.–Denisov, V. 2016. Intelligent personal assistants based on internet of things approaches. IEEE Systems Journal 12(2), 1793–1802.
Se, U.–Xiao, B.–Benbasat, I. 2007. E-Commerce Product Recommendation Agents:
Use, Characteristics, and Impact. MIS Quarterly: Management Information Systems 31(1), 137–209.
Siddike, M.–Kalam, A.–Spohrer, J.–Demirkan, H.–Kohda, Y. 2018. People’s interactions with cognitive assistants for enhanced performances. In: Proceedings of the 51st Hawaii International Conference on System Sciences, 1–19.
Siow, B. S. 2016. Validated UTAUT2 questionnaire for elderly. https://www.researchgate.net/publication/307907913_Validated_UTAUT2_questionnaire_for_elderly#fullTextFileContent, letöltve: 2019. 03. 11. Spohrer, J.–Bassano, C.–Piciocchi, P.–Siddike, M. 2017. What makes a system smart? Wise? Advances in The Human Side of Service Engineering. New York, NY: CRC Press.
Sterne, J. 2017. Artificial Intelligence for Marketing: practical applications. Hoboken, NJ: Wiley.
Turing, A. M. 1950. Computing Machinery and Intelligence. Mind, New Series 59(236), 433–460.
Urban, T. 2015. AI revolution – road to superintelligence. https://waitbutwhy. com/2015/01/artificial-intelligence-revolution-1.html, letöltve: 2019. 03. 11.
Vardi, M. Y. 2012. Artificial intelligence: past and future. Association for Computer Machinery 55(1), 1–16.
Venkatesh, V.–Morris, M. G.–Davis, G. B.–Davis, F. D. 2003. User acceptance of information technology: Toward a unified view. MIS Quarterly 27(3), 425–478.
Venkatesh, V.–Thong, J. Y.–Xu, X. 2012. Consumer acceptance and use of information technology: extending the unified theory of acceptance and use of technology. MIS Quarterly 36(1), 157–178.
Wang, Y.–Wu, M.–Wang, H. 2009. Investigating the determinants and age and gender differences in the acceptance of mobile learning. British Journal of Educational Technology 40(1), 92–118.
Williams, M. D.–Rana, N.–Dwivedi, Y. K. 2015. The unified theory of acceptance and use of technology (UTAUT): A literature review. Journal of Enterprise Information Management 28(3), 443–488.
Wulf, L.–Garschall, M.–Himmelsbach, J.–Tscheligi, M. 2014. Hands Free – Care Free: Elderly People Taking Advantage of Speech-only Interaction. In: Proceedings of the 8th Nordic Conference on Human-Computer Interaction: Fun, Fast, Foundational (NordiCHI ’14), 203–206.
Yudkowsky, E.–Salamon, A.–Shulman, C.–Kaas, S.–McCabe, T.–Nelson, R. 2010.
Reducing long-term catastrophic risks from artificial intelligence. https://intelligence.org/ files/ReducingRisks.pdf, letöltve: 2019. 03. 11.
Mellékletek 1. melléklet. A digitális asszisztensek fogyasztók általi elfogadása és használata – kérdőív 1. Kerültél-e már kapcsolatba valamilyen típusú digitális asszisztens alkalmazással? (például Siri, Alexa, Google Assistant, Cortana stb.) igen nem nem emlékszem 2. Értékeld, hogy mennyire értesz egyet az alábbi kijelentésekkel (1 – „egyáltalán nem értek egyet”, 2 – „részben nem értek egyet”, 3 – „közömbös számomra”, 4 – „részben egyetértek”, 5 – „teljes mértékben egyetértek”).
1 A digitális asszisztens hasznos lenne a mindennapi életemben. A digitális asszisztens használata hozzásegítene ahhoz, hogy megvalósítsam a számomra fontos dolgokat.
A digitális asszisztens használata segítene abban, hogy gyorsabban megvalósítsam a teendőimet.
A digitális asszisztens használata segítene abban, hogy produktívabb legyek.
A digitális asszisztens használatának megtanulása könnyen menne számomra.
A digitális asszisztenssel való interakció egyértelmű és érthető lenne számomra.
A digitális asszisztens használata könnyűnek tűnik számomra. Könnyű lenne számomra az, hogy gyakorlottá váljak a digitális asszisztens használatát illetően.
A számomra fontos emberek szerint használnom kellene a digitális asszisztenst.
Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.
A szöveget automatikusan nyertük ki a PDF-ből; a táblázatok, ábrák és a pontos tördelés a lapszám PDF-változatában láthatók.
