การจัดกลุ่มบุคลากรวัยทำงานตามระดับการยอมรับเทคโนโลยีปัญญาประดิษฐ์
Article Sidebar
Main Article Content
บทคัดย่อ
ความเข้าใจในระดับการยอมรับเทคโนโลยีปัญญาประดิษฐ์ของบุคลากรวัยทำงานเป็นข้อมูลพื้นฐานที่หน่วยงานที่เกี่ยวข้องสามารถนำมาใช้กำหนดแนวทางในการขับเคลื่อนการใช้เทคโนโลยีปัญญาประดิษฐ์ได้ งานวิจัยนี้จึงมีวัตถุประสงค์เพื่อแบ่งกลุ่มบุคลากรวัยทำงานในการยอมรับและความตั้งใช้ปัญญาประดิษฐ์ ด้วยการวิจัยเชิงสำรวจ จากกลุ่มตัวอย่างบุคลากรวัยทำงานในประเทศไทย จำนวน 1,038 ตัวอย่าง โดยมีแบบสอบถามออนไลน์เป็นเครื่องมือ ใช้สถิติเชิงบรรยาย สถิติเชิงอนุมาน (Inferential Statistics) และวิธีวิเคราะห์จําแนกกลุ่ม (Cluster Analysis) ด้วยวิธี K-Meansผลการวิจัยพบว่าบุคลากรวัยทำงานแบ่งได้เป็น 2 กลุ่ม โดยกลุ่มแรก ได้แก่ กลุ่มผู้ที่คุ้นเคยกับการใช้งานระบบเทคโนโลยีและข้อมูลขนาดใหญ่ มีความคุ้นเคยกับการใช้เทคโนโลยี มีทักษะการใช้คอมพิวเตอร์ สามารถใช้งานสื่อออนไลน์ได้โดยไม่มีข้อจำกัดเรื่องสัญญาณอินเทอร์เน็ต เรียนรู้จากแหล่งเรียนรู้ต่าง ๆ โดยเฉพาะการเรียนออนไลน์ที่เป็นภาษาอังกฤษได้มากกว่ากลุ่มที่ 2 ซึ่งเป็นผู้ที่ไม่คุ้นเคยกับการใช้งานระบบเทคโนโลยี เมื่อเปรียบเทียบระหว่าง 2 กลุ่มนี้ พบว่า ปัจจัยด้านการรับรู้ความหมายของเทคโนโลยีปัญญาประดิษฐ์ (Definition – DEF) (t=5.544, P=.000) ปัจจัยด้านการรับรู้ประโยชน์ของเทคโนโลยีปัญญาประดิษฐ์ (Performance Expectancy - PFE) (t=6.398, P=.000) การรับรู้ความสามารถของตนเองในการเรียนรู้ใช้เครื่องมือปัญญาประดิษฐ์ (Effort Expectancy -Competencies-CMP) (t=5.951, P=.000) ด้านเงื่อนไขเกื้อหนุน - ความเป็นส่วนตัวของข้อมูล (Facilitating Condition – Data Privacy) (t=10.393, P=.000) และด้านความตั้งใจที่จะใช้ระบบ AI (t=5.081, P=.000) แตกต่างกันอย่างมีนัยสำคัญ ส่วนปัจจัยการรับรู้อิทธิพลทางสังคมตระหนักถึงปัญหาจริยธรรมที่เกิดจากการใช้เทคโนโลยีปัญญาประดิษฐ์ (Social Influence-Ethics - ETH) มีความแตกต่างอย่างไม่มีนัยสำคัญ (t=1.737, P=.0.83)
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
ปาริฉัตร วิชุภากรณ์กุล, อัฏฐมา บุญปาลิต, เกริกฤทธิ์ อัมพะวัต. (2565). การเตรียมความพร้อมต่อการเปลี่ยนแปลงสู่เทคโนโลยีปัญญาประดิษฐ์ของพนักงานโรงแรมในกรุงเทพมหานคร. The Journal of Pacific Institute of Management Science (Humanities and Social Science), 8 (1), 517-531.
ศุกร์ศศิพรรณ วงศ์ประเทศ. (2561). ความพร้อมของการใช้ปัญญาประดิษฐ์ของสำนักงานบัญชีในการปฎิบัติงานของนักบัญชีในเขตกรุงเทพมหานคร. วันที่เข้าถึงข้อมูล 23 เมษายน 2564 แหล่งที่มา http://www.ba-abstract.ru.ac.th
Adapa, A., Nah, F.F.H., Hall, R.H., Siau, K., & Smith, S.N. (2018). Factors influencing the adoption of smart wearable devices. Int. J. Hum. Comput. Interact, 34(5), 399–409.
Attewell, J. (2005). Mobile technologies and learning: a technology update and m-learning project summary. Retrieved September 24, 2019 from https://www.scribd.com/document/36660574/The-M-learning-Project-Technology-Update-and-Project-Summary
Azadeh, A., Yazdanparast, R., Abdolhossein Zadeh, S., & Keramati, A. (2018). An intelligent algorithm for optimising emergency department job and patient satisfaction. International Journal of Health Care Quality Assurance, 31(5), 374–390.
Bughin, J., Seong, J., Manyika, J., Chui, M., & Joshi, R. (2018). Notes from the AI frontier: modeling the impact of AI on the world economy. Retrieved September 4, 2018 from https://www.mckinsey.com/featured-insights/artificial-intelligence/notes-from-the-ai-frontier-modeling-the-impact-of-ai-on-the-world-economy
Cann, Oliver. (2018). Machines will do more tasks than humans by 2025 but robot revolution will still create 58 million net new jobs in next five years. In World Economic Forum, vol. 17. 2018.
Carter, L., Liu, D., & Cantrell, C. (2020). Exploring the intersection of the digital divide and artificial intelligence: a hermeneutic literature review. AIS Transactions on Human-Computer Interaction, 12(4), 253-275.
Chu, T. H., Chao, C. M., Liu, H. H., & Chen, D. F. (2022). Developing an extended theory of UTAUT 2 model to explore factors influencing Taiwanese consumer Adoption of Intelligent elevators. SAGE Open, 12(4), 21582440221142209.
Compaine, B. M. (2001). The digital divide: Facing a crisis or creating a myth? Cambridge, Massachusetts: MIT Press. Computer Review, 33(4), 423-439.
Dizard, W. (2016). Poor families face unreliable Internet access: report. Aljazeera America. Retrieved February 3, 2016 from http://alj.am/zbkz
Fan, W., Liu, J., Zhu, S., & Pardalos, P. M. (2020). Investigating the impacting factors for the healthcare professionals to adopt artificial intelligence-based medical diagnosis support system (AIMDSS). Annals of Operations Research, 294, 567-592.
Flavián, C., Pérez-Rueda, A., Belanche, D., & Casaló, L. V. (2022). Intention to use analytical artificial intelligence (AI) in services–the effect of technology readiness and awareness. Journal of Service Management, 33(2), 293-320.
Fox, G., & Connolly, R. (2018). Mobile health technology adoption across generations: Narrowing the digital divide. Information Systems Journal, 28(6), 995-1019.
Frick, N. R., Mirbabaie, M., Stieglitz, S., & Salomon, J. (2021). Maneuvering through the stormy seas of digital transformation: The impact of empowering leadership on the AI readiness of enterprises. Journal of Decision Systems, 30(2-3), 235-258.
Gao, Y., Li, H., & Luo, Y. (2015). An empirical study of wearable technology acceptance in healthcare. Industrial Management & Data Systems, 115(9), 1704-1723.
Gu, Z., Wei, J., & Xu, F. (2016). An empirical study on factors influencing consumers' initial trust in wearable commerce. Journal of Computer Information Systems, 56(1), 79-85.
Hargittai, E. (2002). Second-level Digital Divide: Differences in People's Online Skills. First Monday, 7(4). https://doi.org/10.5210/fm.v7i4.942
Heng, S., Tsilionis, K., Scharff, C., & Wautelet, Y. (2022). Understanding AI ecosystems in the Global South: The cases of Senegal and Cambodia. International Journal of Information Management, 64, 102454.
Hilbert, M. (2011). The end justifies the definition: The manifold outlooks on the digital divide and their practical usefulness for policy-making. Telecommunications Policy, 35(8), 715-736.
Hsieh, P. J. (2015). Healthcare professionals’ use of health clouds: Integrating technology acceptance and status quo bias perspectives. International journal of medical informatics, 84(7), 512-523.
Kar, S., Kar, A. K., & Gupta, M. P. (2021). Modeling drivers and barriers of artificial intelligence adoption: Insights from a strategic management perspective. Intelligent Systems in Accounting, Finance and Management, 28(4), 217-238.
Miguéis, V. L., Freitas, A., Garcia, P. J., & Silva, A. (2018). Early segmentation of students according to their academic performance: A predictive modelling approach. Decision Support Systems, 115, 36-51.
Negm, E. (2023). Intention to use Internet of Things (IoT) in higher education online learning–the effect of technology readiness. Higher Education, Skills and Work-Based Learning, 13(1), 53-65.
OECD. (2001). Understanding the Digital Divide. OECD Publications
Oechslein, O., Fleischmann, M., & Hess, T. (2014). An application of UTAUT2 on social recommender systems: Incorporating social information for performance expectancy. In System Sciences (HICSS), 2014 47th Hawaii International Conference (pp. 3297–3306). IEEE.
Omar, Q., Yap, C. S., Ho, P. L., & Keling, W. (2023). Can technology readiness predict farmers’ adoption intention of the e-AgriFinance app?. Journal of Agribusiness in Developing and Emerging Economies, 13(1), 156-172.
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.
Ramírez-Correa, P., Grandón, E. E., & Rondán-Cataluña, F. J. (2020). Users segmentation based on the technological readiness adoption index in emerging countries: the case of Chile. Technological Forecasting and Social Change, 155, 120035.
Ratchford, B.T. (2020). The history of academic research in marketing and its implications for the future. Spanish Journal of Marketing - ESIC, 24 (1), 3-36.
Rooney, J. (2017). The growing importance of digital skills in the workplace. Retrieved June 20, 2019 from https://www.trainingindustry.com/articles/it-andtechnical-training/the-growing-importance-of-digital-skills-in-the-workplace/
Schwab, K. (2015). The fourth industrial revolution: What it means and how to respond. Retrieved June 2, 2020 from https://www.foreignaffairs.com/articles/2015-12-12/fourth-industrial-revolution.
Setiawan, A., Agiwahyuanto, F., & Arsiwi, P. (2019). A virtual reality teaching simulation for exercise during pregnancy. International Journal of Emerging Technologies in Learning (Online), 14(1), 34.
Uren, V., & Edwards, J. S. (2023). Technology readiness and the organizational journey towards AI adoption: An empirical study. International Journal of Information Management, 68, 102588.
van Dijk, J. A. (2005). The Deepening Divide: Inequality in the Information Society. SAGE.
van Dijk, J. A., van Deursen, A. J., van Dijk, J. A., & van Deursen, A. J. (2014). Impact: Why digital skills are the key to the information society. Digital Skills: Unlocking the Information Society, 43-62.
Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS quarterly, 27(3), 425-478.
Wang, H., & Qiu, F. (2023). AI adoption and labor cost stickiness: based on natural language and machine learning. Information Technology and Management, 1-22.
Wang, Q., Li, B., & Singh, P. V. (2018). Copycats vs. original mobile apps: A machine learning copycat-detection method and empirical analysis. Information Systems Research, 29(2), 273-291.
Warschauer, M. (2003). Demystifying the digital divide. Scientific American, 289(2), 42-47.
Wei, K.-K., Teo, H.-H., Chan, H. C., & Tan, B. C. Y. (2011). Conceptualizing and Testing a Social Cognitive Model of the Digital Divide. Information Systems Research, 22(1), 170-187.
Xu, M., David, J. M., & Kim, S. H. (2018). The fourth industrial revolution: Opportunities and challenges. International journal of financial research, 9(2), 90-95.
Yang, C. H. (2022). How artificial intelligence technology affects productivity and employment: Firm-level evidence from Taiwan. Research Policy, 51(6), 104536.