Onderzoek naar voorspellende factoren met betrekking tot de acceptatie van Augmented Reality

Onderzoek naar voorspellende factoren

met betrekking tot de acceptatie van

Augmented Reality

Tom Dekker

11031735

Abstract:

Het doel van dit onderzoek is om te onderzoeken in hoeverre de acceptatie van de technologie Augmented Reality kan toenemen met betrekking tot de gebruiksintentie. Dit wordt gedaan door te kijken naar de huidige literatuur over de acceptatiewereld en een antwoord te geven op de volgende onderzoeksvraag: welke voorspellende factoren hebben

invloed op de toename van de gebruiksintentie van Augmented Reality? Uit

literatuuronderzoek blijkt dat in voorgaande studies men vaak blijft vasthouden aan de structuur van de bestaande modellen. Met behulp van bevindingen in de literatuur wordt er een voorspellende factor toegevoegd genaamd ‘Information Quality’. Om antwoord te geven op de onderzoeksvraag werd er een online enquête gebruikt, bestaande uit de

toebehorende stellingen per voorspellende factor. Uit de antwoorden van de online enquête bleek met betrekking tot het geslacht dat er onderling geen verschil was in gebruiksintentie. Eveneens bleek uit de resultaten dat er een verhoging gevonden is in de gebruiksintentie van Augmented Reality met de voorspellende toegevoegde factor ‘Information Quality’. Ook, kwamen ‘Perfomance Expectancy’ en ‘Hedonic Motivation’ sterk naar boven in relatie met de gebruiksintentie. Tot slot, bleek ‘Effort Expectancy’ minder belangrijk te zijn in de

gebruiksintentie van Augmented Reality. Deze resultaten bieden een basis voor verder onderzoek naar voorspellende factoren met betrekking tot de acceptatie van Augmented Reality.

Bachelor scriptie Informatiekunde

Begeleider: Dr. Dick Heinhuis

Tweede lezer: Dr. Loek Stolwijk

Universiteit van Amsterdam

Juli 12, 2018

1

Inhoud

2.3 Technology Acceptance Model (TAM) 6

2.4 Technology Acceptance Model 2 (TAM 2) 8

2.5 Technology Acceptance Model 3 (TAM 3) 9

2.6 Unified Theory of Acceptance and Use of Technology (UTAUT) 11 2.7 Unified Theory of Acceptance and Use of Technology 2 (UTAUT 2) 12

3. Unified Theory of Acceptance and Use of Technology 2 14

3.1 Het Augmented Reality model 17

4. Onderzoeksmethode 19 4.1 Acceptatieonderzoek 20 4.2 Steekproef 20 4.3 De online enquête 20 4.3.1 Dataverzameling 20 4.3.2 Toepassing 21 5. Resultaten 24 5.1 Respondenten 24 5.2 Likertschaal 25 5.3 Hypotheses 26 5.3.1 Hypothese 1 26 5.3.2 Hypothese 2 28 5.3.3 Hypothese 3 30 6. Conclusie 32 7. Discussie 34 Literatuurlijst 35 Bijlage 38

2

1. Inleiding

De ontwikkelingen rondom de technologie van Virtual Reality (VR) en Augmented Reality (AR) hebben tot op heden flink veel stof doen opwaaien. In 2012 bracht Palmer Luckey leven in het idee van Virtual Reality. Hij is de oprichter van het bedrijf genaamd Oculus VR en daarnaast ook de designer van het product de Oculus Rift. Het bedrijf van Palmer werd in 2014 gekocht door Facebook en zo ontstond er een grotere interesse in VR. Naast de Oculus Rift kwam HTC met een ander product genaamd HTC Vive. Verder nam Sony ook een grote stap in de VR wereld en bracht met de Playstation 4 een VR versie uit. De bovengenoemde producten zijn alle producten waarvoor men flink in de buidel moet tasten en zijn daardoor, reëel

gezien, niet geschikt voor het gemiddelde huishouden. Dit probleem dacht Samsung op te lossen en de VR technologie verder uit te werken. Samsung ontwikkelde het product Samsung Gear in combinatie met de Samsung S8. Door de Gear ging VR van een mobiele naar een draadloze technologie. Dit bracht VR onder de aandacht van een breder publiek en heeft mogelijk geleid tot de technologische doorbraak. Denk hierbij aan de talloze kartonnen houders om met een smartphone een virtual reality te creëren. Dit was voor veel mensen een simpele en betaalbare manier om kennis te maken met VR.

Onder de mantel van VR zijn de ontwikkelingen met betrekking tot AR ook verder ontwikkeld. Augmented Reality is ten opzichte van VR een efficiëntere technologie in toegankelijkheid, want voor AR zijn er geen dure omvangrijke computers nodig. Het toepassen van de technologie is tegenwoordig al mogelijk door middel van de

camera op sommige smartphones. Terwijl VR nu bij een breder publiek ruim bekend is, is daarentegen de doorbraak van AR achtergebleven. Google heeft zich aan AR gewaagd met het product Google Glass. Over dit product werd er rond 2012 bekend dat men door middel van een bril informatie tot zich kon nemen, door een digitale laag aan te brengen op de glazen. Dit product bracht nog enkele problemen met zich mee over onderwerpen zoals privacy en gevaar bij gebruik. Hierdoor is het niet massaal uitgebracht en nog steeds onder ontwikkeling. In 2016 probeerde Google de AR technologie anders toe te passen met het project genaamd ‘Tango’. Hiermee kon de gebruiker een nieuwe interactie krijgen binnen bijvoorbeeld een museum. Het gaf aan de gebruiker een totaal nieuwe ervaring doordat de plattegrond van het

3

museum geanalyseerd kon worden en als het ware de route genavigeerd

tevoorschijn kwam op de camera-feed van de smartphone of tablet. Dit project liep echter ten einde, omdat er weinig animo voor was en het slechts op een klein aantal smartphones in de markt uitgevoerd kon worden. Deze voorbeelden hadden kunnen bijdragen aan een doorbraak in de acceptatie van de technologie Augmented

Reality. Dit is echter niet het geval en deze thesis handelt dan ook over de factoren die van invloed kunnen zijn op de acceptatie en doorbraak van Augmented Reality.

Met de komst van een relatief nieuwe interactieve technologie als Augmented Reality (AR) is er misschien een manier ontstaan voor mensen om nieuwe ervaringen te beleven in hun vertrouwde fysieke omgeving. Namelijk, door de

weergave van de fysieke omgeving te veranderen, door middel van een digitale laag toe te passen, kunnen virtuele elementen interacteren met de weergave van de real time fysieke omgeving. Hierbij krijgen de gebruikers van AR een nieuwe manier om hun beeld of idee te vormen over hun omgeving. Deze kracht van AR zou wellicht een impact kunnen hebben op het dagelijks leven van de gebruikers van AR. De technologie zelf kan voor de maatschappij zeer relevant uitpakken. Om de eventuele acceptatie van AR te onderzoeken moet er onderzoek gedaan worden naar de factoren van deze technologie. Deze factoren zijn van belang, omdat het

onderscheid kan maken tussen het wel of niet accepteren van de technologie. Vaak wordt een nieuwe technologie vrijwel alleen gebruikt, omdat het een vernieuwing (update) blijkt te zijn van een verouderde technologie. De rol van de factor(en) in de acceptatie van AR moet dan ook worden onderzocht. Dit wordt gedaan in de thesis door te toetsen in hoeverre de factor(en) de acceptatie van de technologie zou kunnen vergroten. De onderzoeksvraag van het huidige onderzoek luidt dan ook als volgt: welke voorspellende factoren hebben invloed op de toename van de

gebruiksintentie van Augmented Reality? Om de onderzoeksvraag te kunnen beantwoorden is eerst verder onderzoek nodig naar wat een acceptatieonderzoek inhoudt en welke manieren van onderzoek daarbij nodig en vereist zijn. Daarvoor zal er allereerst gekeken naar het basisidee van het acceptatieprobleem. Tevens

worden ook de verschillende modellen om de acceptatie van een systeem of technologie te onderzoeken onderzocht. Hiervoor heeft men zich verdiept in de bestaande acceptatie modellen en literatuur. Deze informatie is van belang voor het beantwoorden voor de onderzoeksvraag.

4

Aan het huidige onderzoek is vooronderzoek voorafgegaan om kennis op te doen over de manier van werken van verschillende acceptatieonderzoeken. Hierbij is inzage ontstaan over de acceptatie wereld en welke geschikte modellen er bestaan voor een acceptatieonderzoek. Dit literatuuronderzoek en de beschrijvingen over de verschillende acceptatie modellen worden naderhand beschreven.

Verder is voor het beantwoorden van de onderzoeksvraag van belang dat er antwoorden worden gevonden op de volgende deelvragen:

1. Wat beschrijft de huidige literatuur over de acceptatie modellen? a. Welk model is geschikt voor mijn huidige acceptatieonderzoek? b. Op welke manier wordt het gekozen model juist getoetst?

In het onderzoek zullen verschillende modellen vergeleken worden voor het huidige acceptatieprobleem. Op het model dat het meest geschikt blijkt wordt verder

gebouwd tot een model dat juist is voor de context van dit onderzoek. Vervolgens wordt voor dit model een online enquête gemaakt en hieruit wordt tot slot het resultaat van dit onderzoek afgeleid.

1.1 Definitie

In dit onderzoek is er gekeken naar de meest geciteerde literatuur over AR om de definitie van AR te beschrijven. Het concept AR is een onderdeel van een Mixed Reality volgens het onderzoek van Milgram & Kishino (1994). Mixed reality wordt door hen gedefinieerd als het gebied tussen de twee extremen op het virtuality continuum. Dit betekent het gebied tussen de echte omgeving en de virtuele omgeving.

5

In figuur 1 van het reality virtuality continuum valt af te lezen dat AR van alle andere soorten virtuele technieken het dichtst bij de realiteit blijft. In het geval van VR (virtual reality) is er sprake van een totale ‘immersive’ virtuele omgeving en is daarom het uiterste op het virtuality continuum.

Deze positie op het virtuality continuum is terug te vinden in de definities van AR. Als systeem heeft AR volgens de artikelen van Azuma (1997) een aantal verschillende toepasbare definities. Waaronder de definities dat AR echte en virtuele objecten combineert in een digitale weergave van een echte omgeving, AR brengt echte en virtuele objecten in verhouding ten opzichte van elkaar en het werkt interactief in 3D, in realtime. In dit onderzoek wordt er verder gewerkt met de samenvattende definitie van Azuma (1997) en daarin wordt AR omschreven als een systeem waarin 3D virtuele objecten in een echte 3D-omgeving worden geïntegreerd, in realtime.

Verder zijn er volgens het onderzoek van Poelman & Van Krevelen (2010)

verschillende soorten displays om AR op toe te passen. In het huidige onderzoek zal er gekeken worden naar de meest mobiele mogelijkheid om AR als systeem toe te passen en worden er situaties geschetst in trand van een smartphone of een digitale bril. Dankzij de ontwikkelingen vandaag de dag is het mogelijk om met smartphones alle noodzakelijke technologieën toe te kunnen passen voor AR in een compact en mobiel apparaat. Dit wordt geclassificeerd als een video see-through display

(Möhring et al, 2004) wat inhoudt dat de beelden van de camera op de smartphone aangepast worden wat resulteert in een verandering van de werkelijkheid door Augmented Reality. Optical see-through is daarentegen een computer gegenereerd beeld gecombineerd met de werkelijkheid, door middel van een semi-transparante spiegel op het glas van een bril.

6

2. Theoretisch kader

2.2 Acceptatieprobleem

In dit hoofdstuk wordt onderzocht wat de literatuur zegt over de huidige modellen. De basis van deze modellen wordt gebaseerd op figuur 2. Dit figuur geeft weer dat een individu een mening zal vormen over het gebruiken van een bepaalde technologie. De volgende stap in het figuur is dat het individu een mening zal vormen die zal leiden tot een vorm van intentie om de informatie technologie daadwerkelijk te gebruiken. Als het individu de technologie heeft gebruikt kan er eventueel een verandering plaatsvinden in de mening van het individu over het systeem. Tot slot, zal er een positieve mening of reactie opgewekt worden bij het individu mocht de ervaring van het individu met de informatietechnologie ook positief zijn.

Figuur 2 Basis concept van de User Acceptance Models (Venkatesh et al, 2012)

De onderstaande modellen worden gebruikt voor het oplossen van het technologische acceptatieprobleem, de eerste hiervan is het Technologische Acceptatie Model, ook wel TAM genoemd.

2.3 Technology Acceptance Model (TAM)

Het TAM beschrijft een theorie die gebaseerd is op informatiesystemen, die in kaart brengen in hoeverre gebruikers de keuze zouden kunnen maken om een

technologie te accepteren en te gebruiken (Davis et al, 1986). Volgens het TAM spelen een aantal factoren een belangrijke rol in het mogelijke adopteren van een nieuwe technologie. Dit zijn “Perceived usefulness” (PU) en “Perceived ease of use” (PE). Volgens de definitie van Davis et al (1989) is PU een verwijzing naar in

7

hoeverre de gebruiker gelooft dat de technologie zal helpen om bijvoorbeeld

prestaties of efficiëntie van taken te verbeteren. PE is een verwijzing naar hoeverre de gebruiker zich op zijn gemak voelt door middel van het gebruiken van de

mogelijkheden van de technologie. Deze twee factoren bepalen de ‘Attitude Toward Using’ (A), ofwel de houding van de gebruiker met betrekking tot het product.

Figuur 3 (Davis et al, 1989)

Daarnaast is uit het onderzoek van Davis et al (1989) naar het TAM de conclusie gekomen dat de ‘BI’ (Behavioral Intention to use), oftewel gedragsintentie, de

belangrijkste factor is tot gebruikersgedrag dat resulteert tot actueel gebruik van het systeem. Volgens het onderzoek van Davis en wat af te lezen is uit figuur 2 is dat gedragsintentie gedeeltelijk bepaald wordt door de houding van een gebruiker gericht op het gebruiken van het systeem (A) en door middel van de waargenomen bruikbaarheid (PU).

BI = A + U

Dit is volgens Davis et al (1989) gebaseerd op het idee dat mensen binnen hun organisatie-omgeving intenties hebben ten aanzien van gedrag waarvan zij denken dat deze intenties hun werkprestaties zullen verbeteren, zelfs als het gedrag

negatieve of positieve gevoelens met zich meebrengt. Dit komt voornamelijk omdat verbeterde prestaties essentieel zijn voor het behalen van verschillende beloningen, zoals loonsverhogingen en promotie (Vroom, 1964).

8

2.4 Technology Acceptance Model 2 (TAM 2)

Het Technologische Acceptatie Model van Davis et al (1989) komt uit de eind jaren tachtig en is sindsdien vele malen geciteerd of verlengd tot een bruikbaar model voor verschillende onderzoeken op het gebied van technologie. In het jaar 2000 is het oorspronkelijke TAM vernieuwd tot het TAM 2 door de onderzoekers Davis & Venkatesh. De onderzoekers constateerden dat TAM door de jaren heen gegroeid was tot een stabiel en krachtig model voor het voorspellen van de gebruikers-

acceptatie. Echter, Venkatesh & Davis vonden in de 10 jaar dat TAM gebruikt is door vele verschillende studies, dat de factoren van PU relatief gezien weinig onderzocht waren. Volgens hen zou men door het beter begrijpen van de factoren van PU in staat zijn om organisatorische interventies te ontwerpen die de acceptatie door de gebruiker en het gebruik van nieuwe systemen zouden kunnen vergroten

(Venkatesh & Davis, 2000). Hiervoor is het TAM 2 ontwikkeld met als doel het

toevoegen van additionele variabelen die effect kunnen hebben op de waargenomen bruikbaarheid (PU) en de gebruiksintentie. Voornamelijk om te begrijpen hoe de effecten van deze additionele variabelen veranderen bij een toenemende

gebruikerservaring in de loop van tijd met het systeem dat wordt onderzocht.

Deze additionele variabelen voor de PU zijn:

● Subjective Norm: De subjectieve norm wordt volgens Fishbein & Ajzen (1980) en Venkatesh & Davis (2000) omschreven als in hoeverre een gebruiker van het systeem denkt dat personen om die individu heen, die belangrijk worden geacht voor het individu, denken dat hij het informatie systeem wel of niet zou moeten gebruiken.

● Image: De image of imago van het systeem wordt omschreven als het idee dat de gebruiker van het systeem een verbetering zal krijgen over zijn individuele status binnen een sociale groep of werkplek. Deze factor wordt beïnvloed door de Subjective Norm, dit komt doordat de sociale groep van het individu, waarin deze factor toegepast wordt, is gevormd met de personen die voor het individu belangrijk worden geacht (Moore & Benbasat, 1991).

● Job Relevance: De baan relevantie is een factor die omschrijft in hoeverre men denkt dat het gebruiken van het systeem of informatie technologie zal

9

helpen in het beter uitvoeren van hun taken voor hun baan (Venkatesh & Davis, 2000).

● Output Quality: De kwaliteit van uitvoer wordt omschreven als in hoeverre het systeem in staat is om de taken die uitgevoerd moeten worden met de juiste kwaliteit te volbrengen (Venkatesh & Davis, 2000).

● Result demonstrability: Het aantoonbare resultaat wordt omschreven als in hoeverre de resultaten die behaald zijn door het systeem of

informatietechnologie ook daadwerkelijk concreet en aantonen zijn (Venkatesh & Davis, 2000).

De factor gebruiksintentie wordt in het TAM 2 vervolgens dieper onderzocht door het toevoegen van ‘Experience’ en ‘Voluntariness’ variabelen met ondersteuning van ‘Subjective Norm’. Variabelen die volgens Venkatesh en Davis significant invloed hebben op de ‘Intention to Use’ van een onderzocht informatiesysteem (Venkatesh & Davis, 2000).

10

2.5 Technology Acceptance Model 3 (TAM 3)

Na een aantal jaar kwam er ook een uitbreiding op het TAM 2, namelijk de TAM 3. In het laatstgenoemde model wordt er vooral verder gekeken naar de e-commerce.

Figuur 5 TAM 3 (Venkatesh et al, 2008)

Zoals in figuur 4 te zien is wordt in het TAM 2 de determinant ‘Perceived Usefulness’ verdeeld in een aantal factoren. Dit geeft een bredere kijk op de reden van

acceptatie. Dit is in het TAM 3 wederom gedaan, alleen in dit geval eveneens met de determinant ‘Perceived Ease of Use’. Deze determinant gaat over het gemak in gebruik van het systeem. In het onderzoek naar factoren voor het TAM 3 was het resultaat, dat op het gebied van gebruiksgemak, een systeem op twee manieren te verklaren is. Deze twee manieren die gebruikt worden zijn ‘Achor’ (verankering) & ‘Adjustment’ (aanpasbaarheid). Hiermee wordt geduid op factoren die meetbaar zijn als factoren die vast zitten in of aan het systeem en de andere factoren die juist aanpasbaar zijn in het systeem.

Verankerde factoren:

● Computer Self-effiacy: Het computergebruik gaat over in hoeverre een individu gelooft dat hij in staat is om computergerelateerde taken uit te kunnen voeren, met gebruik van het systeem (Compeau & Higgins, 1995a, 1995b).

11

● Perceptions of External Control: De perceptie van externe controle gaat over in hoeverre een individu vindt dat er sprake is van externe controle tijdens het gebruik van het systeem (Venkatesh et al, 2003).

● Computer Anxiety: Deze factor gaat volgens Venkatesh (2000) over in hoeverre een individu zich afgeschrikt kan voelen tijdens het gebruik van een nieuw systeem.

● Computer Playfulness: Gaat over in hoeverre een individu het gebruik van een systeem met plezier uitvoert (Webster & Martocchio,1992).

Aanpasbare factoren:

● Perceived Enjoyment: Het waargenomen plezier gaat over in hoeverre een individu geamuseerd is tijdens het uitvoeren van de taken door middel van gebruik het systeem zonder dat er daadwerkelijk sprake is van een

waardevolle ervaring (Venkatesh, 2000).

● Objective Usability: Objectieve bruikbaarheid gaat over in hoeverre het individu die het systeem gebruikt kan inschatten en vergelijken hoeveel moeite er voor nodig is om taken uit te voeren en te voltooien (Venkatesh, 2000).

2.6 Unified Theory of Acceptance and Use of Technology

(UTAUT)

Zoals beschreven, zijn er veel verschillende modellen met als focus het voorspellen van de acceptatie in de branche van informatiesystemen, maar ook in andere sectoren. Dit is voortgekomen uit veel onderzoek en het verlengen van het TAM model door de jaren heen. Volgens Venkatesh et al, (2003) wordt o.a. door middel van de bovengenoemde modellen in circa 40% van de situaties de gebruiksintentie verklaard. De acht modellen die in het onderzoek van Venkatesh et al zijn gebruikt verklaren tussen de 17 en 42 procent van de gebruiksintentie van een individu (Venkatesh et al, 2003). Dit geeft onderzoekers een reden tot het mixen en dus verlengen van modellen met verschillende methodes. Maar dit kan resulteren in een verlies in verbeteringen en aanvulling van overige modellen. Dit probleem zagen Venkatesh et al (2003) en zij hebben hierop geanticipeerd met een vernieuwd model

12

dat dit probleem aankaart. In het onderzoek worden acht verschillende modellen vergeleken waarin de gebruiksintentie van een individu op verschillende vlakken wordt onderzocht en hieruit de sterkste componenten worden afgelezen. Dit leidde tot het model genaamd UTAUT, ook wel ‘Unified Theory of Acceptance and Use of Technology’ genoemd. Het model bestaat uit vier kernfactoren gebaseerd op gebruik en intentie met daarnaast vier modererende variabelen. Vervolgens is dit

samengestelde model getoetst door middel van de originele data die gebruikt was bij de acht verschillende modellen. Hieruit is gebleken dat het UTAUT model de acht modellen te boven gaat met een variantie percentage, tot gebruiksintentie om informatietechnologie toe te passen, van maar liefst 70 procent (Venkatesh et al, 2003).

Figuur 6 (Venkatesh et al, 2003)

2.7 Unified Theory of Acceptance and Use of Technology 2

(UTAUT 2)

Het UTAUT 2 model is een verbetering van het bovengenoemde UTAUT van 2003. In de uitbreiding van het model is de context veranderd waarin het model tot stand in is gekomen. De UTAUT was namelijk meer gericht op de context van organisaties en het UTAUT 2 model is meer gericht op het onderzoeken van de consument. Daarnaast is de toevoeging van de factoren hedonische motivatie, prijs waarde en gewoontes, een groot verschil tussen de modellen. Met dit vernieuwde model is er volgens Venkatesh et al (2012) een substantiële verbetering in de verklaarde

13

variantie over gebruiksintentie en in effectief gebruik van de technologie. Namelijk van een percentage van 46 naar 74 procent en van 40 procent naar 52 procent.

Figuur 7 UTAUT 2 (Venkatesh et al, 2012)

Dit resultaat betekent dat in dit huidige onderzoek UTAUT 2 geïmplementeerd zal worden als basisstructuur.

14

3. Unified Theory of Acceptance and Use of

Technology 2

Figuur 8 (Venkatesh et al, 2012)

In Figuur 8 is af te lezen dat het model uit drie delen bestaat. Aan de linkerkant bevinden zich in de zeven los staande blokken: de voorspellende factoren. Deze voorspellende factoren zijn de ‘determinant predictors’. Aan de onderkant staan variabelen die invloed hebben op de voorspellende factoren. Tot slot, staat aan de rechterkant in feite het resultaat van het model en hier worden gebruiksintentie en gebruikersgedrag weergegeven.

Allereerst moeten de voorspellende factoren beschreven worden voor het goed kunnen analyseren van het model en het om te zetten tot een toepasbaar model in de juiste context voor AR. De definities van de voorspellende factoren worden toegepast met de definities van het artikel van Venkatesh et al (2012) waarin zij het UTAUT 2 model uitleggen:

15

● Performance Expectancy (PE):

Ook wel PE genoemd, is een factor die bepaalt in hoeverre een

individu gelooft dat een technologie de werkprestaties kan verbeteren. Verder staat PE in directe relatie met de gebruiksintentie.

● Effort Expectancy (EE):

EE gaat over in welke mate een technologie gemakkelijk te gebruiken is. Ook EE staat in directe relatie met de gebruiksintentie.

● Social Influence (SI):

Is te definiëren als de invloed die mensen op elkaar en op hun mening hebben. Ook kan dit worden gezien als de mogelijkheid tot bijstellen van iemands mening, omdat de werkvloer er anders over denkt, ofwel groepsdruk.

● Facilitating Conditions (FC):

Het faciliteren van condities verwijst naar de perceptie van de consument met betrekking tot de middelen en de beschikbare ondersteuning om een gedrag uit te voeren (Brown en Venkatesh 2005; Venkatesh et al, 2003).

● Hedonic Motivation (HM):

Wordt gedefinieerd als het plezier dat ontstaat bij het gebruiken van een technologie. Volgens Brown & Venkatesh (2005) is het bewezen dat HM een grote rol speelt in het determineren van gebruik en acceptatie van een technologie. Daarnaast wordt er verklaard dat volgens Childers et al (2001) HM een belangrijke factor is in de consumenten context voor het voorspellen van gebruik en acceptatie van een technologie.

● Price Value (PV):

De prijs waarde wordt volgens de definitie van Dodds et al (1991) gezien als de afweging van de consumenten tussen de voordelen van de applicaties en gebruikskosten.

16

● Habit (H):

In het onderzoek van Venkatesh et al (2012) worden een aantal definities van gewoonte toegepast. Waaronder de definitie van Limayem et al (2007) die luidt dat gewoonte is gedefinieerd als de mate waarin mensen gedrag automatisch uitvoeren vanwege het leerproces. Terwijl Kim et al (2005) gewoonte gelijk stelt aan

automatisering. Volgens Venkatesh et al (2012) is gewoonte op twee verschillende manieren geoperationaliseerd. Ten eerste, gewoonte wordt gezien als voorafgaand gedrag (Kim & Malhotra, 2005) en dat gewoonte wordt gemeten als de mate waarin een individu gelooft dat het gedrag automatisch wordt uitgevoerd (Limayem et al, 2007). Eveneens, dat gewoonte in verband staat met ervaring. Hierdoor is in de context naar het onderzoeken van de acceptatie van een

technologie of systeem, gewoonte gedefinieerd als een perceptuele constructie die de resultaten van eerdere ervaringen weergeeft.

Daarnaast zijn de volgende variabelen ook van invloed op de voorspellende factorenen dus ook van belang voor de analyse van het UTAUT 2 model.

Age: De leeftijd van de gebruiker, die invloed heeft op FC, HM, PV & H.

Gender: Het geslacht van de gebruiker, dat invloed heeft op FC, HM, PV & H. Experience: De ervaring van de gebruiker, die invloed heeft op FC, HM, H en

de relatie tussen gebruiksintentie en gebruikersgedrag.

Tot slot, het laatste deel van het driedelige model is het ‘resultaat’. Namelijk, hetdaadwerkelijke gebruik van de technologie of de gebruiksintentie om de technologie toe te passen.

● Behavioral Intention (BI):

Dit is het kernbegrip van het model op het gebied van acceptatie van een bepaalde technologie of informatiesysteem. BI wordt beschreven als de intentie van een individu voor het gebruiken van een

17

● Use Behavior (UB):

Dit kernbegrip van het model gaat over het daadwerkelijke gebruikersgedrag van het individu.

3.1 Het Augmented Reality model

Voor dit huidige acceptatieonderzoek wordt een questionnaire gemaakt. Deze questionnaire zal gebaseerd worden op de basisstructuur van het UTAUT 2 en de toepassing daarvan volgens Venkatesh et al (2012). Tevens zal het model

aangepast worden voor de juiste context voor het huidige acceptatieonderzoek.

Voor de juiste manier van toepassing van het UTAUT 2 model wordt de factor ‘Use Behavior’ niet gebruikt. Deze keuze is gemaakt, omdat er in dit onderzoek strikt gekeken wordt naar de acceptatie van een technologie en niet naar het

daadwerkelijke gebruik hiervan door gebruikers.

Tevens wordt de factor ‘Facilitating Conditions’ verwijderd uit het model, omdat dit voornamelijk een factor is die effect heeft op de UB.

Daarnaast is het in de huidige literatuur minder interessant om te kijken naar de ‘Price Value’. Dit komt omdat de prijs waardeverhouding vrijwel altijd hoog is in de startfase van een nieuwe technologie. Verder is de technologie voor AR op handheld devices via smartphones al makkelijk bereikbaar vandaag de dag. Eveneens is de prijs waarde, een factor die reeds al veel is onderzocht.

Tot slot, is er besloten in het huidige onderzoek om de factor ‘Habit’ weg te laten. Dit is voornamelijk gedaan, omdat er volgens de definitie van gewoonte, in dit

acceptatieonderzoek niet gekeken wordt naar eerdere ervaringen op gebied van AR.

Verder zal in het acceptatiemodel van dit huidige onderzoek de factor ‘Information Quality’ toegevoegd worden. Dit is, omdat Olsson et al (2012) onderzoek deed naar de perceptie van early adopters met betrekking tot AR-services en onthulde dat "de meest waardevolle AR-services voor mobiele apparaten waren degene die de

18

gebruiker pragmatische bruikbaarheid bieden, bijvoorbeeld door tijd en moeite te besparen". In de bovengenoemde paper werd geconcludeerd dat AR adopters waardevolle en hoge kwaliteit informatie wensen, die relevant zijn voor de context. Hierdoor kan ‘IQ’ een waardevolle toevoeging aan het model zijn voor het

onderzoeken van het acceptatieprobleem van AR.

Figuur 9 Aangepast UTAUT 2 Model

Met het bovenstaand resultaat als model voor het huidige onderzoek is het van belang om te kijken naar het tweede deel van de eerste deelvraag van het onderzoek. Namelijk, de juiste aanpak voor het onderzoek met het gecreëerde acceptatiemodel op basis van de UTAUT 2. Vervolgens zal er gekeken worden naar de tweede deelvraag om een antwoord te kunnen geven op de hoofdvraag. Hierbij luidt de tweede deelvraag als volgt:

2. Welke resultaten brengt het huidige acceptatieonderzoek gebaseerd op het UTAUT 2 model?

a. Welke resultaten leveren de factoren van UTAUT 2 en de

toegevoegde factor (die leidt tot het aangepaste model) samen op aan het onderzoek?

19

● H0: Het verschil in geslacht heeft geen impact op de intentie om Augmented Reality te accepteren en mogelijk te gebruiken.

● H1: Het verschil in geslacht heeft een impact op de intentie om Augmented Reality te accepteren en mogelijk te gebruiken.

ii. Hypothese 2:

● H0: De factoren Performance expectancy, Effort

expectancy, Social influence, Hedonic motivation hebben geen bijdrage aan de intentie om Augmented Reality te accepteren en mogelijk te gebruiken.

● H1: De factoren Performance expectancy, Effort

expectancy, Social influence, Hedonic motivation hebben een bijdrage aan de intentie om Augmented Reality te accepteren en mogelijk te gebruiken.

iii. Hypothese 3:

● H0: De toegevoegde factor(en) levert geen relatie op met de intentie tot het accepteren van Augmented Reality. ● H1: De toegevoegde factor(en) levert een positieve

relatie op met de intentie tot het accepteren van Augmented Reality.

20

4. Onderzoeksmethode

4.1 Acceptatieonderzoek

Met dit kwantitatieve onderzoek wordt de acceptatie variantie van de technologie Augmented Reality onderzocht en wordt er naar gekeken in welke mate

verschillende factoren een rol spelen in de acceptatie. Om het UTAUT 2 toe te passen voor het acceptatieonderzoek, wordt er gebruik gemaakt van een survey onderzoek. Dit soort onderzoek wordt ook wel enquête methodologie genoemd. Voor deze methode en het verzamelen van de benodigde data voor het huidige

onderzoek wordt een enquête gemaakt en de desbetreffende enquête zal online worden verspreid om een zo groot mogelijk effectief bereik te creëren. Het onderzoek heeft plaatsgevonden van 11 juni tot 22 juni 2018.

4.2 Steekproef

Voor het onderzoek is het essentieel om naar de minimale benodigde

steekproefomvang te kijken om de validiteit en betrouwbaarheid van het onderzoek te versterken. Volgens het boek Burns & Burns (2008) spreekt Cohen (1992) van een minimale power van 0.80. Daarnaast wordt er een alpha waarde van 0.05 gehanteerd om de kans op het vinden van een resultaat in de populatie die eigenlijk niet bestaat, te verkleinen. In de sample size tabel in het boek van Burns & Burns (2008) wordt er gesproken over een minimale steekproefomvang van 85

respondenten met de bovengenoemde waarden en een effect size van 0.30. Met deze gegevens heeft het huidige onderzoek met maar liefst 123 respondenten het minimale aantal van 85 respondenten ruimschoots behaald en voldoet hiermee aan de norm van een representatieve aantal respondenten voor de onderzoekspopulatie.

4.3 De online enquête

4.3.1 Dataverzameling

In het huidige onderzoek is er gekozen voor een online enquête om een aantal redenen. Namelijk allereerst het gemak van het opzetten van een online enquête.

21

Tegenwoordig zijn er veel online tools om efficiënt een online enquête te creëren. De enquête is gemaakt in Google Forms. Daarnaast is het handig om een questionnaire online te hebben want volgens Illieva et al (2002) is er sprake van een mogelijk snellere reactietijd. Tevens is de enquête gemakkelijker te verspreiden over het internet dan bijvoorbeeld via de mail. Tot slot is het volgens Nulty (2008) & Deutskens et al (2004) een voordeel dat met een online enquête er een digitale reminder gestuurd kan worden naar de respondenten, wat kan resulteren in een boost aan reacties. Wat in deze tijd bijvoorbeeld kan via social media platformen als Facebook of Whatsapp. De data die verzameld is via Google Forms is tevens vrij efficiënt aan te passen in Excel. Dit was voor een reactie nodig waarin de

respondent zijn leeftijd had aangegeven in dag-maand-jaar in plaats van het cijfer van zijn of haar leeftijd. Daarnaast was het nodig om de kolomnamen te veranderen in woorden die representeerbaar waren voor de vraag of stelling, bijvoorbeeld als: gender, age, PE1, etc. Hierdoor is de data beter in te voeren in SPSS en uiteindelijk overzichtelijker.

4.3.2 Toepassing

Zoals in paragraaf 3.1 is beschreven is het UTAUT 2 model van Venkatesh et al (2012) grotendeels gebruikt en een deel aangepast wat leidt tot het model in figuur 9. De vragen die gesteld zijn aan de deelnemers via de online enquête, zijn

merendeels afgeleid van het paper gemaakt door Venkatesh et al (2012).

De voorspellende factoren van het UTAUT 2 model die gebruikt zijn hebben alle een aantal stellingen die beantwoord zullen worden. De antwoorden op alle stellingen werden gemeten met behulp van een 5-punts Likert-schaal, variërend van "helemaal niet mee eens (1)" tot "helemaal mee eens (5)."

De factor ‘Information Quality’ die bij het toepasbare model is toegevoegd als

toetsings factor wordt onderzocht zoals het in het onderzoek van Olsson et al (2012) ook van toepassing is. Dit is namelijk door middel van een aantal scenario's die aan de respondenten worden voorgedragen. De respondenten krijgen in het geval van het huidige onderzoek twee scenario’s te lezen en zullen hierop wederom stellingen beantwoorden die op dezelfde wijze worden gemeten als bij de eerder genoemde stellingen. De volgende twee scenario’s zijn aan de respondenten voorgedragen om een mening over te vormen:

22

● Hardlopen:

○ Maria is een beginner met hardlopen, maar vindt het wel heel erg leuk om te doen. Elke zaterdag gaat Maria hardlopen. Als Maria weggaat, neemt ze haar sleutels, smartphone en digitale sportbril mee. De digitale sportbril is in verbinding met haar smartphone en werkt als een display. In de lift naar beneden, kiest Maria een hardlooproute uit op haar smartphone uit een aantal verschillende routes die andere hardlopers hebben belopen of gedeeld. Ze selecteert een route van 6 kilometer met een gemakkelijk landprofiel dat door een bos loopt. Terwijl Maria loopt, begeleidt de bril haar met realtime wijzers die ervoor zorgen dat zij op het juiste pad blijft van de geselecteerde route. In het begin loopt Maria een beetje langzaam en versnelt dan haar snelheid totdat de bril aangeeft dat Maria haar optimale hartslag heeft bereikt. Naarmate de avond donkerder begint te worden, gebruikt de bril een nachtzicht versterker om Maria te helpen beter te zien in het donkere bos. Maria ziet ook enkele opmerkingen van andere

hardlopers langs de route. Maria is sneller aan het rennen dan ze had verwacht, dus besluit ze een wat langere route te nemen en kiest ze voor een optionele route aangegeven door de bril. Al snel laten de glazen aan Maria zien dat haar studiegenoot vooruitloopt. Maria besluit haar tempo te versnellen om haar in te halen. Het is altijd leuker om in gezelschap te rennen.

● Winkelen voor interieur:

○ Maria en Jan zijn net samen gaan wonen en willen hun woonkamer in gaan richten. Zij hebben allereerst een 3D model laten maken van hun woonkamer. Met het 3D model dat Maria en Jan hebben van hun woonkamer kunnen ze naar een meubelwinkel om hun 3D woonkamer in te vullen met meubels van de winkels. Dit doen ze door middel van een app op hun smartphone. Zij kunnen door hun smartphone te

gebruiken verwante informatie krijgen over de prijs van meubelstukken, de voorraadsituatie en verschillende kleuropties verzamelen op hun mobiele telefoon door de prijskaartjes van de tentoongestelde meubels aan te raken of in te scannen met de app. Vervolgens kunnen Maria en

23

Jan een aparte ruimte in de winkel gebruiken om het virtuele model van hun woonkamer te zien met het nieuwe meubilair op ware grootte dat zij hebben verzameld.

In de bovengenoemde voorbeelden wordt er een scenario geschetst waarin de gebruiker(s) van de technologie AR een nieuwe ervaring en informatie tot zich kunnen nemen. Hieruit is volgens Olsson et al (2012), te onderzoeken wat het belang is van informatie kwaliteit bij de acceptatie van een technologie. Tot slot kan de gehele online enquête met de stellingen en algemene vragen gevonden worden in de bijlage.

24

5. Resultaten

5.1 Respondenten

Zoals in paragraaf 4.3 is besproken, is er gebruik gemaakt van een online enquête. Deze online enquête is allereerst verspreid naar de respondenten via een bericht dat geplaatst is op Facebook. Hierbij is de enquête bereikbaar voor een grote doelgroep en dankzij de mogelijkheid tot delen op Facebook worden er niet alleen

medestudenten bereikt als respondenten. Daarnaast zijn er respondenten bereikt door de online enquête te verspreiden via Whatsapp. Op deze manier zijn er in totaal 123 reacties ontvangen op de online enquête.

Beschrijvende Statistieken

N Minimum Maximum Mean Std.

Deviation Leeftijd Valide N 123 123 16.00 68.00 35.7236 16.38837

Zoals de tabel laat zien is er sprake van een minimumleeftijd van 16 jaar en een maximum leeftijd van 68 jaar in de steekproef. Daarnaast is de gemiddelde leeftijd van de respondenten ongeveer 36 jaar.

Geslacht

Frequentie Percentage Valide Percentage Cumulatief Percentage Man Vrouw 70 53 123 56.9 43.1 100.0 56.9 43.1 100.0 56.9 100.0

Van deze 123 respondenten zijn er 56,9% mannelijk en 43,1% vrouwelijk. Verder was voor het onderzoek de vraag of elke respondent een smartphone in zijn bezit had, van belang om de reactie uiteindelijk ook te gebruiken voor de resultaten. De

25

respondenten waren allemaal in het bezit van een smartphone wat in het geval van de online enquête te verwachten was. Tot slot, hebben 60,2 % van de respondenten daadwerkelijk ervaring met de technologie Augmented Reality.

Reliabiliteit Statistieken

Factor Cronbach’s α Standardized N

PE EE SI HM IQ BI .869 .858 .818 .883 .828 .861 .868 .862 .824 .883 .836 .864 5 4 3 3 4 3

Zoals van de tabel Reliability Statistics is af te lezen, is er een Cronbach’s Alpha van .818 - .883 voor alle gebruikte variabelen. De Cronbach’s alpha van .70 wordt in de meeste wetenschappelijke onderzoeken als "aanvaardbaar" beschouwd en vanaf .80 als “goed” (Gliem & Gliem, 2003). Deze hoge waarde in Cronbach’s Alpha toont aan dat het niet nodig is om stellingen die zijn gebruikt in de enquête te verwijderen. Eveneens toont het een goede validiteit van de gebruikte stellingen en versterkt zo de betrouwbaarheid en validiteit van het onderzoek.

5.2 Likertschaal

Zoals eerder vermeld is wordt er gebruik gemaakt van een Likertschaal om de stellingen te beantwoorden. Over de Likertschaal is een discussie in de wereld van statistiek. In deze paragraaf wordt er duidelijk gemaakt welke keuze er is gemaakt met het interpreteren van de data van de Likertschaal. De discussie is over het feit dat sommige onderzoekers vinden dat de data van de Likertschaal geïnterpreteerd kan worden als ordinaal, maar ook als interval. Volgens Clegg (1982) zijn de

methodologische en statistische teksten duidelijk over het feit dat voor ordinale data men de mediaan of modus moet gebruiken als maat voor centrale tendentie. Dit is, omdat de rekenkundige manipulaties die vereist zijn om het gemiddelde en de

26

standaarddeviatie te berekenen, niet geschikt zijn voor ordinale gegevens waarbij de getallen over het algemeen verbale uitspraken zijn (Blaikie, 2003). Daarnaast

beschrijft Cohen et al (2002) dat niet-parametrische toetsen als Chi kwadraat, Spearman’s Rho of de Mann-Whitney U Test geadviseerd worden voor ordinale data, dit komt omdat voor parametrische toetsen data met een interval of ratio niveau nodig zijn (Pett, 1997). Echter, beschrijft Jamieson (2004) dat Likertschaal data, wanneer goed geïnterpreteerd, wel degelijk als intervalniveau geclassificeerd mag worden. Jamieson stelt dat de onderzoeker zich moet afvragen of de verschillen tussen de waardes 3 en 4 (3 = neutraal, 4 = eens) gelijk zijn. Dat wil zeggen, het gebruiken van de 5-punts Likert-schaal als een intervalschaal gaat ervan uit dat het verschil tussen ‘eens’ en ‘helemaal mee eens’ is, hetzelfde relatieve verschil is als tussen ‘neutraal’ en ‘eens’. Dit vindt men vaak geen veilige aanname om te maken, dus vinden sommigen dat Likertschaal responsen meestal beter behandeld zijn als ordinaal. Echter, er is in het artikel van Norman (2010) ondervonden dat

parametrische statistische toetsen gebruikt kunnen worden met Likertschaal data. Dit is, omdat de “robustness”, de mate waarin de test het juiste antwoord zal geven, zelfs als aannames voor de gebruikte statistische toets worden geschonden, niet wordt aangetast. In het bovenstaande onderzoek van Norman werd ook onderzocht in hoeverre Spearman’s Rho af zou wijken van de Pearson R correlatie-toets op Likertschaal data. Dit onderzoek bracht het resultaat dat de gemiddelden van de Pearson- en Spearman-correlaties in alle omstandigheden van zijn Likertschaal data binnen 0,004 zaten van elkaar. Met dit in gedachte zou de data van de Likertschaal gebruikt kunnen worden voor ordinaal en interval, omdat volgens Norman (2010) anders 75% van alle onderzoeken over o.a. onderwijs en gezondheid, als foutief beschouwd kunnen worden.

5.3 Hypotheses

5.3.1 Hypothese 1

H1: Het verschil in geslacht heeft een impact op de intentie om Augmented Reality

27

Voor het toetsen van deze hypothese wordt er een t-toets toegepast. De reden voor het toepassen van deze toets is, omdat het verschil in geslacht geen samenhang heeft met de intentie tot acceptatie of mogelijk gebruik van de technologie

Augmented Reality. Bij de bovengenoemde hypothese wordt er onderzocht naar twee groepen, namelijk man en vrouw in relatie tot de gebruiksintentie. Verder zijn de factoren, zoals al eerder vernoemd gesteld met een 5 punts Likertschaal. Ook zijn de gemiddelden van alle stellingen samengevoegd tot 1 gehele variabele per factor, in het geval van Behavioral Intention (gebruiksintentie) is dat: BI1 + BI2 + BI3 / 3.

Groep Statistieken

Geslacht N Mean Std. Deviation Std. Error Mean Man Vrouw 70 53 3.23 3.02 1.132 .930 .135 .128

Tabel over de factor BI_Grouped (Behavioral intention)

Independent Samples Test

Levene’s Test t-test gelijke gemiddelde

F Sig. t df Sig. (2-tailed) Mean Dif. Std. Error Dif. Gelijke variantie verwacht Gelijke variantie niet verwacht 4.916 .028 1.097 1.127 121 120.143 .275 .262 .210 .210 .191 .186

Tabel over de onafhankelijke t toets van de factor BI_Grouped (Behavioral intention)

Allereerst is er in de tabel van de Group Statistics enige informatie te vinden over de gebruikte data. In de onafhankelijke t toets zijn 70 mannen en 53 vrouwen. Verder is er in de tabel van de onafhankelijke t toets een significantie waarde te vinden over het model. In dit geval staat onder de Levene’s Test voor gelijkheid van de variantie dat het model significant is. Dit geeft aan dat er naar de onderste rij van de tabel moet worden gekeken waarin de gelijkheid van de variantie niet wordt verwacht.

28

Hierin staat de significantie waarde van de gehele t toets onder het kopje “Sig. (2-tailed)”. Deze waarde is niet significant (p = .262, p < .05). Wat betekent dat er is ondervonden dat er geen sprake is van een relatie tussen het verschil in geslacht met gebruiksintentie tot Augmented reality (p = .262, p > .05). Hierdoor wordt de hypothese niet verworpen. Kortom, er mag niet aangenomen worden in het huidige onderzoek dat er een verschil is tussen gebruiksintentie in relatie tot het geslacht.

5.3.2 Hypothese 2

H1: De factoren Performance Expectancy, Effort Expectancy, Social Influence en

Hedonic Motivation hebben een bijdrage aan de intentie om Augmented Reality te accepteren en mogelijk te gebruiken.

Voor de bovengenoemde hypothese wordt er gebruik gemaakt van een multiple linear regression. Hierbij worden Performance Expectancy, Effort Expectancy, Social Influence en Hedonic Motivation als onafhankelijke variabelen getoetst in verband met de afhankelijke variabele Behavioral intention.

Model Samenvatting (b)

Model R R Square Adjusted R

Square

Std. Error of Estimate

1 .706 (a) .498 .481 .75693

a) Predictors: (Constant), HM_Grouped, SI_Grouped, PE_Grouped, EE_Grouped b) Dependent Variable: BI_Grouped

Het model heeft een correlatie van .706 met de afhankelijke variabele Behavioral Intention. Hiermee verklaart het model 49,8% van de gebruiksintentie van onze steekproef. ANOVA (a) Model Sum of Squares df Mean Square F Sig. Regression 67.043 4 16.761 29.254 .000 (b)

29 Residual Total 67.607 134.650 118 122 .573

a) Dependent Variable: BI_Grouped

b) Predictors: (Constant), HM_Grouped, SI_Grouped, PE_Grouped, EE_Grouped

De ANOVA toets die is uitgevoerd geeft aan of het gecreëerde model significant is (p = .000, p < .05). Met dit resultaat kan er aangenomen worden dat het model voor 100% iets verklaart. Coefficients (a) Unstandardized Coefficients Standardized Coefficients Model

B Std. Error Beta t Sig.

Constant PE_Grouped EE_Grouped SI_Grouped HM_Grouped .480 .376 .003 .171 .328 .279 .081 .082 .072 .086 .366 .003 .183 .323 1.723 4.625 .042 2.360 3.831 .087 .000 .967 .020 .000

a) Dependent Variable: BI_Grouped

In de bovenstaande tabel worden de coefficients van de multiple linear regression test weergegeven. Hiervan valt aan te nemen dat de factoren Performance

Expectancy (p = .000, p < .05) en Social Influence (p = .020, p < .05) en Hedonic Motivation (p = .000, p < .05) in een positieve relatie staat met de Behavioral Intention. Echter, heeft de factor Effort Expectancy (p = .967, p > .05) een niet significante waarde. Hierdoor mag H0 niet verworpen worden en hebben niet alle factoren in het huidige onderzoek een positief verband met de gebruiksintentie van de technologie Augmented Reality. Tot slot, mag worden vernomen dat uit het resultaat van de factor Effort Expectancy een niet significante positieve relatie bestaat die vrijwel geen versterking tot gebruiksintentie oplevert (p = .967, p > .05, β = .003).

30

5.3.3 Hypothese 3

H1: De toegevoegde factor(en) levert een positieve relatie op met de intentie tot het

accepteren van Augmented Reality.

Voor de bovengenoemde hypothese wordt er gebruik gemaakt van een linear regression. Hierbij wordt de toegevoegde factor in het model van het huidige onderzoek, genaamd Information Quality, als onafhankelijke variabelen getoetst in verband met de afhankelijke variabele Behavioral Intention.

Model Samenvatting (b)

Model R R Square Adjusted R

Square

Std. Error of Estimate

1 .595 (a) .354 .349 .84782

a) Predictors: (Constant), IQ_Grouped b) Dependent Variable: BI_Grouped

Het model heeft een correlatie van .595 met de afhankelijke variabele Behavioral Intention. Hiermee verklaart het model 35,4% van de gebruiksintentie van onze steekproef. ANOVA (a) Model Sum of Squares df Mean Square F Sig. Regression Residual Total 47.676 86.975 134.650 1 121 122 47.676 .719 66.327 .000 (b)

a) Dependent Variable: BI_Grouped b) Predictors: (Constant), IQ_Grouped

De ANOVA toets die is uitgevoerd geeft aan of het gecreëerde model significant is (p = .000, p < .05). Met dit resultaat kan er aangenomen worden dat het model voor 100% iets verklaart.

31 Coefficients (a) Unstandardized Coefficients Standardized Coefficients Model

B Std. Error Beta t Sig.

Constant IQ_Grouped .392 .684 .346 .084 .595 1.134 8.144 .259 .000

a) Dependent Variable: BI_Grouped

In de bovenstaande tabel worden de coefficients van de linear regression toets weergegeven. Hiervan valt aan te nemen dat de factor Information Quality (p = .000, p < .05) in een positieve relatie staat met de Behavioral intention. Hierdoor mag H0 verworpen worden en mag de alternatieve hypothese geaccepteerd worden.

Oftewel, de toegevoegde factor (Information Quality) levert een positieve relatie op met de intentie tot het accepteren van Augmented Reality.

32

6. Conclusie

Het onderstaand model is tot stand gekomen door het in kaart brengen van de resultaten van de getoetste hypotheses. Dit vormt met de bèta coëfficiënten een samenvatting van het theoretische model en hiermee kan de relatieve sterkte van de onafhankelijke variabelen met betrekking tot de afhankelijke variabele vergeleken worden. Uit het resultaat blijkt dat niet alle factoren significant zijn gebleken. In dit geval is Effort Expectancy niet significant en de overige factoren wel. Tot slot, blijken de factoren Information Quality en Performance Expectancy de grootste invloed te hebben.

Met een regressiecoëfficiënt van .366* voor Performance Expectancy mag er

verondersteld worden dat men sterke prestatie verwachtingen heeft van Augmented Reality en dat het in positieve samenhang staat met de gebruiksintentie van de technologie. Dit resulteert in het feit dat men AR zal gebruiken mits het daadwerkelijk een effectieve prestatie verbetering oplevert. Verder is Effort Expectancy een factor met een niet significante positieve relatie en hierdoor representeert het niet de populatie. Wellicht betekent de voorspellende waarde van .003* dat, gericht op de AR technologie, de inspannings verwachting niet meer van belang is, als het maar efficiënt is, kwalitatieve informatie oplevert en plezier brengt. Social Influence is een

33

factor met een regressiecoëfficiënt van .183*. Hiermee mag er verondersteld worden dat ook sociale invloed een positieve relatie heeft met de gebruiksintentie van AR. In het geval van het huidige onderzoek is de sociale invloed alleen geen grote speler ten opzichte van de gebruiksintentie. De factor Hedonic Motivation heeft

daarentegen een hogere regressiecoëfficiënt van .323* wat resulteert tot het feit dat men ook een fijne ervaring en toch ook wel plezier willen hebben in het gebruiken van een nieuwe technologie als AR. Tot slot, heeft de toegevoegde factor in het toegepaste model, genaamd Information Quality, een regressiecoëfficiënt van maar liefst .595* wat in het huidige onderzoek de hoogst behaalde regressie waarde is. Dit betekent dat de factor Information Quality de belangrijkste predictor is in de

voorspelling van acceptatie met betrekking tot Augmented Reality.

Naast het feit, dat de basis van het UTAUT 2 model is toegepast voor het huidige acceptatie onderzoek en het onderzoek een antwoord zoekt op de hoofdvraag: welke voorspellende factoren hebben invloed op de toename van de gebruiksintentie van Augmented Reality?, is de toegevoegde factor Information Quality de factor met de sterkste regressie waarde en eveneens het antwoordt op de bovengenoemde hoofdvraag.

In het licht van de maatschappelijke relevantie mag er verondersteld worden dat men voor een sterkere doorbraak van acceptatie op het gebied van AR de gebruiker pragmatische bruikbaarheid moet bieden in vorm van juiste kwalitatieve informatie, bijvoorbeeld door tijd en moeite te besparen en de ervaring van de omgeving te verbreden. Wetenschappelijk gezien kan dit een deur openen naar het besef dat informatiekwaliteit dus van groot belang is en dat er wellicht meer onderzoek naar zou kunnen worden gedaan in hoeverre de voorspellende factor Information Quality, binnen de technologie Augmented Reality, zo efficiënt mogelijk toegepast kan

34

7. Discussie

Voor het onderzoek is het van belang dat de obstakels en beperkingen worden besproken en beschreven, zodat bij mogelijk toekomstig onderzoek deze voorkomen kunnen worden.

In het huidige onderzoek met 123 respondenten, die vooral via Facebook zijn verkregen, is de eerste beperking wellicht de steekproef die zo bereikt is. De online enquête (verspreid via Facebook en/of Whatsapp) is een hele efficiënte manier om op een snelle wijze respondenten te verkrijgen. Maar misschien had het onderzoek uitgebreid kunnen worden met nog een alternatieve bevragingswijze, zoals

bijvoorbeeld interviews.

Met de online enquête werd er gebruikt gemaakt van twee scenario’s om Augmented Reality in een ervaring te beschrijven met betrekking tot het toetsen van de factor Information Quality. Hiermee kregen wellicht veel respondenten een beter beeld van de mogelijkheden van AR. Om deze reden, had het een optie kunnen zijn om de twee scenario’s als verplichte leesstukjes in het begin, als introductie weer te geven en hierdoor de respondenten vooraf al een duidelijk idee te bieden over AR naast het gegeven introductiefilmpje.

Verder is in het onderzoek weinig gebruikt gemaakt van de moderating variables. Hiermee is de interactie tussen de basisfactoren van het UTAUT 2 en de moderating variabelen als geslacht, leeftijd en ervaring niet volledig onderzocht. Er is een

hypothese getoetst op onderwerp van geslacht, maar de andere variabelen zijn verder niet onderzocht. Dit is een mogelijkheid voor toekomstig onderzoek om het uiteindelijke resultaat van het gecreëerde model wellicht te verbeteren.

35

Literatuurlijst

1. Ajzen, I., & Fishbein, M. (1980). Understanding attitudes and predicting social behaviour.

2. Azuma, R. T. (1997). A survey of augmented reality. Presence: Teleoperators & Virtual Environments, 6(4), 355-385.

3. Blaikie, N. (2003). Analyzing quantitative data: From description to explanation. Sage.

4. Brown, S. A., and Venkatesh, V. 2005. “Model of Adoption of Technology in the Household: A Baseline Model Test and Extension Incorporating Household Life Cycle,” MIS Quarterly (29:4), pp. 399-426.

5. Burns, R. P., & Burns, R. (2008). Business research methods and statistics using SPSS. Sage.

6. Childers, T. L., Carr, C. L., Peck, J., and Carson, S. 2001.“Hedonic and Utilitarian Motivations for Online Retail Shopping Behavior” Journal of Retailing (77:4), pp. 511-535

7. Clegg, F. (1982). Simple statistics: A course book for the social sciences. Cambridge University Press.

8. Cohen, J. (1992). A power primer. Psychological bulletin, 112(1), 155.

9. Cohen, L., Manion, L., & Morrison, K. (2002). Research methods in education. routledge.

10. Compeau, D. R., & Higgins, C. A. (1995). Application of social cognitive theory to training for computer skills. Information systems research, 6(2), 118-143.

11. Davis, F. D. (1985). A technology acceptance model for empirically testing new end-user information systems: Theory and results (Doctoral dissertation, Massachusetts Institute of Technology).

12. Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS quarterly, 319-340.

13. Davis, F. D., Bagozzi, R. P., & Warshaw, P. R. (1989). User acceptance of computer technology: a comparison of two theoretical models. Management science, 35(8), 982-1003.

14. Deutskens, E., De Ruyter, K., Wetzels, M., & Oosterveld, P. (2004). Response rate and response quality of internet-based surveys: An experimental study. Marketing letters, 15(1), 21-36.

15. Dodds, W. B., Monroe, K. B., and Grewal, D. 1991. “Effects of Price, Brand, and Store Information on Buyers,” Journal of Marketing Research (28:3), pp. 307-319.

36 16. Gliem, J. A., & Gliem, R. R. (2003). Calculating, interpreting, and reporting

Cronbach’s alpha reliability coefficient for Likert-type scales. Midwest Research-to-Practice Conference in Adult, Continuing, and Community Education.

17. Huang, T. L., & Liao, S. (2015). A model of acceptance of augmented-reality interactive technology: the moderating role of cognitive innovativeness. Electronic Commerce Research, 15(2), 269-295.

18. Jamieson, S. (2004). Likert scales: how to (ab) use them. Medical education, 38(12), 1217-1218.

19. Kim, S. S., Malhotra, N. K., and Narasimhan, S. 2005. “Two Competing Perspectives on Automatic Use: A Theoretical and Empirical Comparison,” Information Systems Research (16:4), pp. 418-432.

20. Kim, S. S., and Malhotra, N. K. 2005. “A Longitudinal Model of Continued IS Use: An Integrative View of Four Mechanisms Underlying Post-Adoption Phenomena,” Management Science (51:5), pp. 741-755.

21. Lefever, S., Dal, M., & Matthiasdottir, A. (2007). Online data collection in academic research: advantages and limitations. British Journal of Educational Technology, 38(4), 574-582.

22. Limayem, M., Hirt, S. G., and Cheung, C. M. K. 2007. “How Habit Limits the

Predictive Power of Intentions: The Case of IS Continuance,” MIS Quarterly (31:4), pp. 705-737.

23. Milgram, P., & Kishino, F. (1994). A taxonomy of mixed reality visual displays. IEICE TRANSACTIONS on Information and Systems, 77(12), 1321-1329.

24. Mohring, M., Lessig, C., & Bimber, O. (2004, November). Video see-through AR on consumer cell-phones. In Proceedings of the 3rd IEEE/ACM International

Symposium on Mixed and Augmented Reality (pp. 252-253). IEEE Computer Society.

25. Moore, G. C., & Benbasat, I. (1991). Development of an instrument to measure the perceptions of adopting an information technology innovation. Information systems research, 2(3), 192-222.

26. Norman, G. (2010). Likert scales, levels of measurement and the “laws” of statistics. Advances in health sciences education, 15(5), 625-632.

27. Nulty, D. D. (2008). The adequacy of response rates to online and paper surveys: what can be done?. Assessment & evaluation in higher education, 33(3), 301-314. 28. Olsson, T., Kärkkäinen, T., Lagerstam, E., & Ventä-Olkkonen, L. (2012). User

evaluation of mobile augmented reality scenarios. Journal of Ambient Intelligence and Smart Environments, 4(1), 29-47.

37 29. Pett, M. A. (2015). Nonparametric statistics for health care research: Statistics for

small samples and unusual distributions. Sage Publications.

30. Van Krevelen, D. W. F., & Poelman, R. (2010). A survey of augmented reality technologies, applications and limitations. International journal of virtual reality, 9(2), 1.

31. Venkatesh, V., & Bala, H. (2008). Technology acceptance model 3 and a research agenda on interventions. Decision sciences, 39(2), 273-315.

32. Venkatesh, V., & Davis, F. D. (2000). A theoretical extension of the technology acceptance model: Four longitudinal field studies. Management science, 46(2), 186-204.

33. Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS quarterly, 425-478.

34. 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, 157-178.

35. Vroom, V. H. (1964). Work and motivation. new york: John Willey & sons. Inc. Vroom Work and Motivation 1964.

36. Webster, J., & Martocchio, J. J. (1992). Microcomputer playfulness: Development of a measure with workplace implications. MIS quarterly, 201-226.

38

Bijlage

Online enquête:

Beschikt u over een smartphone? - Ja

- Nee

Weet u wat Augmented Reality inhoudt en wat er zoal beschikbaar is op de markt? - Ja

- Ja, maar verder niet veel verstand van. - Nee

Ervaring

Hebt u reeds ervaring met de technologie Augmented Reality? - Ja

- Nee

Beschikt u reeds over een app waar Augmented Reality bij wordt toegepast? - Ja (1)

- Nee, maar ik ben er wel in geïnteresseerd (2) - Nee en ik heb ook geen interesse. (3)

Prestatieverwachting

- Ik vind Augmented Reality bruikbaar in mijn dagelijks leven. (schaal 1-5) - Ik weet waarvoor ik Augmented Reality kan inzetten in mijn dagelijks leven

(schaal 1-5)

- Het gebruik van Augmented Reality verhoogt de kans dat ik taken succesvol volbreng. (schaal 1-5)

- Het gebruik van Augmented Reality draagt ertoe bij dat ik taken sneller volbreng. (schaal 1-5)

- Het gebruik van Augmented Reality verhoogt mijn productiviteit. (schaal 1-5)

Inspannings verwachting

- Het is duidelijk voor mij wat Augmented Reality inhoudt en wat de mogelijkheden zijn. (schaal 1-5)

- Het aanleren van de toepassing van de technologie van Augmented Reality is gemakkelijk voor mij. (schaal 1-5)

- Ik vind het gebruiken van Augmented Reality makkelijk. (schaal 1-5)

- Het is makkelijk voor mij om goed te worden in het gebruik van Augmented Reality. (schaal 1-5)

39

Sociale invloed

- Mensen in mijn omgeving gebruiken Augmented Reality. (schaal 1-5) - Ik word aangemoedigd door mijn omgeving om ook Augmented Reality te

gebruiken. (schaal 1-5)

- Ik heb reeds mensen gezien met Augmented Reality. (schaal 1-5)

Hedonische motivatie

- Het gebruik van Augmented Reality is leuk. (schaal 1-5)

- Het gebruik van Augmented Reality is aangenaam. (schaal 1-5) - Het gebruik van Augmented Reality is entertainend. (schaal 1-5)

Informatie kwaliteit

Lees de volgende scenario's en beantwoordt vervolgens de vragen:

Maria is een beginner met hardlopen maar vind het wel heel erg leuk om te doen. Elke zaterdag gaat Maria hardlopen. Als Maria weggaat neemt ze haar sleutels, smartphone en digitale sportbril mee. De digitale sportbril is in verbinding met haar smartphone en werkt als een display. In de lift naar beneden, kiest Maria een hardlooproute uit op haar smartphone uit een aantal verschillende routes die anderen hardlopers hebben belopen of gedeeld. Ze selecteert een route van 6 kilometer met een gemakkelijk land profiel dat door een bos loopt. Terwijl Maria loopt, begeleidt de bril haar met realtime wijzers die er voor zorgen dat zij op de juiste pad blijft van de geselecteerde route. In het begin loopt Maria een beetje langzaam en versnelt dan haar snelheid totdat de bril aangeeft dat Maria haar optimale hartslag heeft bereikt. Naarmate de avond donkerder begint te worden, gebruikt de bril een nachtzicht versterker om Maria te helpen beter te zien in het donkere bos. Maria ziet ook een enkele opmerkingen van andere hardlopers langs de route. Maria is sneller aan het rennen dan ze had verwacht, dus besluit ze een wat langere route te nemen en kiest ze voor een optionele route aangegeven door de bril. Al snel laten de glazen aan Maria zien dat haar studiegenoot vooruitloopt. Maria besluit haar tempo te versnellen om haar in te halen. Het is altijd leuker om in gezelschap te rennen.

Maria en Jan zijn net samen gaan wonen en willen hun woonkamer in gaan

richten. Zij hebben allereerst een 3d model laten maken van hun woonkamer. Met het 3D model die Maria en Jan hebben van hun woonkamer kunnen ze naar een meubelwinkel om hun 3D woonkamer in te vullen met meubels van de winkels. Dit doen ze door middel van een app op hun smartphone. Zij kunnen door hun

smartphone te gebruiken verwante informatie krijgen over de prijs van

meubelstukken, de voorraadsituatie en verschillende kleuropties verzamelen op hun mobiele telefoon door de prijskaartjes van de tentoongestelde meubels aan te raken of in te scannen met de app. Vervolgens kunnen Maria en Jan een aparte

40

ruimte in de winkel gebruiken om het virtuele model van hun woonkamer te zien met het nieuwe meubilair op ware grootte die zij hebben verzameld.

Ik denk dat de diensten van augmented reality zoals beschreven in de scenario’s…

- nieuwe betekenissen geeft aan plaatsen, diensten, producten etc. (schaal 1-5)

- nieuwe ervaringen biedt. (schaal 1-5)

- aanzienlijke voordelen brengt voor mijn dagelijks leven. (schaal 1-5) - het begrip van mijn omgeving en zijn objecten vergroot (schaal 1-5)

Gebruiksintentie

- Ik wil in de toekomst Augmented Reality gebruiken. (schaal 1-5) - Ik zal altijd Augmented Reality willen proberen toe te passen in mijn

dagelijkse leven. (schaal 1-5)