1 

 

Aplicação da lógica Fuzzy nos construtos do Modelo de Aceitação de Tecnologia

Autoria: Petruska de Araujo Machado, Taís Alexandre Antunes Paes, Arielle Pinto Silva, Renata Grigorio Silva Gomes, Leonardo Rosa Rohde

RESUMO

O Modelo de Aceitação da Tecnologia (TAM – Tecnology Acceptance Model) tem sido considerado um modelo robusto para investigar processos de adoção de TI, porém os esforços tem se concentrado apenas em explicar ou prever esse fenômeno. Pesquisas tem se preocupado apenas em confirmar os relacionamentos do modelo (Benbasat & Barki, 2007), de forma que as decisões para adoção de TI são apenas inferidas através de métodos estatísticos. Além disso, pesquisas têm criticado o TAM argumentando que medidas de utilidade percebida (PU) e facilidade de uso percebida (PEOU) podem ser sujeitas a vieses de mensuração, tais como: subjetividade, método comum e conveniência social (Dimoka & Davis, 2008). Levando em consideração a complexidade de processos de adoção de TI e as dificuldades e incertezas envolvidas na tomada de decisão, esta pesquisa teve como objetivo analisar conceitos subjetivos dos construtos do TAM transformando-os em valores quantitativos. Para atingir tal objetivo, utilizou-se a lógica fuzzy que, além de quantificar as opiniões dos entrevistados, permite o fornecimento de apoio em processos decisórios. Para isso, questionários estruturados foram empregados para agregar opiniões de um especialista e percepções de 29 usuários, em relação à utilidade e à facilidade de uso do sistema Malote Digital da empresa Alfa. Para a construção do protótipo do Sistema Especialista Fuzzy foram realizados os seguintes procedimentos: 1) estabeleceram-se as variáveis lingüísticas usadas na fuzzyficação dos atributos de utilidade (U) e facilidade (EOU); 2) estabeleceram-se os intervalos de cada variável através da escala numérica de 0 a 100; 3) foram definidas as regras crisp para cada combinação de atributos considerada relevante pelo especialista; 4) definiu-se o operador lógico de união (“E”) utilizado nas regras de decisão. Os achados revelaram que o protótipo do Sistema Especialista Fuzzy permitiu a transformação de raciocínio subjetivo em um raciocínio exato, o que foi possível avaliar conceitos considerados não-quantificáveis. O artigo introduziu um instrumento capaz de disponibilizar dados que auxiliam os tomadores de decisão em processos de adoção de TI na empresa Alfa, reduzindo, assim, o risco de incertezas e minimizando as imprecisões na decisão para adotar a tecnologia. A construção do protótipo do Sistema Especialista Fuzzy possibilitou a transformação do conhecimento tácito do processo de decisão para adotar a TI em conhecimento explícito, uma vez que o armazenamento do conhecimento humano proporciona dados disponíveis aos tomares de decisão, além de informar linhas de ação para a realização de prováveis ajustes em relação às características da TI.

Palavras-chave: Lógica Fuzzy, Decisão para Adotar TI, TAM INTRODUÇÃO

Os processos de tomada de decisão para adoção de Tecnologia de Informação (TI) é uma tarefa complexa que envolve situações de dificuldades e incertezas (Sarker,Valacich, & Sarker, 2005). Estudos têm utilizado o TAM para investigar processos de adoção de TI, porém os esforços tem limitado a proposta do modelo.

Apesar da robustez e da influência do TAM destacadas nas pesquisas de adoção de tecnologia, o modelo oferece certas limitações e demonstra algumas fraquezas. Embora o seu propósito tenha sido explicar e prever situações que levam os usuários a utilizar uma tecnologia, Benbasat e Barki (2007) argumentam que as pesquisas baseadas no TAM têm

 

2 

 

levado a criação de uma ilusão do progresso de acumulação do conhecimento, onde a Utilidade Percebida (PU – Perceived Usefulness) e a Facilidade de Uso Percebida (PEOU – Perceived Ease of Use) têm sido tratadas como caixas pretas que poucos pesquisadores têm tentado explorar. Conforme Goodhue (2007) o modelo tem deixado o campo acadêmico com alguns pontos cegos, porque busca responder questões específicas como: O que causa usuários utilizar uma tecnologia?

Os construtos do TAM têm sido analisados apenas para uma finalidade: prever ou explicar o processo de uso da tecnologia da informação (TI). Pesquisas recentes continuam usando escalas Likert para avaliar os PU e PEOU (Chin, Johnson, & Schwarz 2008), limitando-se no propósito do modelo e, como destacam os mesmos autores, deixando dúvidas e incertezas sobre se estamos ou não selecionando um caminho eficiente em termos de conclusão de observação para avaliá-los. Sendo assim, pesquisas oferecem ao gestor organizacional apenas o poder de explicação e compreensão do processo de adoção de TI, mas não sugerem alternativas de decisões que o ajudem a reduzir impactos que podem levar a descontinuidade do uso da tecnologia.

As pesquisas tem se preocupado apenas em confirmar os relacionamentos do modelo (Benbasat & Barki, 2007) o que nos leva a observar que as decisões são apenas inferidas através de métodos estatísticos, além disso, pesquisas têm criticado o TAM argumentando que medidas de PU e PEOU podem ser sujeitas a vieses de mensuração, tais como: subjetividade, método comum e conveniência social (Dimoka & Davis, 2008). As pesquisas que utilizam os métodos estatísticos tradicionais garantem resultados de utilização da TI através dos usuários finais, porém, como se trata de percepção humana, cada pessoa estabelece um parâmetro diferente para cada característica da TI.

Pelo fato das pesquisas do TAM estar sujeitas a subjetividade dos indivíduos que utilizam um determinado sistema, acredita-se que a transformação da subjetividade em algo quantificável forneceria suporte para os tomadores de decisão que poderiam deliberar, com base em dados quantitativos, a adoção ou não de uma tecnologia. Para a quantificação de tal subjetividade, entende-se que a Lógica Fuzzy é um método apropriado, pois, conforme colocação de Antunes (2009) o mesmo é indicado para solucionar problemas que envolvem situações de incertezas. Fundamentação Teórica

1. Decisão para adotar a TI Dificuldades e incertezas fazem parte do processo de adoção de uma nova tecnologia.

Para que uma tecnologia seja adotada é necessário analisar e comparar as práticas anteriores de trabalho com as que provavelmente foram modificadas com a introdução da nova TI, como por exemplo, reconhecer a utilidade e a facilidade de uso de uma TI (Hartzel, 2003).

O corpo de conhecimento teórico sobre o processo de adoção de TI fornece aos gerentes argumentos e raciocínio cuidadoso, habilitando-os a melhor influenciar e avaliar os processos de adoção e uso (Karahanna & Straub, 1999). Gallivan (2001) destaca que o processo de adoção ocorre em dois estágios: 1) adoção primária (decisão para adotar); 2) adoção secundária (implementação), isso significa que a decisão para adotar é primeiramente realizada pelos gerentes da organização, após a implementação da TI o segundo estágio de adoção é realizado através do uso do sistema pelos usuários finais, estágio este que podemos considerar o mais crítico, pois nesse estágio a decisão para adotar pode não ser garantida (Gallivan, 2001). Normalmente, há três caminhos que os gerentes podem percorrer para

 

3 

 

garantir a adoção secundária: 1) exigir que a inovação seja adotada; 2) fornecer infra-estrutura necessária e apoiar os usuários a adotar a inovação; 3) implantar um projeto piloto a fim de observar os processos e resultados manifestados, e decidir se ou não implementar (Gallivan, 2001).

Porém, apesar desses caminhos, a decisão de qual tecnologia adotar pode ser um exercício complexo, visto que, o processo decisório atua perante a incerteza e que em muitos casos existem lacunas de informação, podendo apresentar vários possíveis resultados gerados a partir de uma decisão específica (Cohen, 2008). Neste sentido, a decisão para adotar tem tradicionalmente ficado nas mãos de um único indivíduo (Cobb & Basuchoudhary, 2009) que ao realizar a decisão pode ser influenciado por interesses individuais, desconsiderando os interesses organizacionais.

Muitos fatores estão envolvidos no processo da adoção de uma tecnologia, Sarker et al. (2005) destacam que nas organizações esse processo acontece através da argumentação de grupos de indivíduos. Os grupos analisam as características da tecnologia, destacando prós e contras e convencendo outros grupos de que a tecnologia é ou não adequada para o trabalho. Nesse processo, diferentes grupos podem focar em características distintas que podem ser consideradas as mais relevantes, trazendo complexidade e atrasos para a tomada de decisão (Sarker et al., 2005).

2. TAM – Technology Acceptance Model

O TAM vem sendo frequentemente utilizado na área de TI devido a sua robustez e

parcimônia, porém análises de pesquisas empíricas mostram que os resultados não são totalmente consistentes ou claros. Legris, Ingham, e Collerette (2003) sugerem que o motivo está relacionado com a não inclusão de fatores significantes no modelo. Benbasat e Barki (2007) revelam sentir a mesma preocupação quando argumentam que uma importante conseqüência não intencionada da nossa pesada dependência do TAM pode ser vista como “nebulosa” nas pesquisas de SI, por desviar principais focos de investigação e entendimento como, por exemplo, conseqüências de adoção e aceitação de TI baseadas em comportamento e performance. Além disso, o uso da mesma metodologia para analisar processos de adoção de TI, tem contribuído para manter o TAM em seu casulo. Embora Chin et al. (2008) ter argumentado que uso exclusivo de escalas Likert tem apresentado problemas de mensuração, pesquisas (eg., Gefen & Straub, 2000; Venkatesh & Davis, 2000; Schepers & Wetzels, 2007) tem feito utilização de escalas Likert e questionários survey para mensurar os construtos do modelo a fim de validá-lo ou explicar e entender o processo de adoção de TI.

3. Lógica Fuzzy

A Lógica Fuzzy, assim como algoritmos genéticos e a neurocomputação, é vista como

a principal componente daquilo que pode ser chamado de computação soft. Diferentemente dos tradicionais, a computação soft acomoda a imprecisão do mundo real, propondo explorar 1) a tolerância para a imprecisão e a incerteza, ajudando a tomar decisões racionais; 2) a verdade parcial, realizando rastreabilidade e robustez dos resultados (Zadeh, 2008).

Conforme destacam Pham e Castellani (2006) a Lógica Fuzzy é um método adequado para identificar complexos mapeamentos não-lineares. Nesse sentido, os métodos estatísticos convencionais são bons para problemas mais simples, enquanto sistemas fuzzy são adequados para problemas complexos ou aplicações que envolvem a descrição humana ou pensamento intuitivo (Munakata & Jani, 1994). Neste sentido, a Lógica Fuzzy é útil para lidar com a

 

4 

 

imprecisão dos pensamentos e a linguagem humana nos processos de tomada de decisão (LIN; WU, 2008). Os tomadores de decisão tendem a realizar avaliações de acordo com suas experiências e seus conhecimentos, além disso, suas estimativas são frequentemente expressas em termos lingüísticos equivocados (Lin & Wu, 2008). Contudo, para integrar várias experiências, idéias, opiniões e motivações do tomador de decisão a melhor solução é converter as estimações lingüísticas em números fuzzy (Lin & Wu, 2008).

3.1. Idéias básicas da lógica Fuzzy

Na teoria clássica dos conjuntos, um elemento pertence a um conjunto ou não

(Freissinet, Erlich, & Vauclin, 1998). Dado um universo U e um elemento particular x ∈ U, o grau de pertinência µA(x) com relação a um conjunto A ⊆ U é dado por:

Porém, a imprecisão ou incerteza apresenta como característica o agrupamento de indivíduos em classe cujas fronteiras não estão definidas (MC BRATNEY E ODEH, 1997), isto significa que, o conjunto fuzzy é descrito com uma função membro que representa numericamente o grau em que um elemento pertence a um determinado conjunto (Freissinet et al., 1998), apresentando uma transição contínua e gradual, de 0 para 1, definido por um valor crisp (Simões-Marques & Pires, 2003; Munakata & Jani, 1994). Vamos considerar U sendo o universo do discurso e u um elemento genérico de U, então U = {u}. Um subconjunto fuzzy Ã, definido em U, é: à = {(u, µÃ(u))| u ∈ U }, onde µÃ(u) é denominado a função de pertinência, que representa o grau de verdade de que u é um elemento de à (Lin & Wu, 2008; Simões-Marques & Pires, 2003). A função de pertinência associa com cada elemento u, de U, um número real µÃ(u), em um intervalo [0,1] (Simões-Marques & Pires, 2003).

A estrutura da lógica fuzzy de acordo com as percepções de Muhammad, Bargiela, & King (2001) incluem as etapas de fuzzificação, mecanismo de inferência, base de regras e defuzzificação de acordo com a Figura 1 que se baseia no método Mamdani que consiste no desenvolvimento de um algoritmo que incide de regras, função membro, e saídas (outputs) (Zilouchian, Juliano, & Healy 2000).

Figura 1. Engenharia de Inferência Fuzzy Fonte: Adaptado de Muhammad et al, (2001)

 

5 

 

3.2. Etapa de Fuzzificação A etapa de fuzzyficação inicia com os valores das variáveis de entrada, onde serão

transformados números em conjuntos fuzzy, de modo que essas variáveis irão se tornar variáveis lingüísticas (Gomide & Gudwin, 1994). As variáveis lingüísticas admitem valores de palavras ou sentenças de uma linguagem natural (Simões-Marques e Pires, 2003), podendo ser expressos linguisticamente (V - “verdade”, MV - “muito verdade”, NV - “não verdade”, F - “falso”, MF - “muito falso”), onde cada termo é interpretado como um subconjunto fuzzy do intervalo unitário (Gomide & Gudwin, 1994). As funções de pertinência dessas variáveis lingüísticas como funções de input e output podem ser definidas conforme Figura 2:

Figura 2 – Funções de pertinência das variáveis fuzzy

Fonte: Dados da pesquisa

Embora existam outros formatos de função de pertinência na aplicação de conjuntos fuzzy, como trapezoidal ou Gaussian (Zilouchian, Juliano, Healty, & Davis, 2000), a possibilidade mais usual é representada pelo número triangular fuzzy, por promover uma boa expressividade e simplicidade (Engel & Last, 2007)

3.3. Etapa de Regras de Inferência

A idéia básica em um sistema fuzzy é modelar as ações a partir de um conhecimento

especialista, extraindo sua opinião sobre os métodos utilizados no trabalho para construção das regras fuzzy (Munakata & Jani, 1994). Os sistemas fuzzy podem proporcionar modelos mais transparentes e também podem dar uma interpretação lingüística, sob a forma de regras (Mendonça, Vieira, & Sousa, 2003). As regras dos sistemas fuzzy consistem em conjuntos de variáveis lingüísticas unidas por operadores lógicos como: SE-ENTÃO (se-e-então ou se-ou-então) e suas correspondentes conseqüências (Freissinet et al., 1998). Tais regras são consideradas importantes ferramentas para representar conhecimento e experiência, pois é através delas que conclusões podem ser inferidas para parcialmente combinar as entradas (inputs) no sistema (Ji et al., 2007).

3.4. Relação entre os elementos do conjunto fuzzy

Um fator importante do conceito de sistema fuzzy de apoio à decisão diz respeito à

relação entre os elementos do conjunto (Simões-Marques e Pires, 2003). Os autores ainda explicam que o conceito do relacionamento fuzzy representa o grau de associação entre os elementos de dois ou mais conjuntos e pode ser representado pelo grau de adesão, este conceito ser tratado com n-dimensões ou com relações binárias de fuzzy. Uma relação binária fuzzy, entre um elemento x ∈ X e um elemento y ∈ Y, é definido no espaço X x Y, designado pelo produto Cartesiano, que é o conjunto de todos os pares (x,y). Assim, uma relação fuzzy Ñ é definida em X x Y, compreendendo todos os pares, onde a associação é representada como:

Ñ(x,y) = { ((x,y), µN~( x,y)) | (x,y) ∈ X x Y} (isso é símbolo de pertence)

 

6 

 

As relações fuzzy são usadas para representar a inferência de relações entre diferentes

entidades, então eliciar o conhecimento requerido para serem interpretadas as regras SE-ENTÃO pelo sistema (Simões-Marques e Pires, 2003).

3.5. Defuzzificação

Conforme Gravani, Hadjileontiadou, Nikolaidou, & Hadjileontiadis (2007), a

defuzzificação é a etapa da transformação da saída da fuzzificação em valor crisp, ou seja é a conversão do número fuzzy em valores crisp que pode ocorrer através de vários métodos como, por exemplo o Método Centróide, Chen e Hwang, CFCS, entre outros.

4. Modelo de Pesquisa

Dada a importância em analisar como usuários adotam inovações, mais do que

explicar porque uma inovação foi ou não adotada (Gallivan, 2001), a referida pesquisa sugere analisar conceitos subjetivos dos construtos do TAM transformando-os em valores quantitativos, oferecendo, assim, suporte no processo de tomada de decisão. O intuito foi disponibilizar um caminho pelo qual os gerentes podem seguir durante o processo de adoção através da análise das características da TI, e para isso tomou-se como referência os construtos U e EOU do TAM. O TAM foi escolhido nesse estudo por ser considerado o modelo mais robusto e mais utilizado nas pesquisas de SI (referência) e também porque Davis (1989) validou empiricamente as variáveis de cada construto, não sendo necessário selecioná-las através de revisão da literatura.

Figura 3. Modelo Conceitual de Pesquisa Fonte: Dados da pesquisa

5. Metodologia

A pesquisa enfatizou a modelagem fuzzy e o ambiente de computação técnico

FuzzyTech, versão 5.72 para a criação e edição do protótipo do Sistema Especialista Fuzzy. A empresa Alfa foi escolhida, por este estudo, por ser uma empresa de destaque na

Paraíba, na venda de produtos eletrônicos e móveis. Apesar da empresa possuir filiais em todo o Estado, a pesquisa foi realizada apenas nas lojas situadas na cidade de João Pessoa bem como a sua matriz. O sistema estudado, da empresa Alfa, foi o Malote Digital cuja criação teve por objetivo acelerar o processo de tramitação de documentos entre as filiais e a matriz. A introdução do sistema beneficiou setores como o Jurídico que, devido aos atrasos dos malotes enviados pelos Correios, acabavam perdendo prazos de processos legais e pagando multas pelos atrasos. Assim, alguns benefícios proporcionados pelo sistema foram: redução de tempo, rapidez no setor jurídico e diminuição de custos. O Malote Digital foi criado em setembro de 2009 e a decisão de implantação foi realizada pelos gestores da empresa e os setores interessados. Os treinamentos foram realizados em dois dias, com os setores de

 

7 

 

Finanças, Contabilidade, Custo, Recursos Humanos, Jurídico e com as nove lojas situadas em João Pessoa.

O estudo investigou a opinião de um especialista para analisar os atributos dos construtos U e EOU de acordo com Davis (1989). Através de um questionário estruturado o especialista estabeleceu valores crisp para cada atributo dos construtos a fim de processar as seguintes saídas: 1) PU - “alta utilidade”, “média utilidade” e “baixa utilidade”; 2) PEOU - “alta facilidade de uso”, “média facilidade de uso” e “baixa facilidade de uso”, provendo assim uma melhor exploração dos atributos dos construtos e melhor identificação de fatores chave que auxiliem o processo de tomada de decisão em torno da adoção de TI.

Para aplicar o questionário com os usuários do sistema, foi realizada a tradução reversa do questionário de Davis (1989) aplicado com o universo de 29 indivíduos (usuários do sistema). A finalidade foi capturar a percepção dos usuários em relação ao sistema Malote Digital para testar o protótipo do sistema especialista fuzzy. O questionário foi adaptado de acordo com as necessidades da pesquisa, ou seja, a escala Likert foi substituída por uma escala numérica. A taxonomia dos construtos de Davis foi mantida apenas para a aplicação dos questionários com os usuários, porém, a fim de padronizar, foram utilizadas em todo o texto as siglas U e EOU.

Um teste piloto foi conduzido para validar o instrumento de levantamento de dados do especialista. O questionário foi administrado em entrevistas presenciais, realizadas com dois profissionais de TI que tem trabalhado na área de adoção de sistemas com aproximadamente cinco anos de experiência em uma organização pública. Após a obtenção do feedback, foram realizados os ajustes necessários e em seguida, o questionário foi aplicado com o especialista da empresa Alfa.

Conforme sugestão de Lin e Wu (2008) foram estabelecidas variáveis lingüísticas usadas na fuzzyficação dos atributos de U e EOU. A pesquisa adotou os intervalos de cada universo através da escala numérica de 0 a 100 (ver Figura 4), pois segundo Antunes (2009) essas escalas permitem um horizonte mais amplo de raciocínio subjetivo para associar os termos lingüísticos, mas qualquer outra escala poderia ser utilizada ou até mesmo ser definida pelo especialista. A mesma escala numérica foi utilizada para a fuzzyficação dos construtos U e a EOU do sistema Malote Digital, determinados pelos termos “alta”, “média” e “baixa”.

Figura 4. Distribuição das cinco variáveis lingüísticas: {SI = sem influência, IMB = influência muito baixa, BI = baixa influência, AI = alta influência, IMA = influência muito alta} Fonte: Dados da pesquisa

Devido ao grande número de atributos de U e EOU, a definição de todas as regras de crisp para cada combinação relevante seria quase impossível, uma vez que deveriam ser definidas 120 regras de decisão para cada construto, assim, conforme orientação de Simões-Marques e Pires (2003) foram apenas definidas as regras de maior prioridade para o especialista. Para o modelo apresentado nesse artigo o operador lógico utilizado foi o de união (“E”) porque conforme Davis (1989) os atributos de PU e PEOU explicam simultaneamente cada construto, isso justifica a utilização do operador “E” para as regras de decisão.

 

8 

 

6. Resultados e Discussões

Com a finalidade de analisar conceitos subjetivos dos construtos do TAM

transformando-os em valores quantitativos, foi necessária a criação de um protótipo do Sistema Especialista Fuzzy, utilizando os construtos Utilidade Percebida e Facilidade de Uso do modelo TAM. A Figura 5 representa o construto Utilidade percebida e a Figura 6 o construto Facilidade de Uso. Cada uma dessas figuras apresenta como inputs os atributos que compõe cada construto Utilidade (velocidade, performance, produtividade, efetividade, facilidade de trabalho e utilidade da tecnologia) e Facilidade (facilidade de aprender, controle, clareza e entendimento, flexibilidade, fácil habilidade e usabilidade) com os seus devidos valores crisps, atribuídos pelo especialista, construindo a função de pertinência para cada atributo. Esta etapa constitui a fuzzificação. A caixa intermediária representa a base de regras e o output é composto pelo construto Utilidade e Facilidade cada um com variações de alta, média e baixa estabelecendo a etapa de defuzzificação.

Figura 5. Construto Utilidade Percebida Fonte: Dados da pesquisa

Figura 6: Construto Facilidade de Uso Fonte: Dados da pesquisa

 

9 

 

Os valores crisp, estabelecidos pelo especialista, para os atributos dos construtos Utilidade e Facilidade de Uso são apresentados na Tabela 1:

Utilidade Valores Crisp (%) Atributos Utilidade

SI IMB BI AI IMA

Velocidade 0 10 20 70 90 Performance 0 5 10 80 90 Produtividade 10 20 40 60 90 Efetividade 10 20 30 70 90 Facilidade Trabalho 0 10 40 50 70 Utilidade Tecnologia 0 10 40 80 90 Média 3,3 14,2 30,0 86,3 86,7

Facilidade de Uso Valores Crisp (%) Atributos Utilidade

SI IMB BI AI IMA

Facilidade Aprender 30 40 45 50 70 Controle 10 30 60 90 95 Clareza e Entendimento 10 15 20 90 95 Flexibilidade 0 20 40 80 95 Fácil Habilidade 0 29 45 94,5 100 Usabilidade 0 30 60 94,5 100 Média 8,3 27,3 45 83,2 92,5 Tabela 1. Valores Crisp para os construtos Utilidade e de Facilidade de Uso Fonte: Dados da pesquisa

As Figuras 7 e 8 foram definidos pela pesquisa para identificar o intervalo de cada variação para Utilidade e Facilidade de Uso. Onde as variáveis lingüísticas SI e IMB se referem ao intervalo que representa o termo “baixa”, a variável BI se refere ao intervalo que representa o termo “média” e as variáveis AI e IMA se referem ao intervalo que representam o termo “alta”.

SI IMB BI AI IMA

UTILIDADE BAIXA UTILIDADE

MÉDIA UTILIDADE ALTA Figura. 7- Output variável nebulosa Fonte: Dados da pesquisa

SI IMB BI AI IMA FACILIDADE

BAIXA FACILIDADE

MÉDIA FACILIDADE

ALTA Figura 8. Output variável nebulosa Fonte: Dados da pesquisa

Após estas definições, os dados foram lançados no software FuzzyTech gerando os

seguintes gráficos que representam a saída de fuzzificação para os inputs (atributos) e outputs (Utilidade (U) e Facilidade de uso (EOU)), conforme as Figuras 9 e 10. A Figura 9 apresenta

 

10 

 

os crisps determinados pelo especialista para cada atributo de U. Nas figuras a linha vermelha representa a variável lingüística Sem Influência, a cor verde indica Influência muito baixa, a azul escuro Baixa Influência, vermelho escuro Alta Influência e azul turquesa Influência muito alta. A Figura 10 apresenta os crisps determinados pelo especialista para cada atributo de EOU. As Figuras 11 e 12 indicam, respectivamente, os crisps do output de U e EOU determinados a partir das médias apresentadas nas Figuras 7 e 8. Estes intervalos foram utilizados como base para analisar os resultados dos indivíduos (usuários do sistema Malote Digital). Nos outputs a cor vermelha significa a variação baixa, a verde média e a azul alta.

Figura 9 – Fuzzyficação dos Atributos Utilidade Fonte: Dados da pesquisa

Figura 10 – Fuzzyficação dos Atributos Facilidade de Uso Fonte: Dados da pesquisa

Figura 11 – Fuzzyficação Output de U Figura 12 - Fuzzyficação Output de EOU Fonte: Dados da pesquisa Fonte: Dados da pesquisa

 

11 

 

Na composição das regras de decisão para U e EOU o especialista estabeleceu 12 regras para o construto Utilidade e 14 para o de Facilidade. A finalidade das regras de inferências é construir as possibilidades de respostas possíveis para ser definido o output do usuário. Nas regras o especialista indicou as possíveis combinações entre as variáveis lingüísticas que determinam o índice de Utilidade e Facilidade de Uso. O operador utilizado para a construção das regras foi o “E” e as relações principais construídas entre os atributos e as variáveis lingüísticas de Utilidade e Facilidade foram definidas pelo especialista. Abaixo são apresentadas algumas regras:

IF velocidade_IMB E performance_IMB E produtividade_SI E efetividade_IMB E facilitadetrabalho_SI E utilidadetecnologia_IMB THEN utilidade baixa IF velocidade_BI E performance_BI E produtividade_BI E efetividade_BI E facilitadetrabalho_AI E utilidadetecnologia_BI THEN utilidade média IF velocidade_IMA E performance_IMA E produtividade_IMA E efetividade_IMA E facilitadetrabalho_BI E utilidadetecnologia_AI THEN utilidade alta onde: SI = sem influência, IMB = influência muito baixa, BI = baixa influência, AI = alta influência, IMA = influência muito alta.

Com o intuito de testar o protótipo de um Sistema Especialista Fuzzy, aplicou-se um

questionário junto a 29 usuários do sistema MALOTE DIGITAL da empresa Alfa. Após analisar e testar as respostas dos questionários dos indivíduos no sistema especialista fuzzy observamos que nem todas as respostas dos indivíduos atenderam as regras elaboradas pelo especialista, desta forma não foi possível realizar inferências sobre os resultados destas pessoas no processo de defuzzyficação dos construtos U e EOU, pelo fato de suas respostas não se encaixaram nas regras estabelecidas pelo especialista.

Dentre as respostas dos 29 indivíduos, apenas 15 tiveram respostas ativadas pelas regras de decisão de U ou de EOU, dentre eles, apenas 1 indivíduo ativou regras para U e para EOU ao mesmo tempo, os demais ativaram apenas regras de um construto.

Para o construto U 9 respostas foram ativadas pelas regras de decisão, dentre elas apenas 1 indivíduo percebeu uma baixa utilidade no sistema do Malote Digital, apresentando grau de pertinência 1 para 7,1% de Utilidade percebida, representando baixa Utilidade. Os demais apresentaram um grau de pertinência 1 para alta Utilidade do Malote Digital, isso significa que a maioria dos resultados encontrados para Utilidade estão variando no intervalo de alta Utilidade definido pelo especialista. Para o construto EOU 6 respostas foram ativadas pelas regras de decisão, e todos apresentaram grau de pertinência 1 para uma alta Facilidade de Uso do Malote Digital.

A Figura 13 mostra a etapa de defuzzificação dos valores percebidos pelo indivíduo 18 em relação a U, os valores percebidos para os atributos do construto foram: velocidade (90%), performance (90%), produtividade (100%), efetividade (80%), Facilidade Trabalho (90%) e Utilidade Tecnologia (100%), a partir desses valores o protótipo do Sistema Especialista

 

12 

 

Fuzzy indicou uma percepção da Utilidade do Malote Digital de 84,1% com grau de pertinência 1, indicando um índice alto para a Utilidade do Malote Digital. O mesmo teste foi realizado com o indivíduo 18 em relação ao construto EOU, os valores percebidos de: facilidade aprender (90%), controle (70%), clareza e entendimento (50%), flexibilidade (70%); fácil habilidade (90%) e usabilidade (90%) não ativaram nenhuma regra de decisão, implicando na não permissão para realização de inferências sobre o índice de Facilidade de Uso percebida por esse indivíduo. Porém observa-se que esse indivíduo percebeu uma melhor Utilidade do Malote Digital em comparação ao construto Facilidade de Uso.

A situação contrária pode ser verificada na Figura 14, onde o indivíduo 10 apresenta respostas para ativar as regras referentes do construto Facilidade de Uso, mas não foi possível ativar as regras do construto Utilidade, sugerindo impossibilidade de deduções sobre o índice Utilidade. De acordo com a Figura 14 o Sistema Especialista Fuzzy indicou uma percepção do indivíduo 10 em relação à Facilidade de Uso do Malote Digital de 91,6%, este valor apresenta um grau de pertinência 1 o que indica que, na percepção deste a Facilidade de Uso do Malote Digital é alta.

Figura 13 – Defuzzificação PU do indivíduo 18. Fonte: Dados da pesquisa

 

13 

 

Figura 14 – Defuzzificação PEOU do indivíduo 10. Fonte: Dados da pesquisa

Observa-se que os resultados dos indivíduos que ativaram as regras de decisão

apresentaram grau de pertinência 1 tanto para o termo baixo quanto para o termo alto, isso aconteceu devido a criação de apenas um conjunto de regras principais por parte do especialista.

Considerando os indivíduos ativados é possível verificar que apenas um indivíduo percebeu uma Utilidade baixa do Malote Digital, os demais indicaram alta percepção desse construto. Em relação ao construto Facilidade de Uso todos os usuários ativados indicaram alta percepção. Tendo em vista estes resultados a empresa Alfa teria dados quantitativos para indicar a decisão para adotar o sistema Malote Digital.

7. Implicações práticas e teóricas da pesquisa

Considerando os benefícios práticos o artigo vem introduzir aos gerentes organizacionais um instrumento que poderá auxiliar a tomada de decisão no processo de adoção de TI, reduzindo, assim, o risco de incertezas e minimizando as imprecisões da decisão para adotar. Além disso, a construção do protótipo do Sistema Especialista Fuzzy fornece a possibilidade de transformar o conhecimento tácito da tomada de decisão para adotar a TI em conhecimento explícito, o armazenamento do conhecimento humano

 

14 

 

proporciona dados disponíveis aos tomares de decisão, além de informar linhas de ação para a realização de prováveis ajustes em relação às características de uma TI.

Com relação à contribuição acadêmica, o uso da metodologia Fuzzy aplicada aos construtos do TAM parece-nos um estudo pioneiro, uma vez que, não foram encontrados artigos semelhantes através de diversas buscas realizadas em periódicos CAPES, base de dados da ABI/INFORM, AIS (Association of Information Systems) e ACM. Sendo assim, acreditamos que a pesquisa fornece um novo método de analise aos construtos do TAM bem como ao processo de adoção de TI, além de possibilitar a generalização do método para situações de adoção de TI.

8. Limitações

A pesquisa construiu o protótipo tendo por base a opinião de apenas um especialista da

empresa Alfa pelo fato do mesmo ter sido o responsável pelo desenvolvimento do sistema Malote Digital. O Malote Digital foi especificamente construído para atender as necessidades desta empresa, dessa forma escolheu-se para participar da pesquisa, a pessoa responsável por tomar decisões em torno da adoção de TI na empresa. Entretanto, outras pesquisas podem ser desenvolvidas tendo como base a opinião de vários especialistas caso responsáveis por tomar decisões em torno da adoção de TI. Sendo assim, sugere-se para estudos futuros a replicação da pesquisa em outros ambientes através da análise dos vários especialistas envolvidos no processo de tomada de decisão, pois conforme destaca Gallivan (2001) é importante envolver todos os tomadores de decisão no processo de adoção.

No referido estudo os construtos U e EOU foram analisados em separado, de forma que foi desconsiderado qualquer relacionamento entre os mesmos, uma vez que a proposta foi apenas explorar os atributos dos construtos de forma a melhorar o processo de tomada de decisão do gestor, apresentando alternativas de adoção ou não-adoção de TI, baseado na opinião do especialista.

O estudo utilizou uma escala numérica pré-definida (0-100%), porém esta pode ser definida pelo especialista conforme comentado na metodologia.

Deve-se lembrar que, apesar de existir fatores (facilitadores ou inibidores) que influenciam o processo de adoção de TI (Cenfetelli, 2004), a referida pesquisa baseou-se apenas na análise das características da TI através de U e EOU.

9. Conclusão Os processos de tomada de decisão para adoção de TI é uma tarefa complexa que

envolve situações de dificuldades e incertezas (Sarker et al., 2005). Estudos têm utilizado o TAM para investigar processos de adoção de TI, porém os esforços tem se concentrado apenas em explicar ou prever esse fenômeno. Sendo assim, o objetivo do trabalho foi analisar conceitos subjetivos dos construtos do TAM transformando-os em valores quantitativos. Embora o processo de tomada de decisão envolva várias questões como: custos, concorrência, aceitação de usuários, entre outros, a proposta foi analisar o processo de adoção de TI levando em consideração os construtos de utilidade e facilidade de uso do TAM.

A pesquisa extraiu valores quantitativos de uma base subjetiva derivada de percepções da utilidade e facilidade de uso do sistema do Malote Digital de uma empresa Alfa. Tal quantificação, ocorreu através do Sistema Especialista Fuzzy que avalia conceitos considerados não-quantificáveis, disponibilizando dados que auxiliam os tomadores de decisão. Neste sentido, observou-se que, os dados coletados dos usuários permitiram uma

 

15 

 

maior compreensão de como as pessoas percebem os atributos dos construtos U e EOU, possibilitando o tomador de decisão identificar quais atributos podem estar contribuindo para reduzir a percepção de U e EOU, auxiliando-o na execução de eventuais melhorias (técnicas, sociais ou organizacionais) no sistema do Malote Digital.

No teste do sistema, verificou-se que a criação das regras principais pelo especialista não foram suficientes para realizar inferências sobre todos os usuários do Malote Digital. Para que se obtenham melhores conclusões seria necessária a criação das 240 regras para os dois construtos, contribuindo para questionamentos como: “por que um sistema especialista fuzzy requer a criação de muitas regras” ou “qual o momento exato para parar ou adicionar mais regras” (Munakata & Jani, 1994). Pesquisas futuras, objetivando solucionar tais questionamentos, podem elaborar algoritmos que estimem regras de decisão baseadas nas percepções dos indivíduos nos valores crisps estipulados pelo especialista, possibilitando a independência do especialista para criação de regras, trazendo assim os prováveis resultados de índice de Utilidade e Facilidade de Uso, e, consequentemente, a decisão em torno da adoção da TI.

A presença do especialista foi um dos diferenciais da utilização deste tipo de metodologia, uma vez que, conforme Gallivan (2001), para criar modelos realísticos de comportamentos em torno da adoção de inovações, deve-se capturar dados de múltiplas perspectivas, incluindo tanto as intenções dos usuários quanto as dos adotantes primários. Dessa forma, observa-se que o uso da Lógica Fuzzy possibilitou explorar as incertezas envolvidas no processo de adoção.

Observa-se também que a criação de um sistema especialista, para processos de adoção, não pode ser generalizado para empresas e tecnologias, devido aos seguintes motivos: 1) as empresas possuem especificidades próprias como: ramo de negócio, objetivos, metas e 2) cada tecnologia terá uma característica e uma finalidade diferente. Assim, entende-se que o protótipo desenvolvido, neste trabalho, através do Sistema Especialista Fuzzy não deve ser generalizado. Entretanto, o processo metodológico empregado na pesquisa pode ser desenvolvido em qualquer empresa e para qualquer tecnologia. Referências ANTUNES, J. in CORRAR, L.J., PAULO, E., & FILHO DIAS, J.M. (2009). Análise Multivariada. Editora Atlas. BENBASAT, I., & BARKI, H. (2007) Quo vadis, TAM? Journal of the Association for Information Systems, 8(4), 211-218. CENFETELLI, R.T. (2004). Inhibitors and enablers as dual factor concepts in technology usage. Journal Association for Information Systems, 5(11-12), 472-492. CHIN, W. W., JOHNSON, N., & SCHWARZ, A. (2008). A fast form approach to measuring technology acceptance and other constructs. MIS Quarterly, 32(4), 687-703. COBB, B. R., & BASUCHOUDHARY, A. (2009). A decision analysis approach to solving the signaling game. Informs, v. 6, n. 4, pp. 239-255. COHEN, I. (2008). Improving time-critical decision making in life-threatening situations: observations and insights. Informs, 5(2), 100-110. DAVIS, F. D., BAGOZZI, R. P., & WARSHAW, P. R. (1989). User acceptance of computer technology: a comparison of two theoretical models. Management Science, 35(8), pp. 982-1003.

 

16 

 

DIMOKA, A., DAVIS, F. D. (2008) Where does TAM reside in the brain? The neural mechanisms underlying technology adoption. Twenty Ninth International Conference on Information Systems, Paris. ENGEL, A., & LAST, M. (2007) Modeling software testing const and risks using fuzzy logic paradigm. The Journal of System and Software, 80, 817-835. FREISSINET, C., ERLICH, M., & VAUCLIN, M. (1998). A fuzzy logic-based approach to assess imprecisions of soil water contamination modelling. Soil & Tillage Research, v. 47, pp.11-17,. GALLIVAN, M.J. (2001). Organizational adoption and assimilation of complex technological innovations: Development and application of a new framework. Advances in Information Systems, 32(3), 51-85. GEFEN, D., & STRAUB, D. (2000) The relative importance of perceived ease of use in IS adoption: A study of e-commerce adoption. Journal of the Association for Information Systems, 1(8), 1-23. GOMIDE, F.A.C., & GUDWIN, R. R. (1994). R.R. Modelagem, Controle, Sistemas e Lógica Fuzzy. SBA Controle e Automação, 4(3), 97-115. GOODHUE, D.L. (2007). Comment on Benbasat and Barki’s “Quo Vadis TAM” article. Journal of the Association for Information Systems, 8(4), 219-222. GRAVANI, M. N., HADJILEONTIADOU, S. J., NIKOLAIDOU, G. N., & HADJILEONTIADIS, L. J. (2007). Professional learning: A fuzzy logig-based modelling approach. Learning and Instruction, 17, 235-252. HARTZEL, K. (2003) How self-efficacy and gender issues affect software adoption and use. Communications of the ACM, 46(9), 167-171. JI, Y., MASSANARI, R.M., AGER, J., YEN, J. MILLER, & R.E., YING, H. (2007) A fuzzy logic-based computational recognition-primed decision model. Information Sciences, 177, 4338-4353. KARAHANNA, E., & STRAUB, D. W. (1999). The psychological origins of perceived usefulness and ease-of-use. Information & Management, 35, 237-250. LEGRIS, P., INGHAM, J., & COLLERETTE, P. (2003). Why people use information techonolgy? A critical review of the techonology acceptance model. Information & Management, 40, 191-204. LIN, C.J., & WU, W.W. (2008) A causal analytical method for group decision-making under fuzzy environment. Expert Systems with Applications, 34(1), 205-213. MCBRATNEY, A.B., & ODEH, I.O.A. (1997) Application of fuzzy sets in soil science: fuzzy logic, fuzzy measurements and fuzzy decisions. Geoderma, 77, 85-113. MENDONÇA, L.F., VIEIRA, S.M., & SOUSA, J.M.C. (2003). Decision tree search methods in fuzzy modeling and classification. International Journal of Approximate Reasoning, 44, 106-123. MUHAMMAD, A., BARGIELA, A., & KING, G. (2001). Fuzzy and evolutionary modelling of nonlinear control systems. Mathematical and Computer Modelling, 33, 533-551. MUNAKATA, T, & JANI, Y. (1994). Fuzzy Systems: An Overwiew. Communication of the ACM, 37(3), 69-76. PHAM, D.T., & CASTELLANI, M. (2006). Evolutionary learning of fuzzy models. Engineering Applications of Artificial Intelligence, 19, 583-592. ROGERS, E. M. (2003) Diffusion of Innovations. 5th ed., Free Press, New York. SARKER, S., VALACICH, J.S., SARKER, S. (2005) Technology adoption by groups: A valence perspective. Journal of the Association for Information Systems, 6(2), pp. 37-71.

 

17 

 

SCHEPERS, J., & WETZELS, M. (2007). A meta-analysis of the technology acceptance model: Investigating subjective norm and moderation effects. Information and Management, 44, 90-103. SIMÕES-MARQUES, M.J., & PIRES, F.J. (2003). SINGRAR- A fuzzy distributed expert system to assist command and control activities in naval environment. European Journal of Operation Research, 145, 343-362. VENKATESH, V., & DAVIS, F.D. (2000) A theorical extension of the technology acceptance model: four longitudinal field studies. Management Science, 46(2), 186-204. ZADEH, L.A. (2008). Is there a need for fuzzy logic? Information Sciences, 178, 2751-2779. ZILOUCHIAN, A., JULIANO, M., HEALY, T, & DAVIS, J. (2000) Design of fuzzy logic controller for a jet engine fuel system. Controler Engineering Practice, 8, 873-883.