TEKNOLOJİ KABUL MODELİ ÇERÇEVESİNDE, TÜKETİCİLERİN YAPAY ZEKÂ ARAÇLARINI KULLANIMLARINDA ALGILANAN FAYDA, TUTUM VE NİYETLER ARASINDAKİ İLİŞKİ: ETİK KAYGILARIN DÜZENLEYİCİ ETKİSİ

Yıl 2024, Cilt: 22 Sayı: Özel Sayı: Endüstri 4.0 ve Dijitalleşmenin Sosyal Bilimlerde Yansımaları, 1472 - 1498, 30.09.2024

Kürşad Özkaynar

https://doi.org/10.35408/comuybd.1515898

Öz

Yapay zekâ araçlarının çeşitli tüketici uygulamalarına entegrasyonu her geçen gün artmaktadır. Bu doğrultuda çalışma, Teknoloji Kabul Modeli (TKM) çerçevesinde, tüketiciler tarafından yapay zekâ araçlarının kullanımı bağlamında algılanan faydalar, tutumlar ve davranışsal niyetler arasındaki ilişkileri araştırmayı amaçlamaktadır. Çalışmada, etik kaygıların düzenleyici rolü, bu ilişkiler üzerindeki etkisini anlamak için incelenmiştir. Tüm bu ilişkiler için araştırma modeli oluşturulmuş, model uyarınca hipotezler geliştirilmiştir. Kavramsal çerçeveyi desteklemek için kapsamlı bir literatür taraması yapılarak, TKM tüketici davranışı ve teknolojinin benimsenmesinde etik hususlar üzerine yapılan önceki çalışmalardan içgörüler elde edilmiştir. Nicel araştırma metodolojisinin kullanıldığı çalışmada gerekli veriyi toplamak için yararlanılan yapılandırılmış anket formu, Grassini (2023), Venkatesh ve Davis (2000), Rahman vd. (2017) ile Mai’nin (2023) doğrulanmış ölçeklerinden uyarlanmış sorulardan oluşturulmuştur. Evren, yapay zekâ araçlarını kullanma potansiyeline sahip geniş bir tüketici kitlesinden oluşmaktadır. Örnekleme yöntemi olarak tabakalı rastgele örnekleme yöntemi kullanılmıştır. Elde edilen veriler SPSS ve Smart-PLS yazılımları kullanılarak analiz edilmiştir. Bulgular, algılanan faydaların yapay zekâ araçlarına yönelik olumlu tutumları önemli ölçüde artırdığını ve bunun da söz konusu araçları kullanmaya yönelik davranışsal niyetleri desteklediğini göstermektedir. Bununla birlikte, etik kaygılar kritik bir düzenleyici faktör olarak ortaya çıkmamaktadır. Etik kaygılar, olumlu tutum ve niyetlere rağmen yapay zekâ araçları kullanımına yönelik niyeti etkilememektedir. Yani kullanıcıların yapay zekâ araçlarını kullanımlarında etik kaygıların düzenleyici etkisi bulunmamaktadır. Bu durum, politika yapıcıların etik konuları proaktif olarak ele almaları gerektiğinin altını çizmektedir. Çalışma, yapay zekâ araçlarına dair tutumları, niyetleri ve etik kaygıları, Teknoloji Kabul Modeli çerçevesine entegre ederek literatüre katkıda bulunmakta ve yapay zekâ alanındaki tüketici davranışının açıklanmasına yardımcı olmaktadır.

Anahtar Kelimeler

Tüketici Davranışı, Teknoloji Kabul Modeli, Yapay Zekâ, Etik

THE RELATIONSHIP BETWEEN PERCEIVED BENEFITS, ATTITUDES AND INTENTIONS IN CONSUMERS' USE OF ARTIFICIAL INTELLIGENCE TOOLS WITHIN THE FRAMEWORK OF THE TECHNOLOGY ACCEPTANCE MODEL: THE MODERATING EFFECT OF ETHICAL CONCERNS

Öz

The integration of artificial intelligence tools into various consumer applications is increasing daily. Accordingly, this study aims to investigate the relationships between perceived benefits, attitudes and behavioural intentions in the context of consumers' use of artificial intelligence tools within the framework of the Technology Acceptance Model (TAM). The study examines the moderating role of ethical concerns to understand their impact on these relationships. A research model was created for all these relationships, and hypotheses were developed by the model. To support the conceptual framework, a comprehensive literature review was conducted, and insights were obtained from previous studies on CPC consumer behaviour and ethical considerations in technology adoption. The structured questionnaire form used to collect the necessary data for the quantitative research methodology was composed of questions adapted from the validated scales of Grassini (2023), Venkatesh and Davis (2000), Rahman et al. (2017) and Mai (2023). The population consists of a wide range of consumers who have the potential to use artificial intelligence tools. A stratified random sampling method was used. The data obtained were analysed using SPSS and Smart-PLS software. The findings show that perceived benefits significantly increase positive attitudes towards AI tools, supporting behavioural intentions to use such tools. However, ethical concerns do not emerge as a critical moderating factor. Ethical concerns do not affect the intention to use AI tools despite positive attitudes and intentions. In other words, ethical concerns do not have a regulating effect on users' use of artificial intelligence tools. This underlines the need for policymakers to address ethical issues proactively. The study contributes to the literature by integrating attitudes, intentions and ethical concerns about AI tools into the Technology Acceptance Model framework. It helps to explain consumer behaviour in the field of artificial intelligence.

Anahtar Kelimeler

Consumer Behavior, Technology Acceptance Model, Artificial Intelligence, Ethic

Kaynakça

• Altunışık, R., Coşkun, R., Bayraktaroğlu, S., & Yıldırım, E. (2004). Sosyal Bilimlerde Araştırma Yöntemleri (3 b.). Sakarya: Sakarya Kitabevi.
• Aristotales. (2007). Nikomakhos'a Etik. (S. Babür, Çev.) Ankara: BilgeSu Yayınları.
• Arslan, R., & Demir, G. (2022). G-Power ve Minitab Uygulamalı Örnekleme Yöntemleri. Nobel Bilimsel.
• Banger, G. (2022). Yeni Teknolojiler, Dijital Dönüşüm ve İş Modelleri. Ankara: Günce Yayınları.
• Başaran, Ü., & Aksoy, R. (2015). Algılanan Fayda ve Fedakarlık Bileşenlerinin Algılanan Müşteri Değeri Üzerindeki Etkisi. Ege Akademik Bakış, 15(3), s. 379-399. https://dergipark.org.tr/tr/download/article-file/560707 adresinden alındı
• Bayır, T., Çam, S., & Tuna, M. F. (2024). Does knowledge and concern regarding food supplement safety affect the behavioral intention of consumers? An experimental study on the theory of reasoned action. Front. Nutr., 10, s. 1-13. doi:https://doi.org/10.3389/fnut.2023.1305964
• Bentler, P. M., & Bonett, D. G. (1980). Significance tests and goodness of fit in the analysis of covariance structures. Psychological Bulletin, 88(3), s. 588-606. doi:https://psycnet.apa.org/doi/10.1037/0033-2909.88.3.588
• Bhagat, R., Chauhan, V., & Bhagat, P. (2022). Investigating the impact of artificial intelligence on consumer’s purchase intention in e-retailing. Foresight, 25(2), s. 249-263. doi:https://doi.org/10.1108/FS-10-2021-0218
• Bülbül, R. A. (2001). İletişim ve Etik. Ankara: Nobel Yayıncılık.
• Calahorra-Candao, G., & Martin-de Hoyos, M. J. (2024). From Typing to Talking: Unveiling AI’s Role in the Evolution of Voice Assistant Integration in Online Shopping. Information, 15(4), s. 202. doi:https://doi.org/10.3390/info15040202
• Chen, H., Chan-Olmsted, S., Kim, J., & Sanabria, I. M. (2022). Consumers’ perception on artificial intelligence applications in marketing communication. Qualitative Market Research, 25(1), s. 125-142. doi:https://doi.org/10.1108/QMR-03-2021-0040
• Cui, A. S., & Wu, F. (2018). Customer Involvement in Innovation: A Review of Literature and Future Research Directions. R. Varadarajan, & S. Jayachandran (Dü) içinde, Innovation and Strategy (s. 63-98). Leeds: Emerald Publishing Limited. doi:https://doi.org/10.1108/S1548-643520180000015005
• Davis, F. D. (1989, September). Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology. MIS Quarterly, 13(3), s. 319-340. doi:https://doi.org/10.2307/249008
• Dijital Dönüşüm Ofisi. (2024). Türkiye Cumhuriyeti Cumhurbaşkanlığı Dijital Dönüşüm Ofisi. cbddo.gov.tr: https://cbddo.gov.tr/sss/yapay-zeka/ adresinden alındı
• Dijkstra, T. K., & Henseler, J. (2015). Consistent and asymptotically normal PLS estimators for linear structural equations. Computational Statistics & Data Analysis, 81, s. 10-23. doi:https://doi.org/10.1016/j.csda.2014.07.008
• Eren-Erdoğmuş, İ. (2020). Yapay Zekâ Kullanarak İyileştirilmiş ve Kişiselleştirilmiş Müşteri Deneyimi Oluşturmak. M. K. Yılmaz, & N. Ö. İyigün (Dü) içinde, Oyun Değiştiren Güç Yapay Zekâ (s. 67-94). Beta Yayınları.
• Febriani, R. A., Sholahuddin, M., Kuswati, R., & Soepatini. (2022). Do Artificial Intelligence and Digital Marketing Impact Purchase Intention Mediated by Perceived Value? Journal of Business and Management Studies, 4(4), s. 184-196. doi:https://doi.org/10.32996/jbms.2022.4.4.28
• Fetscherin, M., & Lattemann, C. (2008). User Acceptance of Virtual Worlds. Journal of Electronic Commerce Research, 9(3), s. 231-242. http://www.jecr.org/node/134 adresinden alındı
• Fornell, C., & Larcker, D. F. (1981). Evaluating Structural Equation Models with Unobservable Variables and Measurement Error. Journal of Marketing Research, 18(1), s. 39-50. doi:https://doi.org/10.1177/002224378101800104
• Forsythe, S., Liu , C., Shannon, D., & Gardner, L. C. (2006). Development of a scale to measure the perceived benefits and risks of online shopping. Journal of Interactive Marketing, s. 55-75. doi:https://doi.org/10.1002/dir.20061
• Freidlin, B., Miao, W., & Gastwirth, J. L. (2003). On the Use of the Shapiro-Wilk Test in Two-Stage Adaptive Inference for Paired Data from Moderate to Very Heavy Tailed Distributions. Biometrical Journal, 45(7), s. 887-900. doi:https://doi.org/10.1002/bimj.200390056
• Gefen, D., Karahanna, E., & Straub, D. W. (2003, March). Trust and TAM in Online Shopping: An Integrated Model. MIS Quarterly, 27(1), s. 51-90. doi:https://doi.org/10.2307/30036519
• Gooinn. (2023). Yapay Zeka Raporu. Gooinn Türkiye. https://www.gooinn.co/2023-turkiye-inovasyon-raporu adresinden alındı
• Grassini, S. (2023). Development and validation of the AI attitude scale (AIAS-4): a brief measure of general attitude toward artificial intelligence. Front. Psychol., 14, s. 1-12. doi:https://doi.org/10.3389/fpsyg.2023.1191628
• Hair, J. F., Babin, B. J., Black, W. C., & Anderson, R. E. (2019). Multivariate Data Analysis (8 b.). Cengage.
• Hair, J. F., Black, W. C., & Babin, B. J. (2010). Multivariate Data Analysis: A Global Perspective. Pearson Education.
• Hair, J. F., Matthews, L. M., Matthews, R. L., & Sarstedt, M. (2017). PLS-SEM or CB-SEM: updated guidelines on which method to use. International Journal of Multivariate Data Analysis, 1(2), s. 107-123. doi:https://doi.org/10.1504/IJMDA.2017.087624
• Henseler, J., Ringle, C. M., & 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), s. 115-135. doi:https://doi.org/10.1007/s11747-014-0403-8
• Hogg, M. A., & Vaughan, G. M. (2007). Sosyal Psikoloji. (İ. Yıldız, & A. Gelmez, Çev.) İstanbul: Ütopya Yayınları.
• İnceoğlu, M. (2011). Tutum Algı İletişim (6 b.). Ankara: Siyasal Kitabevi.
• Jain, V., Wadhwani, K., & Eastman, J. K. (2023). Artificial intelligence consumer behavior: A hybrid review and research agenda. Journal of Consumer Behaviour, 23(2), s. 676-697. doi:https://doi.org/10.1002/cb.2233
• Jo, H. (2022). Continuance intention to use artificial intelligence personal assistant: type, gender, and use experience. Heliyon, 8, s. 1-13. doi:https://doi.org/10.1016/j.heliyon.2022.e10662
• Krech, D., & Crutchfield, R. S. (1967). Sosyal Psikoloji, Teori ve Sorunlar. (E. Güçbilmez, & O. Onaran, Çev.) Türk Siyasi İlimler Derneği Yayınları.
• Kuçuradi, İ. (1988). Uludağ Konuşmaları, Özgürlük, Ahlak, Kültür Kavramları. Ankara: Türkiye Felsefe Kurumu Yayınları.
• Kurzweil, R. (2015). Bir Zihin Yaratmak. (D. Gostolüpçe, Çev.) İstanbul: İstanbul Bilgi Üniversitesi Yayınları.
• Liu, P., Yang, R., & Xu, Z. (2018). Public Acceptance of Fully Automated Driving: Effects of Social Trust and Risk/Benefit Perceptions. Risk Analysis, 39, s. 326-341. doi:https://doi.org/10.1111/risa.13143
• Lohmöller, J.-B. (1989). Latent Variable Path Modeling with Partial Least Squares. Springer Science & Business Media. doi:https://doi.org/10.1007/978-3-642-52512-4
• Loureiro, S. C., Jiménez-Barreto, J., Bilro, R. G., & Romero, J. (2024). Me and my AI: Exploring the effects of consumer self-construal and AI-based experience on avoiding similarity and willingness to pay. Psychology & Marketing, 41, s. 151-167. doi:https://doi.org/10.1002/mar.21913
• Ma, Y., Koondhar, M. A., Liu, S., Wang, H., & Kong, R. (2020). Perceived Value Influencing the Household Waste Sorting Behaviors in Rural China. International Journal of Environmental Research and Public Health, 17, s. 6093. doi:https://doi.org/10.3390/ijerph17176093
• Mai, W. (2023). Developing an Ethical Framework for Artificial Intelligence in Investment Decision-Making: A Fuzzy Analytic Hierarchy Analysis. Proceedings of the 5th Management Science Informatization and Economic Innovation Development Conference, MSIEID 2023. Guangzhou, Republic of China: EAI. doi:http://dx.doi.org/10.4108/eai.8-12-2023.2344816
• Marangunic, N., & Granic, A. (2014). Technology acceptance model: a literature review from 1986 to 2013. Universal Access in the Information Society, 14, s. 81-95. doi:https://doi.org/10.1007/s10209-014-0348-1
• Masimov, K. (2021). Dünyanın Bir Sonraki Hakimi: Yapay Zekâ. (Delovoy Mir Astana Yayınevi, Çev.) Ankara: Delovoy Mir Astana Yayınevi.
• Mete, M. H. (2023). Sosyal Bilimlerde Büyük Veri Analitiği, Yapay Zeka ve Makine Öğreniminin Kullanımı. Anadolu Üniversitesi Sosyal Bilimler Dergisi, 23(1), s. 99-120. doi:https://doi.org/10.18037/ausbd.1272565
• Microsoft. (2024). The AI Strategy Roadmap: Navigating the Stages of AI Value Creation. Microsoft. https://www.microsoft.com/en-us/microsoft-cloud/blog/2024/04/03/the-ai-strategy-roadmap-navigating-the-stages-of-value-creation/ adresinden alındı
• Nofirda, F. A., & Ikram, M. (2023). The Use of Artificial Intelligence on Indonesia Online Shopping Application in Relation to Customer Acceptance. Proceedings of the Ninth Padang International Conference On Economics Education, Economics, Business and Management, Accounting and Entrepreneurship (PICEEBA 2022) (s. 642 - 651). Atlantis Press. doi:https://doi.org/10.2991/978-94-6463-158-6_56
• Ocak, A. (2023). Algılanan Kullanım Kolaylığı, Algılanan Fayda, Güven Duyma ve Keyif Alma Faktörleri İle Aynı Web Sitesi Üzerinden Yeniden Alışveriş Yapma Niyeti Arasındaki İlişki. İşletme Araştırmaları Dergisi, 15(2), s. 1165-1177. doi:https://doi.org/10.20491/isarder.2023.1642
• Rahman, M. M., Lesch, M. F., Horrey, W. J., & Strawderman, L. (2017). Assessing the utility of TAM, TPB, and UTAUT for advanced driver assistance systems. Accident Analysis and Prevention, 108, s. 361-373. doi:https://doi.org/10.1016/j.aap.2017.09.011
• Rose, V. S., Hyde, R. M., & Macfie, H. J. (1990). U.K Usage of Chemometrics and Artificial Intelligence in QSAR Analysis. Journal of Chemometrics, 4, s. 355-360. doi:https://doi.org/10.1002/cem.1180040504
• Sakallı-Uğurlu, N. (2018). Sosyal Psikolojide Tutumlar ve Tutum Değişimi (1 b.). Ankara: İmge Kitabevi.
• Snee, H., Hine, C., Morey, Y., Roberts, S., & Watson, H. (2016). Ana Akım Yöntembilim Olarak Dijital Yöntemler. H. Snee, C. Hine, Y. Morey, S. Roberts, & H. Watson içinde, Sosyal Bilimler İçin Dijital Yöntemler (S. Ersöz Karakulakoğlu, Çev.). Ankara: Nobel Yayınları.
• Supriadi, A. (2024). The Impact of Artificial Intelligence (AI) on Marketing Strategy. Management Studies and Business Journal, 1(1), s. 146-153. doi:https://doi.org/10.62207/pspbtk28
• Taylor, S., & Todd, P. A. (1995). Understanding Information Technology Usage: A Test of Competing Models. Information Systems Research, 6(2), s. 144-176. doi:https://doi.org/10.1287/isre.6.2.144
• Tegmark, M. (2021). Yaşam 3.0 (2 b.). (E. C. Göksoy, Çev.) İstanbul: Pegasus Yayınları.
• Tutar, H. (2014). Sosyal Psikoloji (2 b.). Ankara: Seçkin Yayınları.
• Venkatesh, V. (2000). Determinants of Perceived Ease of Use: Integrating Control, Intrinsic Motivation, and Emotion into the Technology Acceptance Model. Information Systems Research, 11(4), s. 342-365. doi:https://doi.org/10.1287/isre.11.4.342.11872
• Venkatesh, V., & Davis, F. D. (2000). A Theoretical Extension of the Technology Acceptance Model: Four Longitudinal Field Studies. Management Science, 46(2), s. 186-204. https://www.jstor.org/stable/2634758?seq=1 adresinden alındı
• Yüksel, C. (2010). Siyasette Etik. İstanbul: Boğaziçi Üniversitesi Yayınevi.