Il tuo primo studio: crea un'indagine TAM ed esegui CFA e SEM

Andrzej Szymkowiak · Ultima revisione settembre 2026

TL;DR: Un questionario di base sul Technology Acceptance Model (TAM) misura quattro costrutti: utilità percepita, facilità d'uso percepita, atteggiamento verso l'uso e intenzione comportamentale d'uso, con tre o quattro item Likert a 7 punti ciascuno (qui 14 item). Questa guida costruisce l'indagine, la raccoglie su Prolific ed esegue CFA e CB-SEM sulle stesse 521 risposte complete di dati simulati. La CFA si adattava bene (CFI = .985, RMSEA = .034), ogni costrutto superava le soglie usuali di affidabilità e validità e quattro dei cinque percorsi TAM erano significativi.

Questa è una guida completa di un primo studio quantitativo, da una pagina bianca a un modello strutturale stimato. Costruiremo un'indagine basata sul Technology Acceptance Model (TAM), aggiungeremo item validati dalla libreria, li personalizzeremo, faremo l'anteprima dell'esperienza del respondente, imposteremo la raccolta dati su Prolific e finiremo con un'analisi fattoriale confermativa (CFA) e uno structural equation modeling basato su covarianze (CB-SEM), tutto in un unico strumento, senza esportare verso un pacchetto statistico separato. Se stai ancora definendo la tua domanda di ricerca o la struttura del questionario, vedi prima dalla domanda di ricerca al questionario.

I numeri e le figure qui sotto provengono da un dataset simulato (556 risposte generate da una struttura TAM nota). Usiamo dati simulati così puoi seguire ogni passaggio senza spendere soldi per la raccolta dati. In uno studio reale i passaggi sono identici; cambiano solo le risposte.

Cos'è il Technology Acceptance Model?

Il TAM spiega perché le persone adottano una nuova tecnologia. Nella sua forma comune ha quattro costrutti:

• Perceived Ease of Use (PEOU) - quanto la tecnologia risulta priva di sforzo.
• Perceived Usefulness (PU) - quanto ti aiuta a fare il tuo lavoro.
• Attitude Toward Using (ATT) - la tua valutazione complessiva dell'usarla.
• Behavioral Intention (BI) - quanto è probabile che tu la usi.

I percorsi classici sono semplici: la facilità d'uso alimenta l'utilità e l'atteggiamento; l'utilità e l'atteggiamento alimentano l'intenzione. Ogni costrutto è misurato con diversi item Likert, il che rende il TAM un esempio pulito per CFA e SEM.

Passo 1: Crea lo studio

Apri la pagina Studies e clicca New study. Dagli un nome, qui Technology Acceptance (TAM), e scegli la lingua. Parti da uno studio vuoto.

Questa è tutta la configurazione. Non c'è alcun wizard di progetto da affrontare, quindi atterri direttamente nel builder.

Passo 2: Aggiungi item validati dalla libreria

Non devi digitare i tuoi item TAM a mano. Apri una sezione, clicca il pulsante della libreria e cerca nella libreria di scale TAM - Technology Acceptance Model (Davis, 1989). Per costrutti non presenti nella libreria, vedi come trovare una scala validata per indicazioni su come reperire batterie validate dalla letteratura.

La scala carica quattro costrutti come matrici Likert a 7 punti: Perceived Usefulness (PU), Perceived Ease of Use (PEOU), Attitude Toward Using (ATT) e Behavioral Intention to Use (BI). Ciascuno porta diversi item e un nome di variabile pulito (PU1, PU2, …). Gli item di utilità e di facilità d'uso vengono da Davis (1989). Quell'articolo ha sviluppato le scale di utilità e di facilità d'uso. Non aveva una scala di atteggiamento, e il suo esito era l'uso auto-riferito e auto-previsto. I costrutti di atteggiamento e intenzione vengono da Davis, Bagozzi e Warshaw (1989), quindi controlla da dove vengono gli item di atteggiamento e intenzione nella tua versione e cita quella fonte nella sezione Metodi. Puoi aggiungere la scala alla sezione o sostituire ciò che è già presente.

Gli item arrivano con un segnaposto generico, [the system], così la batteria si adatta a qualsiasi tecnologia prima di personalizzarla:

I nomi delle variabili contano più avanti: diventano le intestazioni di colonna nei tuoi dati e le etichette che l'analisi usa per raggruppare gli item in fattori. I nomi della libreria seguono già una convenzione a prefisso (PU1, PU2, …), che il passaggio di analisi legge automaticamente.

Passo 3: Personalizza gli item

La libreria ti dà un punto di partenza, non una gabbia. La prima cosa da fare è sostituire il segnaposto [the system] con la tua tecnologia. Qui è Explonia, quindi PEOU1 ora recita "Imparare a usare Explonia sarebbe facile per me." Ogni item è modificabile, quindi puoi anche:

• riscrivere la formulazione per adattarla alla tua tecnologia,
• ridurre o aggiungere item (mantieni almeno tre per costrutto, vedi la nota qui sotto),
• cambiare il numero di punti della scala e le etichette degli ancoraggi,
• rinominare le variabili, contrassegnare gli item come obbligatori o aggiungere logica di visualizzazione.

Una piccola ma utile abitudine: mantieni coerenti i prefissi dei costrutti (tutti gli item di facilità d'uso iniziano con PEOU). Mantiene i dati ordinati e permette all'analisi di costruire il modello di misura per te.

Prima di lanciare, controlla tre cose

• Aggiungi una breve schermata di consenso e istruzioni all'inizio. La partecipazione dovrebbe essere volontaria e anonima.
• Mantieni almeno 3 item per costrutto. Un fattore latente riflessivo ha bisogno di tre indicatori per essere identificato in CFA e SEM (con due, un fattore da solo è sotto-identificato), e ti servono diversi item per stimare l'affidabilità (α, CR) e per eliminare un item debole mantenendone abbastanza. Da tre a sei item per costrutto è l'intervallo usuale, e la batteria TAM qui ne usa tre o quattro. Quando sviluppi una nuova scala, Hinkin (1998) suggerisce da quattro a sei item per costrutto nella scala finale, e di scriverne all'inizio circa il doppio, così da poter eliminare gli item deboli.
• Riduci tutto il resto: taglia le domande ridondanti e i dati demografici che non analizzerai. Entro quel limite, un'indagine più breve dà dati migliori.

Passo 4: Anteprima dell'esperienza del respondente

Clicca Draft preview per vedere esattamente cosa vede un partecipante. L'anteprima esegue la vista reale del respondente, inclusi i controlli sui campi obbligatori e la logica di visualizzazione. Passa da Desktop a Mobile. Molti partecipanti rispondono da telefono, quindi vale la pena dare un'occhiata al layout mobile.

L'anteprima non salva le risposte, quindi puoi cliccare attraverso le schermate quante volte vuoi.

Passo 5: Imposta la raccolta su Prolific

Quando l'indagine è pronta, recluti i partecipanti. Explonia si collega a Prolific dall'interno del pannello, così non copi link avanti e indietro. Apri la scheda Recruitment: ogni studio attivo ha due pulsanti, Commission pilot (una piccola prova di test) e Commission main run (il campione completo).

Entrambi i pulsanti aprono un breve wizard che chiede una descrizione, il numero di partecipanti, la ricompensa e i filtri di qualità, e mostra il costo totale prima che venga addebitato qualcosa. Per indicazioni su quanti partecipanti puntare, vedi dimensione del campione prima della raccolta dati. Per una guida passo passo alle impostazioni e ai filtri di Prolific, vedi reclutare partecipanti su Prolific. Il wizard termina con un riepilogo. Puoi cliccare Create draft, che prepara lo studio su Prolific senza addebitarti nulla. Solo l'azione separata Publish avvia il reclutamento a pagamento. Per questo tutorial ci fermiamo alla bozza.

In uno studio reale, una volta pubblicato, le risposte rientrano in Explonia automaticamente, etichettate con i loro ID Prolific e lo stato di approvazione. Per questa guida usiamo un set simulato di 556 risposte così possiamo passare direttamente all'analisi.

Passo 6: Decidi quali risposte entrano nell'analisi

Prima che giri un qualsiasi modello, risolvi una domanda: quali righe contano? Explonia salva ogni risposta con uno stato. In questo dataset le 556 risposte si dividono così.

La scheda Sample in ogni analisi porta questo filtro, e per impostazione predefinita tiene solo le risposte complete. Questo dà N = 521 per questo studio. Impostalo una volta e lascialo stare, perché il filtro si applica a ogni modello che esegui su quel dataset.

Questo conta più di quanto sembri. Se esegui il modello di misura su un insieme di righe e il modello strutturale su un altro, i due insiemi di fit indices non sono più confrontabili, e un revisore che somma i tuoi numeri se ne accorgerà. Controlla l'N stampato su ogni scheda di analisi e assicurati che coincidano. Nota inoltre che qui nessuno dei 14 item TAM ha una risposta mancante, quindi la listwise deletion non elimina nulla; le 35 righe escluse sono escluse per il loro stato, non per dati mancanti. In uno studio reale con dati mancanti a livello di item vedresti una seconda perdita, più piccola, e dovresti riportare entrambi i numeri.

Passo 7: Analisi fattoriale confermativa (CFA)

Definito il campione, apri Analyses e crea una nuova analisi. Nella scheda CFA, clicca Suggest from names: il builder legge i prefissi delle tue variabili e propone il modello di misura a quattro fattori (PEOU1-4 → PEOU, PU1-4 → PU, ATT1-3 → ATT, BI1-3 → BI). Aggiusta se necessario, poi Run CFA.

L'analisi gira nel tuo browser. Sulle 521 risposte complete, il modello di misura si adattava bene: χ²(71) = 114.94, p < .001.

I carichi fattoriali standardizzati variavano da .66 a .79, quindi ogni item caricava chiaramente sul costrutto previsto.

Il numero che conta di più è il carico standardizzato (β), cioè quanto fortemente ogni item riflette il suo costrutto. Eccolo per tutti i 14 item; ogni carico stimato è significativo (tutti p < .001). Un item per costrutto (PEOU1, PU1, ATT1, BI1) è l'indicatore di riferimento che fissa la scala del costrutto, quindi non ha errore standard né valore p:

Indicatore di riferimento: il carico non standardizzato è fissato a 1.000, quindi non si stima alcun errore standard né valore p; i carichi standardizzati sono riportati per tutti gli item.

La tabella di affidabilità e validità è calcolata nello stesso momento:

McDonald's ω e CR qui sono identici perché entrambi sono calcolati dagli stessi carichi della CFA. Riporta ω o CR accanto ad α, perché α presuppone che tutti gli item carichino ugualmente bene.

Tutti i costrutti superavano le soglie usuali: Cronbach's α, McDonald's ω e composite reliability (CR) sopra .70, average variance extracted (AVE) sopra .50. La validità discriminante reggeva anch'essa, perché ogni rapporto HTMT era sotto .85. Riporta il valore più alto invece di un semplice "tutti sotto .85": qui è .82, per l'atteggiamento con l'intenzione. È dentro la soglia, ma abbastanza vicino da far sì che un revisore possa chiedere se i due costrutti sono davvero distinti, quindi di' cosa pensi e perché.

Se vuoi gli approfondimenti su uno qualsiasi di questi, vedi le nostre note su analisi fattoriale confermativa, affidabilità (α, CR, AVE) e validità discriminante HTMT.

Passo 8: CB-SEM, il modello strutturale

La CFA ti dice che gli item misurano ciò che dovrebbero. Il CB-SEM testa come si relazionano i costrutti. Nella scheda CB-SEM, mantieni lo stesso modello di misura e traccia i percorsi strutturali: PEOU → PU, PEOU → ATT, PU → ATT, PU → BI e ATT → BI. Il path diagram è interattivo, e puoi esportarlo come PNG, JPG, SVG o PDF per un manoscritto.

Il campione è lo stesso di 521 risposte, e gli item sono gli stessi 14. È voluto, ed è ciò che rende confrontabili i due insiemi di numeri:

Leggi quella tabella come un controllo, non solo come un risultato. Il modello strutturale usa gli stessi item e gli stessi quattro fattori della CFA, e si limita a sostituire le correlazioni libere tra i fattori con un insieme più piccolo di percorsi orientati. In altre parole, è annidato nella CFA: può spendere meno parametri, mai di più. Quindi il suo χ² può solo salire e i suoi df possono solo salire, e un modello strutturale che si adatta chiaramente meglio del proprio modello di misura è il segno che qualcosa cambia tra le due esecuzioni, di solito il campione o la lista di item. Qui la differenza è un grado di libertà e Δχ²(1) = 0.63, p = .43, quindi eliminare il percorso diretto PEOU → BI non costa nulla, e le due righe coincidono a tre decimali. Ecco come si presenta una coppia sana.

Quattro dei cinque percorsi sono significativi. Il modello spiegava una varianza rilevante in ogni costrutto a valle: R² = .37 per l'utilità, .56 per l'atteggiamento e .67 per l'intenzione.

L'unico percorso che non ha raggiunto la significatività merita una frase a sé, perché è la parte interessante. L'effetto diretto dell'utilità sull'intenzione è piccolo e non significativo (β = .081, p = .298), mentre l'effetto indiretto attraverso l'atteggiamento è grande e significativo (β = .441, p < .001), per un effetto totale di .521. L'utilità guida ancora l'intenzione, ma lo fa attraverso l'atteggiamento e non aggirandolo. Un percorso diretto non significativo accanto a un percorso indiretto forte è la prova di una mediazione, non la prova che il predittore non conta, e scriverlo in questo modo è più accurato che cancellare il percorso e fare finta di non averlo mai tracciato.

Passo 9: L'Article description

Ogni schermata di analisi porta anche un box Article description. Explonia scrive la bozza di un paragrafo dei risultati in stile APA, usando i tuoi numeri reali: fit indices, percorsi significativi, dimensioni dell'effetto. Lo copi, lo modifichi per adattarlo alla tua voce e lo mantieni come tuo:

A covariance-based SEM was estimated by maximum likelihood (N = 521). The model showed the following fit: χ²(72) = 115.564, p < .001; CFI = .985; TLI = .981; RMSEA = .034 [90% CI .022, .045]; SRMR = .028. Significant structural paths: Ease of Use → Usefulness (β = .608, p < .001); Ease of Use → Attitude (β = .231, p < .001); Usefulness → Attitude (β = .582, p < .001); Attitude → Intention (β = .757, p < .001).

È una bozza, non un paragrafo finale. Elenca i percorsi che hanno raggiunto la significatività, quindi aggiungi tu quello non significativo, insieme alla lettura di mediazione qui sopra, prima che questo si avvicini a un manoscritto.

Cosa mettere nella sezione Metodi

Per uno studio come questo, una sezione Metodi riporterebbe:

• Campione e raccolta: 556 risposte raccolte tramite Prolific; 521 risposte complete analizzate dopo aver escluso 18 risposte parziali e 17 risposte scartate; partecipazione volontaria e anonima.
• Misure: quattro costrutti TAM (PEOU, PU, ATT, BI) su scale Likert a 7 punti; item da una batteria validata.
• Analisi: CFA e CB-SEM con stima a massima verosimiglianza sugli stessi 521 casi; affidabilità tramite α e CR; validità convergente tramite AVE; validità discriminante tramite HTMT; fit del modello tramite CFI, TLI, RMSEA e SRMR.

Per le soglie e le convenzioni di reporting, vedi come riportare i risultati della CFA in APA e riportare i fit indices del SEM. Poiché tutti e quattro i costrutti provengono dallo stesso questionario, i revisori potrebbero anche chiedere del common method bias, quindi pianifica questa domanda in fase di design: common method bias: la prevenzione batte il rilevamento →.

Conclusione

Un unico strumento ci ha portati da uno studio vuoto a un modello strutturale stimato: costruisci con item validati, fai l'anteprima, recluta su Prolific ed esegui CFA e CB-SEM nella stessa schermata e sullo stesso campione. Il modello di misura era affidabile e valido, e i percorsi strutturali corrispondevano in gran parte alla teoria del TAM, con l'utilità che raggiunge l'intenzione attraverso l'atteggiamento. Poiché l'analisi gira nel tuo browser, i tuoi dati di risposta non vengono inviati a un server per essere analizzati. Le risposte stesse sono conservate in modo sicuro nell'UE.

Ricorda: il dataset qui è simulato a scopo didattico. I tuoi risultati reali saranno diversi, ma il flusso di lavoro, e l'output pronto per la pubblicazione, saranno gli stessi.

Errori comuni da evitare

• Eseguire il modello di misura e il modello strutturale su filtri di risposta diversi, il che dà due N diversi e rende i fit indices non confrontabili.
• Riportare un modello strutturale che si adatta meglio della propria CFA; il modello strutturale è annidato nel modello di misura, quindi su un solo campione questo non può accadere.
• Confondere una risposta esclusa con una risposta mancante; eliminare righe parziali o scartate è una decisione sul campione, la listwise deletion è una decisione sui dati mancanti, ed entrambe appartengono ai Metodi.
• Chiamare fallimento un percorso diretto non significativo senza controllare prima l'effetto indiretto, perché una mediazione completa si presenta esattamente così.
• Scrivere "tutti gli HTMT sotto .85" e fermarsi lì invece di dare il valore più alto, che qui è .82 e merita comunque un commento.
• Trattare come causali i percorsi TAM trasversali; il disegno sostiene un'associazione, quindi scrivi "coerente con" invece di "causa".

Domande frequenti

References

Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319-340. https://doi.org/10.2307/249008

Davis, F. D., Bagozzi, R. P., & Warshaw, P. R. (1989). User acceptance of computer technology: A comparison of two theoretical models. Management Science, 35(8), 982-1003. https://doi.org/10.1287/mnsc.35.8.982

Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115-135. https://doi.org/10.1007/s11747-014-0403-8

Hinkin, T. R. (1998). A brief tutorial on the development of measures for use in survey questionnaires. Organizational Research Methods, 1(1), 104-121. https://doi.org/10.1177/109442819800100106

Hu, L., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis. Structural Equation Modeling, 6(1), 1-55. https://doi.org/10.1080/10705519909540118

Maxwell, S. E., & Cole, D. A. (2007). Bias in cross-sectional analyses of longitudinal mediation. Psychological Methods, 12(1), 23-44. https://doi.org/10.1037/1082-989X.12.1.23

Come Explonia fa questo per te

Explonia tiene la decisione sul campione in un unico posto: la scheda Sample imposta il filtro delle risposte, e ogni modello su quel dataset lo eredita, così la tua CFA e il tuo CB-SEM non possono finire per sbaglio su N diversi. Il box Article description scrive poi la bozza del paragrafo APA a partire dai numeri effettivamente stimati, e tu resti l'autore di ogni frase che tieni. Quando vuoi verificare le stime altrove, i dati si esportano in SPSS (.sav), R e AMOS, e il modello si esporta come script R per lavaan. La nostra pagina di validazione mostra come l'output del motore si confronta con R.

Vuoi eseguire il tuo studio dall'inizio alla fine? Costruiscilo, raccoglilo ed esegui vere CFA e SEM sui tuoi dati, con la bozza di un paragrafo in APA che puoi modificare. Inizia gratis →