Influence of Age and Technological
Familiarity on the Acceptance of Digital Parking Applications: An Application
of the UTAUT Model
|
Jurandir Peinado |
Doutor em
administração. UTFPR – Brasil. jurandirpeinado@utfpr.edu.br |
|
Fernando Vianna |
Doutor em administração. UTFPR – Brasil. fernandovianna@utfpr.edu.br |
RESUMO
O presente artigo investiga as diferenças quanto à aceitação e ao uso
dos aplicativos Estar digital, utilizados como forma obrigatória de pagamento
digital para estacionamento público em Curitiba (PR), entre motoristas idosos e
não idosos. Para isso, o estudo adota o modelo teórico UTAUT (Unified Theory of Acceptance and Use of
Technology) e aplica uma abordagem quantitativa com base em um survey que
contou com a participação de 181 respondentes. A análise dos dados foi
realizada por meio de modelagem de equações estruturais (PLS-SEM),
complementada por análise multigrupo (MGA) para avaliar os efeitos da idade e
da expertise digital. Os resultados indicam que os fatores expectativa de
desempenho, expectativa de esforço, condições facilitadoras e intenção
comportamental influenciam positivamente o uso dos aplicativos em ambos os
grupos. A única diferença estatisticamente significativa entre os grupos de
respondentes idosos e não idosos foi observada no construto Influência Social,
que se apresentou como menos relevante para o grupo de respondentes idosos. Já
a expertise digital autorreferida não apresentou impacto significativo nas
relações do modelo. Os achados desafiam estereótipos relacionados à resistência
dos idosos à tecnologia, indicando que barreiras à inclusão digital podem estar
mais associadas a fatores contextuais do que à idade cronológica. O estudo
contribui para o debate sobre a formulação de políticas públicas digitais mais
inclusivas, especialmente em serviços obrigatórios mediados por aplicativos.
Palavras-chave: aceitação tecnológica. UTAUT. Idosos. inclusão digital. aplicativo de
estacionamento.
ABSTRACT
This article investigates the differences in the acceptance and use of the
EstaR Digital applications—mandatory digital payment tools for public parking
in Curitiba (Brazil)—between elderly and non-elderly drivers. To this end, the
study adopts the theoretical UTAUT model (Unified Theory of Acceptance and Use
of Technology) and employs a quantitative approach based on a survey with 181
respondents. Data analysis was conducted using structural equation modeling
(PLS-SEM), complemented by multi-group analysis (MGA) to assess the effects of
age and digital expertise. The results indicate that performance expectancy,
effort expectancy, facilitating conditions, and behavioral intention positively
influence the use of the applications in both groups. The only statistically
significant difference between elderly and non-elderly respondents was found in
the Social Influence construct, which proved to be less relevant for the
elderly group. Self-reported digital expertise did not show a significant
impact on the model’s relationships. The findings challenge stereotypes
regarding older adults' resistance to technology, suggesting that barriers to
digital inclusion may be more closely linked to contextual factors than to
chronological age. This study contributes to the discussion on the development
of more inclusive digital public policies, especially in the context of
mandatory app-mediated services.
Keywords: technology acceptance; UTAUT; elderly; digital inclusion; parking app.
Recebido em 08/04/2025. Aprovado em 14/03/2026. Avaliado pelo sistema double blind peer review. Publicado conforme normas da APA.
https://doi.org/10.22279/navus.v18.2114
1 INTRODUÇÃO
O envelhecimento populacional, o aumento da expectativa de vida e a crescente demanda por uma vida independente constituem transformações sociais amplamente reconhecidas na contemporaneidade. Paralelamente, as inovações tecnológicas - em especial aquelas associadas a dispositivos móveis, como os smartphones - vêm sendo incorporadas de forma intensa ao cotidiano de todas as gerações (Khan et al., 2022). No entanto, a inclusão digital da população idosa ainda enfrenta desafios significativos, muitos dos quais estão relacionados às limitações sensoriais, motoras e cognitivas associadas ao processo de envelhecimento (Tavares & de Souza, 2012).
Atualmente, usufruir plenamente dos benefícios proporcionados pela longevidade implica, em grande medida, a participação ativa em atividades mediadas por tecnologias digitais (Bernardo, 2022). Apesar dos avanços, ainda podem ser observadas diferenças na forma como lidam com novas tecnologias entre as pessoas idosas e demais grupos de faixas etárias (Longhi & Machado, 2024), sendo os primeiros o grupo que permanece com menor acesso e familiaridade com tais ferramentas. Soma-se a isso o aumento da incidência de doenças crônicas nessa faixa etária, o que exige maior atenção ao papel potencial da tecnologia como instrumento de suporte ao cuidado e à promoção da qualidade de vida (Bernardo, 2022).
Nesse contexto, o etarismo se configura como um entrave à inclusão digital, na medida em que perpetua estereótipos sobre a suposta incapacidade dos idosos para aprender e utilizar novas tecnologias, ignorando a heterogeneidade do envelhecimento e a capacidade de adaptação e aprendizagem demonstrada por pessoas idosas (Raymundo, Gil & Bernardo, 2019). Assim, estudos recentes sobre a inclusão digital da população idosa exploraram aspectos como barreiras e oportunidades de adoção de plataformas de saúde (Frishammar et al., 2023), a gamificação como ferramenta para facilitar a adoção de novas tecnologias por adultos idosos (An, Cheung, & Willoughby, 2024), e formas de garantir a participação ativa dos idosos na sociedade da informação com o objetivo de atender a uma necessidade social (Iancu & Iancu, 2020).
Assim, embora uma variedade de tecnologias já esteja presente no cotidiano de muitos idosos, o uso de aplicativos em smartphones continua sendo um desafio relevante. Questões como usabilidade inadequada e percepção de estigma relacionado ao envelhecimento dificultam a adoção desses recursos (Iancu & Iancu, 2020). Gell et al. (2015) destacam, nesse sentido, a importância de desenvolver interfaces que considerem as transformações físicas e cognitivas decorrentes do envelhecimento, de modo a ampliar o acesso e a utilização das tecnologias digitais por esse público. Nesse sentido, observa-se que com o avanço da digitalização, os smartphones têm se revelado instrumentos de impacto significativo entre usuários de diferentes faixas etárias (Grossi et al., 2020; Fraga et al., 2022).
Diante desse cenário, emerge uma indagação central vinculada ao etarismo: os idosos enfrentam, de fato, obstáculos intransponíveis na adoção de novas tecnologias ou revelam uma capacidade de aprendizado que não está necessariamente condicionada à idade cronológica?
Para responder a essa pergunta, o presente estudo teve como objetivo investigar as diferenças entre motoristas idosos e não idosos em relação à aceitação e ao uso de aplicativos de pagamento digital para estacionamento em vias públicas. O objeto empírico da pesquisa foi o Sistema de Estacionamento Regulamentado (Estar), instituído em Curitiba em julho de 1980 pela Lei n.º 3.979/1971 e regulamentado pelos decretos n.º 569/1980 e n.º 934/1997. Em março de 2020, a URBS – Urbanização de Curitiba S.A., empresa responsável pela gestão de espaços públicos e transporte urbano, implementou o estacionamento regulamentado eletrônico, conforme o Decreto Municipal n.º 418/2020 (Prefeitura Municipal de Curitiba, 2020). O novo sistema, denominado “EstaR digital”, substituiu os tradicionais cartões de papel por um aplicativo de smartphone, cuja adoção foi obrigatória e simultânea para todos os motoristas. A escolha deste objeto de estudo justifica-se pelo fato de que, embora a mudança represente um avanço tecnológico, ela impôs desafios específicos aos motoristas idosos, considerados pela literatura como menos familiarizados com tecnologias digitais.
A investigação foi conduzida com base no modelo UTAUT (Unified Theory of Acceptance and Use of Technology), proposto por Venkatesh et al. (2003). Após a validação convergente e discriminante do modelo, procedeu-se a uma análise multigrupo (MGA), com as variáveis categóricas “idade” e “expertise digital”, dicotomizadas entre “idosos” e “não idosos” e “experts” e “não experts”, respectivamente.
Do ponto de vista prático, este estudo evidencia a aplicabilidade de uma abordagem quantitativa fundamentada no modelo UTAUT como um framework metodológico adequado, passível de adaptação a diferentes contextos de pesquisa. Em termos teóricos, a pesquisa contribui para o aprofundamento da compreensão sobre os fatores que influenciam a adoção de serviços digitais no setor público, com ênfase nas implicações específicas para a população idosa no Brasil. Como demonstrado na revisão de literatura, trata-se de um campo de investigação em expansão, especialmente à medida que o uso de modelagem de equações estruturais se consolida como estratégia eficaz para examinar as complexas interações entre variáveis relacionadas ao comportamento tecnológico.
As seções seguintes deste artigo apresentam, respectivamente, a fundamentação teórica sobre o envelhecimento e o uso de tecnologias, a metodologia utilizada na coleta e análise dos dados, os principais resultados obtidos; a discussão; e, por fim, as considerações finais, que incluem sugestões para pesquisas futuras e as limitações do presente estudo.
2 REVISÃO DA LITERATURA
2.1 Envelhecimento da população e aumento da
adoção de tecnologias
O envelhecimento populacional configura-se como uma realidade global, impulsionada por diversos fatores, como o aumento da expectativa de vida, a queda das taxas de fecundidade, a redução da mortalidade infantil e as mudanças nos padrões sociais e culturais, além de outros aspectos exógenos, como a pandemia da COVID-19 e a convivência em residências de retiro voltadas para pessoas idosas (Levy-Storms et al., 2025; Li et al., 2025). Esses fatores têm resultado em um crescimento expressivo da proporção de pessoas idosas nas sociedades contemporâneas, exigindo reformulações nas políticas públicas e na estrutura dos serviços voltados a essa população (Mrejen & Giacomin, 2023).
O fenômeno do envelhecimento impõe desafios significativos, sobretudo no que se refere à sustentabilidade dos sistemas de saúde e à prestação de serviços sociais (Gell et al., 2015; Zhao & Li, 2024). Nesse contexto, a aceitação e a adoção de tecnologias digitais por parte da população idosa tornam-se elementos estratégicos para a promoção da autonomia, da inclusão e do bem-estar, além de contribuírem para a eficácia de políticas públicas, práticas empresariais e intervenções em saúde (Mostaghel, 2016; Zhou, Qian, & Kaner, 2024).
Nas últimas décadas, a literatura sobre a adoção de tecnologias por pessoas idosas tem se expandido. Estudos destacam que as pessoas idosas interagem com a Internet, aplicativos voltados para cuidado e às tecnologias da informação de forma distinta dos mais jovens, enfrentando barreiras como falta de suporte familiar, hesitação em pedir ajuda, desconfiança em relação às tecnologias, preocupações com a privacidade e limitações de design (Awan et al., 2021; Bahadori et al., 2025; Fischer et al., 2014; Wang et al., 2025). Esses desafios reforçam a necessidade de uma abordagem multidisciplinar (Stamate et al., 2024), envolvendo design centrado no usuário, políticas públicas, educação digital e ações intersetoriais voltadas a promover a inclusão tecnológica (Rosell, Sepúlveda-Caro, & Bustamante, 2024).
Yap, Tan e Choon (2022), em uma revisão sistemática baseada em 26 estudos, agruparam os fatores que influenciam a adoção de tecnologias por idosos em sete categorias principais: (i) características da tecnologia, (ii) fatores sociais, (iii) fatores psicológicos, (iv) características pessoais, (v) custos, (vi) comportamento e (vii) ambiente. De forma complementar, Schroeder et al. (2024) analisaram 59 estudos sobre intenção de adoção de tecnologias digitais por idosos. Os autores identificaram que 68% dos trabalhos não utilizaram modelos teóricos estruturados, e que a abordagem quantitativa foi predominante em 46% dos casos. Como resultado da análise, propuseram seis categorias que influenciam a adoção tecnológica por idosos: (i) demografia e condições de saúde; (ii) consciência e necessidades emocionais; (iii) conhecimento e percepção; (iv) motivação; (v) influências sociais; e (vi) características funcionais da tecnologia.
Awan et al. (2021), por sua vez, identificaram 15 barreiras específicas enfrentadas por idosos no uso de aplicativos em smartphones (ilustradas na Tabela 1), abrangendo desde limitações físicas e sensoriais até dificuldades relacionadas à usabilidade e à familiaridade com dispositivos móveis.
Tabela
1
Quinze
barreiras enfrentadas pelos idosos no uso de aplicativos em smartphones
|
1. Fonte pequena, tamanho da tela, tipo de fonte, botões e contraste de cores |
2. Menu com muitas opções e dificuldade de navegação |
|
3. A tecla pequena com um pouco espaço entre elas |
4. Falta de suporte e confiança de eficácia |
|
5. Falta de conhecimento e experiência |
6. Falta de conscientização |
|
7. Arrastar e soltar, teclas programáveis e multitap |
8. Visibilidade e baixa legibilidade |
|
9. Design do dispositivo móvel |
10. Custo do dispositivo e conexão com a Internet |
|
11.Feedback visual da operação |
12.Tela sensível ao toque e teclado QWERTY |
|
13.Tamanho do ícone não rotulado e desconhecido |
14.Interface e funções complexas |
|
15.Entrada de texto móvel e entrada de texto |
|
Fonte: com base em Awan et al. (2021)
Para fins analíticos neste estudo, essas 15 barreiras foram agrupadas em três categorias principais. A primeira refere-se a (i) dificuldades relacionadas ao design do aplicativo, incluindo aspectos como tipografia, legibilidade, disposição de elementos e usabilidade geral (itens 1, 3, 7, 8, 9 e 13). A segunda categoria diz respeito ao (ii) desempenho e à funcionalidade técnica, abrangendo questões de navegação, suporte, custos e feedback do sistema (itens 2, 4, 10 e 11). Por fim, a terceira categoria compreende barreiras atribuídas às (iii) limitações percebidas dos próprios idosos ligadas a expertise, como a falta de conhecimento, experiência prévia e dificuldades de interação com as interfaces digitais (itens 5, 6, 12, 14 e 15).
2.2 Unified theory of acceptance and use of
technology
Pesquisadores desenvolveram um modelo baseado na modelagem de equações estruturais, fundamentado na Teoria da Aceitação de Tecnologia (TAM), para investigar a intenção de uso de dispositivos vestíveis (wearables) por pacientes idosos com diabetes, voltados à saúde digital (Ahmad et al., 2020). Nesse sentido, observou-se a relevância de compreender os fatores que influenciam a adoção de tecnologias de saúde por essa faixa etária (Ahmad et al., 2020; Yang, Lee, & Lee, 2025). Estudos anteriores também se concentraram na UTAUT2 e desenvolveram modelos de aceitação associados à terceira idade na escolha de destinos turísticos (Moura et al., 2017), além de conduzirem uma revisão sistemática da literatura que identificou fatores críticos como a exclusão digital e a ansiedade tecnológica (Yusoff et al., 2023). Esses achados enfatizam a necessidade de estratégias eficazes para integrar as pessoas idosas ao uso das tecnologias digitais.
Em um estudo mais abrangente, Hsu et al. (2021) investigaram a aplicabilidade do modelo UTAUT na explicação dos processos de tomada de decisão dos idosos em relação ao comportamento de participação em atividades de lazer, bem como o impacto desse engajamento no bem-estar subjetivo. Os resultados empíricos confirmaram a eficácia do modelo nesse contexto, ampliando sua aplicabilidade para além dos cenários tradicionais de adoção de tecnologia.
A Teoria Unificada de Aceitação e Uso de Tecnologia (UTAUT), desenvolvida por Venkatesh et al. (2003), é um modelo amplamente utilizado para compreender a adoção de tecnologias. Meirelles e Longo (2014) discutem que a UTAUT foi consolidada a partir de oito modelos teóricos pré existentes: a Teoria da Ação Racional (TRA), o Modelo de Aceitação de Tecnologia (TAM), o Modelo Motivacional, a Teoria do Comportamento Planejado (TCP), uma teoria combinada de TCP e TAM (TAM2), o Modelo do Uso de Computadores Pessoais (CP), a Difusão de Inovações, e a Teoria Social Cognitiva. Este modelo foi criado com o objetivo de explicar a variação nas intenções comportamentais dos usuários e de examinar a intenção de adoção de novas tecnologias em contextos cotidianos (Martins et al., 2020; Singh, 2020).
Conforme ilustrado na Figura 1, a UTAUT baseia-se em quatro constructos principais que influenciam a Intenção Comportamental e a Intenção de Uso: (a) Expectativa de Desempenho (ED), que se refere ao grau em que um indivíduo acredita que o uso de um sistema melhorará seu desempenho; (b) Expectativa de Esforço (EE), que diz respeito à facilidade de uso percebida do sistema; (c) Influência Social (IS), que avalia o grau em que um indivíduo percebe a pressão social para usar o sistema; e (d) Condições Facilitadoras (CE), que se referem ao suporte técnico e organizacional disponível para o uso do sistema (Venkatesh et al., 2003).
Figura 1
Modelo UTAUT
Fonte:
Venkatesh et al. (2003, p.33)
A UTAUT, por sua robustez e abrangência, tem sido aplicada em pesquisas que investigam a aceitação e o uso de novas tecnologias, especialmente em contextos que envolvem populações com características específicas, como os idosos. Este modelo oferece um framework teórico adequado para explorar os fatores que influenciam a adoção de inovações tecnológicas, sendo particularmente relevante para estudos que buscam entender a interação entre fatores demográficos, como a idade, e a adoção de tecnologias digitais (Martins et al., 2020; Singh & Singh, 2025).
2.3 - Aplicabilidade do modelo UTAUT em
processos de adoção da tecnologia por idosos
A Tabela 2 apresenta uma associação entre os constructos do modelo UTAUT e as barreiras enfrentadas pelos idosos no uso de aplicativos em smartphones, com base nos estudos revisados nesta pesquisa. As linhas da primeira coluna indicam os fatores do modelo UTAUT seguidos pela segunda coluna que relaciona as diferentes classes de barreiras encontradas pelos idosos levantadas nas referências estudadas e indicadas na terceira coluna.
Tabela
2
Associação
entre fatores UTAUT e barreiras enfrentadas pelos idosos no uso de aplicativos
em smartphones
|
Fatores UTAUT |
Barreiras encontradas pelos idosos no uso de aplicativos |
Fonte |
|
Expectativa de Desempenho |
Desafios relacionados ao design dos aplicativos (fonte pequena, tamanho da tela, tipo de fonte, botões, contraste de cores, visibilidade e legibilidade); conhecimento e percepção; falta de suporte e confiança na eficácia. |
Awan et al. (2021); Schroeder et al. (2024); Yap, Tan e Choon (2022) |
|
Expectativa de Esforço |
Dificuldades de desempenho técnico (teclas pequenas, ícones não rotulados, menus com muitas opções e complexidade de navegação). |
Awan et al. (2021); Yap, Tan e Choon (2022) |
|
Influência Social |
Fatores sociais, culturais e psicológicos relacionados ao envelhecimento; barreiras sociocognitivas (como hesitação em buscar ajuda, suporte familiar limitado e estigma tecnológico). |
Fischer et al. (2014); Mostaghel (2016); Schroeder et al. (2024) |
|
Condições Facilitadoras |
Expertise digital e custos associados ao uso da tecnologia, acesso limitado a dispositivos e conexão; falta de conhecimento prévio, experiência prática e conscientização. |
Gell et al. (2015); Awan et al. (2021); Yap, Tan e Choon (2022) |
Esse mapeamento evidencia que os constructos da UTAUT são compatíveis com os desafios específicos enfrentados por idosos no contexto digital. O modelo oferece uma estrutura adequada para compreender as múltiplas dimensões que influenciam a aceitação de tecnologias por esse público, considerando não apenas fatores técnicos e individuais, mas também aspectos contextuais e sociais.
Dessa forma, a aplicação do modelo UTAUT em estudos com a população idosa permite uma análise abrangente e integrativa, especialmente em contextos onde o uso de tecnologias digitais é obrigatório, como no caso de serviços públicos mediados por aplicativos. Ao identificar quais fatores exercem maior ou menor influência na intenção de uso, torna-se possível propor intervenções mais assertivas, seja no aprimoramento do design das interfaces, na oferta de suporte técnico acessível, ou na formulação de políticas públicas voltadas à inclusão digital desse grupo etário.
3 METODOLOGIA
3.1 Coleta e análise da amostra
Os dados foram coletados por meio de um formulário desenvolvido na plataforma Google Forms, contendo 23 questões em escala Likert de 5 pontos, variando de 1 (discordo totalmente) a 5 (concordo totalmente). Além disso, foram incluídas três questões descritivas: a primeira relacionada ao sexo; a segunda sobre a faixa etária (menos de 30 anos; de 30 a 39 anos; de 40 a 49 anos; de 50 a 59 anos e acima de 60 anos); e a terceira relacionada à expertise digital, que perguntava: "De 1 a 10, que nota você daria para seu nível de conhecimento em usar aplicativos no smartphone? (por exemplo: iFood, Uber, WhatsApp, Facebook, Instagram, pesquisar no Google etc.)".
As 23 perguntas utilizadas no questionário foram replicadas do modelo UTAUT, sendo perguntas já validadas no Brasil e amplamente utilizadas em trabalhos que abordam aceitação e uso da tecnologia. A Tabela 3 apresenta as afirmações de resposta em escala Likert utilizadas na pesquisa.
Tabela
3
Questões
em escala Likert da pesquisa
|
Expectativa
de desempenho: |
|
ED1
- Eu acho o aplicativo útil para estacionar o carro no dia-a-dia. |
|
ED2
- Usar o aplicativo no celular me ajuda a fazer coisas mais importantes. |
|
ED3
- Usar o aplicativo me ajuda a perder menos tempo para estacionar. |
|
ED4
- Acho ser mais eficiente estacionar com o uso do aplicativo. |
|
Expectativa
de esforço |
|
EE1
– Aprendi com facilidade a usar o aplicativo. |
|
EE2
– Interagir com o aplicativo para
pagar o estacionamento é claro e compreensível. |
|
EE3
– O aplicativo é fácil de ser utilizado. |
|
EE4
– Foi fácil pegar o jeito do aplicativo. |
|
Influência
Social |
|
IS1
– As pessoas que são importantes para mim acham que eu devo utilizar o
aplicativo. |
|
IS2
– As pessoas que tenho mais convívio acham que eu devo utilizar o aplicativo. |
|
IS3
– As pessoas cujas opiniões eu valorizo incentivam que eu use o aplicativo. |
|
Condições
facilitadoras |
|
CF1
– Eu tenho os recursos necessários para usar o aplicativo. |
|
CF2
- Eu tenho o conhecimento necessário para usar o aplicativo. |
|
CF3
– O aplicativo é comparável com outros aplicativos que eu uso. |
|
CF4
– Posso conseguir ajuda de outros quando tenho dificuldade para usar o
aplicativo. |
|
Intenção
Comportamental |
|
IC1
– Pretendo, eu mesmo, continuar usando o aplicativo no futuro. |
|
IC2
– pretendo tentar usar o aplicativo. |
|
IC3
– pretendo continuar usando o aplicativo com frequência. |
|
IC4
– O uso do aplicativo tornou-se um hábito para mim. |
|
Comportamento
de uso |
|
CU1
– Eu acho positiva a ideia de usar o aplicativo. |
|
CU2
– O custo dos estacionamentos particulares torna o uso do “ESTAR” indispensável. |
|
CU3
– O uso do aplicativo tem um bom custo-benefício. |
|
CU4
– Sempre tenho saldo no meu aplicativo. |
Fonte: com base em Venkatesh et al. (2003)
O convite contendo o link de acesso foi enviado por e-mail e pelas redes sociais no período entre junho e agosto de 2023. Os e-mails foram enviados para dezesseis turmas de uma universidade pública localizada no Sul do Brasil, e 48 professores da mesma instituição. Quanto às redes sociais, o questionário foi compartilhado pelos pesquisadores em vinte e um grupos de WhatsApp e por meio de postagens nos Stories da rede social Instagram. Os potenciais respondentes eram pessoas com dezoito anos ou mais que dirigiam e utilizavam o aplicativo. Além disso, os pesquisadores solicitaram aos membros dos grupos de WhatsApp que compartilhassem o link com outros grupos. A amostra obtida não é probabilística, já que os participantes aceitaram voluntariamente colaborar com a pesquisa. Isso implica risco na realização de inferências, e a seleção dos participantes ocorreu por conveniência. Ainda é relevante informar que não houve tentativa de balanceamento prévio da amostra, tendo em vista que a distribuição observada reflete a adesão voluntária dos participantes. E não foi possível verificar o grau de aderência da amostra à população total de usuários do sistema devido à indisponibilidade de dados demográficos oficiais. Um total de 221 formulários foram respondidos, dos quais 18 foram descartados por não terem sido completados ou porque o respondente assinalou a alternativa "nunca dirigi", que encerrava o questionário. Foram considerados potenciais outliers os casos que apresentaram valores absolutos de Z-score superiores a ±3 em uma ou mais variáveis observadas, conforme as recomendações de Hair et al. (2021) e Kline (2015). Após essa etapa, 22 observações foram removidas, reduzindo a amostra de 203 para 181 respondentes. A remoção dos casos extremos não alterou substancialmente a composição dos grupos analisados, preservando a adequação da amostra para as análises subsequentes.
O SPSS foi utilizado para tratamento preliminar dos dados, incluindo análise descritiva, identificação de valores ausentes e detecção de outliers. Posteriormente, o SmartPLS 4 foi empregado para estimação do modelo de mensuração, avaliação da confiabilidade e validade dos construtos, teste do modelo estrutural e análise multigrupo.
3.2 – Justificativa do Tamanho da Amostra
para Modelagem PLS-SEM
Para estimar o tamanho mínimo adequado da amostra no contexto da modelagem de equações estruturais por mínimos quadrados parciais (PLS-SEM), foram consideradas as diretrizes metodológicas propostas por Hair et al. (2021) e Cohen (1988), bem como análises complementares por meio da técnica de análise de poder estatístico.
O modelo proposto (vide figura 2) possui os seguintes elementos: 6 construtos latentes (expectativa de desempenho, expectativa de esforço, influência social, condições facilitadoras, intenção comportamental e comportamento de uso), 19 indicadores observáveis, 6 relações estruturais (caminhos) e o construto intenção comportamental é o mais complexo, recebendo 4 caminhos de entrada.
De acordo com a regra 10x (Hair et al., 2021), o tamanho mínimo da amostra em PLS-SEM deve corresponder a dez vezes o maior número de caminhos direcionados a um único constructo. No presente caso: 10 × 4 = 40 participantes. Contudo, reconhecendo que tal regra fornece apenas uma estimativa mínima, procedeu-se a uma análise de poder estatístico a priori, por meio do software G*Power 3.1, simulando uma regressão múltipla com 4 preditores, nível de significância de 5% (α = 0,05), poder estatístico de 80% (1 – β = 0,80) e tamanho de efeito médio (f² = 0,15). O resultado indicou a necessidade de 85 participantes.
Considerando a complexidade estrutural moderada do modelo e visando assegurar robustez estatística, confiabilidade e generalização dos resultados, definiu-se como critério metodológico um tamanho amostral entre 150 e 200 respondentes, compatível com as boas práticas para estudos com PLS-SEM. O resultado do teste Harman’s single factors revelou que o primeiro fator explicou 33,24% da variância total, indicando que o viés de método comum não representa uma ameaça significativa à validade dos resultados (Podsakoff et al., 2003)
3.3 Confiabilidade e validade do modelo de
mensuração
O modelo de mensuração foi avaliado por meio de uma análise de componentes confirmatória (ACC) utilizando-se o software smartPLS4 conforme recomendado por Bido e Silva (2019). Durante este processo, nenhuma variável latente foi suprimida por apresentar baixa carga fatorial (inferior a 0,4), também foram removidas as questões CU4, CF1, CF4 e IC4. Estes ajustes permitiram validar o modelo de mensuração mostrado na Figura 2.
Figura
2
Modelo da equação estrutural proposto
|
Hipóteses
|
|
|
H1 (+) |
A expectativa de desempenho afeta positivamente a Intenção Comportamental |
|
H2 (+) |
A expectativa de esforço afeta positivamente a intenção comportamental |
|
H3 (+) |
A influência social afeta positivamente a intenção comportamental |
|
H4 (+) |
A intenção comportamental afeta positivamente o comportamento de uso |
|
H5 (+) |
As condições facilitadoras afetam positivamente o comportamento de uso |
Para a análise de confiabilidade e validade do modelo de mensuração, inicialmente foram verificadas as correlações entre as variáveis latentes. A Tabela 4 apresenta os valores das cargas fatoriais segundo o critério Fornell-Larcker, conforme recomendado por Bido e Silva (2019).
Tabela
4
Matriz
de correlações entre as variáveis latentes
|
|
1 |
2 |
3 |
4 |
5 |
6 |
|
1 - Comportamento de Uso |
0,823 |
|
|
|
|
|
|
2 - Condições Facilitadoras |
0,451 |
0,819 |
|
|
|
|
|
3 - Expectativa de Desempenho |
0,724 |
0,527 |
0,767 |
|
|
|
|
4 - Expectativa de Esforço |
0,547 |
0,447 |
0,699 |
0,827 |
|
|
|
5 - Influência Social |
0,469 |
0,324 |
0,495 |
0,337 |
0,893 |
|
|
6 - Intenção Comportamental |
0,681 |
0,432 |
0,678 |
0,592 |
0,464 |
0,849 |
|
Alfa de Cronbach |
0,762 |
0,525 |
0,766 |
0,848 |
0,873 |
0,806 |
|
Confiabilidade composta (rho c) |
0,863 |
0,802 |
0,85 |
0,897 |
0,922 |
0,885 |
|
Variância média extraída (AVE) |
0,678 |
0,672 |
0,588 |
0,684 |
0,797 |
0,72 |
Nota 1: os valores em negrito na diagonal são a raiz quadrada de AVE.
Nota 2: Todas as correlações são significantes a 1%.
Os valores do Alfa de Cronbach variaram de 0,525 (CF) a 0,873 (IS), indicando que a maioria dos construtos tem uma confiabilidade aceitável (valores acima de 0,7). A Condição Facilitadora apresentou um Alfa de Cronbach ligeiramente abaixo do desejável, que foi considerado válido para não prejudicar a validade do conteúdo. Todos os valores de rho c são superiores a 0,8, indicando uma boa confiabilidade composta para todos os construtos, o que reforça a consistência interna das escalas.
Todos os construtos excedem o valor mínimo recomendado de 0,5 para a Variância Média Extraída (AVE), indicando que a maior parte da variância é explicada pelas variáveis latentes, sugerindo uma boa validade convergente.
Os resultados das análises de confiabilidade e validade indicam que as escalas utilizadas para medir os construtos são, em sua maioria, robustas e confiáveis. As correlações entre as variáveis destacam as relações significativas entre os seis constructos. A expectativa de desempenho e a intenção Comportamental emergem como os principais influenciadores do comportamento de uso, alinhando-se com as teorias existentes sobre a influência das expectativas na formação das intenções e, eventualmente, no comportamento de uso.
A seguir, realizou-se a análise da correlação entre os constructos por meio da matriz de cargas fatoriais conforme ilustrado na Tabela 5.
Tabela
5
Matriz
de cargas fatoriais (n = 181)
|
|
Comportamento de Uso |
Condições Facilitadoras |
Expectativa de Desempenho |
Expectativa de Esforço |
Influência Social |
Intenção Comportamental |
|
CU1 |
0,790 |
0,388 |
0,679 |
0,506 |
0,369 |
0,547 |
|
CU2 |
0,863 |
0,394 |
0,562 |
0,417 |
0,448 |
0,605 |
|
CU3 |
0,815 |
0,328 |
0,550 |
0,432 |
0,335 |
0,524 |
|
CF2 |
0,290 |
0,740 |
0,330 |
0,236 |
0,226 |
0,251 |
|
CF3 |
0,432 |
0,892 |
0,510 |
0,462 |
0,298 |
0,431 |
|
ED1 |
0,533 |
0,476 |
0,807 |
0,523 |
0,379 |
0,492 |
|
ED2 |
0,585 |
0,377 |
0,786 |
0,567 |
0,356 |
0,510 |
|
ED3 |
0,492 |
0,442 |
0,679 |
0,345 |
0,434 |
0,448 |
|
ED4 |
0,600 |
0,343 |
0,789 |
0,665 |
0,364 |
0,608 |
|
EE1 |
0,432 |
0,419 |
0,597 |
0,818 |
0,269 |
0,467 |
|
EE2 |
0,416 |
0,435 |
0,621 |
0,789 |
0,240 |
0,366 |
|
EE3 |
0,525 |
0,337 |
0,579 |
0,846 |
0,301 |
0,565 |
|
EE4 |
0,426 |
0,321 |
0,539 |
0,854 |
0,294 |
0,521 |
|
IS1 |
0,330 |
0,224 |
0,341 |
0,238 |
0,888 |
0,331 |
|
IS2 |
0,457 |
0,399 |
0,518 |
0,358 |
0,878 |
0,438 |
|
IS3 |
0,448 |
0,231 |
0,444 |
0,290 |
0,911 |
0,452 |
|
IC1 |
0,595 |
0,404 |
0,608 |
0,501 |
0,351 |
0,866 |
|
IC2 |
0,510 |
0,359 |
0,510 |
0,507 |
0,404 |
0,851 |
|
IC3 |
0,620 |
0,335 |
0,601 |
0,499 |
0,426 |
0,828 |
Nota 1: Todas as cargas fatoriais são significantes a 1%
Observa-se que as cargas fatoriais, que aparecem em negrito são maiores que as cargas cruzadas fora da diagonal (na horizontal e na vertical). Adicionalmente, todas as cargas fatoriais são superiores à 0,700, com exceção da questão ED3 com carga = 0,679. Apesar disso, optou-se pela manutenção da variável, conforme recomendação de Devellis (2016) e Netemeyer et al. (2003). Os resultados apresentados nas Tabelas 6 e 7 confirmam a validade convergente e validade discriminante do modelo de mensuração proposto, tornando possível o prosseguimento da pesquisa.
4 RESULTADOS OBTIDOS
4.1 Modelo estrutural e teste das hipóteses
A Tabela 6 apresenta os resultados dos testes das hipóteses do modelo estrutural.
Tabela
6
Resultados
do modelo estrutural
|
|
Hipótese |
VIF |
Valor t |
Valor p |
f2 |
Coeficiente estrutural |
Desvio padrão |
R2 Ajustado |
|
|
H1 (+) |
2,299 |
4,580 |
0,000 |
0,164 |
0,430 |
0,094 |
0,501 |
|
|
H2 (+) |
1,957 |
2,531 |
0,011 |
0,057 |
0,233 |
0,092 |
|
|
|
H3 (+) |
1,326 |
2,826 |
0,005 |
0,046 |
0,172 |
0,061 |
|
|
|
H4 (+) |
1,229 |
9,996 |
0,000 |
0,574 |
0,597 |
0,060 |
0,488 |
|
|
H5 (+) |
1,229 |
2,764 |
0,006 |
0,06 |
0,193 |
0,070 |
Nota 1: Valores-p estimados por bootstrapping com 10.000 repetições
Os resultados da análise das hipóteses apresentadas indicam que: A Expectativa de Desempenho (H1) tem um efeito positivo e significativo na Intenção Comportamental (Coeficiente estrutural = 0,43, p < 0,001), com um tamanho de efeito médio (f² = 0,164) e um bom ajuste do modelo (R² ajustado = 0,501). A Expectativa de Esforço (H2) também influencia positivamente a Intenção Comportamental (Coeficiente estrutural = 0,233, p < 0,05), com um tamanho de efeito pequeno (f² = 0,057). A Influência Social (H3) exerce um efeito positivo significativo sobre a Intenção Comportamental (Coeficiente estrutural = 0,172, p < 0,01), com um tamanho de efeito pequeno (f² = 0,046). A Intenção Comportamental (H4) tem um impacto positivo e significativo no Comportamento de Uso (Coeficiente estrutural = 0,597, p < 0,001), apresentando um tamanho de efeito grande (f² = 0,574) e um bom ajuste do modelo (R² ajustado = 0,488) e as Condições Facilitadoras (H5) têm um efeito positivo significativo no Comportamento de Uso (Coeficiente estrutural = 0,193, p < 0,01), com um tamanho de efeito pequeno (f² = 0,06).
A confirmação das hipóteses (H1 a H5) demonstrou ser adequado o uso da equação estrutural com base no modelo UTAUT para analisar a influência da idade e da expertise digital na adoção do Estar digital.
4.2 A influência da idade e da expertise
digital na adoção do Aplicativo do Estar digital
Para o modelo estrutural com moderação de variável categórica a MGA (multi-group analysis) foi realizada na forma de permutação, devido a esta permitir o teste MICOM (measurement invariance of composite models)
4.2.1 Influência da familiaridade do uso de aplicativos
Para a primeira MGA que tratou da familiaridade com o uso de aplicativos digitais do participante, foi utilizada a variável categórica expertise digital. Os resultados autodeclarados pelos respondentes da escala de 10 pontos da variável foram agrupados em duas categorias: “sem expertise” (42 respondentes) para notas inferiores a 8,0 e “com expertise” (139 respondentes) para nota igual ou superior a 8,0. A Tabela 7 apresenta os resultados do MICOM encontrados com 5.000 permutações.
Tabela
7
Resultados
MICOM com variável expertise
|
|
Original
(com expertise) |
Original
(sem expertise) |
Diferença
original |
Diferença
média de permutação |
Permutação
Valor p |
|||
|
|
0,208 |
0,162 |
0,047 |
-0,002 |
0,794 |
|||
|
|
0,219 |
0,429 |
-0,211 |
-0,014 |
0,197 |
|||
|
|
0,380 |
0,658 |
-0,278 |
-0,015 |
0,239 |
|||
|
|
0,160 |
0,043 |
0,117 |
-0,002 |
0,402 |
|||
|
|
0,277 |
0,065 |
0,212 |
-0,005 |
0,356 |
|||
|
|
0,089 |
0,120 |
-0,031 |
0,002 |
0,753 |
|||
|
|
0,154 |
0,183 |
-0,029 |
0,007 |
0,845 |
|||
|
|
0,576 |
0,653 |
-0,077 |
-0,005 |
0,617 |
|||
As diferenças entre os coeficientes de caminho para participantes com e sem expertise não foram estatisticamente significativas para nenhuma das relações analisadas, conforme indicado pelos altos valores p (todos acima de 0,05). Portanto, a expertise não parece influenciar significativamente as relações entre as variáveis estudadas. Ou seja, não existe diferença dos resultados entre a categoria dos “experts” e os “amadores”.
4.2.2
Influência da faixa etária no uso de aplicativos
Para a segunda MGA
que tratou da influência da idade no uso de aplicativos, utilizou-se a variável
faixa de idade. A variável original de 5 categorias foi agrupada em duas
categorias: “não idoso” (127 respondentes) para idades inferiores a 60 anos e
“idoso” (54 respondentes) para idade igual ou superior a 60. A Tabela 8
apresenta os resultados encontrados com 5.000 permutações.
Tabela
8
Resultados
MICOM com variável idade
|
|
Original
(idoso) |
Original
(não idoso) |
Diferença
original |
Diferença
média de permutação |
Permutação
Valor p |
|
|
0,109 |
0,225 |
-0,116 |
0,001 |
0,479 |
|
|
0,382 |
0,194 |
0,189 |
0,011 |
0,211 |
|
|
0,492 |
0,369 |
0,123 |
0,011 |
0,583 |
|
|
0,282 |
0,104 |
0,178 |
0,002 |
0,165 |
|
|
0,363 |
0,198 |
0,166 |
0,002 |
0,444 |
|
|
-0,034 |
0,147 |
-0,181 |
-0,001 |
0,041 |
|
|
-0,044 |
0,279 |
-0,323 |
-0,004 |
0,019 |
|
|
0,777 |
0,525 |
0,252 |
0,005 |
0,062 |
5 DISCUSSÃO E APRESENTAÇÃO DOS RESULTADOS
Os resultados obtidos no presente estudo revelam achados, em certa medida, contraintuitivos no que se refere à aceitação e ao uso de tecnologias digitais por parte da população idosa. Embora a literatura aponte para barreiras específicas enfrentadas pelos idosos na adoção de aplicativos em smartphones, como limitações sensoriais e cognitivas e estigmas sociais relacionados ao envelhecimento digital (Awan et al., 2021; Schroeder et al., 2023), os dados analisados não indicam diferenças estatisticamente significativas entre os grupos etários em relação à maioria dos construtos do modelo UTAUT. Em especial, fatores como expectativa de desempenho, expectativa de esforço, condições facilitadoras e intenção comportamental influenciaram de forma semelhante o comportamento de uso tanto de idosos quanto de não idosos. Esse resultado complementa estudos recentes que destacam a heterogeneidade da população idosa e a necessidade de evitar interpretações homogêneas sobre a relação entre envelhecimento e tecnologia (Bahadori et al., 2025; Wang et al., 2025).
Esses achados reforçam a ideia de que a idade cronológica, por si só, não deve ser utilizada como um preditor isolado da aceitação tecnológica. Como discutido por Raymundo, Gil e Bernardo (2019), o etarismo pode obscurecer o potencial de aprendizagem e adaptação dos idosos, perpetuando a ideia equivocada de que a velhice é sinônimo de resistência tecnológica. Os resultados também convergem com Rosell, Sepúlveda-Caro e Bustamante (2024), que defendem abordagens educacionais voltadas à gerontecnologia, partindo do pressuposto de que idosos podem desenvolver competências digitais quando encontram condições adequadas de aprendizagem e suporte. A confirmação empírica da maioria das hipóteses do modelo UTAUT (H1 a H5) sugere que, quando devidamente motivados e apoiados, usuários idosos são tão propensos a adotar tecnologias quanto as pessoas mais jovens.
No entanto, a análise multigrupo revelou uma diferença significativa no impacto da influência social entre os grupos. Especificamente, esse construto apresentou menor relevância para os idosos tanto na intenção comportamental quanto no comportamento de uso. Tal resultado pode ser interpretado à luz de características psicossociais frequentemente atribuídas à população idosa, como maior independência na tomada de decisões, menor suscetibilidade à pressão de pares e, possivelmente, menor envolvimento em redes sociais digitais (Cotten et al., 2013). A menor influência do ambiente social, contudo, não compromete a adoção em si, o que indica que motivações intrínsecas e utilitárias podem ter maior peso entre os idosos. O resultado também sugere que fatores relacionados à autonomia individual podem assumir maior relevância do que mecanismos tradicionais de influência social, corroborando evidências recentes encontradas em estudos sobre adoção tecnológica em populações idosas (Li et al., 2025; Yang et al., 2025).
Adicionalmente, a expertise digital autorreferida não se mostrou uma variável moderadora significativa nas relações entre os construtos do modelo. Esse achado dialoga com Schroeder et al. (2023), que identificaram que fatores associados à adoção tecnológica por idosos vão além do conhecimento técnico, incluindo elementos emocionais, motivacionais e contextuais. De forma semelhante, Zhou, Qian e Kaner (2024) argumentam que condições de suporte e percepção de utilidade podem exercer um papel mais relevante do que habilidades técnicas isoladas na adoção de tecnologias digitais por pessoas idosas. Essa constatação é relevante, pois demonstra que o domínio técnico declarado pelos participantes não alterou substancialmente a estrutura das relações preditivas no modelo. Ou seja, tanto usuários com alta quanto com baixa familiaridade com aplicativos demonstraram padrões semelhantes de aceitação tecnológica — um achado que desafia a suposição de que a proficiência digital seria um fator determinante para o uso de serviços públicos mediados por tecnologia.
Outro aspecto de destaque está na confirmação da forte influência da intenção comportamental sobre o comportamento de uso (coeficiente = 0,597; p < 0,001), com alto poder explicativo (R² ajustado = 0,488), em consonância com a literatura sobre modelos preditivos de adoção tecnológica (Venkatesh et al., 2003). Também se observa que a expectativa de desempenho foi o principal preditor da intenção de uso, o que sugere que a percepção de utilidade dos aplicativos — mais do que sua facilidade de uso — é o fator decisivo para sua adoção. Esse dado reforça a importância do design funcional e da comunicação clara dos benefícios percebidos do uso dos aplicativos para públicos diversos. Esse resultado é consistente com estudos recentes sobre tecnologias voltadas ao envelhecimento, que apontam a percepção de benefícios concretos e a utilidade prática como fatores centrais para a aceitação tecnológica (Li et al., 2025; Zhao & Li, 2024).
Por fim, destaca-se que a robustez do modelo UTAUT foi mantida mesmo diante da segmentação por idade e expertise, evidenciando sua aplicabilidade como ferramenta teórica e metodológica em estudos voltados à inclusão digital no setor público. Os achados deste estudo sinalizam a necessidade de repensar estratégias de comunicação e desenvolvimento de tecnologias acessíveis, que considerem a diversidade de perfis entre os usuários — inclusive entre os idosos — sem incorrer em estereótipos redutores. Tal recomendação encontra respaldo em pesquisas recentes que defendem abordagens integradas envolvendo design centrado no usuário, educação digital e políticas públicas voltadas à inclusão tecnológica da população idosa (Rosell et al., 2024; Stamate et al., 2024).
6 CONCLUSÃO
Este estudo teve como objetivo investigar possíveis diferenças entre motoristas idosos e não idosos quanto à aceitação e ao uso de aplicativos de pagamento digital para estacionamento público, com base no modelo UTAUT. A partir da análise dos dados coletados, foi possível constatar que, de forma geral, os idosos não apresentaram resistência significativa à adoção dos aplicativos Estar digital, contrariando parte da literatura que associa o envelhecimento a maiores dificuldades no uso de tecnologias digitais.
O principal achado refere-se à constatação de que os fatores expectativa de desempenho, expectativa de esforço, condições facilitadoras e intenção comportamental influenciam o comportamento de uso de maneira semelhante entre idosos e não idosos. Apenas o construto Influência Social apresentou diferença significativa entre os grupos, sendo menos relevante para os idosos. Essa diferença pode ser interpretada como um reflexo da maior autonomia nas decisões individuais desse grupo, bem como de sua menor exposição às redes sociais digitais, frequentemente associadas à pressão de pares.
Além disso, a expertise digital autorreferida não se mostrou um moderador significativo das relações analisadas, o que sugere que a familiaridade com o uso de aplicativos, embora importante, não compromete de forma determinante a adesão ao serviço. Esses resultados reforçam a necessidade de abandonar estigmas relacionados à idade na formulação de políticas públicas digitais e de adotar abordagens mais inclusivas, baseadas em evidências e na diversidade de perfis da população idosa.
A validação empírica do modelo UTAUT no contexto do uso obrigatório de um aplicativo público por diferentes faixas etárias também confirma sua robustez como instrumento teórico e metodológico para avaliar a aceitação tecnológica em contextos sociais complexos.
Diante dos resultados obtidos, as políticas públicas voltadas à inclusão digital devem evitar pressupostos baseados exclusivamente na idade cronológica, considerando a diversidade de perfis e necessidades dos usuários. Em vez disso, recomenda-se investir em interfaces mais intuitivas, suporte técnico acessível, canais de atendimento híbridos e ações de capacitação digital voltadas aos usuários que apresentem dificuldades específicas de utilização. Além disso, considerando que a expectativa de desempenho foi o principal preditor da intenção de uso, campanhas de comunicação podem enfatizar os benefícios concretos dos aplicativos, como praticidade, economia de tempo e facilidade de acesso aos serviços públicos.
Como limitações deste estudo, destaca-se o uso de uma amostra não probabilística e concentrada geograficamente na cidade de Curitiba. Embora os resultados permitam compreender fatores associados à aceitação tecnológica no contexto investigado, essas características limitam a generalização dos achados para outras regiões, populações e serviços digitais. Adicionalmente, a coleta baseada em adesão voluntária pode ter atraído indivíduos com maior interesse ou familiaridade com tecnologias digitais, o que pode ter influenciado as percepções observadas sobre aceitação e uso dos aplicativos.
Pesquisas futuras podem ampliar a compreensão desse fenômeno por meio da comparação entre diferentes contextos socioculturais, regiões geográficas e tipos de serviços públicos digitalizados. Também seria relevante investigar como fatores emocionais, tais como ansiedade tecnológica, autoconfiança digital, percepção de vulnerabilidade e receio de exclusão, influenciam a aceitação de tecnologias por pessoas idosas. Por fim, estudos qualitativos ou longitudinais poderiam explorar como a experiência acumulada de uso modifica as percepções dos usuários ao longo do tempo e como diferentes perfis de idosos constroem estratégias para lidar com os desafios da transformação digital.
Por fim, os achados aqui apresentados reforçam a importância de superar o etarismo nas políticas de inclusão digital, reconhecendo a capacidade dos idosos de se adaptarem às inovações tecnológicas quando lhes são oferecidas condições adequadas de acesso, suporte e usabilidade.
REFERÊNCIAS
Ahmad, A., Rasul, T.,
Yousaf, A., & Zaman, U. (2020). Understanding factors influencing elderly diabetic patients’ continuance
intention to use digital health wearables: Extending the technology acceptance
model (TAM). Journal of Open Innovation:
Technology, Market, and Complexity, 6(3), 81. https://doi.org/10.3390/joitmc6030081
An, S., Cheung, C. F., & Willoughby, K. W.
(2024). A gamification approach for enhancing older adults' technology adoption
and knowledge transfer: A case study in mobile payments technology.
Technological Forecasting and Social Change, 205, 123456. https://doi.org/10.1016/j.techfore.2024.123456
Awan, M., Ali, S., Ali, M., Abrar, M. F.,
Ullah, H., & Khan, D. (2021). Usability barriers for elderly users in
smartphone app usage: An analytical hierarchical process-based prioritization. Scientific Programming, 2021, 2780257. https://doi.org/10.1155/2021/2780257
Bahadori, F., Abolfathi Momtaz, Y., Mohammadi
Shahboulaghi, F., & Zandieh, Z. (2025). Evaluating the barriers to
information and communication technology adoption among older adults in Iran.
Educational Gerontology, 51(4), 438–454. https://doi.org/10.1080/03601277.2024.2397575
Bernardo, L. D. (2022). As pessoas idosas e as novas tecnologias: Desafios para a construção de soluções que promovam a inclusão digital. Revista Brasileira de Geriatria e Gerontologia, 25(4), e230142. https://doi.org/10.1590/1981-22562022025.230142.pt
Bido, D. S., & Silva,
D. da. (2019). SmartPLS 3: Especificação, estimação, avaliação e relato. Administração: Ensino e Pesquisa, 20(2),
488–536. https://doi.org/10.13058/raep.2019.v20n2.1545
Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum
Associates.
Cotten, S. R., Anderson, W. A., &
McCullough, B. M. (2013). Impact of internet use on loneliness and contact with
others among older adults: Cross-sectional analysis. Journal of Medical Internet Research, 15(2), e39. https://doi.org/10.2196/jmir.2306
De Oliveira Alvarenga,
G. M., Delfino, L. L., Silva, L. D. S. V., Yassuda, M. S., & Cachioni, M.
(2018). Idosos e inclusão digital com tablet-pc: Uma revisão sistemática da
literatura. Estudos Interdisciplinares
sobre o Envelhecimento, 23(1), 213–233. https://doi.org/10.22456/2316-2171.75441
DeVellis, R. F. (2016). Scale development: Theory and applications (4th ed.). Sage Publications.
Fischer, S. H., David, D., Crotty, B. H.,
Dierks, M., & Safran, C. (2014). Acceptance and use of health information
technology by community-dwelling elders. International
Journal of Medical Informatics, 83(9), 624–635. https://doi.org/10.1016/j.ijmedinf.2014.06.005
Fraga, A. M., Colomby,
R. K., Gemelli, C. E., & Prestes, V. A. (2022). As diversidades da diversidade:
Revisão sistemática da produção científica brasileira sobre diversidade na
administração (2001–2019). Cadernos
EBAPE.BR, 20(1), 1–19. https://doi.org/10.1590/1679-395120210011
Frishammar, J., Essén, A., Bergström, F., & Ekman, T. (2023). Digital health platforms for the elderly? Key adoption and usage barriers and ways to address them. Technological Forecasting and Social Change, 189, 122319. https://doi.org/10.1016/j.techfore.2023.122319
Gell, N. M., Rosenberg, D. E., Demiris, G.,
LaCroix, A. Z., & Patel, K. V. (2015). Patterns of technology use among
older adults with and without disabilities. The
Gerontologist, 55(3), 412–421. https://doi.org/10.1093/geront/gnt166
Grossi, G., Lanzarotti, R., Napoletano, P.,
Noceti, N., & Odone, F. (2020). Positive technology for elderly well-being:
A review. Pattern Recognition Letters,
137, 61–70. https://doi.org/10.1016/j.patrec.2020.05.018
Hair, J. F., Hult, G. T. M., Ringle, C. M.,
& Sarstedt, M. (2021). A primer on
partial least squares structural equation modeling (PLS-SEM) (3rd ed.).
Sage. https://doi.org/10.1007/978-3-030-80519-7
Hsu, C. C., Sandford, B., Ling, C. J., &
Lin, C. T. (2021). Can the unified theory of acceptance and use of technology
(UTAUT) help explain subjective well-being in senior citizens due to gateball
participation? International Journal of
Environmental Research and Public Health, 18(17), 9015. https://doi.org/10.3390/ijerph18179015
Iancu, I., & Iancu, B. (2020). Designing
mobile technology for elderly: A theoretical overview. Technological Forecasting and Social Change, 155, 119977. https://doi.org/10.1016/j.techfore.2020.119977
Khan, T., Khan, K. D., Azhar, M. S., Shah, S.
N. A., Uddin, M. M., & Khan, T. H. (2022). Mobile health services and the
elderly: Assessing the determinants of technology adoption readiness in
Pakistan. Journal of Public Affairs, 22(4),
e2685. https://doi.org/10.1002/pa.2685
Kline, R. B. (2015). Principles and practice of structural equation modeling (4th ed.).
Guilford Press. https://doi.org/10.7208/9780226818152
Levy-Storms, L., Lee, S. R., Castelyn, C.,
Morrissey, M. B., & Ory, M. G. (2025). Social determinants of health for
the global aging population in pandemic and disaster environments. Frontiers
in Public Health, 13, 1552408.
Li, Y., Ma, Y., Wang, Y., & Hong, W.
(2025). The adoption of smart health services by older adults in retirement
communities: analysis with the technology acceptance model (TAM). Universal
Access in the Information Society, 24(2), 1105-1121.
Longhi, M. T., & Machado, L. S. R. (2024). Conectando
Pessoas Idosas Às Tecnologias Digitais: Construção do Recurso Educacional Senesnectid.
Estudos Interdisciplinares sobre o Envelhecimento, 29.
Mostaghel, R. (2016). Innovation and technology
for the elderly: Systematic literature review. Journal of Business Research, 69(11), 4896–4900. https://doi.org/10.1016/j.jbusres.2016.04.049
Moura, A. C. D., Gosling, M. D. S., Christino,
J. M. M., & Macedo, S. B. (2017). Aceitação e uso da tecnologia para
escolha de destinos turísticos por pessoas da terceira idade: Um estudo usando
a UTAUT2. Revista Brasileira de Pesquisa
em Turismo, 11, 239–269. https://doi.org/10.7784/rbtur.v11i2.1277
Mrejen, M., Nunes, L., & Giacomin, K.
(2023). Envelhecimento
populacional e saúde dos idosos: O Brasil está preparado? (Estudo
Institucional n. 10). Instituto de Estudos para Políticas de Saúde. https://doi.org/10.53886/estinst.10
Netemeyer, R. G., Bearden, W. O., & Sharma,
S. (2003). Scaling procedures: Issues and
applications. Sage Publications. https://doi.org/10.4135/9781412985772
Podsakoff, P. M., MacKenzie, S. B., Lee, J.-Y.,
& Podsakoff, N. P. (2003). Common method biases in behavioral research: A
critical review of the literature and recommended remedies. Journal of Applied Psychology, 88(5),
879–903. https://doi.org/10.1037/0021-9010.88.5.879
Raymundo, T. M., Gil, H., & Bernardo, L. D. (2019). Desenvolvimento de projetos de inclusão digital para idosos. Revista de Estudos Interdisciplinares sobre o Envelhecimento, 24(3), 22–44. https://doi.org/10.22456/2316-2171.87420
Rosell, J., Sepúlveda-Caro, S., & Bustamante, F. (2024). Educational gerontechnology: Toward a comprehensive model for the education of digital technologies for older adults. In Human aspects of IT for the aged population. HCII 2024. Lecture Notes in Computer Science (pp. 275–292). Springer. https://doi.org/10.1007/978-3-031-61543-6_20
Schroeder, T., Dodds, L., Georgiou, A., Gewald,
H., & Siette, J. (2023). Older adults and new technology: Mapping review of
the factors associated with older adults’ intention to adopt digital
technologies. JMIR Aging, 6(1),
e44564.
Singh, M. P., & Singh, M. (2025). Exploring
the Role of Behavioral Intention and Trust in Technology Adoption: A Meta-UTAUT
Model Approach. Journal of Reliability and Statistical Studies, 399-418.
Stamate, A., Marzan, M. D., Velciu, M., Paul,
C., & Spiru, L. (2024). Advancing user-centric design and technology
adoption for aging populations: a multifaceted approach. Frontiers in Public
Health, 12, 1469815.
Tavares, M. M. K., & de Souza, S. T. C. (2012). Os idosos e as barreiras de acesso às novas tecnologias da informação e comunicação. Revista Novas Tecnologias na Educação, 10(1). https://doi.org/10.22456/1679-1916.30915
Venkatesh, V., Morris,
M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology:
Toward a unified view. MIS Quarterly, 27(3),
425–478. https://doi.org/10.2307/30036540
Wang, Z., Wang, Y., Zeng, Y., Su, J., & Li,
Z. (2025). An investigation into the acceptance of intelligent care systems: an
extended technology acceptance model (TAM). Scientific Reports, 15(1),
17912.
Yang, H. J., Lee, J. H., & Lee, W. (2025).
Factors influencing health care technology acceptance in older adults based on
the technology acceptance model and the unified theory of acceptance and use of
technology: meta-analysis. Journal of Medical Internet Research, 27,
e65269.
Yap, Y. Y., Tan, S. H., & Choon, S. W.
(2022). Elderly’s intention to use technologies: A systematic literature
review. Heliyon, 8(1). https://doi.org/10.1016/j.heliyon.2022.e08850
Yusoff, R. M., Ramli, F., Kamar, M. B., &
Samsudin, N. (2023). Bridging the digital divide: A conceptual understanding of
assistive technology for elderly people. Journal
of Advanced Research in Business and Management Studies, 32(1), 49-53. https://www.akademiabaru.com/submit/index.php/arbms/article/view/5117
Zhao, Y., & Li, J. (2024). Opportunities
and challenges of integrating artificial intelligence in China's elderly care
services. Scientific reports, 14(1), 9254.
Zhou, C., Qian, Y., & Kaner, J. (2024). A
study on smart home use intention of elderly consumers based on technology
acceptance models. PLoS One, 19(3), e0300574.