Nghiên cứu các yếu tố ảnh hưởng đến hành vi sử dụng phần mềm phân tích dữ liệu của sinh viên ngành Kinh tế và kinh doanh

Trần Quang Huy

Trường Đại học Ngoại thương

Nguyễn Thị Minh Hảo (Tác giả liên hệ)

Email:[email protected]

Phạm Ngọc Quỳnh Anh, Đàm Hoàng Phương Thảo, Nguyễn Thị Thu Hương

Trường Đại học Ngoại thương

Nguyễn Phương Hà

Trường Đại học Ngoại ngữ, Đại học Quốc gia Hà Nội

Tóm tắt

Nghiên cứu này vận dụng mô hình UTAUT nhằm xác định các yếu tố ảnh hưởng đến ý định và hành vi sử dụng phần mềm phân tích dữ liệu của sinh viên khối ngành Kinh tế và kinh doanh tại Việt Nam. Mô hình nghiên cứu tích hợp thêm biến số Định hướng nghề nghiệp bên cạnh các thành phần cốt lõi của UTAUT bao gồm: Kỳ vọng hiệu suất, Kỳ vọng nỗ lực, Ảnh hưởng xã hội, Điều kiện thuận lợi để đánh giá tác động tới Ý định sử dụng và Hành vi sử dụng. Dữ liệu thu thập từ cuộc khảo sát 355 sinh viên được phân tích bằng phương pháp PLS-SEM qua phần mềm SmartPLS 3. Kết quả thực nghiệm chỉ ra rằng, Điều kiện thuận lợi là yếu tố có tác động mạnh nhất đến Hành vi sử dụng phần mềm phân tích dữ liệu của sinh viên, trong khi các yếu tố như: Kỳ vọng hiệu suất, Kỳ vọng nỗ lực, Ảnh hưởng xã hội và Định hướng nghề nghiệp đóng vai trò hỗ trợ. Đặc biệt, Định hướng nghề nghiệp giúp sinh viên tập trung vào việc ứng dụng phần mềm để phát triển kỹ năng chuyên môn.

Từ khóa: Phần mềm phân tích dữ liệu, hành vi sử dụng, UTAUT, PLS-SEM

Abstract

This study applies the Unified Theory of Acceptance and Use of Technology (UTAUT) model to identify the factors influencing the intention and use behavior of data analytics software among economics and business students in Viet Nam. The research model incorporates career orientation alongside the core components of UTAUT, including performance expectancy, effort expectancy, social influence, and facilitating conditions, to assess their effects on behavioral intention and use behavior. Data collected from a survey of 355 students were analyzed using partial least squares structural equation modeling (PLS-SEM) with SmartPLS 3. The empirical results indicate that facilitating conditions have the strongest effect on students’ use behavior of data analytics software, while performance expectancy, effort expectancy, social influence, and career orientation play supporting roles. In particular, career orientation helps students focus on using software to develop their professional skills.

Keywords: Data analytics software, use behavior, UTAUT, PLS-SEM

ĐẶT VẤN ĐỀ

Trong bối cảnh kinh tế số hiện nay, dữ liệu được xem là nguồn tài nguyên mới, đóng vai trò quan trọng trong việc cung cấp thông tin phục vụ các mục đích của con người. Tuy nhiên, giá trị của dữ liệu thô chỉ thực sự được khai thác khi chúng được tổng hợp từ nhiều nguồn sơ cấp và thứ cấp. Điều này đòi hỏi sự kết hợp với các công cụ phân tích tiên tiến và kỹ năng chuyên sâu của đội ngũ nhân lực.

Thực tế cho thấy, việc sử dụng phần mềm phân tích dữ liệu chuyên dụng của sinh viên ngành Kinh tế và kinh doanh tại Việt Nam còn gặp nhiều trở ngại, có thể xuất phát từ sự thiếu kiến thức, khó khăn trong tiếp cận công cụ hoặc động lực chưa đủ mạnh. Trên thế giới, các nghiên cứu về hành vi sử dụng phần mềm phân tích dữ liệu đã được thực hiện, như nghiên cứu của Hsu và cộng sự (2009) về thái độ, lo lắng và sự tự tin khi sử dụng phần mềm thống kê; hay công trình của Brezavšček và cộng sự (2016) về các yếu tố ảnh hưởng đến ý định sử dụng phần mềm của sinh viên khoa học xã hội Slovenia. Trong khi đó, tại Việt Nam, các nghiên cứu tương tự trong khối ngành kinh tế còn rất hạn chế, tạo ra khoảng trống cần được lấp đầy.

Xuất phát từ thực trạng trên, nghiên cứu này được thực hiện với mục tiêu khám phá và phân tích các yếu tố tác động đến ý định sử dụng phần mềm phân tích dữ liệu của sinh viên khối ngành Kinh tế và kinh doanh tại Việt Nam, từ đó đề xuất những giải pháp giúp nâng cao hiệu quả học tập và ứng dụng thực tế, đáp ứng nhu cầu của nền giáo dục hiện đại thông qua việc tăng cường sự tiếp cận và sử dụng các công cụ phân tích dữ liệu trong quá trình học tập và nghiên cứu của sinh viên.

CƠ SỞ LÝ THUYẾT VÀ PHƯƠNG PHÁP NGHIÊN CỨU

Cơ sở lý thuyết

Mô hình chấp nhận và sử dụng công nghệ hợp nhất (UTAUT) được Venkatesh và cộng sự (2003) phát triển trên cơ sở hợp nhất 8 lý thuyết trước đó về hành vi chấp nhận công nghệ. UTAUT sử dụng 4 cấu trúc cốt lõi để dự đoán ý định hành vi và hành vi của người dùng: kỳ vọng hiệu suất, kỳ vọng nỗ lực, ảnh hưởng xã hội, điều kiện thuận lợi và các nhân tố điều tiết như: giới tính, tuổi tác, trải nghiệm, sự tự nguyện sử dụng…

Từ góc độ lý thuyết, Mô hình UTAUT cung cấp một cái nhìn về cách các yếu tố ảnh hưởng đến ý định và hành vi phát triển theo thời gian. Mô hình đã được thử nghiệm và cho thấy hiệu quả tốt hơn so với các mô hình cạnh tranh khác (Venkatesh và cộng sự, 2003; Venkatesh và Zhang, 2010).

Giả thuyết nghiên cứu

Kỳ vọng hiệu suất là sự hữu ích và lợi ích mà công nghệ có thể mang lại, giúp người tiêu dùng hoàn thành các hoạt động của mình (Venkatesh và cộng sự, 2003). Sau này, Cimperman và cộng sự (2016) mở rộng khái niệm khi cho rằng kỳ vọng hiệu suất phản ánh niềm tin của người dùng rằng việc sử dụng công nghệ sẽ giúp họ hoàn thành một nhiệm vụ cụ thể. Trong ngữ cảnh sử dụng phần mềm phân tích dữ liệu, kỳ vọng hiệu suất là một yếu tố quan trọng ảnh hưởng đến sự sẵn sàng của sinh viên trong việc ứng dụng phần mềm. Do đó, giả thuyết được đề xuất như sau:

H1: Kỳ vọng hiệu suất có ảnh hưởng tích cực đến Ý định sử dụng phần mềm phân tích dữ liệu.

Kỳ vọng nỗ lực thể hiện sự dễ dàng trong việc sử dụng và vận hành một hệ thống (Venkatesh và cộng sự, 2003). Theo Rizkalla và cộng sự (2024), kỳ vọng nỗ lực phản ánh niềm tin của người tiêu dùng rằng công nghệ là dễ học và dễ sử dụng. Trong ngữ cảnh của bài nghiên cứu, kỳ vọng nỗ lực có thể được hiểu là mức độ dễ dàng mà sinh viên có thể sử dụng, thực hiện những thao tác trên phần mềm phân tích dữ liệu. Từ đó, giả thuyết được đề xuất như sau:

H2: Kỳ vọng nỗ lực có ảnh hưởng tích cực đến Ý định sử dụng phần mềm phân tích dữ liệu.

Ảnh hưởng xã hội là hành vi của một người trở thành chỉ dẫn, định hướng cho hành vi của một người khác (Fisher và Hood, 1987), nên đây là yếu tố quyết định đến việc sử dụng công nghệ của một cá nhân. Các ý kiến và ảnh hưởng từ môi trường xã hội của người tiêu dùng, như bạn bè và gia đình, đóng vai trò quan trọng trong xu hướng người tiêu dùng chấp nhận một ứng dụng. Do đó, khi những người xung quanh sử dụng một ứng dụng, cá nhân đó có xu hướng sử dụng cùng một ứng dụng.

Quan điểm trên phù hợp với quan điểm của Cooper và cộng sự (2008), cho rằng nỗ lực của người tiêu dùng để theo kịp môi trường xã hội xung quanh là một cách để được chấp nhận trong cộng đồng của họ. Theo Venkatesh và cộng sự (2003), ảnh hưởng xã hội là sự ảnh hưởng được tạo ra bởi những người xung quanh, những người có ảnh hưởng lớn đến việc khuyến khích cá nhân sử dụng công nghệ hoặc hệ thống mới. Từ đó, giả thuyết được đưa ra như sau:

H3: Ảnh hưởng xã hội có ảnh hưởng tích cực đến Ý định sử dụng phần mềm phân tích dữ liệu.

Điều kiện thuận lợi là nhân tố ảnh hưởng trực tiếp đến hành vi sử dụng công nghệ của con người (Venkatesh và cộng sự, 2003). Ngoài ra, điều kiện thuận lợi cũng có thể được hiểu là niềm tin của một cá nhân vào sự đầy đủ của cơ sở vật chất và điều này được cho là có ảnh hưởng đến quyết định chấp nhận hoặc từ chối sử dụng một đổi mới công nghệ (Krismadinata và cộng sự, 2019). Ở Mô hình UTAUT, khái niệm điều kiện thuận lợi bao gồm các yếu tố từ nhận thức về kiểm soát hành vi và được xây dựng để mô hình hóa mối quan hệ giữa nỗ lực của tổ chức nhằm loại bỏ rào cản sử dụng và ý định sử dụng của người dùng tiềm năng (Chang, 2012). Từ đó, giả thuyết được đề xuất như sau:

H4: Điều kiện thuận lợi có ảnh hưởng tích cực đến Hành vi sử dụng phần mềm phân tích dữ liệu.

Định hướng nghề nghiệp là một biến số mới được tích hợp vào mô hình nhằm tăng tính thực tiễn. Theo Knight (1921), việc cá nhân lựa chọn nghề nghiệp phải dựa trên kiến thức, kỹ năng và kinh nghiệm phù hợp với bản thân. Friedman và Hechter (1988) nhấn mạnh tính hợp lý trong lựa chọn nghề nghiệp, đòi hỏi các cá nhân phải có sự lựa chọn phù hợp với nhu cầu hay những sở thích cơ bản, cần thiết và đạt đến mục đích cuối cùng. Từ đó, các giả thuyết được đề xuất như sau:

H5a: Định hướng nghề nghiệp có ảnh hưởng tích cực đến Ý định sử dụng phần mềm phân tích dữ liệu.

H5b: Định hướng nghề nghiệp có ảnh hưởng tích cực đến Hành vi sử dụng phần mềm phân tích dữ liệu.

Nhiều nghiên cứu thực nghiệm trong các lĩnh vực khác nhau và ở những thời gian khác nhau đều khẳng định Ý định sử dụng có ảnh hưởng tích cực đến Hành vi sử dụng (Kim và Hunter, 1993). Vì vậy, giả thuyết được đề xuất như sau:

H6: Ý định sử dụng phần mềm phân tích dữ liệu có ảnh hưởng tích cực đến Hành vi sử dụng phần mềm phân tích dữ liệu.

Mô hình nghiên cứu

Từ các giả thuyết nghiên cứu đề xuất, nhóm tác giả xây dựng mô hình các yếu tố ảnh hưởng đến hành vi sử dụng phần mềm phân tích dữ liệu đối với sinh viên ngành Kinh tế và kinh doanh như Hình. Mô hình nghiên cứu bao gồm các biến: Kỳ vọng hiệu suất (PE), Kỳ vọng nỗ lực (EE), Ảnh hưởng xã hội (SI), Định hướng nghề nghiệp (CCI), Điều kiện thuận lợi (FC), Ý định sử dụng (BI) và Hành vi sử dụng (AU).

Hình: Mô hình nghiên cứu đề xuất

Nguồn: Nhóm tác giả đề xuất

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp định lượng thông qua kỹ thuật khảo sát bằng bảng hỏi. Đối tượng khảo sát là sinh viên khối ngành Kinh tế và kinh doanh tại các trường đại học Việt Nam. Sau giai đoạn làm sạch dữ liệu, kích thước mẫu chính thức đạt 355 quan sát hợp lệ. Quy trình phân tích dữ liệu tuân thủ nghiêm ngặt phương pháp mô hình hóa phương trình cấu trúc bình phương tối thiểu riêng phần (PLS-SEM) thông qua phần mềm SmartPLS 3, bao gồm 2 bước chính: đánh giá độ tin cậy thang đo bằng Cronbach’s Alphakiểm, kiểm định độ phù hợp của mô hình đo lường.

Nghiên cứu sử dụng cách viết số thập phân theo chuẩn quốc tế.

KẾT QUẢ NGHIÊN CỨU

Kiểm định chất lượng biến quan sát

Kết quả kiểm định chất lượng biến quan sát thông qua hệ số tải ngoài (Outer Loading) cho thấy, tất cả các biến quan sát trong mô hình đều đạt yêu cầu về độ tin cậy theo tiêu chuẩn của Hair và cộng sự (2019). Cụ thể, các hệ số tải ngoài đều > 0.7, đảm bảo rằng các biến tiềm ẩn có thể giải thích ít nhất 50% sự biến thiên của biến quan sát tương ứng.

Kiểm định độ tin cậy nhất quán

Kết quả kiểm định độ tin cậy nhất quán nội tại cho thấy mô hình đạt độ ổn định và chính xác cao. Cụ thể, hệ số Cronbach's Alpha dao động từ 0.793-0.923 (đều > 0.7), cho thấy mức độ nhất quán cao giữa các biến quan sát trong cùng một thang đo. Bên cạnh đó, độ tin cậy tổng hợp (CR) có giá trị từ 0.906-0.951, chứng minh các thang đo có độ tin cậy cao và đảm bảo tính ổn định trong mô hình đo lường. Các kết quả này khẳng định rằng mô hình đo lường có thể được sử dụng để kiểm định giả thuyết nghiên cứu với mức độ tin cậy cao.

Kiểm định giá trị phân biệt

Nghiên cứu này sử dụng chỉ số HTMT để kiểm tra mức độ phân biệt giữa các thang đo/cấu trúc. Theo Kline (2016), ngưỡng HTMT để đảm bảo tốt giá trị phân biệt giữa các cấu trúc không được vượt quá 0.85.

Bảng 1: Kết quả kiểm định HTMT

Nguồn: Kết quả phân tích dữ liệu của nhóm tác giả

Kết quả Bảng 1 cho thấy, tất cả các giá trị HTMT giữa các cặp nhân tố đều nằm dưới ngưỡng 0.85. Do đó, mô hình đạt giá trị phân biệt hoàn hảo.

Kiểm định mô hình cấu trúc

Đánh giá đa cộng tuyến

Hệ số phóng đại phương sai (VIF) được sử dụng để đánh giá mức độ đa cộng tuyến giữa các biến trong nghiên cứu (Fornell và Bookstein, 1982). Đa cộng tuyến không gây ảnh hưởng nghiêm trọng nếu giá trị VIF < 5 (Hair và cộng sự, 2022). Kết quả Bảng 2 cho thấy tất cả hệ số VIF đều nằm dưới ngưỡng khuyến nghị. Do đó, có thể kết luận rằng không có hiện tượng đa cộng tuyến xảy ra giữa các biến trong nghiên cứu.

Bảng 2: Kết quả kiểm định hệ số VIF

Nguồn: Kết quả phân tích dữ liệu của nhóm tác giả

Kiểm định giả thuyết nghiên cứu

Nghiên cứu tiến hành thực hiện kỹ thuật Bootstrapping với cỡ mẫu lặp lại là 10.000 quan sát để suy rộng kết quả nghiên cứu ra tổng thể. Kết quả kiểm định mô hình PLS-SEM cho thấy tất cả các giả thuyết từ H1-H6 đều được chấp nhận với P-value = 0.000, nhỏ hơn ngưỡng ý nghĩa thống kê 5% và các ước lượng nằm trong khoảng tin cậy 95%, khẳng định độ tin cậy của mô hình với cỡ mẫu 355 quan sát. Cụ thể, có 7 mối quan hệ tác động tích cực đến Ý định sử dụng (BI) và Hành vi sử dụng (AU), trong đó Kỳ vọng hiệu suất (PE) ảnh hưởng mạnh nhất (β = 0.397), tiếp theo là Kỳ vọng nỗ lực (EE) (β = 0.340), Ảnh hưởng xã hội (SI) (β = 0.329) và Định hướng nghề nghiệp (CCI) (β = 0.297).

Đối với Hành vi sử dụng, Điều kiện thuận lợi (FC) ghi nhận tác động lớn nhất (β = 0.430), thứ hai là Ý định sử dụng (BI) (β = 0.404) và cuối cùng là Định hướng nghề nghiệp (CCI) (β = 0.304). Đáng chú ý, kết quả ước lượng nhấn mạnh rằng, trong bối cảnh sinh viên, sự hỗ trợ từ cơ sở hạ tầng và tổ chức là yếu tố quyết định nhất đến việc áp dụng phần mềm, trong khi các yếu tố khác như PE và EE đóng vai trò quan trọng trong việc hình thành ý định sử dụng.

Hệ số xác định bội (R²)

Mức độ giải thích của mô hình cấu trúc đối với các biến phụ thuộc được đánh giá qua hệ số R² dựa trên tiêu chuẩn của Hair và cộng sự (2011).

Bảng 3: Các hệ số tác động R²

Nguồn: Kết quả phân tích dữ liệu của tác giả

Kết quả phân tích (Bảng 3) cho thấy mô hình có khả năng giải thích tốt đối với cả Ý định sử dụng (R² = 0.592) và Hành vi sử dụng phần mềm (R² = 0.536), đều nằm trong mức trung bình theo tiêu chuẩn của Hair và cộng sự (2011). Mặc dù R² chưa đạt mức cao (≥ 0.75), nhưng sự xuất hiện của các yếu tố trong mô hình đã đóng vai trò quan trọng trong việc thúc đẩy ý định và hành vi sử dụng phần mềm, cho thấy rằng nếu cải thiện các yếu tố hỗ trợ, nâng cao nhận thức về lợi ích và trải nghiệm thực tế, tỷ lệ chuyển đổi từ ý định sang hành vi sử dụng sẽ được gia tăng đáng kể.

KẾT LUẬN VÀ HÀM Ý QUẢN TRỊ

Nghiên cứu này đã làm rõ cơ chế hình thành Ý định và Hành vi ứng dụng phần mềm phân tích dữ liệu của sinh viên tại Việt Nam. Kết quả nghiên cứu chỉ ra rằng, các yếu tố như: Điều kiện thuận lợi, Kỳ vọng hiệu suất, Kỳ vọng nỗ lực, Ảnh hưởng xã hội và Định hướng nghề nghiệp đều có tác động đến Ý định sử dụng phần mềm phân tích dữ liệu của sinh viên. Đặc biệt, Định hướng nghề nghiệp cho thấy mối liên hệ rõ rệt với Ý định sử dụng phần mềm, khi sinh viên có kế hoạch phát triển nghề nghiệp rõ ràng sẽ có xu hướng quan tâm hơn đến việc ứng dụng phần mềm để nâng cao kỹ năng và kiến thức của mình.

Theo đó, có thể thấy việc thúc đẩy sinh viên sử dụng phần mềm phân tích dữ liệu cần bắt đầu từ việc tạo ra một môi trường học tập thuận lợi và dễ tiếp cận hơn. Nhà trường có thể hỗ trợ sinh viên thông qua việc cung cấp tài khoản phần mềm bản quyền hoặc giấy phép dùng chung, mở rộng phòng thực hành, xây dựng kho dữ liệu mẫu và thiết lập kênh hỗ trợ kỹ thuật đơn giản, dễ sử dụng. Những điều kiện này giúp sinh viên giảm bớt rào cản ban đầu về chi phí, thiết bị và thao tác, từ đó có nhiều cơ hội thực hành hơn trong quá trình học tập. Bên cạnh đó, phần mềm phân tích dữ liệu nên được tích hợp dần vào chương trình đào tạo thay vì chỉ xuất hiện như một công cụ bổ trợ. Ở các học phần cơ sở, sinh viên có thể được làm quen với những thao tác xử lý dữ liệu đơn giản; ở các học phần chuyên ngành, phần mềm nên được gắn với bài tập tình huống, tiểu luận, nghiên cứu khoa học sinh viên hoặc khóa luận. Cách triển khai này giúp sinh viên thấy rõ phần mềm không phải là yêu cầu kỹ thuật tách rời, mà là công cụ hỗ trợ trực tiếp cho việc học và giải quyết vấn đề chuyên môn. Ngoài ra, cần kết nối kỹ năng phân tích dữ liệu với định hướng nghề nghiệp của sinh viên thông qua tư vấn nghề nghiệp, tọa đàm với doanh nghiệp, dự án thực tế và hoạt động của các câu lạc bộ học thuật. Khi sinh viên nhận thấy năng lực sử dụng phần mềm có liên hệ cụ thể với các vị trí việc làm trong tài chính, marketing, logistics, thương mại điện tử hay nghiên cứu thị trường, động lực học và sử dụng phần mềm sẽ trở nên rõ ràng, thực chất và bền vững hơn.

Tài liệu tham khảo:

1. Brezavšček, A., Žnidaršič, A., Šparl, P. (2016). Factors Influencing the Behavioural Intention to Use Statistical Software: The Perspective of the Slovenian Students of Social Sciences. Eurasia Journal of Mathematics, Science and Technology Education, 13(3).

2. Chang, A. (2012). UTAUT and UTAUT 2: A Review and Agenda for Future Research. The Winners, 13, 10. https://doi.org/10.21512/tw.v13i2.656

3. Cimperman, M., Brenčič, M., & Trkman, P. (2016). Analyzing older users' home telehealth services acceptance behavior. International Journal of Medical Informatics, 90, 22-31. https://doi.org/10.1016/j.ijmedinf.2016.03.002

4. Cooper, J., Kelly, K., & Weaver, K. (2008). Attitudes, Norms, and Social Groups. In (pp. 259-282). https://doi.org/10.1002/9780470998458.ch11

5. Fisher, S., & Hood, B. (1987). The stress of the transition to university: A longitudinal study of psychological disturbance, absent-mindedness and vulnerability to homesickness. British Journal of Psychology, 78(4), 425-441. https://doi.org/https://doi.org/10.1111/j.2044-8295.1987.tb02260.x

6. Fornell, C., & Bookstein, F. (1982). Two Structural Equation Models: LISREL and PLS Applied to Consumer Exit-Voice Theory. Journal of Marketing Research, 19, 440-452. https://doi.org/10.1177/002224378201900406

7. Friedman, D., & Hechter, M. (1988). The contribution of rational choice theory to macrosociological research. Sociological Theory, 6(2), 201-218.

8. Hair, J., Hult, G. T. M., Ringle, C., & Sarstedt, M. (2022). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM).

9. Hair, J., Ringle, C., & Sarstedt, M. (2011). PLS-SEM: Indeed a silver bullet. The Journal of Marketing Theory and Practice, 19, 139-151. https://doi.org/10.2753/MTP1069-6679190202

10. Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31(1), 2-24. https://doi.org/10.1108/EBR-11-2018-0203

11. Hsu, M. K., Wang, S. W., & Chiu, K. K. (2009). Computer attitude, statistics anxiety and self-efficacy on statistical software adoption behavior: An empirical study of online MBA learners. Computers in Human Behavior, 25(2), 412-420. https://doi.org/https://doi.org/10.1016/j.chb.2008.10.003

12. Kim, M.-S., & Hunter, J. E. (1993). Relationships Among Attitudes, Behavioral Intentions, and Behavior:A Meta-Analysis of Past Research, Part 2. Communication Research, 20(3), 331-364. https://doi.org/10.1177/009365093020003001

13. Kline, R. B. (2016). Principles and practice of structural equation modeling, 4th ed. Guilford Press.

14. Knight, F. H. (1921). Risk, Uncertainty and Profit. University of Chicago Press.

15. Krismadinata, K., Jalinus, N., Rosmena, H., & Yahfizham, Y. (2019). Understanding Behavioral Intention in Implementation of the ICTs Based on UTAUT Model. Lontar Komputer: Jurnal Ilmiah Teknologi Informasi, 96. https://doi.org/10.24843/LKJITI.2019.v10.i02.p04

16. Rizkalla, N., Tannady, H., and Bernando, R. (2024). Analysis of the influence of performanceexpectancy, effort expectancy, social influence, and attitude toward behavior onintention to adopt live.on. Multidisciplinary Reviews, 6, p. 2023spe017, doi: 10.31893/multirev.2023spe017

17. Venkatesh, V., Morris, M., Davis, G., & Davis, F. (2003). User Acceptance of Information Technology: Toward a Unified View. MIS Quarterly, 27, 425-478. https://doi.org/10.2307/30036540

17. Venkatesh, V., & Zhang, X. (2010). Unified Theory of Acceptance and Use of Technology: U.S. Vs. China. Journal of Global Information Technology Management, 13, 5-27. https://doi.org/10.1080/1097198X.2010.10856507