Barriers and AI-based Technologies Adoption: A Configurational View from a European-Wide Survey
Notice bibliographique
Résumé
Artificial intelligence (AI) is one of the most important, ground-breaking, and debated technologies of our age that has gained in popularity thanks to the availability of huge amount of data (Big Data), the advances made in algorithmics, and the improvement witnessed in both computing power and storage capability of machines. Although there is a consensus on the disruptive nature of AI, some firms have already adopted this technology while others are still lagging. Conventional wisdom in innovation management posits that perceived barriers prevent organizations from adopting an innovation such as AI-based technologies. However, previous research has yielded mixed results with respect to the relationship between perceived barriers to the adoption of an innovation and its actual adoption. Analyzing data obtained from the European Commission on 7549 firms with a configurational approach based on a combination of hierarchical and non-hierarchical cluster analysis followed by post-hoc analysis, this exploratory study seeks to expand our understanding of AI-based technologies perceived barriers-adoption link. Using 15 variables to measure perceived barriers to the adoption of AI-based technologies, we highlight the complex nature of this relationship that echoes the inconsistent findings of previous studies. We identify three clusters of firms that face different configurations of perceived barriers while exhibiting orthogonality on all 15 perceived barriers to AI-based technologies adoption (cluster I – High Level perceived barriers, n=2249, 32.4%; Cluster II- Low Level perceived barriers, n=1879, 24.9%; Cluster III -Moderate Level barriers, n=3221, 42.7%). Among the three configurational solutions, two exhibit asymmetrical relationships between the causal conditions (configuration of perceived barriers) and the outcome (AI-based technologies adoption intensity).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».