Comparando y modelando el uso de sistemas recomendadores en línea

Este estudio explora una nueva forma de modelar la adopción de IA, específicamente sistemas recomendadores en línea. Su objetivo es encontrar factores que puedan explicar la variación en el uso en términos de diferencias entre individuos y diferencias entre tecnologías. Analizamos datos de encuestas de usuarios de plataformas en línea en los EE. UU. utilizando un modelo de ecuaciones estructurales a dos niveles (SEM) (N = 1007). En este modelo, la variable dependiente fue la tasa de uso, que se definió como la proporción de tiempo que una persona usó un sistema recomendador particular (por ejemplo, "Personas que podrías conocer") cuando usa la plataforma (por ejemplo, Facebook). Las respuestas individuales (nivel dentro de los sistemas) se agruparon en los 26 sistemas recomendadores (nivel entre sistemas). Hipotetizamos que tres factores específicos de la tecnología, adaptados de la teoría de la Difusión de Innovaciones (DOI) y de la Teoría Unificada de Aceptación y Uso de la Tecnología 2 (UTAUT2), podrían explicar las variaciones en el uso en ambos niveles: expectativa de rendimiento percibido (PE), expectativa de esfuerzo percibido (EE) y motivación hedónica percibida (HM). Nuestro modelo estimado mostró que el uso estaba asociado con PE y HM en el nivel dentro del sistema y solo con PE en el nivel entre sistemas. Una parte considerable de la variación en el uso a través de los 26 sistemas podría ser explicada solo por PE (R2 = 0.30). La contribución más importante para los profesionales es que este estudio proporciona evidencia de la idea de que hay diferencias inherentes y medibles entre las tecnologías recomendadoras que afectan sus tasas de uso, y específicamente encuentra la utilidad como un factor clave. Esto es potencialmente valioso para los desarrolladores de aplicaciones y los comercializadores que buscan promover la adopción de sistemas recomendadores novedosos. La principal contribución a la literatura es que presenta una prueba de concepto de un modelo a dos niveles para la adopción de IA, conceptualizándola como un efecto de variaciones tanto entre usuarios como entre aplicaciones. Este hallazgo es potencialmente valioso para los responsables de políticas, ya que mejores modelos predictivos podrían permitir evaluaciones mejoradas de las implicaciones sociales de la IA. En futuros estudios, el enfoque a dos niveles presentado aquí podría aplicarse a otras formas de IA, como asistentes de voz, chatbots o Internet de las Cosas (IoT).