Universiteit van Amsterdam
Faculteit der Natuurwetenschappen, Wiskunde en Informatica (FNWI)
BACHELOR SCRIPTIE
Studiejaar 2017-2018 Studie Informatiekunde
Sociale robots op luchthavens:
Een onderzoek naar de acceptatie van de inzet van sociale
robots op luchthavens.
Jimi Duiveman 11023163
Supervisor: Dr. D. Heinhuis Tweede lezer: Dr. J. Sandberg
Voorwoord
Deze scriptie is geschreven in het kader van de afronding van de bachelor binnen de studie Informatiekunde. Dit betekent tevens het einde van mijn bachelor aan de Universiteit van Amsterdam binnen de Faculteit der Natuurwetenschappen, Wiskunde en Informatica (FNWI). Het schrijven van deze scriptie en het uitvoeren van een eigen onderzoek is een interessante ervaring, vele leerdoelen van de studie heb ik kunnen toepassen.
Ik wil graag dhr. dr. D. (Dick) Heinhuis bedanken voor de uitstekende begeleiding die hij mij gedurende deze periode heeft gegeven. De uitgebreide feedback die ik heb mogen ontvangen is essentieel geweest voor de voortgang van deze scriptie. Bovendien wil ik alle respondenten bedanken die mee hebben gewerkt aan dit onderzoek, zonder deze input kon het kwantitatieve onderzoek niet uitgevoerd worden. Daarnaast nog een woord van dank richting familie en vrienden die mij tijdens deze periode hebben bijgestaan en ondersteund. Allen hebben mij geholpen deze scriptie tot een goed einde te brengen.
Ik wens u veel leesplezier toe.
Jimi Duiveman
Samenvatting
Luchthavens worden steeds drukker en sociale robots worden intelligenter. Sociale robots kunnen ingezet worden als medewerkers op luchthavens om het personeel te ondersteunen. Reizigers moeten de inzet van sociale robots echter wel accepteren, anders zullen zij geen gebruik maken van deze sociale robots. Meerdere onderzoekers hebben aan de hand van theorieën en modellen de acceptatie van nieuwe technologieën verklaard. Het doel van dit onderzoek is om te testen aan de hand van welk model de acceptatie van de inzet van sociale robots op luchthavens kan worden verklaard.
In dit onderzoek worden eerst bestaande modellen en theorieën besproken die de acceptatie van nieuwe technologie behandelen. Echter is er bij de sociale robot naast technologie ook sprake van sociale interactie. Hierdoor worden er bovendien theorieën aangehaald die van belang zijn bij de interactie tussen mens en sociale robot. Uit dit theoretisch kader blijkt dat een aantal factoren van belang zijn bij de acceptatie van de sociale robot.
Op basis van deze factoren is een kwantitatief onderzoek opgezet. De data gebruikt in het onderzoek is verkregen met behulp van een online enquête. De gevonden factoren zijn in een model verwerkt dat vervolgens getest is met behulp van SmartPLS. Hieruit bleek dat de factoren Effort Expectancy en Facilitating Conditions geen significant verband hadden met de intentie de sociale robot te gebruiken ( Behavioral Intention) en daarmee de acceptatie ervan. De factoren: Performance Expectancy, Social Influence, Hedonic Motivation en Age
bleken wel van belang. Daarnaast dragen sociale vaardigheden (Perceived Sociability) en vertrouwen (Trust) bij aan een betere sociale interactie. Dit leidt vervolgens ook tot een hogere intentie om de sociale robot te gebruiken ( Behavioral Intention). Deze factoren zijn meegenomen in het onderzoek en aan de hand van het resulterende model kan 69.2 procent van de variantie in de intentie om de sociale robot te gebruiken worden verklaard.
Een grotere, meer diverse steekproef wordt aangeraden in vervolgonderzoek. Eveneens als nader onderzoek naar de factoren Effort Expectancy en Facilitating Conditions, die niet meegenomen zijn in het model, vanwege het ontbreken van een significant verband.
Inhoudsopgave
1. Inleiding 5
1.1 De toenemende drukte op luchthavens 5
1.2 De sociale robot 6
1.3 De acceptatie van de sociale robot 7
2. Theoretisch kader 8
2.1 Het TAM model 8
2.2 Het UTAUT-1 model 10
2.3 Het UTAUT-2 model 13
2.4 Specifieke kenmerken bij de human computer interaction 15
3. Methode 18 3.1 Design 18 3.2 Procedure 20 3.3 Analyse 20 3.3.2 Betrouwbaarheid 22 3.3.3 Validiteit 23 3.3.4 Bevindingen 24 3.3.5 Verbeterd model 26 4. Conclusie 29 5. Discussie 30 5.1 Theoretische implicaties 30 5.2 Praktische implicaties 31
5.3 Beperkingen en aanbevelingen voor toekomstig onderzoek 31
6. Literatuur 33
1. Inleiding
1.1 De toenemende drukte op luchthavens
De International Air Transport Association (IATA) heeft een rapport gepubliceerd met daarin de voorspelling dat het aantal luchtreizigers de komende twintig jaar bijna zal verdubbelen (IATA, 2017). In 2007 waren er ongeveer 4 miljard luchtreizigers en de verwachting is dat dit er 7.8 miljard zijn in 2036.
Dit heeft tot gevolg dat vliegvelden steeds drukker worden. Ondanks deze toenemende drukte wil de luchthaven hun klanten tevreden stellen en/of houden. Uit een studie van Paternoster (2008) blijkt namelijk dat de tevredenheid van de klant van directe invloed is op de netto-inkomsten van een luchthaven. De tevredenheid van de klant wordt voor een groot deel beïnvloed door de geleverde service. Sterker nog, een enquête gericht op Customer Relationship Management (CRM) heeft aangetoond dat meer dan zeventig procent van de klanten is gestopt met het gebruik maken van services en/of producten van een bedrijf door gebrekkige klantenservice (Paternoster, 2008). Dit geeft aan dat klantenservice van groot belang is voor vliegvelden.
Door de toenemende drukte op de luchthavens en het belang van de klanttevredenheid staat het personeel onder meer druk. Dit personeel moet ervoor zorgen dat de reizigers een goede ervaring overhouden aan de luchthaven. Dit wordt onder andere bewerkstelligd door goede begeleiding gedurende het verblijf op de luchthaven. Reizigers ondernemen meerdere activiteiten op de luchthaven. Denk hierbij aan de aankomst, het inchecken, het zoeken van de gate en het verkrijgen van vluchtinformatie. Bij deze activiteiten is veelal personeel betrokken. Doordat er een grote toename aan reizigers plaatsvindt, wordt de medewerker-klant ratio beïnvloed met als gevolg dat er niet genoeg medewerkers beschikbaar zijn om dezelfde verwachte service te kunnen bewerkstelligen. Deze taken zouden echter ook uitgevoerd kunnen worden door een sociale robot.
Sociale robots zouden kunnen worden ingezet op luchthavens om de klanten te ondersteunen. In een proef op de luchthaven Schiphol wordt gebruik gemaakt van een sociale robot. Deze robot, genaamd Spencer, ondersteunt de reizigers. Reizigers kunnen hun ticket laten scannen door de robot, waarna deze op basis van het ticket informatie kan ophalen over de vlucht. Zo kan de robot de reiziger begeleiden naar de gate van vertrek. Op deze manier wordt het personeel ontlast en kunnen zij zich focussen op andere activiteiten, die er in overvloed zijn door de toegenomen drukte op de luchthavens.
1.2 De sociale robot
Robots worden veelvuldig gebruikt in de huidige maatschappij. Denk hierbij aan industriële robots die een specifieke taak uitvoeren aan de lopende band, het uitvoeren van voor de mens gevaarlijke activiteiten zoals het ontmantelen van explosieven of de huishoudelijke robotstofzuiger. Deze robots worden aangestuurd en zijn beperkt met betrekking tot het uitvoeren van handelingen.
De sociale robot daarentegen kan meer dan alleen het uitvoeren van (voor-) geprogrammeerde handelingen. Bij de sociale robot vindt er interactie met de mens plaats, namelijk de human-robot interaction (Lee, Peng, Jin & Yan, 2006). Om deze interactie tot stand te kunnen brengen, beschikken sociale robots over een aantal sociale kwaliteiten, namelijk het herkennen en uiten van emoties, communiceren op menselijke manier, herkennen van anderen, het creëren en onderhouden van sociale relaties, gebruik maken van natuurlijke gebaren, het leren en ontwikkelen van sociale competenties en in staat zijn een onderscheidende persoonlijkheid en karakter te tonen (Fong, Nourbakhsh & Dautenhahn, 2003). De onderliggende aanname hiervoor is dat mensen op dezelfde manier prefereren te acteren met machines als dat zij met mensen doen.
Bovenstaande kwaliteiten geven een indicatie van waartoe een sociale robot in staat is. Deze eigenschappen zorgen ervoor dat de sociale robot benaderd kan worden door een persoon om vervolgens te interacteren. Deze persoon zou een vraag kunnen stellen of een opmerking kunnen maken en de sociale robot kan antwoord geven of een handeling verrichten. Dit komt verbijsterend dichtbij de manier waarop mensen met elkaar omgaan. Het is dan ook niet
ondenkbaar dat deze sociale robots kunnen worden ingezet in functies die normaliter worden vervuld door medewerkers van een bedrijf en in dit geval op een luchthaven.
1.3 De acceptatie van de sociale robot
De sociale robot is een relatief nieuwe vorm van inzet van technologie. Mensen hebben altijd verschillende meningen over vernieuwing, zo ook over de inzet van deze nieuwe technologie. Mensen kunnen de inzet van de sociale robot accepteren ofwel tegenstander zijn van deze vernieuwing. Om de acceptatie te kunnen meten, moet er bepaald worden welke factoren van invloed zijn op de acceptatie van de sociale robot. Welke factoren van belang zijn zal uit het theoretisch kader blijken. De centrale onderzoeksvraag die op basis van het bovenstaande is opgesteld luidt als volgt:
- Aan de hand van welk model kan de acceptatie van de inzet van sociale robots op luchthavens worden verklaard?
Door de context af te bakenen en dus te beperken tot luchthavens wordt de interne validiteit verhoogd. Om antwoord te kunnen geven op de centrale onderzoeksvraag zijn de volgende deelvragen opgesteld.
- Welke factoren zijn volgens bestaande modellen en theorieën van invloed op de acceptatie van nieuwe technologie?
- Welke factoren zijn volgens bestaande modellen en theorieën van invloed op de acceptatie van de sociale robot?
- Hoe ziet het model eruit dat de waarmee de acceptatie van de sociale robot verklaard kan worden?
Deze deelvragen worden beantwoord met behulp van gevonden literatuur en reeds uitgevoerd onderzoek. Vervolgens worden de gevonden factoren verwerkt in een model dat gebruikt zal worden om de acceptatiegraad van deze opkomende technologie te testen.
2. Theoretisch kader
In dit theoretisch kader worden bestaande modellen besproken om factoren vast te kunnen stellen die van invloed zijn op de acceptatie van sociale robots. Daarnaast worden mogelijke andere factoren toegelicht die specifiek van belang zijn bij interactie tussen de mens en de sociale robot, denk hierbij aan sociale kwaliteiten en vertrouwen. Dit vindt plaats aan de hand van bestaand onderzoek.
2.1 Het TAM model
Het Technology Acceptance Model (TAM) is ontwikkeld om het gebruik van nieuwe technologieën te kunnen voorspellen (Davis, Bagozzi & Warshaw, 1989). Dit model is gebaseerd op de Theory of Reasoned Action (TRA), ontwikkeld in 1975 door Ajzen & Fishbein (1975). Deze theorie houdt in dat de intentie om een bepaald gedrag te vertonen door een individu (Behavioral Intention) beïnvloed wordt door twee factoren, namelijk houding (Attitude Toward Act or Behavior) en de waargenomen sociale norm (Subjective Norm), zie figuur 1. Houding betreft de positieve of negatieve gevoelens omtrent het uitvoeren van het gewenste gedrag en de waargenomen sociale norm is de manier waarop men denkt dat anderen vinden dat men zich moet gedragen.
Figuur 1: Theory of Reasoned Action van Ajzen & Fishbein (1975)
Om dit model toe te kunnen passen op de acceptatie van nieuwe technologie, definieert Davis et al. (1989) houding (Attitude Toward Act or Behavior) als “de opeenstapeling van gevoelens over de bruikbaarheid en het gebruiksgemak van de specifieke technologieën”. De
waargenomen sociale norm (Subjective Norm) werd in eerste instantie verworpen (Heerink, 2010). Vervolgens worden de termen bruikbaarheid en gebruiksgemak door Davis et al. (1989) gekoppeld aan houding. De waargenomen bruikbaarheid (Perceived Usefulness) wordt omschreven als de mate waarin een individu gelooft dat het gebruik van een bepaald systeem zijn of haar werkprestaties zou verbeteren en het waargenomen gebruiksgemak (Perceived Ease of Use) wordt gedefinieerd als de mate waarin een individu gelooft dat het gebruik van een bepaald systeem vrij van inspanning is. Deze twee factoren zijn dus van invloed op de houding en daarmee de intentie om een systeem te gebruiken (Behavioral Intention to Use), welk het daadwerkelijke gebruik van het systeem voorspelt (Actual System Use), zoals te zien in figuur 2.
Figuur 2: Technology Acceptance Model van Davis, Bagozzi & Warshaw (1989)
TAM werd veelvuldig gebruikt en uitgebreid met andere factoren die van invloed bleken te zijn op het gebruik van een nieuwe technologie. Bovendien zijn er verschillende benaderingen mogelijk en de meest effectieve manier waarop de acceptatie kan worden gemeten hangt af van de technologie in kwestie, de doelgroep en de specifieke context (Heerink, 2010). Zo zijn er vanuit diverse disciplines vele andere modellen ontstaan die de acceptatie van nieuwe technologie meten. Deze modellen verklaren ongeveer 40 procent van de variantie in de intentie om de technologie te gebruiken (Venkatesh, Morris, G. B. Davis & F. D. Davis, 2003). Onderzoekers worden geconfronteerd met de keuze tussen deze modellen. Zij kunnen ervoor kiezen bepaalde onderdelen te combineren of een enkel model te gebruiken. Een gevolg hiervan is het achter
2.2 Het UTAUT-1 model
Venkatesh et al. (2003) geven aan dat door het grote aantal beschikbare modellen er behoefte is aan een uniform model. Zij vergeleken de acht meest prominente modellen, waaronder het de TRA en het TAM. Deze twee modellen lagen aan de basis van andere ontstane modellen, zoals het Motivational Model (MM) waarin intrinsieke motivatie en excentrieke motivatie als factoren van belang zijn en de Theory of Planned Behavior (TPB) waarin de waargenomen controle (Perceived Control) is toegevoegd aan het bestaande TRA-model. De waargenomen controle betreft de waargenomen moeite om een bepaalde houding of een specifiek gedrag te vertonen (Kanat & Özkan, 2009). Bovendien werd het Model of PC Utilization (MPCU) geïntroduceerd waarin sociale factoren (Social Factors) zoals groepsdruk en faciliterende condities (Facilitating Conditions) werden gebruikt (Heerink, 2010). De overige drie modellen waren een gecombineerd TAM en TPB model (C-TAM-TPB), de Innovation Diffusion Theory (IDT) en de Social Cognitive Theory (SCT).
De verklarende kracht van de gebruikte factoren in deze modellen werd gemeten, zodat de meeste essentiële factoren van al deze modellen geïdentificeerd konden worden. Vervolgens werd met behulp van deze essentiële factoren een nieuw model ontworpen. Dit resulteerde in het UTAUT (Unified Theory of Acceptance and Use of Technology), waarvan gebleken is dat het niet voor 40 procent, maar 70 procent de intentie om de nieuwe technologie te gebruiken verklaart (Venkatesh et al., 2003). Het gebruik van de technologie is vervolgens gerelateerd aan de acceptatie hiervan.
Het model, zoals weergeven in figuur 3, geeft aan dat er drie verschillende factoren zijn die van directe invloed zijn op de intentie de technologie te gebruiken (Behavioral Intention).
Figuur 3: UTAUT-1 model van Venkatesh, Morris, G. B. Davis & F. D. Davis (2003)
Performance Expectancy heeft betrekking op de mate waarin een individu gelooft dat het gebruik maken van de nieuwe technologie zijn of haar werkprestaties zou verbeteren (Venkatesh et al., 2003). De Performance Expectancy is de sterkste voorspeller van de Behavioral Intention en is afgeleid van verschillende factoren uit de modellen, namelijk
perceived usefulness (TAM en C-TAM-TPB), extrinsic motivation (MM), job-fit (MPCU),
relative advantage (IDT) en outcome expectations (SCT). Deze factor is van invloed op de Behavioral Intention in zowel vrijwillige als opgedragen situaties. Bovendien blijkt dat deze factor een groter effect heeft op jonge werknemers (Age), met name mannen (Gender).
H1: Performance Expectancy is van invloed op de Behavioral Intention en wordt beïnvloed door Age en Gender.
Effort Expectancywordt gedefinieerd als de mate van gemak bij het gebruik van de nieuwe technologie (Venkatesh et al., 2003). Effort Expectancy is afgeleid van perceived ease of use
(TAM),complexity (MPCU) en ease of use (IDT). Deze factor is wederom van invloed op de Behavioral Intention in zowel vrijwillige als opgedragen situaties. Echter geldt dit alleen bij het eerste gebruik van het systeem, wanneer het systeem meerdere malen gebruikt is, valt
deze factor weg. Effort Expectancy heeft een groter effect op vrouwen (Gender), met name jonge vrouwen (Age) en personen met weinig ervaring (Experience).
H2: Effort Expectancy is van invloed op de Behavioral Intention en wordt beïnvloed door Age, Gender en Experience.
Social Influence kan worden omschreven als de invloed van anderen, de mate waarin een individu denkt dat andere belangrijke personen vinden dat hij of zij de nieuwe technologie moet gebruiken (Venkatesh et al., 2003). Deze factor komt in andere modellen voor als
subjective norm (TRA, TAM, TPB en C-TAM-TPB), social factors (MPCU) en image (IDT). Ondanks de verschillende benaderingen in bovengenoemde modellen komt het er op neer dat de mening van een individu beïnvloed wordt door wat zij denken dat anderen van hem of haar zullen vinden wanneer hij of zij gebruik maakt van de nieuwe technologie. Social Influence is alleen van invloed op de Behavioral Intention in situaties waarin het gebruik verplicht is (Voluntariness of Use) en heeft een sterker effect op vrouwen (Gender), met name oudere vrouwen (Age) en individuen met minder ervaring (Experience).
H3: Social Influence is van invloed op de Behavioral Intention en wordt beïnvloed door Age, Gender en Experience.
Het daadwerkelijke gebruik van de nieuwe technologie wordt bepaald aan de hand van de de Behavioral Intention en in hoeverre de persoon gelooft dat de technologie functioneert in de gegeven context (Facilitating Conditions).
Facilitating Conditions wordt gezien als de mate waarin een individu gelooft in de organisatorische en technische infrastructuur die nodig is voor de nieuwe technologie.
Deze factor omvat drie verschillende concepten afkomstig uit andere modellen, namelijk
perceived behavioral control (TAM en TPB), facilitating conditions (MPCU) en compatibility (IDT). Het effect van faciliterende condities is groter naarmate het individu meer ervaring (Experience) heeft met de technologie en de leeftijd (Age) hoger wordt, oudere mensen hebben meer ondersteuning nodig (Venkatesh et al., 2003).
H4: Facilitating Conditions is van invloed op de Use Behavior en wordt beïnvloed door Age en Experience.
2.3 Het UTAUT-2 model
Ondanks de brede acceptatie van het UTAUT-1 model, werd het model vaak gebruikt in combinatie met aanvullende factoren (Venkatesh, Thong & Xu, 2012). Dit geeft reden tot onderzoek naar deze aanvullende factoren die mogelijk van invloed zijn, zodat het uniforme model zoveel mogelijk variantie in het gebruik van nieuwe technologieën kan verklaren. Zodoende introduceerde Venkatesh et al. in 2012 het UTAUT-2 model, een uitbreiding op het UTAUT-1 model. Deze extensie is gericht op de gebruiker van de technologie en voegt drie factoren toe aan het UTAUT-1 model, zoals te zien in figuur 4. Daarnaast is de vrijwilligheid van het gebruik (Voluntariness of Use) als indirecte factor uit het model verwijderd en zijn er enkele relaties tussen factoren gewijzigd.
Hedonic Motivation, letterlijk vertaald hedonische motivatie, staat voor het plezier dat
voortkomt uit het gebruik van de technologie. Uit onderzoek is gebleken dat dit van invloed is op het gebruik en de acceptatie van technologie (Brown & Venkatesh, 2005).
Price Value is toegevoegd aan het model, omdat er gekeken wordt naar de gebruikerscontext. In deze situatie zijn de kosten van de nieuwe technologie voor de gebruiker zelf. Deze kosten kunnen van invloed zijn op de adoptie keuze van de gebruiker.
Habit, wordt gedefinieerd als de mate waarin een individu geautomatiseerd gedrag vertoont, doordat zij leren tijdens het gebruik van de technologie (Venkatesh et al., 2012).
Daarnaast wordt aangetoond dat Facilitating Conditions niet alleen van invloed is op het daadwerkelijke gebruik (Use Behavior), maar ook op Behavioral Intention. Dit is een verandering ten opzichte van het UTAUT-1 model. Hierdoor wordt hypothese vier aangepast naar:
H4: Facilitating Conditions is van invloed op de Behavioral Intention en wordt beïnvloed door Age en Experience.
In het onderzoek van Venkatesh et al. (2012) verklaart het UTAUT-2 model 74 procent van de variantie in Behavioral Intention en 52 procent van de variantie in Use Behavior, het daadwerkelijke gebruik. Dit is een vooruitgang ten opzicht van het UTAUT-1 model.
In dit onderzoek wordt de acceptatie van de gebruiker onderzocht, de focus ligt daardoor op de gebruiker, ofwel consument. Het UTAUT-2 model is aangepast op het gebruik van technologie door de consument en verklaart meer variantie in het gebruik van de technologie dan het UTAUT-1 model. In dit onderzoek zal het UTAUT-2 model worden gebruikt als basismodel. Echter zijn niet alle bovenstaande factoren van toepassing bij de acceptatie van sociale robots op luchthavens. De factor Price Value speelt namelijk geen rol, omdat reizigers op de luchthaven de robot niet zelf hoeven aan te schaffen. Daarnaast is het onwaarschijnlijk dat reizigers in dit vroege stadium van de technologie enig geautomatiseerd gedrag zullen of kunnen vertonen, waardoor de factor Habit achterwege wordt gelaten. Hedonic Motivation daarentegen is wel van toepassing.
H5: Hedonic Motivation is van invloed op de Behavioral Intention en wordt beïnvloed door Age, Gender en Experience.
Het UTAUT-2 model test de acceptatie van de technologie zelf, terwijl er bij de sociale robot ook sprake is van sociale interactie, namelijk de human-robot interaction, eerder aangekaart in paragraaf 1.1. Het is dus van belang dat de gebruiker een comfortabele ervaring over moet houden aan de interactie met de sociale robot, ook wel benoemd als sociale acceptatie. Hierdoor is het van belang te weten welke sociale factoren van belang zijn bij een succesvolle interactie met de robot.
2.4 Specifieke kenmerken bij de human computer interaction
In een onderzoek van De Ruyter, Saini, Markopoulos & Van Breemen (2005) wordt de invloed van sociale intelligentie op de acceptatie van een dialoogsysteem getest. Dit dialoogsysteem heet iCat en kan converseren met de gebruiker door gebruik te maken van onder andere tekst, spraak, afbeeldingen, bewegingen en gebaren. De iCat heeft meerdere overeenkomstige eigenschappen in vergelijking met de sociale robot volgens de eerder genoemde sociale kwaliteiten van een sociale robot beschreven door Fong et al. (2003). Er werd gebruik gemaakt van een zogenaamd “Wizard of Oz” experiment. Dit houdt in dat de iCat op afstand wordt bestuurd door een van de onderzoekers. Echter zijn de testpersonen hier niet van op de hoogte, waardoor de de iCat als autonoom overkomt.
Figuur 5: De iCat gebruikt door De Ruyter, Saini,
Markopoulos & Van Breemen (2005)
Om aan te kunnen tonen of sociale intelligentie van invloed is op de acceptatie is het van belang dat sociale intelligentie kan worden gemeten. De IPIP vragenlijst van Goldberg (1999) werd hiervoor gebruikt. Echter is deze vragenlijst niet specifiek gebaseerd op de human-robot
interaction (Lee et al., 2006), waardoor enkele gebruikte factoren niet van toepassing zijn. De overgebleven factoren die wel van toepassing zijn worden hieronder opgesomd:
- Onbaatzuchtigheid - Zelfbewustzijn - Competentie - Plichtsbetrachting - Empathie - Behulpzaamheid - Bescheidenheid - Verantwoordelijkheid - Gezelligheid - Sympathie - Vertrouwen
Er zijn twee verschillende programma’s voor de iCat die worden gebruikt in het onderzoek, een “sociaal intelligente” en een “sociaal neutrale” versie. Op basis van de factoren die volgens de opgestelde enquête sociale intelligentie kenmerken werden gelijksoortige eigenschappen toegepast op de sociaal intelligente versie van de iCat. Denk hierbij aan interesse tonen, knikken tijdens de conversatie, onthouden van persoonlijke details en gezichtsuitdrukkingen vertonen. Bij de sociaal neutrale iCat werden deze eigenschappen niet vertoond door de iCat. De taak van de testpersonen bestond uit het opnemen van drie televisieprogramma’s die de komende week werden uitgezonden met behulp van een nieuwe dvd recorder. Vervolgens werd er een enquête afgenomen betreffende deze ervaring. De resultaten toonden aan dat de sociaal intelligente iCat een significant hogere acceptatie bewerkstelligde in vergelijking met de sociaal neutrale iCat (De Ruyter et al., 2005).
Dezelfde robot werd gebruikt in een onderzoek van Looije, Neerincx & Cnossen (2010). Hierin diende deze robot als persoonlijke assistent van diabetes patiënten. De resultaten van dit onderzoek toonde eveneens aan dat de testpersonen een hogere graad van acceptatie ondervonden bij een meer sociaal intelligente robot en daarmee was de intentie om deze robot te gebruiken meer aanwezig. Uit bovenstaande onderzoeken blijkt dat sociale intelligentie van invloed is op de acceptatie van sociale robots.
Sociale intelligentie wordt bepaald door de houding en het sociaal gedrag van een individu in complexe sociale situaties. Het Social Skills Rating System (SSRS) van Gresham, Elliott, Vance & Cook (2011) evalueert sociaal gedrag van kinderen en adolescenten. Het model
bevat drie verschillende categorieën en een daarvan is “Social Skills”. Deze categorie bestaat uit vijf subcategorieën, namelijk samenwerking, zelfbewustzijn, verantwoordelijkheid, empathie en zelfbeheersing. Bovenstaande factoren bevestigen een deel van de eerder gevonden factoren in het onderzoek van De Ruyter et al. (2005) en Looije et al. (2010) en daarmee de mogelijke invloed van sociale intelligentie op de acceptatie van de sociale robot. In een onderzoek van Heerink, Kröse, Evers & Wielinga (2010) worden deze factoren ook wel omschreven als perceived sociability, de door de gebruiker waargenomen sociale kwaliteiten, deze term komt veelvuldig terug in ander onderzoek naar de acceptatie van sociale robots (Forlizzi, 2007; Heerink, 2010; Mitsunaga, Miyashita, Shinozawa, Miyashita, Ishiguro & Hagita, 2008).
H6: Perceived Sociability is van invloed op de Behavioral Intention
Wanneer de sociale robot als medewerker wordt ingezet op luchthavens, zal deze moeten interacteren met de reizigers. Advies geven, scannen van een ticket en beantwoorden van overige vragen zijn allemaal mogelijke handelingen die de sociale robot moet kunnen verrichten. Reizigers die gebruik maken van de aanwezige sociale robot kunnen zich echter afvragen of zij het advies wel moeten opvolgen of hun ticket laten scannen door een “vreemde”. Vertrouwen speelt een rol bij deze human computer interaction. In eerder genoemd onderzoek van De Ruyter et al. (2005) werd vertrouwen in de sociale robot al aangekaart als factor die van invloed is op de acceptatie van de sociale robot. Deze bevindingen worden ondersteund door Marsh, Briggs & Wagealla (2004), die het volgende schrijven:
“One of the most important aspects of person to person interaction is the development of trust, the detection of manipulation, and the avoidance of mistrust.”
Dit is wederom een indicatie van het belang van vertrouwen bij sociale interactie en dus de acceptatie van de sociale robot. De volgende en tevens laatste hypothese is als volgt opgesteld:
3. Methode
Dit onderzoek is een survey onderzoek met vragen die betrekking hebben op de acceptatie van sociale robots. Er werd gebruik gemaakt van een kwantitatieve methode om dit te onderzoeken. In het onderzoek werden de behandelde theorieën als basis gebruikt en de verkregen data werd geanalyseerd om de hypothesen te testen. Er is gekozen voor deze methode, omdat reeds uitgevoerd onderzoek met betrekking tot de acceptatie van nieuwe technologie ook gebruik maakt van kwantitatieve methoden (Fong et al., 2003; Looije et al., 2010; De Ruyter et al., 2005).
3.1 Design
De populatie van het onderzoek bestond uit volwassenen met een leeftijd tussen de 18 en de 71 jaar, woonachtig in Nederland. Deze leeftijd was gekozen omdat voornamelijk mensen van deze leeftijd in aanraking kunnen komen met sociale robots op luchthavens. Er waren 105 respondenten die de enquête hebben ingevuld. Deze enquête werd gemaakt in Google Forms, omdat het een makkelijk medium is om zowel enquêtes te maken als te delen met mogelijke participanten. De vragenlijst bestond uit een inleiding met een kort introducerend filmpje. Dit filmpje ging over de proef op de luchthaven Schiphol met de robot Spencer. Vervolgens werden er 20 korte stellingen gegeven met betrekking tot de de verwachtingen van sociale robots op luchthavens. Deze stellingen werden gebaseerd op de relevante factoren uit het UTAUT-2 model en factoren gevonden in aansluitende literatuur. De volgende factoren werden gemeten: Performance Expectancy, Effort Expectancy, Social Influence,
Facilitating Conditions, Hedonic Motivation, Perceived Sociability, Trust en Behavioral Intention. De gebruikte stellingen zijn gebaseerd op eerder onderzoek omtrent de acceptatie van de sociale robot (Heerink et al., 2010; Venkatesh et al., 2003; Venkatesh et al., 2012). De stellingen werden gescoord op een 5-punts likertschaal: (1) helemaal niet mee eens, (2) niet
mee eens, (3) neutraal, (4) mee eens en (5) helemaal mee eens. Per factor zijn de volgende stellingen gebruikt:
Performance Expectancy Ik ben geïnteresseerd in wat de robot voor mij kan doen. Ik denk dat de robot nuttig voor mij is.
Ik denk dat het handig is om de robot daadwerkelijk te gebruiken op de
luchthaven.
Ik denk dat de robot mij met veel dingen kan helpen.
Effort Expectancy Ik denk dat ik snel zal weten hoe ik de robot moet gebruiken.
Ik denk dat ik de robot zonder hulp kan gebruiken.
Ik denk dat ik de robot kan gebruiken als er iemand in de buurt is om me te helpen.
Social Influence Ik denk dat het personeel zou willen dat ik de robot gebruik.
Ik denk dat het een goede indruk zou geven als ik de robot zou gebruiken.
Facilitating Conditions Ik weet genoeg van de robot om er goed gebruik van te maken.
Ik heb alles wat ik nodig heb om de robot te gebruiken.
Hedonic Motivation Ik denk dat ik het leuk vind om te interacteren met de robot.
Ik vind de robot fascinerend. Ik vind de robot saai.
Perceived Sociability Ik denk dat het prettig is om te praten met de robot.
Ik denk dat de robot prettig is om mee te werken.
Ik denk dat de robot mij tijdens een conversatie een gevoel van begrip kan geven.
Trust Ik zou de robot vertrouwen als hij me advies gaf.
Ik zou het advies volgen dat de robot me geeft.
Behavioral Intention Ik ben van plan de robot te gebruiken als ik op de luchthaven ben.
In de sectie daaropvolgend werden 4 vragen gesteld met betrekking tot de persoonlijke gegevens van de respondent, zoals geslacht, leeftijd en ervaring.
Experience Ik heb ervaring met sociale robots (Ja/Nee).
Indien "Ja" geantwoord: Ik heb een positieve ervaring gehad met een sociale robot.
Gender Geslacht (Man/Vrouw).
3.2 Procedure
Allereerst is er een online enquête aangemaakt. Vervolgens werden er respondenten (N=105) persoonlijk en via sociale platforms benaderd. Bij een benadering werd duidelijk gemaakt wie de onderzoeker was en wat het onderzoek precies inhield. Vervolgens was er een een link beschikbaar die de respondent doorverwees naar de enquête. Om de respons te verhogen, is er gebruik gemaakt van persoonlijke benaderingen en herhaalde meldingen. Van alle respondenten waren er 98 respondenten bruikbaar voor het onderzoek. Zij hadden allen tussen 1 juni 2018 en 15 juni 2018 online via Google Forms de enquête ingevuld en ingediend. Dit werd bewerkstelligd door middel van het delen van de enquête op sociale platforms. Aangezien het onderzoek minimaal een power van 80% moet hebben (Cohen, 1992) en een alpha van 5% wordt gehanteerd, kan met behulp van de sample size tabel in het boek Business research methods and statistics using SPSS van Burns & Burns (2008) de steekproefomvang worden bepaald. Bij een power van 0.80, een alpha level van 0.05 en een effect size van 0.30 hoort een steekproefomvang van 85 respondenten, welk ruim wordt behaald met het aantal bruikbare respondenten.
3.3 Analyse
Voordat de data kon worden gebruikt in SmartPLS, zijn er enkele bewerkingen uitgevoerd. Diverse vragen zijn omgeschaald, omdat dit ofwel nodig was om te kunnen rekenen met de data of vanwege de gebruikte schaal. Bij de stelling: “Ik vind de robot saai” geeft een 5 aan dat de respondent het hier helemaal mee eens is, echter is dit niet positief met betrekking tot de gemeten Behavioral Intention. Daarnaast waren de vragen die betrekking hadden op de ervaring en het geslacht beantwoord met ja of nee en man of vrouw, deze antwoorden zijn respectievelijk omgeschaald naar 1 en 0. Ten slotte is de respons van deelnemers jonger dan 18 jaar verwijderd uit de data. Het aantal respondenten dat hierdoor overblijft is 98, in figuur 5 is de verdeling man/vrouw te zien, welk bijna gelijk verdeeld is.
Figuur 5: De man/vrouw verdeling onder de respondenten (N=98).
Onder de respondenten bevonden zich 12 respondenten die ervaring hadden met een sociale robot. Dit is te zien in figuur 6, waarbij gebruikt wordt gemaakt van de waarden 0 en 1, respectievelijk het ontbreken van ervaring en het hebben van ervaring met een sociale robot.
Figuur 6: De verdeling van ervaring met sociale robots onder de respondenten (N=98).
De data is vervolgens ingelezen met behulp van het programma SmartPLS. Met behulp van dit programma kan een model worden gecreëerd op basis van de theoretische bevindingen. Latente variabelen kunnen worden aangemaakt en aan deze variabelen kunnen verschillende indicatoren worden gekoppeld. De verschillende latente variabelen kunnen vervolgens op specifieke manieren met elkaar worden verbonden, hierdoor ontstaat het gewenste model. Vervolgens kan dit model aan verschillende statistische analyses onderworpen worden, zoals het ‘PLS Algorithm’ en ‘Bootstrapping’.
Op basis van de theoretische bevindingen en de opgestelde hypothesen is een model gecreëerd. Na het koppelen van de stellingen (indicatoren) aan de latente variabelen, ofwel factoren, is het ‘PLS Algorithm’ toegepast op dit model. Na uitvoering van het ‘PLS Algorithm’, zag het model er als volgt uit (zie figuur 7):
Figuur 7: Het model gebaseerd op de literatuur en de opgestelde hypothesen, weergegeven in SPSS na het uitvoeren van het PLS Algorithm.
3.3.2 Betrouwbaarheid
Ten eerste moet de betrouwbaarheid en validiteit van het model worden getest. In SmartPLS kan ‘Composite Reliability’ en ‘Cronbach’s Alpha’ gebruikt worden om de betrouwbaarheid van het construct te meten. De ‘Composite Reliability’ valt hoger uit dan de ‘Cronbach’s Alpha’, daarom zal de ‘Cronbach’s Alpha’ worden gebruikt. Een waarde van 0.7 of hoger is acceptabel en geeft aan dat het construct betrouwbaar is (Wong, 2013). Echter moet de waarde niet gelijk zijn aan 1, want dit betekent dat verschillende indicatoren van het construct precies hetzelfde meten. Tenzij er maar een enkele indicator is voor de latente variabele, dan scoort deze altijd 1. Wanneer de test wordt toegepast op de verkregen data blijkt dat alle constructen, behalve Effort Expectancy, hoger scoren dan 0.7. Zie figuur 8.
Figuur 8: Overzicht van de Cronbach’s Alpha-waarde per construct (factor).
Na verdere analyse bleek dat de stelling: “Ik denk dat ik de robot kan gebruiken als er iemand in de buurt is” niet consistent was met de andere stellingen die als indicator dienen voor de factor Effort Expectancy.
3.3.3 Validiteit
De validiteit van het model wordt bepaald door de convergent validity en de discriminant
validity. De convergent validity meet in welke mate de indicatoren van een factor met elkaar correleren. Dit kan gemeten worden met behulp van de ‘Average Variance Extracted’ (AVE), een ratio van de totale variantie in de indicatoren die verklaard wordt door de latente variabele. De waarde van de AVE is acceptabel wanneer deze boven de 0.5 ligt, want dat geeft aan dat de latente variabele gemiddeld meer dan de helft van de variantie van de indicatoren verklaart (Wong, 2013).. Alle constructen scoorde boven de 0.5, zoals te zien in figuur 9.
Figuur 9: Overzicht van de AVE-waarde per construct (factor).
De discriminant validity meet in hoeverre indicatoren van een factor meer aan elkaar gerelateerd zijn of aan indicatoren van een andere factor. Dit kan gemeten worden met behulp van meerdere methoden. Echter blijkt uit onderzoek van Henseler, Ringle & Sarstedt (2015) dat de ‘Heterotrait-Monotrait Ratio of Correlations’ (HTMT) het meest accuraat is. Wanneer de waarde van de HTMT voor alle constructen onder de 0.9 is, betekent het dat de discriminanten valide zijn. De discriminanten in het gebruikte model zijn allen valide volgens de gevonden HTMT waarden, een overzicht van de gevonden waarden is te zien in figuur 10.
Figuur 10: Overzicht van de HTMT-waarde per construct (factor).
3.3.4 Bevindingen
Door het uitvoeren van bootstrapping worden p-waarden verkregen. De p-waarde wordt vervolgens gebruikt om de resultaten te beoordelen op significantie. Dit vindt plaats op basis van de steekproefgegevens. Wanneer de p-waarde lager is dan 0.05 is er sprake van een
significante relatie, uitgaande van een alpha van 0.05. Dit betekent dat de kans dat een dergelijke relatie per toeval is gevonden, terwijl er eigenlijk geen relatie is, kleiner dan 5 procent is. Bij alle hypothesen wordt de 0-hypothese getoetst, wanneer er een significant verband wordt aangetoond, zal deze verworpen worden.
H1: Performance Expectancy is van invloed op de Behavioral Intention en wordt beïnvloed door Age en Gender. De relatie tussen Performance Expectancy en Behavioral Intention
geeft een p-waarde van 0.000, een waarde die aangeeft dat er een significant verband is.. Performance Expectancy verklaart voor ongeveer 36 procent de variantie in Behavioral Intention. Echter is het verband tussen Age en Performance Expectancy niet significant (p-waarde: 0.119), eveneens als het verband tussen Gender en Performance Expectancy (p-waarde: 0.424). De 0-hypothese wordt verworpen en H1 wordt dus deels aangenomen.
H2: Effort Expectancy is van invloed op de Behavioral Intention en wordt beïnvloed door Age, Gender en Experience. De relatie tussen Effort Expectancy en Behavioral Intention geeft een p-waarde van 0.362, een waarde die aangeeft dat er geen significant verband is. Hiermee wordt de 0-hypothese niet verworpen.
H3: Social Influence is van invloed op de Behavioral Intention en wordt beïnvloed door Age, Gender en Experience. De relatie tussen Social Influence en Behavioral Intention geeft een p-waarde van 0.053, een waarde die aangeeft dat er geen significant verband is. Hierbij moet een kanttekening worden gemaakt, want deze waarde ligt enorm dicht bij het niveau waarop een significant verband vastgesteld kan worden. Een alpha van 0.6 zou namelijk al zorgen voor significantie. Social Influence verklaart voor ongeveer 15 procent de variantie in Behavioral Intention. Echter is het verband tussen Age en Social Influence niet significant (p-waarde: 0.200), eveneens als het verband tussen Gender en Social Influence (p-waarde: 0.416) en het verband tussen Experience en Social Influence (p-waarde: 0.537). De gevonden p-waarde van 0.053 in combinatie met het effect (0.147) zorgt ervoor dat de 0-hypothese toch wordt verworpen en H3 dus deels wordt aangenomen.
H4: Facilitating Conditions is van invloed op de Behavioral Intention en wordt beïnvloed door Age en Experience. De relatie tussen Facilitating Conditions en Behavioral Intention geeft een p-waarde van 0.423, een waarde die aangeeft dat er geen significant verband is. Hiermee wordt de 0-hypothese niet verworpen.
H5: Hedonic Motivation is van invloed op de Behavioral Intention en wordt beïnvloed door Age, Gender en Experience. De relatie tussen Hedonic Motivation en Behavioral Intention geeft een p-waarde van 0.015, een waarde die aangeeft dat er een significant verband is. Hedonic Motivation verklaart voor ongeveer 20 procent de variantie in Behavioral Intention. Het verband tussen Age en Hedonic Motivation is significant (p-waarde: 0.023). Echter is het verband tussen Gender en Hedonic Motivation (p-waarde: 0.920), eveneens als het verband tussen Experience en Hedonic Motivation (p-waarde: 0.777) niet significant. De 0-hypothese wordt verworpen en H5 wordt dus deels aangenomen.
H6: Perceived Sociability is van invloed op de Behavioral Intention. De relatie tussen
Perceived Sociability en Behavioral Intention geeft een p-waarde van 0.023, een waarde die aangeeft dat er een significant verband is. Perceived Sociability verklaart voor ongeveer 19 procent de variantie in Behavioral Intention. Hiermee wordt de 0-hypothese verworpen en H6 wordt dus aangenomen.
H7: Trust is van invloed op de Behavioral Intention. De relatie tussen Trust en Behavioral Intention geeft een p-waarde van 0.011, een waarde die aangeeft dat er een significant verband is. Trust verklaart voor ongeveer 24 procent de variantie in Behavioral Intention. Hiermee wordt de 0-hypothese verworpen en H7 wordt dus aangenomen.
3.3.5 Verbeterd model
Nu de hypothesen getoetst zijn en bekend is welke hypothesen worden verworpen, kan een verbeterd model worden gecreëerd. Dit model is te zien in figuur 11.
Figuur 11: Het verbeterde model weergegeven in SPSS na het uitvoeren van het PLS Algorithm.
Ten eerste moet de betrouwbaarheid van het model worden aangetoond. De ‘Composite Reliability’ en ‘Cronbach’s Alpha’ worden gebruikt om de betrouwbaarheid van het construct te meten. Wanneer de twee testen worden toegepast op het verbeterde model blijkt dat alle constructen hoger scoren dan 0.7 (zie bijlage 1), een uitkomst die aangeeft dat de constructen betrouwbaar zijn (Wong, 2013). Daarnaast moet de validiteit van het model opnieuw worden aangetoond, welke wordt bepaald door de convergent validity en de discriminant validity. De
convergent validity wordt gemeten met behulp van de ‘Average Variance Extracted’ (AVE). Alle constructen aanwezig in het verbeterde model scoorden boven de 0.5 (zie bijlage 1), een acceptabele waarde, want dat geeft aan dat de latente variabele gemiddeld meer dan de helft van de variantie van de indicatoren verklaart (Wong, 2013).
De discriminant validity wordt gemeten met behulp van de ‘Heterotrait-Monotrait Ratio of Correlations’ (HTMT) (Henseler, 2015). De discriminanten in het verbeterde model zijn allen valide volgens de gevonden HTMT waarden, zij scoorde namelijk allen onder de 0.9 (zie bijlage 3).
Vervolgens kan er gekeken worden naar de significantie van de verbanden tussen de latente factoren van het verbeterde model. Alle verbanden hebben een p-waarde van 0.05 of lager, dit geeft aan dat alle verbanden significant zijn. Een overzicht van deze p-waarden is te zien in figuur 12.
Figuur 12: Een overzicht van de p-waarden na uitvoering van bootstrapping op het
verbeterde model in SPSS.
In figuur 11 wordt de verklaarde variantie ( R2) weergeven in de blauwe cirkel die de latente factor voorsteld. Hieruit blijkt dat het verbeterde model voor 69.2 procent de variantie in de intentie om de sociale robot te gebruiken (Behavioral Intention) verklaart.
4. Conclusie
In deze paragraaf worden de belangrijkste conclusies besproken die uit de onderzoeksresultaten kunnen worden afgeleid.
Dit onderzoek heeft aangetoond dat bestaande modellen die de acceptatie van technologie verklaren niet voldoen wanneer het gaat om de acceptatie van de sociale robot. Verschillende modellen zoals het TAM, UTAUT-1 en UTAUT-2 model zijn gericht op het gebruik van de technologie zelf. Echter bij gebruik van de sociale robot vindt ook sociale interactie plaats. Deze sociale interactie is van invloed op het gebruik van de sociale robot en daarmee de acceptatie hiervan.
Het model dat de acceptatie van de inzet van de sociale robot op luchthavens verklaart, is gebaseerd op enkele factoren afkomstig uit het UTAUT-2 model en factoren die van belang zijn bij sociale interactie. Het model maakt gebruik van de factoren: Performance
Expectancy, Social Influence, Hedonic Motivation en Age, afkomstig uit het UTAUT-2
model. Daarnaast blijkt dat sociale vaardigheden (Perceived Sociability) en vertrouwen (Trust) bijdragen aan een betere sociale interactie. Dit leidt vervolgens tot een hogere intentie om de sociale robot te gebruiken ( Behavioral Intention). Het gebruik van de technologie is gerelateerd aan de acceptatie hiervan (Heerink et al., 2010; Venkatesh et al., 2003; Venkatesh et al., 2012).
Aan de hand van dit model kan 69.2 procent van de variantie in de intentie om de sociale robot te gebruiken worden verklaard. Er zijn twee factoren afkomstig uit het UTAUT-2 model weggelaten en twee factoren toegevoegd die specifiek van belang zijn bij sociale robots. Hierdoor is het model toegespitst op het gebruik van de sociale robot. De verklaarde variantie is in lijn met het UTAUT-2 model en bovendien vrij hoog, mensen zijn namelijk moeilijker te voorspellen dan bijvoorbeeld fysieke processen (Hubscher-Davidson, 2017).
5. Discussie
Het doel van dit onderzoek was het beantwoorden van de volgende vraag: Aan de hand van welk model kan de acceptatie van de inzet van sociale robots op luchthavens worden verklaard? Het resulterende model laat zien dat er meerdere factoren van invloed zijn op de acceptatie van de sociale robot, zowel factoren gebaseerd op het gebruik van de technologie als factoren gebaseerd op sociale interactie.
5.1 Theoretische implicaties
Dit onderzoek heeft voorzien in de behoefte aan verdere theorieontwikkeling over de acceptatie van sociale robots, door te laten zien dat er meer factoren van belang zijn dan de factoren gebruikt in bestaande modellen, zoals het UTAUT-2 model.
De resultaten laten zien dat bepaalde factoren aanwezig in het UTAUT-2 model niet altijd even relevant zijn. De factoren Effort Expectancy en Facilitating Conditions zijn namelijk niet meegenomen in het resulterende model. Bovendien bleken de factoren Gender en
Experience die volgens het UTAUT-2 model van belang zouden zijn, geen significant
verband te hebben met andere factoren binnen het resulterende model in dit onderzoek. Het uniforme model (UTAUT-2) voldoet dus niet in alle situaties. Deze bevinding draagt bij aan vervolgonderzoek omtrent deze modellen.
Bovendien is er nog relatief weinig onderzoek gedaan naar de sociale robot. Bestaande modellen, zoals het UTAUT-2 model, houden geen rekening met deze nieuwe vorm van technologie, waarbij sociale interactie een grote rol speelt. Deze modellen focussen zich namelijk op de acceptatie van de technologie zelf, terwijl de sociale robot veel meer is dan alleen technologie. Doordat er in dit onderzoek dieper is ingegaan op de sociale aspecten die van invloed zijn op de acceptatie van de sociale robot is dit onderzoek van toegevoegde waarde voor verdere theorieontwikkeling.
5.2 Praktische implicaties
In deze paragraaf wordt de betekenis van de resultaten voor de praktijk behandeld. Nu er een model tot stand is gekomen, gericht op de acceptatie van de sociale robot, kan er gekeken worden naar de verschillende factoren die aanwezig zijn in het model. Bij de verdere ontwikkeling van de sociale robot, kunnen deze verschillende factoren gebruikt worden om een hogere acceptatie te bewerkstelligen. Dit kan vervolgens leiden tot een betere integratie van de sociale robot op luchthavens en wellicht in de gehele maatschappij.
Wanneer reizigers op luchthavens de inzet van sociale robots accepteren en daadwerkelijk willen gebruiken, ontlast dit de werknemers. Zoals eerder genoemd, wordt het steeds drukker op luchthavens en staan de werknemers daardoor meer onder druk. Wanneer de sociale robot succesvol taken kan overnemen van de werknemers, verlicht dit de werkdruk van de medewerkers en krijgen de reizigers dezelfde service. Hierdoor houden reizigers ondanks de toenemende drukte evengoed een positieve ervaring over aan de luchthaven.
Daarnaast kunnen de bevindingen in dit onderzoek er voor zorgen dat er meer onderzoek gedaan zal worden naar de sociale aspecten van de sociale robot. Dit kan vervolgens bijdragen aan de ontwikkeling van deze technologie en de verdere en wellicht betere integratie van de sociale robot in de maatschappij.
5.3 Beperkingen en aanbevelingen voor toekomstig onderzoek
In deze paragraaf wordt een volledig inzicht gegeven in de methodische beperkingen van het uitgevoerde onderzoek. Onderdelen van de onderzoeksmethode die mogelijk de betrouwbaarheid en de validiteit van de resultaten hebben beïnvloed worden hier behandeld.
Een mogelijke beperking van dit onderzoek is de steekproef, De respondenten zijn benaderd via sociale platforms, waardoor de respondenten voornamelijk afkomstig zijn uit eigen sociale kring, is er mogelijk geen sprake van een aselecte steekproef. Bovendien is het aantal respondenten (N=98) niet representatief voor de gehele Nederlandse populatie, met een betrouwbaarheidsniveau van 95 procent en een foutenmarge van 5 procent moeten er
namelijk 384 respondenten zijn (Barlett, Kotrlik & Higgins, 2001). Vervolgonderzoek met een gelijksoortig ontwerp met een grotere, meer diverse steekproef is nodig om de generaliseerbaarheid van de resultaten van dit onderzoek te toetsen. Daarnaast had 12.2 procent van de respondenten ervaring met een sociale robot. Om het onderwerp te introduceren aan de respondenten begon de enquête met een introductiefilmpje en een korte inleiding. Voor respondenten zonder enige ervaring met sociale robots is het wellicht lastig om een compleet beeld te schetsen. Daarnaast baseren de respondenten hun mening voornamelijk op het getoonde filmpje, er vond geen interactie plaats met de sociale robot. Dit zou van invloed kunnen zijn op de resultaten.
Een opvallende bevinding in dit onderzoek is het ontbreken van twee belangrijke factoren in het model. De factoren Effort Expectancy en Facilitating Conditions zijn namelijk niet meegenomen in het resulterende model, terwijl uit literatuur blijkt dat deze van belang zijn bij de acceptatie van technologie. Wellicht is de context waarin de technologie gebruikt wordt van belang, in dit onderzoek ligt de focus namelijk op luchthavens, een openbare ruimte. Het gebruik van de sociale robot in openbare ruimtes is oppervlakkiger dan die bij persoonlijk gebruik. Dit zou kunnen leiden tot andere belangen bij de gebruikers, echter zal dit getoetst moeten worden in vervolgonderzoek om een mogelijke uitspraak te kunnen doen.
6. Literatuur
Barlett, J. E., Kotrlik, J. W., & Higgins, C. C. (2001). Organizational research: Determining appropriate sample size in survey research. Information technology, learning, and
performance journal, 19(1), 43.
Brown, S. A., & Venkatesh, V. (2005). Model of adoption of technology in households: A baseline model test and extension incorporating household life cycle. MIS quarterly, 399-426.
Burns, R. P., & Burns, R. (2008). Business research methods and statistics using SPSS. Sage.
Byrne, B. M. (2016). Structural equation modeling with AMOS: Basic concepts, applications,
and programming. Routledge.
Cohen, J. (1992). A power primer. Psychological bulletin, 112(1), 155.
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.
Emrah Kanat, İ., & Özkan, S. (2009). Exploring citizens' perception of government to citizen services: A model based on theory of planned behaviour (TBP). Transforming Government:
People, Process and Policy, 3(4), 406-419.
Fishbein, M., & Ajzen, I. (1975). Belief, attitude, intention, and behavior: An introduction to theory and research. Reading, MA: Addison-Wesley.
Fong, T., Nourbakhsh, I., & Dautenhahn, K. (2003). A survey of socially interactive robots.
Forlizzi, J. (2007). How robotic products become social products: an ethnographic study of cleaning in the home. In Proceedings of the ACM/IEEE international conference on
Human-robot interaction (pp. 129-136). ACM.
Goldberg, L. R. (1999). A broad-bandwidth, public domain, personality inventory measuring the lower-level facets of several five-factor models. In I. Mervielde, I. Deary, F. De Fruyt, & F. Ostendorf (Eds.), Personality Psychology in Europe, Vol. 7 (pp. 7-28). Tilburg, The Netherlands: Tilburg University Press.
Gresham, F. M., Elliott, S. N., Vance, M. J., & Cook, C. R. (2011). Comparability of the Social Skills Rating System to the Social Skills Improvement System: Content and psychometric comparisons across elementary and secondary age levels. School Psychology
Quarterly, 26(1), 27.
Hameed, I. A., Tan, Z. H., Thomsen, N. B., & Duan, X. (2016). User acceptance of social robots. Ninth International Conference on Advances in Computer-Human Interactions
(ACHI-2016: Human-robot interaction) International Conference on Advances in Computer-Human Interaction (pp. 274-279). IARIA XPS Press.
Heerink, M. (2010).Assessing acceptance of assistive social robots by aging adults (Doctoral
dissertation, Universiteit van Amsterdam [Host]).
Heerink, M., Kröse, B., Evers, V., & Wielinga, B. (2010). Assessing acceptance of assistive social agent technology by older adults: the almere model. International journal of social robotics, 2(4), 361-375.
Henseler, J., Ringle, C. M., and Sarstedt, M. (2015). A New Criterion for Assessing Discriminant Validity in Variance-based Structural Equation Modeling. Journal of the Academy of Marketing Science, 43(1), 115-135.
Hubscher-Davidson, S. (2017). Translation and Emotion: A Psychological Perspective.
IATA. (2017, 24 oktober). 2036 Forecast Reveals Air Passengers Will Nearly Double to 7.8
Billion. Geraadpleegd op 26 april 2018, van
http://www.iata.org/pressroom/pr/Pages/2017-10-24-01.aspx
Lee, K. M., Peng, W., Jin, S. A., & Yan, C. (2006). Can robots manifest personality?: An empirical test of personality recognition, social responses, and social presence in human–robot interaction. Journal of communication, 56(4), 754-772.
Looije, R., Neerincx, M. A., & Cnossen, F. (2010). Persuasive robotic assistant for health self-management of older adults: Design and evaluation of social behaviors. International
Journal of Human-Computer Studies, 68(6), 386-397.
Marsh, S., Briggs, P., & Wagealla, W. (2004). Considering trust in ambient societies. In
CHI'04 Extended Abstracts on Human Factors in Computing Systems (pp. 1707-1708).
ACM.
Mitsunaga, N., Miyashita, Z., Shinozawa, K., Miyashita, T., Ishiguro, H., & Hagita, N. (2008, September). What makes people accept a robot in a social environment-discussion from six-week study in an office. In Intelligent Robots and Systems, 2008. IROS 2008. IEEE/RSJ
International Conference on (pp. 3336-3343). IEEE.
Paternoster, J. (2008). Excellent airport customer service meets successful branding strategy.
Journal of Airport Management, 2(3), 218-226.
De Ruyter, B., Saini, P., Markopoulos, P., & Van Breemen, A. (2005). Assessing the effects of building social intelligence in a robotic interface for the home. Interacting with computers,
17(5), 522-541.
Upham, P., Thomas, C., Gillingwater, D., & Raper, D. (2003). Environmental capacity and airport operations: current issues and future prospects.Journal of Air Transport Management, 9(3), 145-151.
Venkatesh, V., & Davis, F. D. (2000). A theoretical extension of the technology acceptance model: Four longitudinal field studies. Management science, 46(2), 186-204.
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.
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.
Wong, K. K. K. (2013). Partial least squares structural equation modeling (PLS-SEM) techniques using SmartPLS. Marketing Bulletin, 24(1), 1-32.
7. Bijlage
Bijlage 1:
