आर्टिफिशियल इंटेलिजेंस वॉयस असिस्टेंट्स के सुविधाकारक और निरोधक कारक: स्टेटस क्वो बायस और टेक्नोलॉजी एक्सेप्टेंस मॉडल को एकीकृत करते हुए एक द्वि-कारक अध्ययन

1. परिचय

Industry 4.0 की व्यापकता ने व्यावसायिक मूल्य श्रृंखला में कृत्रिम बुद्धिमत्ता के एकीकरण को गति दी है, और AI वॉयस असिस्टेंट्स मानव-कंप्यूटर इंटरैक्शन में सर्वव्यापी हो गए हैं। 1962 में IBM के "शूबॉक्स" से लेकर आधुनिक Siri, Alexa और Google Assistant तक, वॉयस तकनीक ने लंबी दूरी तय की है। हालांकि, इसकी बढ़ती क्षमताओं के बावजूद, उपयोगकर्ता अपनाने में मनोवैज्ञानिक और तकनीकी बाधाओं का सामना करना पड़ता है। यह शोध AI वॉयस असिस्टेंट्स के अपनाने को बढ़ावा देने और रोकने वाली दोहरी शक्तियों की जांच करके इस शोध अंतर को दूर करता है।

2. सैद्धांतिक ढांचा

इस अध्ययन में एक नवीन द्वि-कारक मॉडल प्रस्तावित किया गया है, जो दो स्थापित सिद्धांतों: स्टेटस को बायस और टेक्नोलॉजी एक्सेप्टेंस मॉडल को एकीकृत करता है। यह एकीकरण प्रतिरोध के चालकों और अपनाने के प्रोत्साहनों को समझने के लिए एक व्यापक परिप्रेक्ष्य प्रदान करता है।

2.1 स्थिति पूर्वाग्रह कारक

SQB यह समझाता है कि व्यक्ति मौजूदा व्यवहार को बनाए रखने के लिए क्यों प्रवृत्त होते हैं। यह अध्ययन विरोध को प्रभावित करने वाले छह SQB कारकों की जांच करता है:

• डूबा हुआ लागत:पिछली प्रौद्योगिकी में किए गए पूर्व निवेश।
• पछतावे से बचाव:प्रौद्योगिकी परिवर्तन से संभावित नकारात्मक परिणामों का डर।
• जड़ता:मौजूदा प्रथाओं के प्रति मनोवैज्ञानिक सुविधा की भावना।
• अनुभूत मूल्य:लाभ और लागत का व्यक्तिपरक मूल्यांकन।
• स्विचिंग लागत:परिवर्तन के लिए आवश्यक प्रयास, समय और संसाधन।
• अवधारित खतरा:नई प्रौद्योगिकी द्वारा जीवन में व्यवधान उत्पन्न होने की संभावना से उत्पन्न चिंता।

2.2 प्रौद्योगिकी स्वीकृति मॉडल कारक

TAM उन कारकों पर केंद्रित है जो प्रौद्योगिकी के प्रति सकारात्मक दृष्टिकोण को प्रेरित करते हैं:

• Perceived Usefulness:यह विश्वास कि यह प्रौद्योगिकी प्रदर्शन को बढ़ा सकती है।
• Perceived Ease of Use:यह विश्वास कि इस प्रौद्योगिकी का उपयोग करना आसान है।

2.3 द्वि-कारक एकीकरण

एकीकृत मॉडल का मानना है कि SQB कारक मुख्य रूप से AI वॉयस असिस्टेंट के प्रतिप्रतिरोध को प्रेरित करते हैं।, जबकि TAM कारक प्रेरित करते हैंसकारात्मक रवैयाऔर उपयोग के इरादे। पूर्ण अपनाने के परिदृश्य को समझने के लिए यह दोहरा दृष्टिकोण महत्वपूर्ण है।

3. शोध पद्धति

प्रस्तावित परिकल्पनाओं की जांच के लिए मात्रात्मक पद्धति का उपयोग किया गया।

3.1 नमूना एवं डेटा संग्रह

डेटा 420 प्रतिभागियों के एक नमूने से एकत्र किया गया। यह नमूना AI वॉयस असिस्टेंट के साथ संवाद करने वाले विविध उपयोगकर्ता समूह का प्रतिनिधित्व करने के लिए तैयार किया गया था।

3.2 मापन एवं विश्लेषण

अध्ययन ने SQB और TAM संरचनाओं को मापने के लिए पिछले साहित्य में स्थापित पैमानों को अनुकूलित किया। मॉडल फिट और परिकल्पित पथों के महत्व का आकलन करने के लिए AMOS या SmartPLS जैसे सॉफ़्टवेयर का उपयोग करके संरचनात्मक समीकरण मॉडलिंग विश्लेषण किया गया।

4. परिणाम एवं निष्कर्ष

SEM विश्लेषण से कई महत्वपूर्ण निष्कर्ष प्राप्त हुए, जो मौजूदा सिद्धांत के कुछ पहलुओं को चुनौती देते हैं और उनकी पुष्टि करते हैं।

4.1 संरचनात्मक समीकरण मॉडल परिणाम

• जड़ता → प्रतिरोध:कल्पित सकारात्मक संबंध पाया गया।महत्वहीन।यह दर्शाता है कि कुछ SQB अपेक्षाओं के विपरीत, केवल आदत अकेली AI वॉयस असिस्टेंट अपनाने की एक मजबूत बाधा नहीं हो सकती है।
• अनुभवित मूल्य → प्रतिरोध:प्रदर्शित करता हैनकारात्मक और महत्वपूर्णका संबंध। AI वॉयस असिस्टेंट के लिए उच्च प्रत्यक्षित मूल्य सीधे प्रतिरोध को कम करता है, जो स्पष्ट लाभों के संप्रेषण के महत्व को उजागर करता है।
• TAM कारक → रवैया:AI वॉयस असिस्टेंट के प्रति रवैये के साथ अनुभव की गई उपयोगिता और अनुभव की गई उपयोग में आसानी दोनों ने मजबूत सकारात्मक संबंध दिखाए, जिससे TAM के मूल प्रतिमान को बल मिला।
• अन्य SQB कारक, जैसे डूबा हुआ लागत और स्विचिंग लागत, अपेक्षा के अनुरूप, प्रतिरोध के साथ महत्वपूर्ण सकारात्मक संबंध दिखाते हैं।

4.2 जनसांख्यिकीय अंतर

अध्ययन में पाया गया कि विभिन्न लिंग और आयु समूहों मेंजड़त्वमहत्वपूर्ण अंतर मौजूद हैं। यह दर्शाता है कि आदतों में निहित प्रतिरोध एक समान नहीं है, और इसे विभाजन रणनीतियों के माध्यम से संबोधित किया जाना चाहिए।

5. मुख्य अंतर्दृष्टि और निहितार्थ

शोधकर्ताओं के लिए निहितार्थ:इस अध्ययन ने द्वि-कारक दृष्टिकोण (Dual-Factor Approach) की प्रभावकारिता को सत्यापित किया है। यह दर्शाता है कि अपनाने के मॉडल को आकर्षण (TAM) और प्रतिकर्षण (SQB) दोनों पर एक साथ विचार करना चाहिए। जड़ता (Inertia) की गैर-महत्वपूर्णता डिजिटल संदर्भ में इसकी परिचालनात्मक परिभाषा पर पुनर्विचार की मांग करती है।

व्यवसायियों (प्रौद्योगिकी कंपनियों) के लिए निहितार्थ:प्रतिरोध पर काबू पाने के लिए, विपणन और डिज़ाइन को सक्रिय रूप से अनुभूत खतरे और स्विचिंग लागतों का सामना करना चाहिए, साथ ही अनुभूत मूल्य को बढ़ाना चाहिए। चूंकि जड़ता विभिन्न समूहों को अलग तरह से प्रभावित करती है, इसलिए जनसांख्यिकीय विशेषताओं के अनुरूप संदेश तैयार करने की आवश्यकता है। सकारात्मक दृष्टिकोण बनाने के लिए अनुभूत उपयोग में आसानी और अनुभूत उपयोगिता को बढ़ाना अभी भी अपरिहार्य है।

6. तकनीकी विवरण और ढांचा

संरचनात्मक मॉडल को समीकरणों की एक प्रणाली के रूप में दर्शाया जा सकता है। प्रतिरोध निर्माण ($R$) को SQB कारकों के एक फलन के रूप में मॉडल किया गया है, जबकि दृष्टिकोण ($A$) TAM कारकों का एक फलन है। उपयोग इरादा ($IU$) अंतिम आश्रित चर है, जो $R$ और $A$ दोनों से प्रभावित होता है।

प्रतिरोध समीकरण:
R = β₁SC + β₂RA + β₃I + β₄PV + β₅SW + β₆PT + ζ₁
जहाँ SC सनक कॉस्ट है, RA रिग्रेट एवॉइडेंस है, I इनर्शिया है, PV परसेप्टेड वैल्यू है, SW स्विचिंग कॉस्ट है, PT परसेप्टेड थ्रेट है, और ζ त्रुटि पद है।

Attitude Equation:
$A = \beta_7 PU + \beta_8 PEOU + \zeta_2$

Intention Equation:
$IU = \beta_9 R + \beta_{10} A + \zeta_3$
जहाँ $\beta_9$ का मान ऋणात्मक और $\beta_{10}$ का मान धनात्मक होने की अपेक्षा है।

7. प्रयोगात्मक परिणाम और चार्ट

आरेख विवरण (अनुसंधान निष्कर्षों पर आधारित परिकल्पना):路径图将直观展示SEM结果。显著的路径（例如，Perceived Value → प्रतिरोध को प्रेरित करते हैं।）将以实心粗箭头和标准化系数值（例如，-0.35**）显示。不显著的路径（जड़त्व → प्रतिरोध को प्रेरित करते हैं।）将以灰色虚线箭头显示，并标注“n.s.”（महत्वहीन।）。模型拟合指数，如CFI（比较拟合指数 > 0.92）、TLI（Tucker-Lewis指数 > 0.90）和RMSEA（近似误差均方根 < 0.08）将被展示，表明数据与所提出的双因素模型拟合良好。

8. विश्लेषणात्मक ढांचा: उदाहरण केस

केस: वरिष्ठ देखभाल के लिए नए AI वॉयस असिस्टेंट का शुभारंभ
1. SQB परिप्रेक्ष्य का अनुप्रयोग (अवरोधक कारक):

• डूबा हुआ लागत:उपयोगकर्ता के पास पहले से ही एक सरल चिकित्सा अलर्ट सिस्टम है।
• स्विचिंग लागत और अनुभूत खतरा:जटिलता और गोपनीयता उल्लंघन के प्रति उच्च स्तर का भय।
• जड़ता:परिचित प्रथाओं (कम-तकनीक समाधान) पर प्रबल निर्भरता।

TAM परिप्रेक्ष्य का अनुप्रयोग (सुविधाकारी कारक):

• Perceived Usefulness:इसे एक सुरक्षा संवर्धक (गिरने का पता लगाना, दवा अनुस्मारक) के रूप में स्थापित करना।
• Perceived Ease of Use:स्क्रीन पर निर्भर न रहते हुए, अत्यंत सरल वॉयस कमांड डिज़ाइन करें।

3. द्वि-कारक रणनीति:SQB को पुराने सिस्टम से निर्बाध माइग्रेशन (संक्रमण लागत कम करके) और मजबूत गोपनीयता गारंटी (खतरा कम करके) प्रदान करके कम करें। TAM को स्पष्ट, जीवन-सुधारने वाली उपयोगिता और आसान इंटरैक्शन प्रदर्शित करके बढ़ाएं। जड़त्व पर निष्कर्ष बताते हैं कि "आदत तोड़ने" पर कम ध्यान देना चाहिए और नई, मूल्यवान दिनचर्या स्थापित करने पर अधिक ध्यान देना चाहिए।

9. भविष्य के अनुप्रयोग एवं दिशाएँ

1. सांस्कृतिक पार-सत्यापन:इस मॉडल का विभिन्न सांस्कृतिक संदर्भों में परीक्षण किया जाना चाहिए, क्योंकि SQB कारक जैसे हानि परिहार (Hofstede's cultural dimensions) में महत्वपूर्ण भिन्नता हो सकती है।

2. उन्नत AI मॉडलों के साथ एकीकरण:भविष्य के शोध उपयोगकर्ता की धारणा को AI की विशिष्ट तकनीकी विशेषताओं से जोड़ सकते हैं, जैसे पारदर्शिता (उदाहरण के लिएCycleGANपेपर में जेनरेटिव मॉडल्स की व्याख्यात्मकता पर चर्चा) या एल्गोरिदमिक निर्णयों की निष्पक्षता। यह समझना कि क्या AI द्वारा GAN या Transformer आर्किटेक्चर का उपयोग करने से खतरे या उपयोगिता की धारणा प्रभावित होती है?

3. अनुदैर्ध्य अध्ययन:जब उपयोगकर्ता AI वॉयस असिस्टेंट से पहली बार परिचित होता है तब से लेकर आदतन उपयोग करने तक, SQB और TAM कारकों की तीव्रता में परिवर्तन का अनुसरण करना।

4. अन्य AI इंटरफेस पर अनुप्रयोग:दो-कारक ढांचे को AI-संचालित चैटबॉट, अवतारित रोबोट या संवर्धित वास्तविकता इंटरफेस तक विस्तारित करना।

10. References

1. Balakrishnan, J., & Dwivedi, Y. K. (2021a). Role of cognitive absorption in AI voice assistant use. Computers in Human Behavior।
2. Davis, F. D. (1989). Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology। MIS Quarterly, 13(3), 319-340.
3. Dwivedi, Y. K., et al. (2021a). Artificial Intelligence (AI): Multidisciplinary perspectives on emerging challenges, opportunities, and agenda for research and practice. International Journal of Information Management.
4. Samuelson, W., & Zeckhauser, R. (1988). Status Quo Bias in Decision Making. Journal of Risk and Uncertainty, 1, 7-59.
5. Zhu, J.Y., Park, T., Isola, P., & Efros, A.A. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. In Proceedings of the IEEE International Conference on Computer Vision (ICCV). [External Authority - CycleGAN]
6. MIT Technology Review. (2019). आवाज सहायक हमारे और प्रौद्योगिकी के बीच के संबंध को कैसे बदल रहे हैं। [बाहरी प्राधिकरण - अनुसंधान संस्थान]
7. Gartner. (2023). Hype Cycle for Artificial Intelligence. [बाहरी प्राधिकरण - अनुसंधान संस्थान]

11. Industry Analyst Perspective

मुख्य अंतर्दृष्टि:AI कार्यक्षमता की दौड़ के प्रति बाज़ार का आसक्ति मुख्य मुद्दे से भटकाव है। यह शोध एक कठोर सत्य उजागर करता है: अपनाने में विजेता वह कंपनी नहीं है जिसके पास सबसे बुद्धिमान एल्गोरिदम है, बल्कि वह है जो मानव परिवर्तन के मनोविज्ञान को सबसे अच्छी तरह संचालित कर सकती है। टेक दिग्गज सीमांत सटीकता लाभ के लिए अनुसंधान और विकास में अरबों डॉलर लगाते हैं, जबकि वास्तविक अड़चन - स्थिति को पूर्वाग्रह में निहित उपयोगकर्ता प्रतिरोध - अपर्याप्त रूप से वित्तपोषित और गलत समझी जाती है।

तार्किक संरचना:इस अध्ययन की प्रतिभा इसके दोहरे परिप्रेक्ष्य ढांचे में निहित है। यह न केवल पूछता है, "AI वॉयस असिस्टेंट को उपयोगी क्या बनाता है?" (TAM पक्ष), बल्कि इससे भी महत्वपूर्ण यह पूछता है, "क्या चीज लोगों को उनके पुराने, अक्षम तरीकों से चिपके रहने के लिए प्रेरित करती है?" (SQB पक्ष)। जड़ता एक महत्वपूर्ण बाधा नहीं है, यह निष्कर्ष चौंका देने वाला है। इसका मतलब है कि उपयोगकर्ता आलसी नहीं हैं; वे तर्कसंगत हैं। यदि मूल्य प्रस्ताव उच्च स्विचिंग लागत या अनुभूत खतरे से कमजोर हो जाता है, तो उपयोग में आसानी की कोई भी मात्रा उत्पाद को नहीं बचा सकती। इसका तर्क निर्मम है: पहले बाधाओं को दूर करें, फिर लाभों को बढ़ाएं।

लाभ एवं कमियाँ:

• लाभ:यह मॉडल व्यावहारिक और सुंदर है। यह उत्पाद प्रबंधकों के लिए एक स्पष्ट चेकलिस्ट प्रदान करता है: प्रत्येक SQB कारक के लिए, शमन रणनीति तैयार करें; प्रत्येक TAM कारक के लिए, वृद्धि रणनीति तैयार करें।
• लाभ:जड़त्व के बारे में जनसांख्यिकीय निष्कर्ष लक्षित विपणन के लिए एक सोने की खान है। यह "एक आकार सभी पर फिट" संदेश से परे है।
• दोष:420 का नमूना आकार पर्याप्त होते हुए भी, अपनाने वक्र में चरम समूहों—प्रबल प्रतिरोधकर्ताओं या अत्यधिक उत्साही प्रारंभिक अपनाने वालों, जिनकी मानसिकता बिल्कुल भिन्न है—को पकड़ने में विफल रहा हो सकता है।
• प्रमुख दोष:यह मॉडल "धमकी की धारणा" को एक समग्र इकाई के रूप में देखता है। 2024 में, खतरे की धारणा बहुआयामी है: नौकरी प्रतिस्थापन की चिंता, डेटा गोपनीयता (जोCycleGANडेटा प्रोवेनेंस पर पेपर में बहस को प्रतिध्वनित करता है), एल्गोरिदम पूर्वाग्रह, और यहां तक कि अस्तित्वगत जोखिम भी। अधिक सूक्ष्म विघटन की आवश्यकता है।

क्रियान्वयन योग्य अंतर्दृष्टि:

1. कार्यक्षमता-केंद्रित से घर्षण-केंद्रित दृष्टिकोण की ओर रोडमैप:प्रत्येक "कार्यक्षमता वृद्धि" स्प्रिंट के लिए एक "घर्षण कमी" स्प्रिंट आवंटित करें। सफलता को केवल नए वॉयस कमांड की संख्या से नहीं, बल्कि अनुभव किए गए स्विचिंग लागत में कमी से मापें।
2. "प्रत्यक्ष मूल्य" को मापने योग्य मानकों से परिभाषित करें:अस्पष्ट वादों से आगे बढ़ें। स्मार्ट स्पीकर के लिए "जीवन को आसान बनाना" न कहें; बल्कि "दैनिक दिनचर्या के कार्यों में 15 मिनट की बचत" सिद्ध करें।
3. "शून्य सीखने की अवस्था" वाली शुरुआती प्रक्रिया डिज़ाइन करें:अव्यक्त जड़त्व का अर्थ है कि यदि प्रारंभिक सीमा कम है, तो उपयोगकर्ता स्विच करेंगे। संदर्भ-जागरूकता, सक्रिय सेटअप प्रक्रियाओं में निवेश करें, जो न्यूनतम उपयोगकर्ता इनपुट की मांग करती हैं और अनुकूली उपयोगकर्ता इंटरफ़ेस अनुसंधान से सीखती हैं।
4. सार्वजनिक रूप से "मल्टी-हेडेड" खतरे का सामना करना:डेटा उपयोग पर पारदर्शिता रिपोर्ट (जैसे Apple के प्राइवेसी लेबल) सक्रिय रूप से जारी करें, निर्णय तर्क को स्पष्ट करने के लिए व्याख्यात्मक AI में निवेश करें, और सार्वजनिक संबंधों से परे नैतिक AI चर्चा में शामिल हों। चुप्पी दोषी मानी जाएगी।

AI वॉयस असिस्टेंट क्षेत्र में विजेता वह कंपनी नहीं होगी जिसके पास सबसे अधिक पेटेंट हैं, बल्कि वह कंपनी होगी जो इस दो-कारक युद्ध के मैदान को सबसे गहराई से समझती है। यह लेख उस मानचित्र को प्रदान करता है।