5.3 Mor og student – grenseløse roller
5.3.1 Moderskapets grenseløshet
4.1. ANÁLISE EXPLORATÓRIA
Foi realizada uma análise descritiva dos itens que compõem o questionário (média, desvio padrão, mínimo e máximo). A média de resposta aos itens do questionário foi 4,12, o que se aproxima ao grau total de concordância da escala de Likert, o que torna possível inferir que há aceitação de computação em nuvem.
Com relação à variável facilidade de uso percebida, cujos os itens se referiam à aprendizagem, habilidades, procedimentos, maneira de interação e flexibilidade, obteve-se uma média de 3,95, indicando uma concordância parcial sobre a computação em nuvem ser fácil de usar. A utilidade percebida obteve média de 3,98, revelando também uma concordância parcial com relação à associação do uso de computação em nuvem com agilidade, desempenho, produtividade, efetividade e utilidade.
Atitude para uso de computação em nuvem obteve média de 2,18, o que revela uma discordância parcial sobre a percepção da computação em nuvem como uma boa ideia, um desejo de consumo ou um benefício. Intenção comportamental teve média de 2,2, revelando também uma discordância parcial com relação à intenção de adoção ou aumento do uso de ferramentas de computação em nuvem. Fato curioso é que apesar de atitude para uso e intenção comportamental terem tido uma média relativamente baixa, o uso real e a frequência de uso da computação em nuvem, conforme indicado nos Quadros 13 e 14 anteriores, atingiu mais de 96,4% dos casos válidos.
O Quadro 15 apresenta os dados da análise descritiva. Na sequência da análise foi verificada a normalidade com relação à distribuição das respostas. Para isso, obteve-se os índices de assimetria e curtose, que tratam, respectivamente, da similaridade das metades da distribuição dos casos nas variáveis e do achatamento na distribuição (NEIVA; TRÓCCOLI; ABBAD, 2007). Os dados desta análise também estão apresentados no Quadro 15.
Quadro 15 - Descrição de Assimetria e Curtose dos itens do questionário (n = 54)
Itens Válidos Omissos Casos Média Padrão Desvio Assimetria Erro Padrão Assimetria
Assimetria ÷ Erro Assimetria
Curtose Padrão Erro Curtose Curtose ÷ Erro Curtose PEU1 53 02 4,41 0,71 -0,82 0,32 -2,50 -0,59 0,64 -0,92 PEU2 51 04 3,82 0,84 -2,78 0,33 -0,83 -0,46 0,65 -070 PEU3 53 02 3,79 0,84 -0,39 0,32 -1,19 -0,24 0,64 -038 PEU4 52 03 3,84 0,84 -0,09 0,33 -0,28 -0,85 0,65 -1,30 PEU5 52 03 4,01 0,75 -0,31 0,33 -0,96 -0,34 0,65 -0,54 PEU6 53 02 3,83 0,77 0,05 0,32 0,16 -0,80 0,64 -1,24 PU1 52 03 4,11 0,85 -0,81 0,33 -2,46 0,21 0,65 0,33 PU2 52 03 3,88 0,89 -1,10 0,33 -3,35 0,72 0,65 1,12 PU3 52 03 3,78 0,89 -0,93 0,33 -2,83 1,12 0,65 1,73 PU4 53 03 3,83 0,91 -0,74 0,32 -2,28 -0,31 0,64 -0,04 PU5 51 04 3,98 0,92 -0,90 0,33 -2,69 0,23 0,65 0,35 PU6 53 02 4,35 0,76 -1,26 0,32 -3,85 1,74 0,64 2,70 AT1 53 02 4,43 0,69 -1,19 0,32 -3,63 1,61 0,64 2,50 AT2 53 02 4,54 0,60 -0,93 0,32 -3,03 0,03 0,64 0,04 AT3 53 02 4,16 0,80 -0,55 0,32 -1,69 -0,53 0,64 -0,82 AT4 53 02 4,39 0,71 -1,08 0,32 -3,32 1,10 0,64 1,71 BI1 53 02 4,35 0,81 -1,65 0,32 -5,06 4,26 0,64 6,62 BI2 52 03 4,38 0,74 -1,36 0,33 -4,12 2,73 0,65 3,49 BI3 53 02 4,47 0,69 -1,31 0,32 -4,02 1,84 0,64 2,85 * Confiabilidade = 0,005
Para que se tenha uma distribuição normal, os índices de assimetria e curtose devem ter valores iguais a zero (NEIVA; TRÓCCOLI; ABBAD, 2007). De acordo com esses autores, para verificar se os índices são significativos observou-se se os valores dos índices excediam ± 2,58 para um nível de significância de 0,01. Após a análise dos dados, as variáveis que possuem assimetria ou curtose foram transformadas com o objetivo de reduzir os desvios de normalidade, de acordo com as sugestões de Tabachnick e Fidell (2001). As variáveis transformadas foram mantidas, pois proporcionaram uma melhor distribuição dos valores.
Em seguida foi realizada uma análise dos dados ausentes e casos extremos a partir de médias, desvios padrões, frequência e porcentagem das variáveis. De acordo com Neiva, Tróccoli e Abbad (2007), não há problemas significativos em variáveis com dados omissos entre 5% e 10%. A análise não revelou valores superiores a 10%, de maneira que não foram necessários ajustes. Porém, optou-se por excluir um participante pelo fato de ter respondido somente as variáveis sociodemográficas, reduzindo o universo de participantes para um total de 54 pessoas.
Sobre os casos extremos, foram realizadas análises de casos univariados, bivariados e multivariados. Contudo, devido ao número de participantes da pesquisa optou-se por manter os casos extremos. A seguir será apresentada a análise fatorial.
4.2. ANÁLISE FATORIAL
As análises foram realizadas com o software SPSS versão 17. Para estabelecer correlações entre os itens e verificar a existência de dimensões subjacentes às variáveis, foi realizada uma análise fatorial exploratória. Para
verificar a fatorabilidade da matriz dos dados foram realizados procedimentos de inspeção da matriz de correlações, o cálculo do índice de adequação da amostra de Kaiser-Meyer-Oklin (KMO) e a verificação do determinante da matriz.
A análise se iniciou pela inspeção da matriz de correlações (Quadro 16). Nessa análise, é necessário verificar se ao menos a metade das correlações é superior a = 0,30. Quanto maior a quantidade de correções superiores a = 0,30, mais fatorável é a matriz. Os resultados apresentados na matriz de correlações indicaram que a matriz é fatorável, porque menos da metade das correlações apresentam valores inferiores a = 0,30 (NEIVA; TRÓCCOLI; ABBAD, 2007).
Quadro 16 – Matriz de Correlação de Pearson
FUP1 FUP2 FUP3 FUP4 FUP5 FUP6 UP1 UP2 UP3 UP4 UP5 UP6 AT1 AT2 AT3 AT4 ICI IC2 IC3
FUP1 1 FUP2 -0,467 1 FUP3 -0,495 0,589 1 FUP4 -0,378 0,452 0,375 1 FUP5 -0,454 0,422 0,177 0,449 1 FUP6 -0,614 0,601 0,647 0,339 0,464 1 UP1 0,42 -0,385 -0,373 -0,338 -0,508 -0,583 1 UP2 0,443 -0,356 -0,304 -0,264 -0,399 -0,361 0,686 1 UP3 0,37 -0,212 -0,202 -0,176 -0,243 -0,201 0,484 0,789 1 UP4 0,374 -0,235 -0,251 -0,133 -0,247 -0,388 0,617 0,721 0,772 1 UP5 0,528 -0,444 -0,376 -0,294 -0,45 -0,466 0,556 0,686 0,631 0,682 1 UP6 0,597 -0,552 -0,645 -0,27 -0,425 -0,981 0,546 0,326 0,188 0,381 0,484 1 AT1 0,303 -0,194 -0,102 -0,283 -0,317 -0,293 0,474 0,536 0,5 0,462 0,534 0,303 1 AT2 0,246 -0,248 -0,166 -0,379 -0,512 -0,441 0,503 0,25 0,205 0,216 0,388 0,415 0,589 1 AT3 -0,418 0,33 0,289 0,315 0,578 0,454 -0,41 -0,476 -0,388 -0,487 -0,56 -0,434 -0,594 -0,552 1 AT4 0,317 -0,236 -0,278 -0,255 -0,465 -0,378 0,527 0,354 0,348 0,482 0,45 0,345 0,561 0,623 -0,798 1 IC1 0,307 -0,278 -0,257 -0,345 -0,633 -0,441 0,662 0,494 0,34 0,424 0,529 0,402 0,65 0,753 -0,711 0,757 1 IC2 0,367 -0,308 -0,306 -0,378 -0,504 -0,347 0,537 0,548 0,504 0,438 0,543 0,326 0,618 0,665 -0,647 0,674 0,82 1 IC3 0,323 -0,079 -0,127 -0,379 -0,422 -0,22 0,478 0,444 0,407 0,397 0,448 0,208 0,777 0,617 -0,654 0,724 0,743 0,76 1 * Confiabilidade = 0,005
A análise seguiu com o cálculo do índice de adequação da amostra de Kaiser-Meyer-Oklin (KMO). Este é um índice que indica a proporção da variância dos dados que pode ser considerada comum a todas as variáveis, ou seja, que pode ser atribuída a um fator comum. Quanto mais próximo de 1 (unidade) melhor o resultado, ou seja, mais adequada é a amostra à aplicação da análise fatorial (NEIVA; TRÓCCOLI; ABBAD, 2007). O resultado indicou um índice KMO = 0,796.
Para finalizar a análise fatorial exploratória buscou-se verificar o
determinante da matriz. Este procedimento é realizado por meio da anti-image matrix. Nesta matriz, os valores são interpretados na diagonal e esses devem
ser pequenos, próximos a 0. (NEIVA; TRÓCCOLI; ABBAD, 2007). Os resultados apontaram índices favoráveis para o determinante da matriz.
Figura 14 – Gráfico Scree Plot
Com relação à consistência interna dos fatores, no que diz respeito à retirada de itens para melhorar a consistência, optou-se por não excluir itens dado que não haveria melhoria significativa frente a esse processo.
Em sequência foi realizada a análise fatorial – extração de fatores, para determinação do número de fatores. Para tanto, foram utilizados três critérios: análise da variância explicada pelo fator ou valor de eigenvalues - que é a soma em coluna de cargas fatoriais ao quadrado para um fator, também conhecido como raiz latente, que deve ser maior que 1 e que representa a quantia de variância explicada por um fator; o gráfico scree plot; e, cargas fatoriais superiores a = 0,30 (NEIVA; TRÓCCOLI; ABBAD, 2007). Os resultados destas análises são apresentados na figura 14 e no quadro 17.
Foi conduzida uma análise de extração com quatro fatores: utilidade percebida, facilidade de uso percebida, atitude para o uso e intenção comportamental. A variação explicada no caso da análise de componentes principais foi de 75.51%. A análise demostrou a possibilidade de extração de até cinco fatores. Porém, considerando a variação explicada, os resultados indicaram uma melhor adequação na extração de três fatores. Contudo, quatro fatores foram mantidos devido à consistência teórica dos construtos do modelo utilizado como base para adaptação.
Quadro 17 – Resultado Final da Análise Fatorial
Itens 1 2 3 4
Fator 1: Facilidade de uso percebida (α = 0,73)
FUP1 ,694 FUP2 ,643 FUP3 ,407 FUP4 ,897 FUP5 ,612 FUP6 ,318
Fator 2: Utilidade percebida (α = 0,88)
UP1 ,675 UP2 ,916 UP3 ,910 UP4 ,883 UP5 ,806 UP6 ,946
Fator 3: Atitude para uso (α = não houve variância)
AT1 ,775
AT2 ,825
AT3 ,323
AT4 ,861
Fator 4: Intenção comportamental (α = 0,90)
IC1 ,927
IC2 ,848
IC3 ,869
Dados os resultados apresentados no quadro 17, no que se refere à carga fatorial e o agrupamento dos itens em quatro fatores, os resultados indicaram que apesar dos índices de confiabilidade consideráveis identificados, a estrutura possivelmente não é considerada adequada para essa composição. Essa limitação pode ser observada conforme apresentado anteriormente no gráfico scree plot, que indica uma melhor solução na opção de composição em três fatores. Esses resultados serão discutidos na seção 6. A seguir, será apresentada a análise de regressão.
4.3.ANÁLISE DE REGRESSÃO
Inicialmente foi realizada uma análise de regressão múltipla ou simultânea com o objetivo de verificar o quanto cada variável independente contribui para explicar a variável dependente. A variável dependente é a intenção comportamental. As variáveis independentes são facilidade de uso percebida, utilidade percebida e atitude para uso, enquanto a variável dependente foi intenção comportamental. Pressupõe-se que as variáveis independentes irão determinar a intenção comportamental sobre o uso de computação em nuvem.
Quadro 18 – Correlações entre as variáveis
Variáveis IC FUP UP AT
IC 1,000
FUP -,422 1,000
UP ,565 -,574 1,000
AT -,345 ,389 -,368 1,000
IC = Intenção comportamental / FUP = Facilidade de uso percebida / UP = Utilidade percebida / AT = Atitude para uso
O quadro 18 apresenta as correlações das variáveis. A tabela de correlações bivariadas contém importantes informações sobre o relacionamento entre as variáveis que entraram no modelo de análise. Espera- se que as variáveis independentes estejam correlacionadas com a variável dependente, porém pouco relacionadas entre si; caso isso não ocorra, poderá
resultar em coeficientes de regressão múltipla com baixo poder preditivo dos escores da variável dependente. (NEIVA; TRÓCCOLI; ABBAD, 2007). Como verificado, os resultados encontrados não atendem aos critérios estipulados para análise de regressão múltipla, o que possivelmente poderá indicar baixo poder preditivo das variáveis independentes com relação à variável dependente.
Os valores obtidos a partir da análise de regressão múltipla indicaram que o coeficiente de Regressão Múltipla, que indica a correlação das variáveis independentes com a dependente foi R = 0,093; e o coeficiente de determinação, que se refere à adequação do modelo, foi R2 = 0,009. Isto indica que as variáveis independentes não são preditoras da variável dependente, pois, como demostrado, o modelo adotado não explica a variável dependente.
Em seguida, foi realizada a análise de variância para verificar se as variáveis independentes são capazes de prever com êxito a variabilidade da variável dependente. O resultado da análise de variância indicou que as variáveis independentes não predizem uma porção estatisticamente significativa dos escores da variável determinante (estatística F = 0,105, com nível de significância = 0,98), de modo que não é possível prever a intenção comportamental a partir das variáveis de facilidade de uso percebida, utilidade percebida e atitude para uso de computação em nuvem.
Quadro 19 – Coeficientes Coeficientes não padronizados Coefici -entes padr. t Sig. 95% Intervalo de confiança de Beta Correlações Beta Std. Error Beta Limite inferior Limite superi- or Bivari- adas Parcial Semi- parciais IC ,108 ,079 1,375 ,175 -,050 ,267 FUP -,074 ,099 -,109 -,754 ,455 -,273 ,124 -,422 -,107 -,087 UP 1,016 ,322 ,452 3,155 ,003 ,369 1,663 ,565 ,411 ,364 AT -,216 ,202 -,136 -1,067 ,291 -,623 ,191 -,345 -,151 -,123 Confiabilidade: 0,05
Os resultados indicados no quadro 19 apresentam a contribuição de cada variável independente na predição dos escores da variável dependente. As correlações parciais e semi-parciais indicam uma contribuição de cada variável na predição da variável dependente. Os resultados demostram que há
baixa correlação parcial e semi-parcial. Quanto às correlações bivariadas, que indicam as correlações de todas as variáveis independentes com a variável dependente, também foi verificada baixa correlação.
Tendo em vista que os resultados da análise de regressão múltipla indicaram que as variáveis (facilidade de uso percebida, utilidade percebida e atitude para uso) não predizem a intenção comportamental, ou seja, não foi possível verificar uma influência dessas variáveis independentes na intenção comportamental para o uso de computação em nuvem, optou-se por testar se as variáveis sociodemográficas (sexo, área de formação, nível de formação, área de atuação e idade) poderiam melhor predizer a intenção comportamental de uso. Contudo, os resultados não revelaram uma melhoria no modelo com a colocação das variáveis sociodemográficas como preditoras.
Diante destes resultados não se justificou identificar relações preditivas entre as variáveis do modelo, pois com a análise de regressão múltipla correlações não foram evidenciadas, também porque os índices de regressão múltipla revelaram inadequação. Na próxima seção são revisados e discutidos os resultados gerais da pesquisa com a apresentação de uma discussão e de sugestões para pesquisas futuras.
5. DISCUSSÃO E CONCLUSÃO
Para Davis et al. (1989), a proposta principal do TAM se refere ao estabelecimento de uma base para traçar o impacto de fatores externos em fatores internos, a partir de um pequeno número de variáveis fundamentais que compõem o referencial teórico para modelagem dos relacionamentos destas variáveis.
A expansão do modelo desenvolvido por Davis et al. (1989) não se constituiu como propósito desta pesquisa, pois apesar do modelo TAM ter sido amplamente aplicado em outros países, no Brasil seu uso é incipiente, e ainda há bastante confusão sobre as variáveis que compõem o modelo, de modo que esta pesquisa teve como objetivo adaptar o modelo de Sek et al. (2010), que desenvolveu um modelo baseado nos estudos de Davis et al. (1989).
A decisão de não expandir o modelo também levou em consideração a pesquisa de Chuttur (2009), que fez um levantamento de vários modelos de pesquisa expandidos do TAM e de Benbasat e Barki (2007), que apresentaram que as diversas aplicações independentes realizadas por vários pesquisadores a fim de adaptar o TAM aos ambientes de constante mudança de TI e sua expansão levaram a um estado de caos e confusão teórica em que constantemente são inseridos apêndices ao modelo original.
O modelo foi mantido, neste sentido, também porque as conclusões da pesquisa de Benbasat e Barki (2007) apresentaram, que o TAM cumpre o seu propósito e que ele “se tornou um dos modelos comportamentais mais usados nos estudos sobre sistemas de informação” (BENBASAT; BARKI, 2007, p. 18). Assim, a proposta desta pesquisa se referia à adaptação de uma aplicação do modelo para verificar se seria possível estabelecer uma base conceitual, com variáveis capazes de avaliar a aceitação de computação em nuvem.
Optou-se nessa pesquisa por buscar um referencial teórico que permitisse abordar a computação em nuvem sob uma perspectiva comportamental. Assim, seguiu-se o caminho da pesquisa anterior desenvolvida por Alharbi (2012) e optou-se por aplicar o TAM no formato de
Davis et al. (1989), com a adaptação do instrumento de Yong-Wee Sek et al. (2010).
O objetivo geral da pesquisa, que foi verificar a aceitação de usuários de computação em nuvem, no Departamento Nacional do SENAI, foi alcançado no sentido da análise descritiva do uso e da frequência de uso da computação em nuvem. Houve, como demostrado nos resultados, uma alta incidência e frequência de uso, que poderia se referir à aceitação, mas como também poderia estar relacionado a outros fatores, por exemplo, imposição.
Assim, do ponto de vista da aceitação e tendo por base que ela seria verificada diante do modelo de pesquisa proposto, não foi possível predizer aceitação, pois diante do caminho de investigação percorrido e as variáveis delimitadas como independentes (facilidade de uso percebida, utilidade percebida e atitude para uso) não demonstraram valores preditivos significantes para a intenção comportamental do uso de computação em nuvem.
Nesta perspectiva, os resultados obtidos indicaram que o modelo utilizado - TAM não se mostrou adequado na análise da aceitação de computação em nuvem, no contexto organizacional brasileiro, que se referia a um dos objetivos específicos, pois a análise de regressão indicou que as variáveis independentes não predizem a intenção de comportamento. Como TAM postula que na aceitação de sistemas e o uso real são determinados pela intenção de comportamento (DAVIS, 1989), na pesquisa realizada as análises inferenciais indicaram que, possivelmente, há outras variáveis que podem ter um poder preditivo sobre a intenção comportamental, como por exemplo, será que a disponibilização de recursos (capacitação, equipamentos) por parte da organização não teria influencia na aceitação de computação em nuvem?
Um dos objetivos específicos perseguidos se referia à análise da confiabilidade da medida utilizada nesta pesquisa, adaptada do estudo de Yong-Wee Sek et al. (2010), numa amostra de trabalhadores brasileiros. O índice de confiabilidade alcançado para facilidade de uso percebida foi α = .73; utilidade percebida foi α = .88; intenção comportamental foi α = .90; e, para atitude comportamental não foi verificada variância, logo, não foi possível
estabelecer índice de confiabilidade. Apesar de se ter encontrado bons níveis de confiabilidade para os outros construtos, o modelo, nesta aplicação, foi considerado inadequado.
Com relação à determinação do número de fatores, a variação explicada no caso da análise dos componentes principais, facilidade de uso percebida, utilidade percebida, atitude para uso e intenção comportamental, foi de 75.51%, mas, considerando a variação explicada, os resultados indicaram uma melhor adequação na extração de três fatores. A análise também demostrou a possibilidade de extração de até cinco fatores. De todo modo, a estrutura se mostrou inadequada numa composição de quatro fatores, pois os itens do questionário não se comportaram da maneira desejada dentro do modelo proposto.
A proposição de organização da matriz em três fatores corrobora com a proposta evolutiva do Modelo de Aceitação de Tecnologia dada por Davis et al. (1989), quando estes autores sinalizam que a relação de atitude com intenção comportamental, que é fundamental para a TRA e para os modelos relacionados, poderia ser direta, ou seja, a variável de utilidade percebida poderia ser preditora da intenção comportamental, contrariando TRA. “Modelos alternativos fornecem justificativas teóricas e evidências empíricas de uma relação direta entre essas variáveis” (DAVIS ET AL., 1989, p. 986).
Não foi possível verificar essa relação nesta pesquisa, devido aos resultados encontrados na análise de correlação multivariada. Todavia, cabe destacar Venkatesh e Davis (2000), no trabalho que originou o TAM2, propuseram a exclusão do construto de atitude para uso, numa tentativa de tentar explicar melhor a intenção comportamental, mantendo o corpo principal do modelo com somente três fatores. Da mesma maneira, Venkatesh et al. (2003) mantiveram o modelo sem a variável de atitude para uso, assim como essa pesquisa não encontrou variância em atitude para uso.
Vários motivos podem ser considerados para entender os resultados que indicaram que a medida utilizada não obteve índices razoáveis para validação. . Acredita-se que o tipo de tecnologia (computação em nuvem) o qual se aplicou o modelo pode ser um dos motivos. Por exemplo, enquanto Davis
(1989) e Yong-Wee Sek et al. (2010) avaliaram dispositivos ou uma única ferramenta, esta pesquisa avaliou uma tecnologia mais complexa, que envolve hardware, software e plataforma de maneira supostamente menos tangível para o participante ou, menos entendida enquanto conceito complexo. Um computador ou um smartphone é um objeto físico palpável. A computação em nuvem é um composto de vários possíveis objetos e uma imensa quantidade de aplicações e conceitos que se referem à tecnologia.
Diante dos resultados encontrados é relevante retomar as recomendações de Benbasat e Barki (2007) ao proporem que é tempo de pesquisadores interessados no tema proporem novos modelos. Também cabe destacar que Chuttur (2009) concorda com esta visão ao considerar que o TAM foi tão experimentado que é hora de avaliar novos modelos que explorem suas forças e minimizem suas fraquezas.
Todavia, será relevante para pesquisadores interessados no tema a conclusão de que uma tentativa de adaptação do modelo de aplicação do TAM baseado na adaptação do instrumento de pesquisa de Young-Sek et al. (2010) não se comportou adequadamente na tentativa de avaliar a aceitação de computação em nuvem, conforme dados encontrados nesta pesquisa. Neste sentido, tende a se reforçar a necessidade de inclusão de novos fatores, com a criação de novos itens, e outras técnicas e modelos que enfatizem o processo comportamental na adoção de computação em nuvem.
Para aqueles interessados em aprofundar a aplicação do TAM na aceitação de computação em nuvem e como proposição de uma agenda para estudos futuros recomenda-se que sejam revisadas as pesquisas de Venkatesh e Davis (2000), que propuseram uma nova representação do modelo TAM, determinado TAM2, que mantinha a essência de Davis (1986), mas sugeria algumas variáveis externas. Apesar do modelo TAM2 não ter sido utilizado nesta pesquisa, ele é um bom exemplo de novas possibilidades de composição fatorial a partir do corpo essencial do TAM e de outras teorias para investigação de fenômenos relacionados à aceitação de tecnologias, assim como o modelo UTAUT (VENKATESH ET AL., 2003), o modelo de pesquisa de
Amoako-Gyampah e (2003) e o modelo de Wixom e Tood (2005), que poderiam auxiliar a composição de novos modelos de pesquisa.
Entre novas variáveis que poderiam ser testadas para a adaptação de um modelo de pesquisa direcionado para a temática da aceitação de computação em nuvem com base em TAM, pela literatura revisada quanto à aplicação do TAM (AMOAKO-GYAMPAH; SALAM; 2003; YONG-WEE-SEK, 2010; VENKATESH ET AL., 2003; WIXOM; TOOD, 2005) seria interessante avaliar a possibilidade de inserir fatores relacionados ao indivíduo (comprometimento, resistência à tecnologia, capacitação) e à própria organização como a cultura, mudança, expectativa de performance, condições facilitadoras, incentivos, tipo de personalidade – se inovadora ou não e, maneira de implementação da tecnologia.
Também, além da criação de novos itens para compor o instrumento de