UNIVERSIDADE DE TRÁS-OS-MONTES E ALTO DOURO
Evolução e Adopção dasTI nas Organizações
Tese de Doutoramento em Informática
Luciano Magalhães de Sampaio
Orientação Científica:
Professor Doutor João Eduardo Quintela Varajão Co-orientação Científica:
Professor Doutor Eduardo José Solteiro Pires Professor Doutor José Paulo Barroso de Moura Oliveira
UNIVERSIDADE DE TRÁS-OS-MONTES E ALTO DOURO
Evolução e Adopção dasTI nas Organizações
Tese de Doutoramento em Informática
Luciano Magalhães de Sampaio
Orientação Científica:
Professor Doutor João Eduardo Quintela Varajão Co-orientação Científica:
Professor Doutor Eduardo José Solteiro Pires Professor Doutor José Paulo Barroso de Moura Oliveira
Composição do Júri:
Doutor Joaquim Bernadino de Oliveira Lopes, Universidade de Trás-os-Montes e Alto Douro Doutor João Álvaro Brandão Soares de Carvalho, Universidade do Minho
Doutor Pedro Miguel Fernandes Ruivo, Universidade Nova de Lisboa
Doutor João Eduardo Quintela Alves de Sousa Varajão, Universidade do Minho Doutor Eduardo José Solteiro Pires, Universidade de Trás-os-Montes e Alto Douro
Doutor António Manuel Miguel Silva Marques, Universidade de Trás-os-Montes e Alto Douro
O nosso lema: “Ler o presente, prever o futuro sem olhar ao passado”.
À memória da minha mãe e da minha irmã.
A
GRADECIMENTOS
Ao meu orientador Professor Doutor João Varajão pela disponibilidade com que aceitou orientar esta tese e pelo empenho e competência da sua supervisão.
Aos meus co-orientadores:
Professor Doutor Eduardo Pires, pela competência e adesão ao projeto, cujos trabalhos de produção e publicação científica foram ímpares.
Professor Doutor Paulo de Moura Oliveira que, pela competência e pelo interesse manifestado, soube sempre de uma forma construtiva contribuir para a realização deste projeto.
Ao Dr. Rogério Pinto pelo incentivo e apoio e pela amizade de sempre.
Não esquecendo todos aqueles que diretamente ou indiretamente contribuíram para a realização deste trabalho.
R
ESUMO
A teoria da difusão da inovação procura explicar como novas ideias e práticas se disseminam dentro de um sistema social, assim como entre os seus membros. Certos modelos existentes assentam em funções matemáticas simples cujos coeficientes de difusão necessitam de ser estimados para que possam descrever e prever a difusão da inovação. Normalmente, os métodos associados a essa estimação dependem de dados históricos ou de séries cronológicas, ou de difusões já consolidadas, o que inevitavelmente levanta alguns problemas porque nem sempre há dados históricos disponíveis ou suficientes, para além de poder ser impossível estabelecer-se qualquer paralelo entre inovações recentes e a difusão de inovações já consolidadas.
Essas insuficiências e condicionalismos motivaram a procura de novas abordagens que possam auxiliar, nesse contexto, a descrever e a prever a difusão da inovação. Assim, concebeu-se uma nova abordagem alicerçada na tendência de adoção de um sistema social (ou população) que deu origem a três propostas que se concretizam: a primeira, num Algoritmo Probabilístico inspirado nos fundamentos dos Algoritmos Evolutivos que recorre ao modelo logístico decorrente da aplicação da regressão logística binária sobre um conjunto de variáveis que podem influenciar a adoção da inovação; a segunda, em Novos Coeficientes de Difusão para os macro-modelos da Logística, de Gompertz e de Bass, estimados a partir de expressões matemáticas deduzidas e envolvendo as variâncias do grau de exposição e do grau de conhecimento; e, a terceira, envolvendo as variâncias do grau de influência dos contactos e do grau de influência dos fatores externos.
A tendência de adoção de um sistema social é materializada:
1. Na 1.ª proposta, através dos coeficientes de regressão inerentes às variáveis explicativas associadas ao logit, encontrados com a regressão logística binária;
2. Na 2.ª e 3.ª propostas, no indicador de adoção, cuja medida associada – a variância – avalia a variabilidade dos graus de influência (exposição, conhecimento, influência dos contactos e influência dos fatores externos) na adoção da inovação pela população.
A aplicabilidade das propostas subjacentes à nova abordagem foi corroborada por trabalho de campo, tendo por referência a adoção do tablet (como inovação) por uma população retirada da comunidade educativa da Universidade de Trás-os-Montes e Alto Douro, confirmando-as, na ausência de dados, como complementos aos métodos “clássicos” para descrever e prever a difusão da inovação.
Verifica-se, em termos de utilidade prática das propostas, que a segunda proposta e a terceira se revelam mais apropriadas para o estudo da difusão da inovação em macro-sistemas sociais, enquanto que a primeira se adapta melhor a micro-sistemas sociais.
Saliente-se que, em consonância com as intenções comportamentais dos potenciais adotantes, se escolheu as previsões da primeira proposta (Algoritmo Probabilístico), modelada temporalmente pela função logística, por ser, de acordo com as evidências comportamentais, a mais apropriada para descrever e prever a difusão do tablet nesta população em concreto. Paralelamente ao desenvolvimento das propostas, um conjunto de simulações realizadas com os algoritmos inerentes à primeira proposta (Algoritmo Probabilístico) e à segunda proposta (Algoritmo Young), em diversas populações, permitiu confirmar que o ritmo de difusão é influenciado: (a) pela percentagem de adotantes iniciais; (b) pela densidade populacional; (c) pela organização dimensional da rede; (d) pela heterogeneidade ou homogeneidade dos indivíduos; (e) pelo número de sub-redes e respetiva concentração de adotantes; (f) bem como pelas diferentes estruturas subjacentes às sub-redes que influenciam o grau de exposição. Comprova-se, também teoricamente, que a introdução de um coeficiente de pressão social, nas expressões que estimam os Novos Coeficientes de Difusão dos macro-modelos considerados, é pertinente para acelerar a difusão da inovação.
A fase experimental (trabalho de campo) permitiu também demonstrar que: (a) o conhecimento e a exposição contribuem para explicar a adoção; (b) o grau de innovativeness dos adotantes depende de aspetos sociodemográficos; e (c) os adotantes têm um conhecimento e uma perceção de utilidade do tablet mais real e consistente face aos potenciais adotantes. Corroborou-se o pressuposto de que “o grau de conhecimento materializa as influências das
Demonstrou-se, portanto, que a grande vantagem dessas propostas que complementam os métodos “clássicos” é a de prescindirem de dados históricos para descreverem e preverem a difusão da inovação. Resultou, ainda, da aplicação das propostas uma outra vantagem – a sua “reversibilidade” –, uma vez que em qualquer momento poder-se-à retroceder na implementação da respetiva proposta, motivada em função de, por exemplo, saídas e/ou entradas de indivíduos na população.
A
BSTRACT
The Diffusion of Innovation Theory seeks to explain how new ideas and practices spread within a social system, as well as among its members. Certain existing models are based on simple mathematical functions whose diffusion coefficients need to be estimated so they can describe and predict the diffusion of the innovation. Typically, the methods associated with that estimation depend on historical data or time series or previously consolidated diffusions, which inevitably raises some problems because historical data is not always available or sufficient, and it can be impossible to set up any parallel between recent innovations and the diffusion of innovations already consolidated.
These inefficiencies and constraints prompted the search for new approaches that can help, in this context, to describe and predict the diffusion of innovation. Thus was conceived a new approach based on the tendency of adoption of a social system (or population) that has produced three proposals that are materialized: the first, in a Probabilistic Algorithm inspired by the fundamentals of Evolutionary Algorithms that uses the logistic model resulting from the application of binary logistic regression on a set of variables that can influence the adoption of innovation; the second, in New Diffusion Coefficients for macro-models of Logistics, from Gompertz and Bass, estimated from deducted mathematical expressions and involving the variances of the degree of exposure and the degree of knowledge; and the third, involving the variances of the degree of influence from the contacts and the degree of influence from external factors.
The trend towards the adoption of a social system is materialized:
1. In the 1st proposal by the regression coefficients that belong to the explanatory variables associated with the logit, found with binary logistic regression;
2. In the 2nd and 3rd proposals, in the adoption indicator, whose associated measure – variance – evaluates the variability of the degrees of influence (exposure, knowledge, influence from the contacts and influence from external factors) in the innovation adoption by the population.
The applicability of the proposals underlying the new approach has been confirmed by field work, with the adoption of the tablet (as innovation) as a reference for a population extracted from the educational community of the Trás-os-Montes and Alto Douro University. This confirms these proposals, in the absence of data, as supplements to the "classic" methods to describe and predict the diffusion of innovation.
We can see that, in terms of the practical utility of the proposals, the second and third proposals are more appropriate to the study of the diffusion of innovation in social macro-systems, while the first is better suited to social micro-systems.
It should be noted that, in line with the behavioral intentions of potential adopters, the predictions of the first proposal (Probabilistic Algorithm) were chosen, modeled temporally by the logistic function. According to the behavioral evidence, this method was the most appropriate one to describe and predict the diffusion of the tablet in this population in particular. Parallel to the development of the proposals, a set of simulations with the algorithms inherent to the first proposal (Probabilistic Algorithm) and the second proposal (Young Algorithm) in several populations, confirmed that the rate of diffusion is influenced by: (a) the percentage of early adopters; (b) the population density; (c) the dimensional organization of the network; (d) the heterogeneity or homogeneity of the individuals; (e) the number of subnets and respective concentration of adopters; (f) as well as the different structures that underlie the subnets that influence the degree of exposure.
It can be proved, also theoretically, that the introduction of a coefficient of social pressure, in the expressions that estimate the New Diffusion Coefficients of the considered macro-models, is relevant to the acceleration of the diffusion of innovation.
The experimental phase (field work) has also shown that: (a) knowledge and exposure contribute to explain the adoption; (b) the degree of innovativeness of adopters depends on sociodemographic aspects; and (c) the adopters have a more real and consistent knowledge and utility perception of the tablet than potential adopters. The assumption that "the degree of knowledge embodies the influences of interpersonal relations and external information sources"
Therefore, it has been shown, that the great advantage of these proposals that complement the "classic" methods is the fact that they don’t need historical data to describe and predict the innovation spread. From the proposal implementation, another advantage has resulted – its "reversibility" – since it is possible to go back on the implementation of the proposal at any time, if for example there are any additions and/or subtractions to the number of individuals in the population.
Í
NDICE
Agradecimentos ………...………...… i
Resumo ……….………...…. iii
Abstract ……….………...……... vii
Índice ……….…………... xi
Lista de Algoritmos ……….……….……. xix
Lista de Figuras ……….………...……... xxi
Lista de Quadros ………....…...….. xxvii
Lista de Tabelas ………....……. xxix
Siglas e Acrónimos ………..……….……….…. xxxvii
1. INTRODUÇÃO …………...……….………...……..…. 1
2. DIFUSÃO DA INOVAÇÃO:ESTADO DA ARTE …...……….….…. 9
2.1. Modelos matemáticos ……….………...…. 9
2.2. O Modelo de Rogers ……….………....……....… 12
2.2.1. Atributos da inovação ………..…… 14
2.2.2. Processos de decisão-inovação ……….….... 17
2.2.2.2. O processo de decisão-inovação organizacional ……….………… 19
2.2.3. O canal de comunicação ………..…………...………….. 22
2.2.4. Natureza do sistema social ………...……….…………... 23
2.2.5. Tipo de adotantes ………..………..…..……... 25
2.2.6. Extensão dos esforços de promoção dos agentes de mudança …….… 26
2.2.7. O tempo ………...…………..…... 27 2.2.8. A taxa de adoção ……….…….……… 27 2.2.9. A experiência adquirida ………..………..…... 28 2.3. Redes sociais ………..…....…. 29 2.4. O modelo de Young ………..………... 33 2.5. Síntese ………..……… 35 3. ALGORITMOS EVOLUTIVOS ………..………….………. 37 3.1. Algoritmos Genéticos ……….………... 40 3.2. Estratégias Evolutivas ……….………..…….. 41 3.3. Programação Evolutiva ………..………. 43
3.4. Algoritmos de Evolução Diferencial ………...…………...………….…. 43
3.5. Revisão da aplicação dos Algoritmos Evolutivos na difusão da inovação ... 45
3.6. Síntese ………..……….………... 47
4.1. Base conceptual e algorítmica comum aos três algoritmos, particularidades dos modelos subjacentes, implementação e condições para as simulações
inerentes ao Algoritmo Probabilístico ………..………...………. 53
4.1.1. Base conceptual e algorítmica comum ………...………... 53
4.1.2. Particularidades dos modelos subjacentes aos algoritmos ………. 57
4.1.2.1. Algoritmo proposto (Algoritmo probabilístico) ……….… 57
4.1.2.2. Segundo algoritmo (Algoritmo semi-determinista) ………..….… 59
4.1.2.3. Terceiro algoritmo (Algoritmo determinista) ………..………….. 60
4.1.3. Implementação do Algoritmo Probabilístico ………. 61
4.1.4. Condição para as simulações inerentes ao Algoritmo Probabilístico .. 66
4.2. Fiabilidade dos modelos subjacentes aos algoritmos …………..………….…. 66
4.2.1. Simulações e metodologia subjacente .………..…… 66
4.2.2. Aplicabilidade da regressão logística binária ……….……..……. 68
4.2.2.1. Pressupostos e estatísticas para validar o modelo de regressão logística ……….………..…… 68
4.2.2.2. Avaliação da qualidade dos modelos ajustados .……….……..…. 69
4.2.2.3. Resultados estatísticos ………..……….…………. 71
4.2.3. Validação das curvas de difusão da inovação …………..………. 74
4.2.3.1. Qualidade dos modelos ajustados …………...……….…... 75
4.2.3.2. Significância dos coeficientes de regressão ………...……..….…. 78
4.3. Legitimidade do Algoritmo Probabilístico ………..………. 79
4.3.2. Comparação dos traçados das curvas de difusão ..……….. 81
4.4. Influência das redes interpessoais e do conhecimento na difusão da adoção .. 85
4.4.1. Redes interpessoais e interconetividade ……...……..…………...…… 85
4.4.2. O conhecimento ……….…………....…………..……. 93
4.5. Conclusões ………..………...…….. 94
4.6. Síntese ………..……… 95
5. SEGUNDA PROPOSTA -NOVOS COEFICIENTES DE DIFUSÃO PARA OS MACRO-MODELOS DA LOGÍSTICA, DE GOMPERTZ E DE BASS …………...…... 97
5.1. Metodologia para a dedução dos Novos Coeficientes de Difusão ………..…. 100
5.2. Metodologia para a avaliação do Coeficiente de Pressão Social ….……..….. 113
5.3. O algoritmo ……….………..…... 116
5.3.1. Modelo subjacente ……….………..……. 116
5.3.2. Implementação ……….……….………..……. 118
5.4. Validação dos padrões de adoção e fiabilidade do modelo subjacente ao Algoritmo Young ………..………...…... 119
5.5. Fatores que influenciam a taxa de adoção ………..………….………… 122
5.6. Comportamentos e aplicabilidade dos macro-modelos ………..………. 125
5.7. Estimação dos coeficientes de difusão ………..……… 132
5.7.1. Tendência de adoção de um sistema social ………..……..……. 135
5.7.2. Estimação de Novos Coeficientes de Difusão ………..………..……. 165
5.7.2.1. Variabilidade vs. Coeficientes de Difusão dos modelos …………. 165
5.7.2.2. Razões do uso da variância como estimador ………..…. 171
5.7.2.3. Relações matemáticas encontradas ………..………..……… 172
5.7.2.4.Validação das expressões matemáticas deduzidas ………..…...…. 174
5.8. Coeficiente de Pressão Social ………..……….….. 188
5.9. Implementação dos Novos Coeficientes de Difusão na prática ……… 195
5.10. Conclusões ……….…………..………..…….. 196
5.11. Síntese ………..……….…….. 198
6. TRABALHO DE CAMPO –APLICABILIDADE DAS PROPOSTOS ………. 201
6.1. Objetivos ………..………... 202
6.2. Metodologia ………..………..…… 202
6.3. Inovação ………...……...……… 204
6.4. População ………...…...………….. 205
6.5. Instrumento de recolha de dados ………..……... 205
6.5.1. Seleção de variáveis e conceitos ………..……… 206
6.5.2. Estrutura e objetivos dos questionários ………..………..…... 208
6.6. Recolha e tratamento de dados …...………...…………...……... 214
6.6.1. Procedimentos utilizados …………..………...………. 214
6.6.2.1. Fidelidade interna das escalas de múltiplos itens ………..……… 221 6.6.2.2. Análise bivariada ………..………. 221 6.6.2.2.1. Associações e correlações …………..………... 221 6.6.2.2.2. Diferenças ………..……… 222 6.6.3. Software utilizado ………..……….. 222 6.7. Apresentação e discussão dos resultados ………..………. 222
6.7.1. Fatores e características que influenciam a adoção do tablet na
população ………..……… 223
6.7.1.1. Aspetos sociodemográficos …………..……..………... 223 6.7.1.2. Afinidades com as Tecnologias da Informação …………..……... 225 6.7.1.3. Afinidades com a inovação ……….………..….… 228 6.7.1.4. Afinidades com o tablet ………..………..….…… 228 6.7.1.5. Fontes de informação, pressões, fatores e comportamentos …….. 230 6.7.1.6. Perceções, comportamentos e conhecimento do tablet ……... 231 6.7.1.7. Intenção comportamental dos potenciais adotantes ……....……... 235 6.7.1.8. Grau de influências dos contactos, fontes e fatores de pressão ... 235 6.7.1.9. Síntese dos achados mais revelantes …….………….…….…...… 236
6.7.2. Relações ………..………. 237
6.7.3. “Complementariedade” à caracterização dos comportamentos
dominantes propostos por Rogers para os cinco tipos de adotantes ….. 243
6.7.4. A Rede ………..………. 249
6.8. Implementação das propostas ……….………..……….... 250 6.8.1. Métodos estatísticos utilizados ………...……… 251 6.8.1.1. Regressão não-linear ……….………....…... 251 6.8.1.2. Regressão logística binária ………..………..… 251 6.8.2. Software utilizado ………..………..…… 253 6.8.3. Revisão do Algoritmo Probabilístico ….……..………...……… 253 6.8.3.1. Grau de exposição vs. Grau de influência ……….…….….. 254 6.8.3.2. Operacionalização dos Inputs ……….….………....…….…. 255 6.8.3.2.1. Coeficientes de regressão …….………..…………...……. 255 6.8.3.2.2. Inicialização da matriz P e F ………..…… 259 6.8.3.2.3. Taxa de conhecimento ………..………..……... 260 6.8.3.3. Algoritmo Probabilístico revisto …....………..………... 263 6.9. A presentação e discussão das previsões de difusão ………….…….…...…. 264 6.9.1. Primeira proposta (Algoritmo Probabilístico) …………..…...………. 264 6.9.1.1. Modelação das séries cronológicas …………..…….………….… 267 6.9.1.2. Previsões ………...……….………..……….. 268 6.9.2. Segunda proposta (Novos Coeficientes de Difusão) ……...…..……... 269 6.9.2.1. Modelação das séries cronológicas ……….………….…….. 270
6.9.2.2. Previsões ………...……….……...…. 273 6.9.3. . Método “Clássico” ……….……….…… 274 6.9.3.1. Elaboração da série cronológica ………..………..…… 274 6.9.3.2. Previsões ………...……….……... 275 6.9.4. Comparação das previsões de difusão ………..………... 276 6.9.5. Uma terceira proposta ………....………..…….… 279 6.9.5.1. Modelação das séries cronológicas ………….…………..….…… 281 6.9.5.2. Previsões ………...……….……..….. 283 6.9.6. Segunda proposta vs. Terceira proposta ……...……….………..……. 284 6.10. Intensão comportamental da utilização do tablet …….…….……..……... 285
6.11. Conclusões .………..………...…. 288
6.12. Síntese ………..………….... 289
7. CONCLUSÕES E TRABALHO FUTURO ………..……….…...… 291
Referências ……….……….………….……… 295
Anexo I – Questionário dirigido aos adotantes ………..…….……….…. 303
Anexo II – Questionário dirigido aos potenciais adotantes ………..………….…… 311
L
ISTA DOS
A
LGORITMOS
3.1 – Estrutura de um Algoritmo Evolutivo ………...…..…... 39 3.2 – Estrutura de um Algoritmo Genético simples ………...………. 40 3.3 – Estrutura de uma iteração inerente à Estratégia Evolutiva do tipo (1+1)-EE …. 41 3.4 – Estrutura de uma iteração inerente à Estratégia Evolutiva do tipo EE (µ,λ) EE
ou (µ+λ)-EE …...……….………... 42
3.5 – Estrutura de uma iteração inerente à Programação Evolutiva .………...… 43 3.6 – Estrutura de um Algoritmo Evolutivo Diferencial …………...…….…….…… 45 4.1 – Estrutura do Algoritmo Probabilístico ………...……… 65 5.1 – Estrutura do algoritmo com base no modelo de Young ……….……...… 119 6.1 – Nova estrutura do Algoritmo Probabilístico ……….. 263
L
ISTA DE
F
IGURAS
2.1 – Variáveis que determinam a taxa de adoção da inovação ………..…...…... 14 2.2 – O modelo de estádios no processo de Decisão-inovação ……….……….…. 18 2.3 – Os cinco estádios no processo de Decisão-inovação na Organização ……… 20 2.4 – Categorias dos adotantes ao longo do tempo com base no grau de innovativeness 25 2.5 – Grau de exposição numa rede pessoal para uma determinada inovação ……... 32 4.1 – Relação entre a matriz Rede e a Matriz População. Nota: Wij é o peso da relação
entre indivíduos ………..………….…………...…... 55 4.2 – Relação entre a matriz Rede e a Matriz População ………..………... 62 4.3 – Exemplo da posição do indivíduo 14 na Matriz Rede ……….…………. 63 4.4 – Evolução da adoção com os três algoritmos para 20 simulações com 5% e 10%
de adotantes iniciais, em redes de dimensões 4×100, 20×20 e 40×10 …………. 75 4.5 – Qualidade dos ajustamentos à curva de adoção com os macro-modelos da
Logística, de Gompertz e de Bass para uma simulação com 5% e 10% de adotantes iniciais, numa rede de dimensão 20×20 …..……….………….. 77 4.6 – Curvas médias para os macro-modelos da Logística, de Gompertz e de Bass, nos
três algoritmos e para 5% de adotantes iniciais, em redes de dimensão 4×100,
4.7 – Curvas médias para os macro-modelos da Logística, de Gompertz e de Bass, nos três algoritmos e para 10% de adotantes iniciais, em redes de dimensão 4×100,
20×20 e 40×10 ……….………...……….….. 82
4.8 – Curvas médias de Bass nos três algoritmos com 5% e 10 % de adotantes iniciais, em redes de dimensão 4×100, 20×20 e 40×10 ………..………. 83 4.9 – Comparação da evolução do número de sub-redes e o progressivo aumento de
adotantes (densificação) no par de simulações (139, 42) ………... 87 4.10 – Comparação da densificação progressiva das sub-redes, em função dos graus de
exposição dos potenciais adotantes decorrente das estruturas subjacentes às sub -redes, no par de simulações (139, 42) ……….…………... 88 4.11 – (a) Evolução da adoção e dos potenciais adotantes independentemente do grau
de exposição; (b) Evolução dos potenciais adotantes em função dos graus de
exposição ………...………..……….. 89
4.12 – Curvas de Bass segundo o algoritmo probabilístico com taxas de conhecimento de 8 e 12 pontos numa rede 20×20 com 5% de adotantes iniciais ………. 93 5.1 – Metodologia para a dedução de Novos Coeficientes de Difusão para os
macro-modelos da Logística, de Gompertz e de Bass ....……… 112 5.2 – Metodologia para avaliação da pertinência da introdução do Coeficiente de
Pressão nas expressões deduzidas para os macro-modelos considerados .………. 115 5.3 – Evolução da adoção para 150 simulações com 5%, 10%, 15% e 20% de adotantes
iniciais, em redes de dimensões 10×10, 20×20 e 30×30 .………..……….... 120 5.4 – Qualidade do ajustamento dos modelos logístico, de Gompertz e de Bass. Piores
e melhores ajustamentos, independentemente da dimensão da rede e percentagem de adotantes iniciais ……….……… 122
5.5 – Taxas de adoção da inovação (em percentagem), de acordo com o mesmo número de gerações, segundo as percentagens de adotantes iniciais (5%, 10%, 15% e 20%) e as dimensões redes (10×10, 20×20 e 30×30) consideradas …..…. 124 5.6 – Ritmos de adoção e pontos de inflexão para os macro-modelos da Logística,
Gompertz e Bass, nas redes de dimensão 10×10, 20×20 e 30×30 para 5%, 10%, 15% e 20% de adotantes iniciais ……….……….………….…. 127 5.7 – Coeficientes de Dispersão para os graus de exposição e de conhecimento,
relativamente ao estádio evolutivo correspondente a geração n.º 15, de acordo com as 150 experiências, numa rede de dimensão 20×20 com 5% de adotantes iniciais ………..………. 136 5.8 – Coeficientes de Dispersão para os graus de exposição e de conhecimento,
relativamente aos estádios evolutivos correspondente a experiência n.º 1, com 48 gerações, numa rede de dimensão 20×20 com 5% de adotantes iniciais ………... 137 5.9 – Taxas de adoção dos macro-modelos da Logística, de Gompertz e de Bass, para
duas experiências: a primeira com 5% de adotantes iniciais e a segunda com 10% de adotantes iniciais, numa rede de dimensão 20×20 ………….……….. 140 5.10 – Diagramas de dispersão, para uma experiência, obtidos com as taxas de adoção
dos macro-modelos da Logística, de Gompertz e de Bass, e as variâncias dos graus de exposição e de conhecimento, para 5% e 10% de adotantes iniciais …… 142 5.11 – (a) Melhores/piores ajustamentos obtidos com a função exponencial e
logarítmica, a partir das taxas de adoção crescentes e decrescente pelas variâncias dos graus de exposição e de conhecimento, para os macro-modelos da Logística, de Gompertz e de Bass e 5% e 10% de adotantes iniciais; e (b) Melhores e piores ajustamentos após a linearização ………..……… 151
5.12 – Amplitude de variabilidade das variâncias do grau de exposição e do grau de conhecimento para três estádios de referência constituídos por 10%, 20% e 30% de adotantes numa rede 20×20 com 5% de adotantes iniciais, de acordo com as 150 experiências realizadas ……….….. 159 5.13 – Diagramas de dispersão das variâncias dos graus de exposição e de
conhecimento dos três estádios de referência constituídos por 10%, 20% e 30% de adotantes pelos coeficientes de difusão dos três macro-modelos, numa rede 20×20 com 5% de adotantes iniciais ………….….………..…..… 168 5.14 – Ritmos de adoção das curvas obtidas com os Novos Coeficientes de Difusão e
das curvas obtidas com a média dos Coeficientes de Regressão para os macro-modelos da Logística, de Gompertz e de Bass, nas redes de dimensão 10×10, 20×20 e 30×30, para 5%, 10% e 15% de adotantes iniciais ………..…… 177 5.15 – Melhores e piores convergências entre as curvas obtidas com os Novos
Coeficientes de Difusão e o acumulado de adotantes para os macro-modelos da Logística, de Gompertz e de Bass, nas redes de dimensão 10×10, 20×20 e 30×30, com 5% e10% de adotantes iniciais …………...……... 186 5.16 – Melhores e piores curvas produzidas a partir dos Coeficientes de Regressão,
obtidas com as Novas Expressões Deduzidas e respetivos Coeficientes de Pressão Social para os macro-modelos da Logística, de Gompertz e de Bass, na rede de dimensão 20×20, para 5% e10% de adotantes iniciais …….……….…... 195 6.1 – Repartição da população segundo a idade ……...……….……..…..………...…... 223 6.2 – Distribuição percentual da população segundo o género ………….……….……. 223 6.3 – Distribuição da população segundo a habilitação académica …….…………..….. 224 6.4 – Distribuição da população segundo a Classificação Portuguesa das
6.6 – Distribuição da população segundo a aplicação que mais utiliza para fins profissionais ………...………..………...……….…. 226 6.7 – Distribuição da população segundo os tipos de adotantes (Rogers) relativamente
a uma Nova Tecnologia da Informação e relativamente ao tablet para a subpopulação de adotantes …………..………..…………..….. 228 6.8 – Distribuição dos adotantes segundo o tablet que utilizam ……….………... 229 6.9 – Distribuição dos potenciais adotantes segundo o tablet que pretendem utilizar
futuramente ………...………...………..………..………. 230 6.10 – Histograma para a distribuição dos adotantes segundo o tempo de decisão de
adoção do tablet ………..……….……..…… 239 6.11 – Redes interpessoais de influências ………...….…..………..…. 250 6.12 – Previsão de difusão do tablet, para os macro-modelos da Logística, de Gompertz
e de Bass, segunda a 1.ª proposta ………..…….………….………...…. 265 6.13 – Previsões de difusão do tablet, para os macro-modelos da Logística, de
Gompertz e de Bass, segunda a 1.ª proposta, a 2.ª proposta e método “clássico” . 277 6.14 – Curvas de difusão do tablet para os macro-modelos da Logística, de Gompertz e
de Bass, segundo o método “clássico”, a 2.ª proposta e a 3.ª proposta ……… 285 6.15 – Evolução da difusão do tablet na subpopulação dos potenciais adotantes, de
acordo com os macro-modelos da Logística, de Gompertz e de Bass, segundo o método “clássico”, a 1.ª proposta, a 2.ª proposta e as intenções comportamentais 286
L
ISTA DE
Q
UADROS
2.1 – Características dos modelos matemáticos de difusão ………..…………..….... 12 5.1 – Experiências realizadas nas redes, 10×10, 20×20 e 30×30, com 5%, 10%, 15%
e 20% de adotantes iniciais ………...……….…..………..… 100 5.2 – Experiências realizadas para três estádios evolutivos constituídas por 10%,
20% e 30% de adotantes numa rede 20×20 com 5% de adotantes iniciais …….. 107 5.3 – Experiências realizadas com o Coeficiente de pressão Social–β igual a 4 níveis
de Pressão Social (1, 2, 3 e 4), numa rede 20×20, para 5% e 10% de adotantes iniciais …………..………. 114 5.4 – Linearização da função exponencial e logarítmica ………...………. 140 5.5 – Relações e Expressões matemáticas ………..……… 172 5.6 – Expressões matemáticas utilizadas ………..……….. 173 5.7 – Expressões com o Coeficiente de Pressão Social para os macro-modelos da
Logística, de Gompertz e de Bass …….………...……….. 189 5.8 – Relações e Expressões matemáticas para casos práticos ………..…………..… 196 6.1 – Atitude perante as Tecnologias da Informação ……….. 209 6.2 – Fontes de informação consultadas ……….………..……….. 210 6.3 – Elementos, fatores ou condições de pressão ……….………. 210
6.5 – Perceção de Facilidade de Uso ………...………..………….. 211 6.6 – Compatibilidade ……….………..………..……... 211
6.7 – Imagem ……..………..………..……… 212
6.8 – Normas Subjetivas ……….………..………... 212 6.9 – Voluntariedade de utilização ………..………..………. 212 6.10 – Opinião sobre as potencialidades do tablet …………..……..……… 212 6.11 – Intenção comportamental de utilização do tablet ………...……… 213 6.12 – Influência dos contactos, das fontes de informação e dos fatores de pressão …. 214 6.13 – Variáveis utilizadas (nome, designação, modalidades, classes, e escalas) ……. 217 6.14 – Caracterização dos tipos de adotantes segundo as variáveis comportamentais
dominantes propostas por Rogers e as variáveis de “complementaridade” consideradas para este estudo ………..……….. 248 6.15 – Equações diferenciais e funções utilizadas ………..………..… 268 6.16 – Calendário para o final da difusão do tablet associado à 1.ª e 2.ª proposta, e
ao método “clássico” …………..……….…. 278 6.17 – Expressões matemáticas dos Novos Coeficientes de Difusão adaptados …...… 280
L
ISTA DE
T
ABELAS
4.1 – Estatísticas para a qualidade global dos modelos ajustados .……….. 71 4.2 – Coeficientes Logit médios dos modelos ajustados relativamente às variáveis
grau de conhecimento e grau de exposição ………...……… 72 4.3 – Utilidade dos modelos ajustados para classificar novos adotantes …….……… 73 4.4 – Níveis de significância para os coeficientes das variáveis transformadas: grau
de conhecimento (Z1) e grau de exposição (Z2) ……….… 73
4.5 – Valores de Variance Inflaction Factor (VIF), para as variáveis grau de conhecimento e grau de exposição ………..……….. 74 4.6 – Qualidade dos ajustamentos – Coeficientes R2 mínimos, máximos e médios ... 76
4.7 – Coeficientes médios e significância do macro-modelo da Logística ……….… 78 4.8 – Coeficientes médios e significância do macro-modelo de Gompertz …...……. 78 4.9 – Coeficientes médios e significância do macro-modelo de Bass ...………..…… 79 4.10 – Combinações e respetivas ocorrências e percentagens……….………. 91 5.1 – Qualidade de ajustamento dos modelos da Logística, de Gompertz e de Bass
– Coeficientes de determinação mínimos, máximos e médios (R2) ……...…… 121
5.2 – Média do número de gerações segundo a dimensão da rede e percentagem de adotantes iniciais ………..………. 123 5.3 – Pontos de inflexão dos macro-modelos da Logística, de Gompertz e de Bass . 128
5.4 – Valores médios dos coeficientes dos macro-modelos ……….…... 129 5.5 – Valores mínimos, máximos e médios dos coeficientes de variação dos três
macro-modelos …………..……… 130 5.6 – Qualidade dos ajustamentos obtidos com as funções exponencial e logarítmica
para os macro-modelos da Logística, de Gompertz e de Bass, de acordo com as taxas de adoção (crescente ou decrescente) e variâncias dos genes – Coeficientes de determinação mínimos, máximos e médios para 5% e 10% de adotantes iniciais ………...……… 143 5.7 – Qualidade dos ajustamentos obtidos após a linearização das funções
exponencial e logarítmica para os macro-modelos da Logística, de Gompertz e de Bass, de acordo com as taxas de adoção (crescente ou decrescente) e variâncias dos genes – Coeficientes de determinação mínimos, máximos e médios para 5% e 10% de adotantes iniciais ……….. 144 5.8 – Exemplo dos fatores que influenciam os piores ajustamentos ……….……….. 145 5.9 – Correlações (taxas de adoção (crescente ou decrescente) pelas variâncias dos
genes: Exposição e Conhecimento) obtidas após a linearização para os macro-modelos da Logística, de Gompertz e de Bass – Coeficientes de correlação r de Pearson mínimos, máximos e médios para 5% e 10% de adotantes iniciais ………... 152 5.10 – Correlações (taxas de adoção (crescente ou decrescente) pelas variâncias dos
genes: Exposição e Conhecimento) obtidas para os macro-modelos da Logística, de Gompertz e de Bass – Coeficientes de correlação ró de Spearman mínimos, máximos e médios para 5% e 10% de adotantes iniciais ……… 154 5.11 – Correlações (variância do grau de exposição (crescente ou decrescente) pela
5.12 – VIF obtidos para os macro-modelos da Logística, de Gompertz e de Bass – VIF mínimos, máximos e médios para 5% e 10% de adotantes iniciais ……... 156 5.13 – Média, variância e Coeficiente de Dispersão para três estádios evolutivos de
referência constituídas por 10%, 20% e 30% de adotantes numa rede 20×20 com 5% de adotantes iniciais ……….……… 158 5.14 – Média, Variância e Coeficiente de Dispersão para 20% de adotantes, nas redes
10×10, 20×20 e 30×30, com 5%, 10%, e 15% de adotantes iniciais para cada uma delas ……….……….. 162 5.15 – Valores mínimos, máximos e médios do grau de exposição e conhecimento
para 20% de adotantes …………...………..……….. 162 5.16 – Valores mínimos, máximos e médios do número de gerações iniciais nas
dimensões de redes 10×10, 20×20 e 30×30, com 5%, 10% e 15% de adotantes iniciais, para o estádio evolutivo de referência com 20% de adotantes ……….. 164 5.17 – Coeficientes de correlação r de Pearson para as variâncias dos graus de
exposição e de conhecimento dos três estádios de referência pelos coeficientes de difusão dos macro-modelos da Logística e de Gompertz, para 5% de adotantes iniciais ………... 169 5.18 – Novos Coeficientes de Difusão e Coeficientes médios da regressão, para os
macro-modelos da Logística, de Gompertz e de Bass nas redes de dimensão 10×10, 20×20 e 30×30, para 5%, 10% e 15%de adotantesiniciais …….…...…. 175 5.19 – Coeficientes de Variação médios (CV/CR e CV/NCD) dos macro-modelos da
Logística, de Gompertz e de Bass, para as dimensões rede 10×10, 20×20 e 30×30, com 5% e 10% de adotantes iniciais ………..……… 178 5.20 – Coeficientes de Variação (CV/CR e CV/NCD) mínimos e máximos dos
macro-modelos da Logística, de Gompertz e de Bass, para as dimensões rede 10×10, 20×20 e 30×30, com 5% e 10% de adotantes iniciais ……….…… 179
5.21 – Diferenças entre os Coeficientes de Variação máximos e mínimos relativamente aos CV/CR e aos CV/NCD ..………...……… 179 5.22 – Número e percentagem de curvas, obtidas com os NCD, contidas nos
intervalos constituídos pelos CV (CV/CR) mínimos e máximos, para os macro-modelos da Logística, de Gompertz e de Bass, nas dimensões rede 10×10, 20×20 e 30×30, com 5% e 10% de adotantes iniciais ……….………… 180 5.23 – Qualidade de ajustamento dos macro-modelos da Logística, de Gompertz e de
Bass – Coeficientes de determinação mínimos, máximos e médios (R2)
obtidos com os Novos Coeficientes de Difusão ………. 183 5.24 – Médias, mínimos e máximos das variâncias dos graus de exposição e
conhecimento depois de exercidos 4 níveis de Pressão Social numa rede 20×20, para 5% e 10% de adotantes iniciais ……….…………. 190 5.25 – Médias, mínimos e máximo dos Coeficientes de Pressão Social ajustados, a
partir das curvas produzidas com os coeficientes de difusão, para os três macro-modelos, numa rede 20×20, com 5% e 10% de adotantes iniciais …….. 191 5.26 – Qualidade de ajustamento entre as curvas obtidas com os coeficientes de
pressão social e as curvas obtidas com os coeficientes de difusão, para os macro-modelos da Logística, de Gompertz e de Bass – Coeficientes de determinação mínimos, máximos e médios (R2) para os quatro níveis de
pressão Social (CPS- β) numa rede 20×20, com 5% e 10% de adotantes iniciais ………... 192 5.27 – Qualidade de ajustamento das curvas obtidas com os coeficientes de difusão
para os macro-modelos da Logística, de Gompertz e de Bass – Coeficientes de determinação (R2) mínimos, máximos e médios para os quatro níveis de
6.2 – Repartição da população segundo a Classificação Nacional das Áreas de Educação e Formação ………...………..……... 224 6.3 – Repartição da população de acordo com a experiência percentual adquirida
relativamente às Tecnologias da Informação que mais utiliza ………...……… 226 6.4 – Repartição da população em função do conhecimento percentual que possui
relativamente ao sistema de computação que mais utiliza ……….…… 227 6.5 – Média, desvio padrão, mediana, mínimo e máximo para o tempo de utilização
da Tecnologia da Informação e da aplicação que mais utiliza, e para a experiência e conhecimento que tem relativamente às Tecnologias da Informação ………...……….…..…….. 227 6.6 – Rank Médio, desvio padrão, mediana, mínimo e máximo para a atitude que a
população tem perante as Tecnologias da Informação que mais utiliza ………. 227 6.7 – Média, desvio padrão mediana, mínimo e máximo para o tempo de utilização
do tablet para fins profissionais e pessoais e para o tempo de decisão de adoção da Tecnologia da Informação dos adotantes ………..……….……... 229 6.8 – Média, desvio padrão, mediana, mínimo e máximo para o conhecimento e
experiência adquirida pelos adotantes ………..…………...………. 229 6.9 – Média, desvio padrão, mediana, mínimo e máximo para o conhecimento
teórico dos potenciais adotantes ………...……….……..……….. 230 6.10 – Média, desvio padrão, mediana, mínimo e máximo para as fontes de
informação ………...………. 230 6.11 – Média, desvio padrão, mediana, mínimo e máximo para as pressões ………… 231 6.12 – Rank Médio, desvio padrão, mediana, mínimos e máximos para a utilidade
percebida relativamente ao tablet ………...………... 232 6.13 – Rank Médio, desvio padrão, mediana, mínimos e máximos para a perceção de
6.14 – Rank Médio, desvio padrão, mediana, mínimos e máximos para a compatibilidade do uso do tablet ……….……….. 233 6.15 – Rank Médio, desvio padrão, mediana, mínimos e máximos para a imagem que
prevalece relativamente ao uso do tablet ………...…………..………….. 233 6.16 – Rank Médio, desvio padrão, mediana, mínimos e máximos para a influência
de pessoas importantes no uso do tablet (Normas Subjetivas) …….……….…. 234 6.17 – Rank Médio, desvio padrão, mediana, mínimos e máximos para a opinião
formada sobre as potencialidades do tablet ………...………..………….. 234 6.18 – Rank Médio, desvio padrão, mediana, mínimos e máximos para a
voluntariedade no uso do tablet ……….…… 234 6.19 – Média, desvio padrão, mediana, mínimo e máximo para a intensão de
utilização do tablet pelos potenciais adotantes ……….. 235 6.20 – Média, desvio padrão, mediana, mínimo e máximo para a intenção
comportamental de utilização do tablet pelos potenciais adotantes sem outliers 235 6.21 – Média, desvio padrão, mediana, mínimo e máximo para a influência dos
contactos interpessoais e fatores externos (fontes de informação e fatores de pressão) ………...……….………. 236 6.22 – Tempo de decisão para adotar o tablet pela idade ……….………. 238 6.23 – Tempo de decisão para adotar o tablet pela habilitação académica .………….. 238 6.24 – Tempo de decisão para adotar o tablet pela área de estudo ……...………….… 238 6.25 – Tempo de decisão para adotar o tablet por tipo de adotante ….………….……. 239 6.26 – Matriz de correlações obtida com a estatística ró de Spearman, para a
6.27 – Matriz de correlações obtidas com a estatística ró de Spearman, para o grau de conhecimento pelos índices de concordância das opiniões das potencialidades do tablet, da utilidade percebida e da perceção de facilidade de uso para os potenciais adotantes ………..……….. 242 6.28 – Coeficientes de correlação obtidos com a estatística ró de Spearman
relativamente ao grau de conhecimento pelas influências ………….………… 242 6.29 – Medianas obtidas para os cinco tipos de adotantes relativamente às variáveis
de caracterização consideradas ……….. 244 6.30 – Relação quantitativa da mediana com a ordem da escala ordinal ….…….……. 247 6.31 – Coeficientes Logit do modelo de regressão logística ………...……….………. 258 6.32 – Matriz de correlação para o logit encontrado ……….……… 258 6.33 – Estado evolutivo da população no momento inicial zero (Matriz P) …..…….... 259 6.34 – Graus de influências de cada parceiro no momento inicial zero (Matriz F) …... 260 6.35 – Índice e tratamento estatístico associado ………... 262 6.36 – Frequências acumuladas de adotantes obtidas com o Algoritmo Probabilístico
para quatro gerações ………..………..….. 264 6.37 – Tempos de adoção, número de adotantes e número de ciclos por geração ….… 267 6.38 – Previsões para a difusão do tablet, de acordo com o Algoritmo Probabílistico 269 6.39 – Média, variância e desvio-padrão para o grau de conhecimento do tablet e
índice do grau de influência dos contactos ……… 270 6.40 – Tempos de adoção e respetivas frequências acumuladas de adotantes para os
três macro-modelos (2.ª proposta) ……...……….…………. 272 6.41 – Previsões para a difusão do tablet, de acordo com a segunda proposta …..…... 273
6.42 – Distribuição dos adotantes segundo o tempo de adoção, tempo de adoção relativamente ao início do processo de adoção e data provável de adoção ……. 275 6.43 – Previsões para a difusão do tablet, de acordo com o método “clássico” ………. 276 6.44 – Tempos de adoção e respetivas frequências acumuladas de adotantes para os
três macro-modelos ……….….. 282 6.45 – Previsões para a difusão do tablet, de acordo com a terceira proposta ..……… 284 6.46 – Acumulado de potenciais adotantes relativamente às intenções
S
IGLAS E
A
CRÓNIMOS
DOI – Diffusion of Innovations (Difusão da Inovação) AE – Algoritmo Evolutivo AG – Algoritmo Genético EE – Estratégias Evolutivas PE – Programação Evolutiva ED – Evolução Diferencial CR – Coeficiente de Regressão AP – Algoritmo Probabilístico
NCD – Novos Coeficientes de Difusão CV – Coeficiente de Variação
AY– Algoritmo Young (Algoritmo Probabilístico com base no modelo de Young) CPS – Coeficiente de Pressão Social
CPS-β – Coeficiente de Pressão Social-β (associado ao regulador probabilístico β) CD – Coeficiente de Dispersão de Pearson
NED – Novas Expressões Deduzidas TI – Tecnologia da Informação
1
I
NTRODUÇÃO
A teoria da difusão da inovação procura explicar como novas ideias e práticas se disseminam dentro de um sistema social assim como entre os seus membros (Bass, 1969; Mahajan & Peterson, 1985; Rogers, 1983; Rogers, 1995; Rogers, 2003; Rogers, 2004; Rogers & Peterson, 2008; Rogers, Medina, Rivera, & Wiley, 2005; Valente, 1996; Valente, 2005), referindo que a difusão da inovação corresponde ao processo pelo qual uma inovação é comunicada através de certos canais, ao longo do tempo, aos membros de um sistema social (Rogers, 1983; Rogers, 1995; Rogers, 2003; Rogers, 2004; Rogers & Peterson, 2008; Rogers et al., 2005).
Nas últimas décadas foram desenvolvidos vários modelos, cada qual com os seus diferentes conjuntos de fatores determinantes no processo de adoção da inovação, tendo tipicamente como foco de estudo o indivíduo e/ou a organização dentro de um sistema social. São exemplos, entre outros, os modelos de Davis, Bagozzi e Warshaw (1989), de Moore e Benbasat (1991); de Rogers (1995), e de Venkatesh, Morris, Davis e Davis (2003).
Outros modelos surgiram também para explicar a difusão da inovação, bem como para avaliar artefactos, doenças e o modo como certos comportamentos se espalham em áreas contíguas. É o caso dos modelos espaciais que usam redes de conexões baseadas na distância (Valente, 2005).
Grande parte dos modelos iniciais, assentes em funções matemáticas simples, centrados na observação e descrição de padrões de difusão, tornaram-se relevantes na previsão do fenómeno de adoção da inovação. A aplicação dessas funções dá origem a uma curva em forma de “S” (sigmoide) e permite estimar as taxas de adoção (Mahajan & Peterson, 1985). São exemplos, entre outros, os macro-modelos da Logística (Mahajan & Peterson, 1985; Valente, 2005), de
Introdução
Gompertz (Mahajan & Peterson, 1985) e de Bass (Bass, 1969; Mahajan & Peterson, 1985; Rogers, 1995; Valente, 2005; Young, 2009).
O uso desses macro-modelos envolve necessariamente a estimação dos seus coeficientes de difusão. Estes, normalmente, são estimados a partir de dados históricos ou de séries cronológicas, o que inevitavelmente levanta alguns problemas porque nem sempre há dados históricos disponíveis ou suficientes. Em alternativa, recorre-se frequentemente à média de certas características de outras inovações semelhantes ou à avaliação por peritos (Mahajan & Peterson, 1985), o que não favorece o processo de estimação.
Essas insuficiências e condicionalismos motivaram a procura de novas abordagens com o intuito de que as propostas daí decorrentes pudessem prescindir de dados históricos para descrever e prever a difusão da inovação num sistema social (ou população).
Assim, propõe-se uma nova abordagem assente conceptualmente na tendência de adoção de um sistema social face à inovação explicada a partir de certas combinações, considerando (1) os níveis social e individual e (2) certos atributos estruturantes (por exemplo, medidas estatísticas e coeficientes de regressão).
1. Considera-se então que, para além de outros fatores ou comportamentos, a adoção pode ser explicada a partir de combinações que ocorrem ou decorrem:
Ao nível do sistema social:
Das interações sociais inerentes à rede (Rogers, 1995; Rogers et al., 2005; Valente, 1996; Valente & Davis, 1999; Valente & Fujimoto, 2010; Valente & Rogers, 1995; Valente, Coronges, Lakon, & Costenbader, 2008;), constituída por sub-redes interpessoais;
Das características sociodemográficas, tais como: idade, género, habilitações académicas (Jeyaraj, Rottman, & Lacity, 2006);
Introdução
Da percentagem inicial de adotantes (inovadores e primeiros seguidores) (Rogers, 1995; Valente, 1996);
Dos fatores internos (pressão da gestão de topo, características organizacionais, experiência em inovações, mudanças organizacionais, etc.) (Rogers, 1995); Do tipo de decisão (opcional, coletiva e imposta) (Rogers 1995);
Da natureza do sistema social (normas, grau de interconetividade) (Rogers 1995); e,
Ao nível do indivíduo, tendo como base o grau de exposição, a evolução das características do indivíduo e os fatores que influenciam a tomada de decisão, decorrem:
Das influências interpessoais consubstanciadas nos graus de exposição e na variação dos threshold de adoção (Rogers, 1995; Valente, 1996; Valente, 2005), que podem depender, em determinados momentos, por exemplo: das crenças anteriores, da quantidade de informações recolhidas e dos custos idiossincráticos (Young, 2007; Young, 2009);
Da aprendizagem social, isto é, do que resulta quando as pessoas veem vantagens suficientes, baseadas nos resultados de adoções prévias, e se convencem de que a inovação vale a pena ser adotada (Young, 2007; Young, 2009);
Dos atributos da inovação (Davis et al., 1989; Rogers, 1995);
Das características, como o conhecimento e a experiência em Tecnologias da Informação e outras, que podem explicar o comportamento de adoção perante uma determinada inovação;
Do nível de conhecimento sobre a inovação;
Das attitudes perante as Tecnologias da Informação (Davis et al., 1989; Jeyaraj et al., 2006; Venkatesh et al., 2003);
Introdução
Da utilidade percebida e da perceção de facilidade de uso da inovação (Davis, 1989; Davis et al., 1989; Jeyaraj et al., 2006; Venkatesh et al., 2003);
Das influências das fontes de informações externas (mass media) e internas (Mahajan & Peterson, 1985; Rogers, 1995; Valente, 1996; Valente, 2005; Young, 2007; Young, 2009);
Da influência dos líderes de opinião (Rogers, 1995; Valente, 1996; Valente, 2005; Valente & Davis, 1999); e
Da incerteza e do risco associados à inovação (Davis et al., 1989; Rogers, 1995; Valente, 1996; Valente, 2005).
2. A materialização da tendência de adoção vai depender, em consonância com os fatores e comportamentos anteriores, de certos atributos estruturantes, tais como, por exemplo, medidas (variância) e coeficientes (coeficientes de regressão) inerentes à conceção da respetiva proposta idealizada.
Neste contexto, conceberam-se três propostas para descrever e prever a difusão da inovação. A primeira, concretiza-se num Algoritmo Probabilístico inspirado nos Algoritmos Evolutivos. O modelo subjacente, de essência probabilística, para avaliar a probabilidade do potencial adotante adotar, recorre ao modelo logístico ajustado, resultante da aplicação da regressão logística binária sobre um conjunto de variáveis que podem explicar a adoção da inovação numa determinada população. Essas variáveis poderão, eventualmente, estar associadas aos fatores e comportamentos referidos anteriormente. Assim, ajustado o Logit (modelo linear da função logística) estatisticamente significativo, com qualidade adequada e útil para classificar os indivíduos, as variáveis explicativas inerentes estruturam geneticamente o indivíduo, e os respetivos coeficientes de regressão materializam a tendência de adoção da população. Avaliadas a fiabilidade e utilidade do modelo subjacente ao algoritmo, este passa a permitir simular probabilisticamente, nessa população, a difusão da inovação. A segunda e terceira proposta substanciam-se em Novos Coeficientes de Difusão para os macro-modelos da
Introdução
externos. Estes Novos Coeficientes de Difusão podem também, querendo-se, prescindir dos dados históricos, substituir os coeficientes de difusão decorrentes da aplicação dos métodos “clássicos”.
Nestas duas últimas propostas, a variância, como medida associada ao indicador de adoção, materializa, num determinado momento, a tendência de adoção de uma população.
Considerou-se, ainda, teoricamente, relativamente à segunda proposta, que o grau de conhecimento corporiza também as influências dos contactos interpessoais e dos fatores externos. Na prática, associou-se ao grau de conhecimento o peso (em percentagem) das influências dos contactos e dos fatores externos atribuído pelos indivíduos da população considerada.
Conceptualmente, as propostas associadas à nova abordagem assumem desde logo que a inovação se dissemina através: (a) de redes sociais em que o processo de influência é efetuado por contacto direto entre indivíduos em redes interpessoais; (b) das características próprias do indivíduo como, por exemplo, o conhecimento que o indivíduo tem relativamente a uma determinada inovação; e (c) de outros fatores internos ou externos que podem influenciar a tomada de decisão.
Sob os mesmos pressupostos, e de modo a testar teoricamente a 1.ª e a 2ª proposta, elaboraram-se dois algoritmos inspirados nos Algoritmos Evolutivo para simularem ao longo das gerações (do tempo) os diferentes estádios evolutivos da adoção de diversas populações. Em termos conceptuais e estruturais, os algoritmos elaborados têm por base:
Uma matriz R(n×m) que representa um grafo regular (rede social) do tipo toro1(ou anel),
em que cada elemento da matriz identifica um nodo da rede e, este, um indivíduo; Um genótipo constituído pelos genes designados grau de exposição e grau de
conhecimento. Esse genótipo é mutável e de valor crescente, permitindo, assim, a melhoria dos indivíduos ao longo do tempo; e
Um mecanismo de avaliação.
1Young (1999) refere essa topologia nos seus trabalhos.
Introdução
As particularidades existentes entre os modelos subjacentes aos dois algoritmos residem essencialmente no mecanismo de avaliação e na respetiva função de aptidão. No primeiro algoritmo, inerente à primeira proposta, introduziu-se um processo estocástico no mecanismo de avaliação de forma a recriar os fatores que influenciam a tomada de decisão de adotar. Na segunda proposta, o mecanismo de avaliação do algoritmo recorre ao modelo de Young (1999) para estimar a probabilidade do indivíduo adotar a inovação.
As populações consideradas nas simulações assentam: (a) em redes sociais com a mesma tipologia (em forma de toro) cujas estruturas e dimensões diferem de forma a configurar situações extremas em que o fluxo de contactos e de influências ficam moldados em função do espaço físico disponível ou de métodos organizativos; e (b) nas diferentes percentagens de adotantes iniciais (Inovadores e Primeiros adotantes).
Sustentado no património genético dos estádios evolutivos iniciais da adoção resultantes das simulações efetuadas com cada algoritmo, que serve de base “empírica, ensaiaram-se as duas primeiras propostas (o Algoritmo Probabilístico e os Novos Coeficientes de Difusão) associadas à nova abordagem.
Decorrente do trabalho de campo realizado, assente na difusão do tablet (como inovação) numa população retirada da comunidade educativa da Universidade de Trás-os-Montes e Alto Douro, foi possível, com os dados recolhidos através de dois questionários dirigidos aos adotantes e potenciais adotantes: (a) conceber uma terceira proposta, bem como testar a aplicabilidade das respetivas propostas; (b) perceber a difusão com base em certas propostas e fatores de influência aceites pela comunidade científica; (c) avaliar o pressuposto de “que o grau de conhecimento materializa as influências das relações interpessoais e das fontes de informações externas”; e (d) identificar um conjunto de variáveis para “complementar” as características genéricas de cada categoria de adotantes referidas por Rogers (1995).
Verifica-se, em termos de aplicabilidade prática das propostas, que a segunda e terceira proposta se revelam mais apropriadas para o estudo da difusão da inovação em macro-sistemas sociais, enquanto que a primeira se adapta melhor a micro-sistemas sociais.
Introdução
Paralelamente à conceção da primeira proposta, procuram-se respostas para as questões seguintes:
1. O conhecimento e a exposição dos potenciais adotantes contribuem para explicar a adoção?
2. O número de adotantes iniciais, a organização dimensional da rede, a heterogeneidade e a homogeneidade dos indivíduos, as sub-redes decorrente das redes interpessoais e o aumento da taxa de conhecimento influenciam o ritmo de adoção (ou a velocidade de difusão da inovação)?
Na segunda proposta, de modo a acelerar a difusão da inovação, introduziu-se nas expressões deduzidas que estimam os Novos Coeficientes de Difusão dos macro-modelos da Logística, de Gompertz e de Bass um coeficiente que materializa as pressões exercidas por determinados fatores de influência (internos e/ou externos) sobre o sistema social, como, por exemplo, as decisões da gestão do topo (por exemplo uma formação mais intensiva), as pressões dos agentes de mudança ou a aplicação de uma norma decorrente de uma nova legislação.
A presente tese encontra-se organizada, para além da parte introdutória (Capítulo 1) e das conclusões (Capítulo 7), em mais cinco capítulos. Os capítulos 1 e 2 servem de fundamentação teórica à concretização das propostas associadas à nova abordagem e à validação de certos pressupostos inerentes à difusão da inovação. Nesses capítulos reveem-se os principais modelos associados à Difusão da Inovação e os fundamentos dos Algoritmos Evolutivos e respetivas variantes. Evidencia-se também, através de trabalhos de certos autores, a aplicabilidade dos Algoritmos Evolutivos no âmbito da Difusão da Inovação. Nos capítulos 4 e 5, concebem-se e ensaiam-se teoricamente as propostas idealizadas. Com os resultados das simulações realizadas, discute-se a viabilidade das propostas. Paralelamente, validam-se também os pressupostos definidos. No capítulo 6 (Trabalho de campo), procede-se ao tratamento e representação dos dados recolhidos com os questionários, concebe-se uma terceira proposta, experimentam-se as três propostas, avalia-se os pressupostos enunciados, bem como se explica a razão da “complementaridade” das características genéricas de cada categoria de adotantes referidas por Rogers (1995).
Para além dos referidos capítulos, juntam-se também três apêndices. Os dois primeiros, apresentam os questionários utilizados para a recolha de dados junto da população-alvo e
Introdução
dirigidos aos adotantes e potenciais adotantes. O terceiro anexo descreve as regressões logísticas binárias efetuadas para eliminar os casos aberrantes.
2
D
IFUSÃO DA
I
NOVAÇÃO
E
STADO DA
A
RTE
O conceito da difusão da inovação (DOI) foi abordado pela primeira vez pelo sociólogo francês Gabriel Tarde, na sua obra que intitulou “Les lois de l’imitation” (Rogers, 1995; Tarde, 1895). Desde então, principalmente a partir da década de 1940, variados resultados de investigações têm sido publicados sob o tema da difusão da inovação. Rogers (1995), na quarta edição da sua obra “Diffusion of Innovations”, contabilizou 3890 trabalhos de investigação sobre o tema, repartidas por onze áreas clássicas de investigação, entre as quais a antropologia, a sociologia, as ciências da educação, as ciências da economia, a geografia, a economia, entre outras. Em 2004, cerca de 5000 trabalhos de investigação foram efetuados sob uma grande variedade de disciplinas académicas (Rogers, 2004).
Os estudos de Ryan e Gross (1943) sobre a difusão das sementes de milho híbrido foram determinantes para estabelecer o paradigma da investigação da difusão da inovação (Rogers, 1995; Rogers, 2004; Valente, 2005). Este investigador descobriu que os contactos sociais, a interação social e a comunicação interpessoal eram influências relevantes para a adoção de novos comportamentos (Valente, 2005; Valente & Davis, 1999; Valente & Rogers, 1995).
2.1. Modelos matemáticos
Grande parte das pesquisas pioneiras sobre o processo de difusão baseadas em funções matemáticas simples que utilizam a variável tempo, centraram-se na observação e descrição de padrões de difusão em termos de tendência pré-definida ou funções de distribuição. São exemplos destas, entre outras, da Logística, de Gompertz, a distribuição normal acumulada, e a de Bass.
