Technology adoption among higher education students
DOI:
https://doi.org/10.14267/VEZTUD.2023.11.03Keywords:
technology acceptance, technology adoption propensity, higher education students, analysis of varianceAbstract
The acceptance of technology is of decisive importance in enhancing diffusion of innovation. Personal opinions and attitudes to technology offer particular foundational points for associated development. This study contributes to greater understanding of factors influencing technology acceptance among higher education students. Findings are based on measuring factors of contribution (optimism, proficiency) and inhibition (dependency, vulnerability) drawn from the technology adoption propensity (TAP) instrument and also by calculating TAP index scores derived from a sample of 873 Hungarian higher education students. Results indicate moderate technology adoption propensity driven by high optimism. Tyes of study (business, engineering, administrative) were used as grouping factors for the analysis. Optimism indicates similar results by criterion of study type, but proficiency in technology use is highest among engineering students. Considering goals of the Hungarian National Digitalization Strategy, targeted training programs and acquisition of more experience are necessary in order to improve proficiency in use of technology.
Downloads
References
Ajzen, I. (1991). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50(2), 179-211. https://doi.org/10.1016/0749-5978(91)90020-T
Alassafi, M. O. (2021). E-learning intention material using TAM: A case study. Materials Today: Proceedings, 61(3), 873–877. https://doi.org/10.1016/j.matpr.2021.09.457
Aranyossy, M. (2022). Technology adoption in the digital entertainment industry during the COVID-19 pandemic: an extended UTAUT2 model for online theater streaming. Informatics, 9(3), 71. https://doi.org/10.3390/informatics9030071
Berényi, L., & Soltész, L. (2022). Evaluation of product development success: a student perspective. Administrative Science, 12(2), 49. https://doi.org/10.3390/admsci12020049
Berényi, L., Deutsch, N., Pintér, É., Bagó, P., & Nagy- Borsy, V. (2021). Technology adoption propensity among Hungarian business students. European Scientific Journal, 17(32), 1–21. https://doi.org/10.19044/esj.2021.v17n32p1
Chocarro, R., Cortiñas, M., & Marcos-Matás, G. (2023). Teachers’ attitudes towards chatbots in education: a technology acceptance model approach considering the effect of social language, bot proactiveness, and users’ characteristics. Educational Studies, 49(2), 295–313. https://doi.org/10.1080/03055698.2020.1850426
Csiszárik-Kocsir, Á., Garai-Fodor M., & Varga, J. (2022). Mi lett fontos a pandémia alatt? Preferenciák, vásárlói szokások átértékelődése a koronavírus-járvány hatására a különböző generációk szemével. Vezetéstudomány/ Budapest Management Review, 53(4), 70–83. https://doi.org/10.14267/VEZTUD.2022.04.06
Csordás, T. & Nyirő, N. (2012). Az információterjedés szerepe az innovációelfogadásban. Az okostelefonok és az on-line kollektív intelligencia. Vezetéstudomány/ Budapest Management Review, 43(1), 64–73. https://doi.org/10.14267/VEZTUD.2012.01.06
Davis, F. D. (1986). A Technology Acceptance Model for Empirically Testing New End-user Information Systems: Theory and Results. Massachusetts Institute of Technology.
Deutsch, N., Hoffer, I., Berényi, L., & Nagy-Borsy, V. (2019). A technológia szerepének stratégiai felértékelődése: Szemelvények a stratégiai technomenedzsment témaköréből. Budapesti Corvinus Egyetem. http://real.mtak.hu/93337/1/Deutsch_Hoffer_konyv.pdf
Firmansyah, E.A., Masri, M., Anshari, M., Besar, M. H. A. (2023). Factors affecting fintech adoption: a systematic literature review. FinTech, 2(1), 21–33. https://doi.org/10.3390/fintech2010002
Fishbein, M., & Ajzen, I. (1975). Belief, Attitude, Intention and Behavior: An Introduction to Theory and Research. Addison-Wesley.
Goodhue, D. L., & Thompson, R. L. (1995). Task-technology fit and individual performance. MIS Quarterly, 19(2), 213–236. https://doi.org/10.2307/249689
Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2014). A Primer on Partial Least Squares Structural Equation Modeling. Sage
Halász, Á., & Kenesei, Zs. (2022). Technológiaelfogadás a felsőoktatásban – Az interakcióigény és az önszabályozás hatása az online tanulási szándékra. Vezetéstudomány/ Budapest Management Review, 53(7), 4–18. https://doi.org/10.14267/VEZTUD.2022.07.02
Horváth, D. (2022). FinTech és blockklánc alapú megoldások alkalmazási lehetőségei a zöld pénzügyekben. Vezetéstudomány/Budapest Management Review, 53(4), 41–54. https://doi.org/10.14267/VEZTUD.2022.04.04
Igbaria, M., Schiffman, S. J., & Wieckowski, T. J. (1994). The respective roles of perceived usefulness and perceived fun in the acceptance of microcomputer technology. Behaviour and Information Technology, 13, 349–361. https://doi.org/10.1080/01449299408914616
Isaias, P., & Issa, T. (2015). High Level Models and Methodologies for Information Systems. Springer.
Keszey, T., & Zsukk, J. (2017). Az új technológiák fogyasztói elfogadása: A magyar és nemzetközi szakirodalom áttekintése és kritikai értékelése. Vezetéstudomány/ Budapest Management Review, 48(10), 38-47. https://doi.org/10.14267/VEZTUD.2017.10.05
Keszey, T., & Tóth, R. Zs. (2020). Ipar 4.0 az autóiparban. A fehér- és kékgalléros munkavállalók technológiaelfogadási aggályai. Vezetéstudomány/Budapest Management Review, 51(6), 69–80. https://doi.org/10.14267/VEZTUD.2020.06.07
Luo, B., Lau, R. Y. K., Li, C., & Si, Y. W. (2021). A critical review of state-of-the-art chatbot designs and applications. WIREs Data Mining and Knowledge Discovery, 12, 1434. https://doi.org/10.1002/widm.1434
Madaras, Sz. (2020). Innováció menedzsment. Babes-Bolyai University.
Martos, T., Kapornaky, M., Csuka, S., & Sallay, V. (2019). A technológiai megoldásokkal kapcsolatos attitűdök mérése: a TRI és a TAP magyar változatának pszichometriai jellemzői. Alkalmazott Pszichológia, 19(1), 97–117. https://doi.org/10.17627/ALKPSZICH.2019.1.97
Meretei, B. (2017). Generációs különbségek a munkahelyen – szakirodalmi áttekintés. Vezetéstudomány/Budapest Management Review, 48(10), 10–18. https://doi.org/10.14267/VEZTUD.2017.10.02
Mészáros, Á. (2010). A válság utáni autóipari beszállítói rendszerek és a hazai beszállítók lehetőségei. Vezetéstudomány/ Budapest Management Review, 41(10), 19–26. https://doi.org/10.14267/VEZTUD.2010.10.02
National Digitalization Strategy. (2022). Miniszterelnöki Kabinetiroda. https://cdn.kormany.hu/uploads/document/6/60/602/60242669c9f12756a2b104f-8295b866a8bb8f684.pdf
Pallant, J. (2020). SPSS Survival Manual: A Step by Step Guide to Data Analysis Using IBM SPSS. Open University Press.
Parasuraman, A. (2000), Technology Readiness Index (TRI): A multiple-item scale to measure readiness to embrace new technologies. Journal of Service Research, 2(4), 307–320. https://doi.org/10.1177/109467050024001
Parasuraman, A., & Colby, C. L. (2014). An updated and streamlined technology readiness index: TRI 2.0. Journal of Service Research, 18(1), 1–16. https://doi.org/10.1177/1094670514539730
Pataki, B. (2013). A technológia menedzselése. Typotex. PMI. (2017). Agile Practice Guide. Project Management Institute.
Ratchford, M., & Barnhart, M. (2012). Development and validation of the technology adoption propensity (TAP) index. Journal of Business Research, 65, 1209–1215. https://doi.org/10.1016/j.jbusres.2011.07.001
Ratchford, M., & Ratchford, B. T. (2021). A cross-category analysis of dispositional drivers of technology adoption. Journal of Business Research, 127, 300–311. https://doi.org/10.1016/j.jbusres.2021.01.037
Rogers, E. M. (1964). Diffusion of Innovations. Revue Française de Sociologie, 5(2), 216–218.
Rogers, E. M. (2003). Diffusion of Innovations. Free Press.
Sajtos, L. & Mitev, A. (2007). SPSS Kutatási és adatelemzési kézikönyv. Alinea.
Semenova, V. (2020). Technology adoption theories in examining the uptake of blockchain technology in the framework of functionalist and interpretive paradigms. Vezetéstudomány/Budapest Management Review, 51(11), 26–38. https://doi.org/10.14267/VEZTUD.2020.11.03
Shahzad, A., Zahrullail, N., Akbar, A., Mohelska, H., & Hussain, A. (2022). COVID-19’s impact on fintech adoption: behavioral intention to use the financial portal. Journal of Risk and Financial Management, 15(10), 428. https://doi.org/10.3390/jrfm15100428
Strauss, W., & Howe, N. (1991). Generations: The History of America’s Future, 1584 to 2069. Quill.
Szabó-Szentgróti, G., Gelencsér, M., Szabó-Szentgróti, E., & Berke, Sz. (2019). Generációs hatás a munkahelyi konfliktusokban. Vezetéstudomány/Budapest Management Review, 50(4), 77–88. https://doi.org/10.14267/VEZTUD.2019.04.08
Szakály, D. (2008). Innovációmenedzsment. Miskolci Egyetem.
Taherdoost, H. (2018). A review of technology acceptance and adoption models and theories. Procedia Manufacturing, 22, 960–967. https://doi.org/10.1016/j.promfg.2018.03.137
Venkatesh, V., & Bala, H. (2008). Technology acceptance model 3 and a research agenda on interventions. Decision Sciences, 39(2), 273–315. https://doi.org/10.1111/j.1540-5915.2008.00192.x
Venkatesh, V., & Davis, F. D. (2000). A theoretical extension of the technology acceptance model: four longitudinal field studies. Management Science, 46(2), 186–204. https://doi.org/10.1287/mnsc.46.2.186.11926
Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: toward a unified view. MIS Quarterly, 27, 425–478, https://doi.org/10.2307/30036540
Zilahy, Gy. (2016). Sustainable business models – what do management theories say? Vezetéstudomány/Budapest Management Review, 47(10), 62–72. https://doi.org/10.14267/VEZTUD.2016.10.06
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2023 Vezetéstudomány / Budapest Management Review
This work is licensed under a Creative Commons Attribution 4.0 International License.
Authors assign copyright to Vezetéstudomány / Budapest Management Review. Authors are responsible for permission to reproduce copyright material from other sources.
