Factores que determinan el uso de las TIC en adultos mayores de Chile

Teoría unificada de la aceptación del uso de la tecnología (UTAUT)

Arenas-gaitán et al., (2016) explican que el modelo de la teoría unificada de la aceptación del uso de la tecnología (UTAUT, por sus siglas en inglés) se compone de modelos y teorías que se plantearon para analizar la aceptación del usuario de una tecnología. Este modelo integrador propuesto por Venkatech et al. (2003) combinó los ocho modelos que competían por explicar la adopción de TIC en usuarios. A saber: teoría de difusión de innovaciones (IDT); teoría social cognitiva (SCT); teoría de acción razonada (TRA); modelo de utilización del PC (MPCU); modelo de aceptación tecnológica (TAM); modelo motivacional (MM); teoría del comportamiento planeado (TPB) y una combinación de TAM y TPB (C-TAM-TPB). Además, se identificaron cuatro variables moderadoras significativas: género, experiencia, edad y voluntariedad de uso (Taherdoost, 2018).

Para Venkatesh (2008), la investigación sobre la adopción de TIC en el ámbito individual ha sido bastante estudiada y ha proporcionado teorías y explicaciones de los determinantes de la adopción y la decisión de uso de la tecnología. Cataldo y Muñoz (2013) explican que este modelo es uno de los que mejor interpreta la adopción de un sistema, llegando a niveles del 70 % de predictibilidad.

El modelo UTAUT propone que las expectativas de desempeño, las expectativas de esfuerzo y la influencia social afectan a la intención de uso; mientras que las condiciones facilitadoras determinan el uso efectivo de la nueva tecnología (Almenara et al., 2016). A continuación, se detallan las características de la UTAUT:

1. Las expectativas de desempeño (Performance Expectancy, PE): hace referencia al nivel en que un individuo percibe que el uso de la tecnología le será beneficioso en el desempeño laboral o profesional. Es similar al factor de utilidad percibida del modelo TAM, pues tiene que ver con la motivación extrínseca, la ventaja relativa de la tecnología y las expectativas de desenlace. Se considera el factor más importante e influyente con respecto a la intención de comportamiento, tanto en escenarios donde el uso sea voluntario como obligatorio.

2. Las expectativas de esfuerzo (Effort Expectancy, EE): esto implica el nivel de facilidad de uso asociado al uso de la tecnología. Tiene que ver con el factor de facilidad de uso percibida del modelo TAM y lo complejo de la tecnología. Este constructo es también importante en contextos donde el uso sea obligatorio o voluntario, pero solamente en relación con la experiencia de uso en términos de cantidad. Este factor es más influyente en mujeres que en hombres, así como en los adultos mayores; es decir, estos usuarios son más propensos a ser influenciados por el esfuerzo percibido que implica el uso de la tecnología.

3. La influencia social (Social Influence, SI): se refiere al nivel en que la persona percibe que los demás valorarán la utilización de la tecnología, tanto de personas consideradas influyentes como importantes; el individuo percibe que el comportamiento de otros como los amigos la familia, es valioso.

4. Las condiciones facilitadoras (Facilitating Conditions, FC): tiene que ver con el nivel en que una persona considera que existe la estructura organizativa y técnica que soporte la adopción de la tecnología. Tienen que ver con el control conductual percibido con base en la existencia de condiciones como conocimiento y compatibilidad, formación por parte de la organización, soporte técnico y otros recursos. Se considera que si estas condiciones son satisfechas se remueven las barreras de uso. Este constructo influye directamente sobre el comportamiento de uso y tiene un efecto mayor en los adultos mayores y en personas con más experiencia de uso.

Los primeros tres constructos son determinantes directos de las intenciones y comportamiento de uso, mientras que el cuarto es determinante del comportamiento de uso. En este modelo, el género (sexo), la edad, la experiencia y la voluntad de uso se plantean como moderadores del impacto de los cuatro constructos en la intención de uso y comportamiento. Tanto Venkatesh et al. (2003) como Chen y Chan (2014) explican que el valor del modelo UTAUT reside en que identifica los principales determinantes de la adopción, así como permite incluir y considerar el efecto de diferentes moderadores que afectan en la influencia de los constructos claves del modelo.

Adulto mayor y las TIC

La Organización Mundial de la Salud (2015) define el envejecimiento como el proceso fisiológico del ser humano desde la concepción hasta la muerte con cambios durante todo el ciclo de la vida (como se cita en Mar et al., 2014). El envejecimiento es un proceso complejo de la vida, donde se experimentan cambios de orden físico, psicológico y social. En Chile, el aumento de la esperanza de vida en las últimas décadas ha aumentado. Arnold et al. (2018) y Selwyn (2004) explican que para los adultos mayores la exclusión social se da por desigualdades en la edad y el nivel educacional, lo que se traduce en bajos ingresos para cualquier género de este grupo etario.

Por su parte, en (Selwyn, 2004)un extenso estudio que trata de desarrollar una teoría unificada de aceptación y uso de la tecnología, Venkatesh et al. (2003) investigó el impacto moderador de la edad en las relaciones teóricas clave de la aceptación de la tecnología, encontrando que el efecto de la expectativa de desempeño en la intención de comportamiento que se usa es más fuerte para los trabajadores más jóvenes. Mientras que el efecto encontrado en la expectativa de esfuerzo y la influencia social sobre la intención de uso del comportamiento y el de facilitar las condiciones sobre el uso real fueron más fuertes para los trabajadores de mayor edad. De modo que es evidente que la edad sí afecta las actitudes y comportamientos de los usuarios relacionados con la aceptación y el uso de la tecnología.

Hong et al. (2013) describen que las diferencias de edad desempeñan una tarea importante en la comprensión de las percepciones y conductas humanas en diversos dominios de investigación, incluida la psicología, la conducta organizativa y la comercialización. El papel de la edad es igual o más importante para la investigación de sistemas de información, ya que el comportamiento real, así como la actitud con respecto a la adopción de tecnología están vinculados de manera crítica con la edad del usuario. Además, debido al rápido desarrollo y la introducción de nuevas tecnologías, diferentes generaciones de edades se enfrentan inevitablemente a diferentes generaciones de tecnologías. Por ejemplo, la mayoría de los adolescentes de hoy crecieron con la interfaz gráfica de usuario (GUI), así como una predominancia de lo visual y nunca han usado interfaces de línea de comandos (CLI). El correo electrónico es el medio de comunicación preferido por los usuarios de hoy en día, mientras que aquellos que ingresan a la fuerza laboral prefieren interactuar entre sí a través de redes sociales interactivas como Facebook, Instagram o Twitter; las actitudes hacia la tecnología pueden variar dependiendo de la edad.

Sin embargo, a pesar de su importancia en la adopción y el uso de la tecnología, la edad ha recibido poca atención en la investigación. La edad puede ser problemática a medida que la población envejece y las TIC se vuelven más omnipresentes y forman parte integral de muchos productos y servicios cotidianos, con la separación entre el trabajo y el uso personal de dichos sistemas.

Venkatesh et al. (2014) estudiaron la influencia de la edad en la adopción de tecnologías en un entorno organizativo. Encontraron que la facilidad de uso percibida y la norma subjetiva tienen una influencia más destacada en la decisión de adopción de tecnología inicial para los trabajadores mayores que para los trabajadores más jóvenes. Sin embargo, se encontró que este efecto de contraste disminuye con el tiempo a medida que los trabajadores ganan más experiencia en el uso del sistema. Morris et al. (2003) encontraron que la edad tiene un impacto moderador significativo en las relaciones claves en la teoría del comportamiento planificado con la edad, se puso un mayor énfasis en la actitud hacia el uso de la tecnología en las decisiones relativas a la adopción de tecnología. Este efecto varió según el género, con un efecto más fuerte para los hombres en comparación con las mujeres. En contraste, se encontró que el impacto de la norma subjetiva en la aceptación de la tecnología era más fuerte con el aumento de la edad. Sin embargo, este efecto solo se encontró para la población usuaria femenina, pero no para los hombres.

Cresci et al. (2010), Ramón-Jerónimo (2013) y McCloskey (2006) estudiaron a un grupo significativo de adultos mayores conectados con internet y que usan sus herramientas y aplicaciones. El mayor porcentaje es ocupado por aquellos que tienen una menor edad dentro de los adultos mayores, esto explica cómo la edad cronológica en este grupo lleva a diferencias en su comportamiento en internet. Así, la probabilidad de realizar una transacción en línea es menor para aquellos adultos de la cuarta edad que además perciben mayor dificultad en la utilización de internet. En general, el uso de internet se reduce a medida que aumenta la edad, en especial los adultos que tienen o superan los 70 años (Eurostat, 2005).

Condeza et al. (2016) sugieren el aprendizaje más activo de las TIC en los adultos mayores. Por otro lado, Llorente-Barroso et al. (2015) indican que las oportunidades que ofrece internet a los adultos mayores se centran en cuatro categorías: informativas, comunicativas, transaccionales y de entretenimiento. Estudios han demostrado que la participación de los adultos mayores en programas de alfabetización digital incrementa el uso de las TIC como un instrumento para mejorar su calidad de vida facilitando la respuesta a sus necesidades y el acceso a la información disponible en la red (Casado-Muñoz et al., 2015).

Modelos de ecuaciones estructurales

Se utilizaron ecuaciones estructurales dado que el modelo evidenció las hipótesis propuestas. No se aplicó validez convergente (si todos los ítems cargan a una sola columna del análisis factorial exploratorio) y discriminante (la carga de las otras subescalas sea despreciable) para utilizar ecuaciones estructurales, ya que la validez convergente y discriminante se utiliza cuando la escala tiene subescalas. En este caso, son todas escalas unidimensionales (que no se dividen en subescalas), las cuales se escogieron para proponer relaciones de causa efecto de acuerdo con el marco teórico. Además, este proceso se realiza en la etapa de validación, que es dentro de la creación de las escalas y estas ya fueron objeto de validación en trabajos anteriores (Peral et al., 2014; Grandon et al., 2019).

Para comprobar las hipótesis se ha estimado un modelo de ecuaciones estructurales utilizando variables latentes. El modelo conceptual previo a la estimación es el presentado en la figura 2, al momento de estimar tanto el modelo de medida como el modelo estructural, los p-valor se han obtenido recursivamente mediante bootstrapping con M=5000 muestras. Para la bondad de ajuste global se han considerado los índices RMSEA y el porcentaje de errores estandarizados absolutos inferiores a los cálculos han sido realizados mediante el software AMOS 22.0.

Figura 2: Modelo conceptual.

Fuente: elaboración propia

El bootstrapping (o remuestreo) es un método que se utiliza para combatir la ausencia de normalidad, fenómeno que es recurrente en la práctica e invalida ciertas metodologías. Consiste en realizar sucesivas submuestras dentro de las observaciones de la muestra obtenida, a fin de conseguir los coeficientes del modelo en cada una de las submuestras estas submuestras generalmente se generan de forma masiva y la cantidad se elige de manera arbitraria (100, 1000, 5000, etc.) pudiéndose obtener intervalos de confianza no-paramétricos al 95 %, además de los p-valor para evaluar significancia estadística. En este caso se han seleccionado 5000 submuestras.

Los elementos de los modelos de ecuaciones estructurales se pueden explicar de la siguiente forma:

1. Modelo de medida: relaciona la variable latente con sus ítems, el objetivo es determinar si la variable se manifiesta de forma significativa sobre sus ítems, es decir, que cada uno es un buen indicador de la variable definida. Es aquella parte del modelo general en la cual solo se considera la relación entre las variables y sus indicadores.

2. Modelo estructural: permite comprobar hipótesis respecto a las variables latentes definidas, responden a relaciones causa-efecto y que pueden ser uni o bidireccionales. Solo considera las relaciones entre variables latentes y covariables (edad, género, nivel educacional).

En la tabla 2 se muestran los resultados del modelo de medida, donde se observa que los coeficientes de los ítems pertenecientes a cada variable se comportan de manera adecuada, ya que son en su mayoría superiores a 0,6 y estadísticamente significativos al 5 %, lo que indica que las variables se manifiestan de manera correcta en los ítems que pretenden medirlas. En cuanto las propiedades globales, se tiene que los índices de fiabilidad compuesta (IFC) son superiores a 0,7 (excepto para influencia social), mostrando que este último no es un indicador tan confiable para medir tal variable. Con respecto a la validez, se tiene que las escalas son válidas a excepción de percepción de utilidad e influencia social; esto implica que el grado de pertinencia de los indicadores no es suficiente para que sea representativo.

Tabla 2: Resultados modelos de medidas

Fuente: elaboración propia.

Comprobación de hipótesis

A continuación, se observa que para las hipótesis H1, H2, H3, H4 y H5 son todos coeficientes positivos y con fuerte evidencia (p<0,1). Se da cuenta de que las variables que cumplen con sus hipótesis respectivas hacen incrementar la intención de uso de las TIC; lo que apoya al modelo propuesto y revela que la intención de uso, en definitiva, hace que aumente el uso de las TIC. Con respecto a las variables sociodemográficas, ninguna de ellas tiene impacto sobre la intención de uso ni el uso de las TIC.

Respecto a la bondad de ajuste, de la tabla 3 se tiene que el porcentaje de contribución (R2) de las variables explicativas que afectan a la variable mediadora intención de uso es de un 61 %; esto significa que las variables en conjunto aportan un 61 % a explicar los cambios en la intención de uso. Mientras que para la variable uso de TIC es de un 55 %. Con respecto a las estimaciones internas, se tiene un RMSEA (indicador de cuanto se equivoca el modelo en general) de 0,12, el cual es levemente superior al umbral máximo de 0,10; lo que indica que hay un ajuste aceptable pero no óptimo. El porcentaje de residuos absolutos estandarizados menores a 2 es de un 84,2 %, esto revela que el modelo es capaz de replicar bien la variabilidad maestral y de replicar la información muestra inicial; con estos datos es posible predecir el comportamiento futuro en igual contexto.

Tabla 3: Estimaciones obtenidas

Fuente: elaboración propia.