อิทธิพลปัจจัยกำกับของการรู้สารสนเทศอิเล็กทรอนิกส์ด้านสุขภาพ และความมั่นใจใช้ AI ต่อความตั้งใจใช้งาน AI Chatbot เพื่อการวินิจฉัยโรคด้วยตนเอง
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อ 1) ศึกษาระดับความคิดเห็นของตัวแปรความคาดหวังใช้งาน ความคาดหวังประสิทธิภาพ การรู้สารสนเทศอิเล็กทรอนิกส์ด้านสุขภาพ ความมั่นใจใช้ AI และความตั้งใจใช้งาน AI Chatbot เพื่อการวินิจฉัยโรคด้วยตนเอง 2) ศึกษาอิทธิพลของความคาดหวังใช้งานและความคาดหวังประสิทธิภาพต่อความตั้งใจใช้งาน 3) ทดสอบบทบาทการเป็นตัวแปรคั่นกลางของความคาดหวังประสิทธิภาพที่เชื่อมโยงความคาดหวังใช้งานไปสู่ความตั้งใจใช้งาน 4) ทดสอบบทบาทตัวแปรกำกับของการรู้สารสนเทศอิเล็กทรอนิกส์ด้านสุขภาพ และ 5) ทดสอบบทบาทตัวแปรกำกับของความมั่นใจใช้ AI ต่อความสัมพันธ์ระหว่างความคาดหวังทั้งสองด้านกับความตั้งใจใช้งาน กลุ่มตัวอย่างชาวไทยอายุ 20 ปีขึ้นไปที่มีประสบการณ์ใช้ AI Chatbot เพื่อการวินิจฉัยโรคด้วยตนเอง จำนวน 670 คน เก็บข้อมูลผ่านแบบสอบถามออนไลน์แบบคัดกรอง มาตรวัดลิเคิร์ท 5 ระดับ 56 ตัวชี้วัด ค่าความตรงเชิงเนื้อหา 0.96 ค่าความเชื่อมั่น 0.91 วิเคราะห์ด้วยโปรแกรม SPSS และ SmartPLS 4 ผลวิจัยทุกตัวแปรอยู่ระดับมาก การรู้สารสนเทศอิเล็กทรอนิกส์ด้านสุขภาพค่าเฉลี่ยสูงสุด ความคาดหวังใช้งานส่งผลต่อความตั้งใจใช้งานสูงสุด (Total Effect = 0.358) รองลงมา คือ ความคาดหวังประสิทธิภาพ (Total Effect = 0.154) ร่วมกันอธิบายความแปรปรวนได้ร้อยละ 56.40 ทั้งนี้ความคาดหวังประสิทธิภาพเป็นตัวแปรคั่นกลางบางส่วนระหว่างความคาดหวังใช้งานกับความตั้งใจใช้งาน ขณะที่การรู้สารสนเทศอิเล็กทรอนิกส์ด้านสุขภาพและความมั่นใจใช้ AI เป็นตัวแปรกำกับความสัมพันธ์ดังกล่าวอย่างมีนัยสำคัญ ผู้พัฒนาและหน่วยงานสาธารณสุขจึงควรออกแบบ AI Chatbot ให้ใช้งานง่าย ส่งเสริมทักษะการรู้สารสนเทศสุขภาพออนไลน์ และสร้างความมั่นใจในการใช้ AI เพื่อผลักดันการใช้งานจริงอย่างยั่งยืน
Article Details
เอกสารอ้างอิง
ประกาศคณะกรรมการพัฒนารัฐบาลดิจิทัล. (2566). แผนพัฒนารัฐบาลดิจิทัลของประเทศไทย พ.ศ. 2566 - 2570. ราชกิจจานุเบกษา เล่มที่ 140 ตอนพิเศษ 84 ง หน้า 14 (10 เมษายน 2566).
ศูนย์วิเคราะห์ข้อมูล. (2565). รายงานผลการสำรวจพฤติกรรมผู้ใช้อินเทอร์เน็ตในประเทศไทย ปี 2565. เรียกใช้เมื่อ 15 มกราคม 2568 จาก https://www.etda.or.th/getattachment/78750426-4a58-4c36-85d3-d1c11c3db1f3/IUB-65-Final.pdf.aspx
สำนักงานสถิติแห่งชาติ. (2566). การสำรวจอนามัยและสวัสดิการ พ.ศ. 2566 THE 2023 HEALTH AND WELFARE SURVEY. เรียกใช้เมื่อ 11 มกราคม 2568 จาก https://www.nso.go.th/nsoweb/storage/survey_detail/2023/20230929131046_99194.pdf
สำนักงานสถิติแห่งชาติ. (2568). รายงานสถิติรายปี ประเทศไทย พ.ศ. 2568 STATISTICAL YEARBOOK THAILAND 2025. เรียกใช้เมื่อ 12 มกราคม 2568 จาก https://www.nso.go.th/public/e-book/Statistical-Yearbook/SYB-2025_webPage/Page_SYB_TH.html
Aboueid, S. et al. (2019). The Use of Artificially Intelligent Self-Diagnosing Digital Platforms by the General Public: Scoping Review. JMIR Med Inform, 7(2). https://doi.org/10.2196/13445.
Bandura, A. (1977). Self-efficacy: Toward a unifying theory of behavioral change. Psychological Review, 84(2), 191-215.
Budhathoki, T. et al. (2024). ChatGPT adoption and anxiety: a cross-country analysis utilising the unified theory of acceptance and use of technology (UTAUT). Studies in Higher Education, 49(5), 831-846.
Chang, Y. T. et al. (2021). Extending the Utility of UTAUT2 for Hospital Patients’ Adoption of Medical Apps: Moderating Effects of e-Health Literacy. Mobile Information Systems, 1-10. https://doi.org/10.1155/2021/8882317.
Chopard, B. & Musy, O. (2023). Market for artificial intelligence in health care and compensation for medical errors. International Review of Law and Economics, 75. https://doi.org/10.1016/j.irle.2023.106153.
Davis, F. D. (1989). Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology. MIS Quarterly, 13(3), 319-340.
Desai, F. et al. (2022). HealthCloud: A system for monitoring health status of heart patients using machine learning and cloud computing. Internet of Things, 17. https://doi.org/10.1016/j.iot.2021.100485.
Gartrell, K. et al. (2020). Three-factor structure of the eHealth Literacy Scale and its relationship with nurses’ health-promoting behaviours and performance quality. J Adv Nurs, 76(10), 2522-2530.
Hair, J. F. et al. (2010). Multivariate Data Analysis. London: Pearson.
Hair, J. F. J. et al. (2014). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM). European Journal of Tourism Research, 6(2). https://doi.org/10.54055/ejtr.v6i2.134.
Mennella, C. et al. (2024). Ethical and regulatory challenges of AI technologies in healthcare: A narrative review. Heliyon, 10(4). https://doi.org/10.1016/j.heliyon.2024.e26297.
Menon, D. & Shilpa, K. (2023). “Chatting with ChatGPT”: Analyzing the factors influencing users’ intention to Use the Open AI’s ChatGPT using the UTAUT model. Heliyon, 9(11). https://doi.org/10.1016/j.heliyon.2023.e20962.
Norman, C. D. & Skinner, H. A. (2006). eHealth Literacy: Essential Skills for Consumer Health in a Networked World. J Med Internet Res, 8(2). https://doi.org/10.2196/jmir.8.2.e9.
Putra, P. O. H. et al. (2022). Usability factors that drive continued intention to use and loyalty of mobile travel application. Heliyon, 8(9). https://doi.org/10.1016/j.heliyon.2022.e10620.
Ratta, R. et al. (2025). The Relevance of Trust in the Implementation of AI-Driven Clinical Decision Support Systems by Healthcare Professionals: An Extended UTAUT Model. Electronic Journal of Knowledge Management, 23(1), 47-66.
Sudbury-Riley, L. et al. (2017). Exploring the Measurement Properties of the eHealth Literacy Scale (eHEALS) Among Baby Boomers: A Multinational Test of Measurement Invariance. J Med Internet Res, 19(2). https://doi.org/10.2196/jmir.5998.
Sullivan, G. M. & Artino, A. R. (2013). Analyzing and interpreting data from likert-type scales. Journal of graduate medical education, 5(4), 541-542.
Thunga, G. et al. (2024). Artificial intelligence in neglected tropical diseases. In Artificial Intelligence in Clinical Practice, 155-161. https://doi.org/10.1016/b978-0-443-15688-5.00029-2.
Venkatesh, V. et al. (2003). User Acceptance of Information Technology: Toward a Unified View. MIS Quarterly, 27(3). https://doi.org/10.2307/30036540.
Wang, Y. Y. & Chuang, Y. W. (2023). Artificial intelligence self-efficacy: Scale development and validation. Education and Information Technologies, 29(4), 4785-4808.
Zhao, X. et al. (2010). Reconsidering Baron and Kenny: Myths and Truths about Mediation Analysis. Journal of Consumer Research, 37(2), 197-206.
