Task-Technology-Fit Model

Definition: 

Unter dem Task-Technology-Fit Model (TTFM) versteht man ein theoretisches Modell zur Untersuchung der Einstellungsakzeptanz gegenüber Informationstechnologien. Es wurde 1995 von Dale L. Goodhue und Ronald L. Thompson entwickelt und wurde seither in diversen Variationen (u.a. mit dem Technology Acceptance Model) adaptiert und weiterentwickelt. Wesentlicher Kernpunkt des Modells ist die Fragestellung, wie gut eine bestimmte Technologie geeignet ist, eine Aufgabe (innerhalb einer spezifischen Domäne) zu lösen.  Das TTFM stellt somit eine Verbindung zwischen dem Einsatz von Technologie und der Performanz her, wodurch impliziert wird, dass eine bessere Eignung der Eigenschaften einer Technologie einen positiven Einfluss auf die Leistung hat.

Schematische Darstellung des (basalen) TTFM.

Im Modell werden als Aufgaben („tasks“) die Handlungen eines Individuums zur Transformation von Eingaben in Ausgaben verstanden, Technologien („technologies“) im Kontext der IS-Forschung als Werkzeuge, i.E. Computersysteme (Hard- und Software + Daten) und Assistenzleistungen (z.B. Schulungen) die dem Individuum (mit seiner Erfahrung, Motivation und Schulung)  bei der Erfüllung seiner Aufgaben helfen.

Als Task-Technology-Fit bezeichnet man den Grad der Hilfestellung, die die Technologie bei der Aufgabenerfüllung leistet; genauer: die Übereinstimmung von Anforderungen der Aufgabe, individuellen Benutzerfähigkeiten und Funktionalität der Technologie.

Neben dem TTFM existiert mit den Nutzungsmodellen („utilization models“) eine weitere Methode der Verknüpfung von Technologie und der Performanz, die ihrerseits annimmt, dass bestimmte Einstellungen und Annahmen eines Benutzers die Nutzung(shäufigkeit) und somit die Leistung beeinflussen.

 

Da jedoch beide Modellarten allein keinen hinreichenden Erklärungsansatz liefern, haben die Autoren des TTFM eine kombinierte Variante ihres Modells („technology-to-performance chain“) unter Einbeziehung des Nutzungsaspekts erstellt (siehe Abbildung 3). Die jeweiligen Charakteristika von Aufgabe und Technologie werden als unabhängige Variablen angesehen, die rechte Seite mit Performanz und (Häufigkeit der) Verwendung als abhängige Faktoren.

 

Da die direkte Messung der Leistungsveränderung in IS oft schwierig ist, schlägt Autor Goodhue ein (indirektes) Ersatzmessverfahren in Form einer Benutzerevalution vor, dass aus einer theoretischen Perspektive das zugrundeliegende System mit den relevanten Einflüssen verknüpft. Vorgeschlagen werden dabei folgende 8 Faktoren zur TTFM-Benutzerevaluation:

  • Datenqualität (data quality)
  • Lokalisierierbarkeit (locatability)
  • Autorisierung (authorization)
  • Kompatibilität (compatibility)
  • Einfachheit der Benutzung / Training (ease of use/training)
  • Termintreue (production timeliness)
  • Systemverlässlichkeit (systems reliability)
  • Nutzerbeziehungen (relationship with users)

Dabei wird jeder zu messende Faktor mittels Befragung anhand von zwei bis zehn Antworten auf einer Likert-Skala (starke Ablehnung bis starke Zustimmung) erfasst.

Anwendungsbeispiele: 

1. Anwendungsbeispiel

Im Paper „Testing the Technology-to-Perfomance Chain Model“ von den Autoren D.Sandy Staples (von der Queen’s University in Kanada ) und Peter Seddon (von der University of Melbourne in Australien) wird das erweiterte Task Technology Fit Model (vgl. Abb. 1) nach Goodhue und Thompson ausgiebig getestet. Das Paper stammt aus dem Jahre 2004 und erschien im „Journal of Organizational and End User Computing“.

Abbildung 1: Task-to-Performance-Chain Model

In diesem Task-Technology-Fit Model (TTFM) werden konkret 4 Faktoren zur Evaluation genommen (Expected Consequences of Use, Affect Towards Use, Social Norms, Habit und Facilitating Conditions). Goodhue und Thompson nannten insgesamt 8. Die fehlenden 4 Faktoren (Work Compatibility, Ease of Use, Ease of Learning und Information Quality) werden laut Seddon und Staples indirekt im Element Task Technology Fit vertreten, weshalb dieser Bereich als ein Faktor, der 2.Ordnung gilt (second order factor).

Staples und Seddon wollten sich hierbei auf das freiwillige und verbindliche Nutzen eines Systems konzentrieren, dabei bestand die erste Gruppe aus Mitarbeitern aus der Universitätsbibliothek, die nach der Effektivität des Zentralkatalogsystems gefragt wurden und zweite Gruppe wurde von Studenten gebildet, die die freiwillige Nutzergruppe darstellen. Die freiwillige Gruppe wurde über deren Nutzen von Tabellenkalkulationen befragt.

Die Autoren haben für das Untersuchungsmodell 8 Hypothesen aufgestellt:

  1. TTF will be positively associated with expected consequences of use.
  2. TTF will be positively associated with affect toward use.
  3. TTF will be positively associated with peformance impacts.
  4. Expected consequences of use will be positively associated with utilization.
  5. Affect toward use will be positively associated with utilization.
  6. Social Norms will be positively associated with utilization.
  7. Facilitating conditions will be positively associated with utilization.
  8. Utilization will be positively associated with performance impacts

Beide Gruppen bekamen einen Fragebogen mit insgesamt 50 Fragen, die in 10 Gruppen unterteilt waren. Die Auswertungen wurden mit Hilfe der Partial Least Squares-Regression analysiert, wo durch folgendes Ergebnis zu Stande kam:

Abbildung 2: Ergebnisse

Laut den Autoren ist die Studie gelungen, weil viele Teile des Technology-to-Performance Chain Model erklärt wurde und zu erkennen ist, dass TTF die größte Erklärungskraft hat. Sie belegten, dass TTF die Vorhersagekraft der Leistung erhöht, wenn Nutzung verbindlich ist. Außerdem finden Sie Erklärung für die Auswirkungen von TTF auf Überzeugungen und Einstellungen Doch erwähnen die Autoren, dass die Studie verbesserungswürdig sei, indem sie ein System gefunden hätten, was von beiden Gruppen freiwillig und verbindlich zu nutzen ist. Alle Ergebnisse zusammen mit der Wirkung von TTF auf die Performance, deuten darauf hin, dass auch bei freiwilliger Nutzung, ein guter Fit zwischen Aufgabe, Technologie und Benutzereigenschaften ist sehr wichtig, um die gewünschten Leistungsergebnisse bei einem System zu erzielen.

2. Anwendungsbeispiel

Die Autoren Judith Gebauer und Ya Tang stammen beide von der University of Illinois und nutzen für ihr Paper „Applying the Theory of Task−Technology Fit to Mobile Technology: The Role of User Mobility“, welches 2007 im „Management of Mobile Business“ publiziert wurde, die Task-Technology-Fit Theorie für mobile Technologien wie Smartphone, PDAs und Laptops. Dabei spezialisieren sie sich auf die Rolle der Mobilität beim Nutzer. Beim erstellen des Untersuchungsmodells entstanden 10 Hypothesen, die sich in 3 Gruppen gliedern (vgl. Abb.3).

Abbildung 3: Untersuchungsmodell

Für die Umfrage kollaborierten Sie mit dem Medienunternehmen CNET.com. Besucher der Webseite wurden durch Zufall ausgewählt und hatten die Möglichkeit an der Umfrage von Gebauer und Tang teilzunehmen. Die Umfrage bestand aus 73 Fragen und wurden alle mit der Likert Skala beantwortet. Die Ergebnisse wurden mit der Partial-Least-Squares Regression ausgerechnet.

Aus den Ergebnisse ist zu lesen, dass alle Hypothesen bestätigt werden, außer:

H3a: Mobility moderates the relationship between fit of basic communication functionality and overall evaluation of the technology, such that the effect will be stronger for mobile users.

H3b: Mobility moderates the relationship between fit of advanced functionality and overall evaluation of the technology, such that the effect will be stronger for mobile users.

Sie konnten keine Gründe für den Mangel an Interaktion zwischen Mobilität, Fit für grundlegende und erweiterte Funktionalität und Gesamtauswertung finden.

Trotzdem haben sie herausgefunden, dass die Beziehung zwischen Aufgabenschwierigkeit und funktionalen Anforderungen der mobilen Geräte stärker ist für eher stark mobile Anwender als für weniger mobile Benutzer und je höher die Mobilität eines Users ist, desto höher sind die wahrgenommenen Wichtigkeiten von nicht-funktionellen Merkmalen. Für Freizeit bezogene Eigenschaften und für eine Anzahl von nicht-funktionellen Eigenschaften zeigen hohe mobile Anwender eine stärkere Beziehung zwischen Fit, Anforderungen und Technologie Performance. Zudem haben hohe mobile Anwender eine stärkere Beziehung zu der Gesamtbewertung der Technik als weniger mobile Benutzer.

Verwendete Paper:

Staples, D.Sandy & Seddon, Peter (2004): Testing the Technology-to-Performance Chain Model. In In Journal of Organizational and End User Computing. URL: http://iris.nyit.edu/~kkhoo/Spring2008/Topics/TTF/TestingModel_JournalEndUser.pdf [Stand:15.06.2016]

 

Gebauer, Judith & Tang, Ya (2007): Applying the Theory of Task−Technology Fit to Mobile Technology: The Role of User Mobility. In Management of Mobile Business. URL:https://business.illinois.edu/working_papers/papers/07-0114.pdf [Stand:15.06.2016]

 

 

Variante: 

Eine Variante des Task-Technology-Fit-Model ist das Extended Task-Technology Fit Model. Hierbei werden die Aspekte Aufgaben und Technologie Charakteristiken noch in Eigenschaften aufgegliedert. Die Aufgaben werden durch Eigenschaften Zeitabhängigkeit, Positionsabhängigkeit und Abhängig von der Identität untergliedert. Die Bestandteile der Technologie bestehen aus Verbreitung/Bekanntheit, Einzigartigkeit, Vielseitigkeit und der Übereinstimmung mit der zu bewältigenden Aufgabe.

Eine weitere Variante ist das Technology-to-Performance Chain Model (TCP). Dieses besteht aus einer Kombination des Task-Technology Fit Model und des „Utilization model“. Das Utilization Model beinhaltet die Aspekte Überzeugung, zu erzielender Affekt, Soziale Normen, Gewohnheit und erleichterte Bedingungen. Hierbei sind die Charakteristika von Aufgaben, Technologien des Individuums als unabhängige Variablen anzusehen. Davon abhängige Variablen sind die Nutzung und Leistungsfähigkeit. Mit Hilfe der Kombination der beiden Modelle können die Einschränkungen der einzelnen Modelle aufgehoben werden. Die Einschränkung des Utilization Model besteht darin, dass vernachlässigt wird das keine andere Technologie über dieselbe Funktionalität verfügen kann. Das TTF bezieht sich nicht darauf ,dass Technologien genutzt werden müssen bevor sie Auswirkungen auf die Leistung haben können. Insgesamt führt die Kombination zu einem besseren Bewertungsansatz, da mehr Aspekte berücksichtigt werden.

Das im Jahre 1995 entwickelte Task-Technology-Fit-Model stellt die Einstellungsaspekte der Nutzer dar aber vernachlässigt die im Modell von Venkatesh und Davis enthaltenden Verhaltensaspekte. Eine Kombination des Technology-Acceptance-Model (TAM) und des Task-Technology-Fit-Models kann die Einschätzung eines Systems aufgrund der Einstellung und des Verhaltens eines Individuums bestimmen. In diesem Zusammenhang würden zum einen die Einstellungen, Überzeugungen und Verhaltensweisen des Nutzers aber auch die Anforderungen an die Funktionalität und Unterstützung einer Technologie für die Bewältigung einer Aufgabe analysiert werden.

Historie: 

Das von Dale L. Goodhues und Ronald L. Thomson in den 1995 Jahren entwickelte Task-Technology-Fit-Model, beschreibt die Bewertung und die Akzeptanz eines Anwenders von einem Informationssystem. Dieses entwickelte Model geht hierbei auf die Individual Ebene der Analyse ein, hierbei werden nur die individuellen Anforderungen und Aufgaben die eine Technologie erfüllen sollte, betrachtet. Das bedeutet in diesem Zusammenhang wird nur auf Einflussfaktoren und Fähigkeiten eines Individuums selbst eingegangen.

Im Jahr 1997 wurde die Analyse von Informationssystemen mit zwei unterschiedlichen Gruppen von Nutzern durchgeführt. Die erste Studie wurde anhand einer typischen Zielgruppe aus der Bevölkerung und die zweite mithilfe einer kleinen, gezielt ausgewählten Gruppe erarbeitet. Bei dieser Studie fand eine Analyse vor der Einführung eines Informationssystems und nach 21 Monaten Betrieb der neuen Software statt.  Hierbei stand der Einfluss vor und nach der Inbetriebnahme im Vordergrund. Diese Studie führte dazu, dass Änderungen in der Zielpopulation und deren Aufgaben besser identifiziert werden können.

Im Jahr 1998 wurde das Model von Ilze Zigurs und B. Buckland weiterentwickelt. Durch diese Weiterentwicklung wird das TTF in Bezug auf Group Support Systems (GSS) oder Elektronisches Meetingsystem (EMS) betrachtet. Das EMS oder GSS bezeichnet eine Informationstechnologie basierte Umgebung, die Meetings von Gruppen unterstützt. Durch die Bestimmung idealer Profile von Zielgruppen können Technologien besser auf die notwendigen Aufgaben und Anforderungen von Gruppen ausgerichtet werden.

Im Jahr 2001 wurde ein Experiment durchgeführt um signifikante, kulturelle Unterschiede von verschiedenen Kulturen zu identifizieren. Dies führte zum Ergebnis, dass durch unterschiedliche und kulturelle Orientierungen von Individuen, auch unterschiedliche Reaktionen auf Technologien hervorrufen werden können.