Einflussfaktoren auf die Nutzungsintention von Pflegekräften zur Verwendung digitaler Technologien in der ambulanten Pflege – Fallstudie zur Einführung eines Sensortextils

Die Pflegebranche steht angesichts der Zunahme pflegebedürftiger Menschen, eines überdurchschnittlichen Krankenstandes der Beschäftigten und eines wachsenden Fachkräftemangels vor besonderen Herausforderungen (Kliner et al. 2017). Nach Vorausberechnungen des Statistischen Bundesamtes stehen in Deutschland im Jahr 2060 100 Personen im Alter von 20 bis 60 Jahren 82 Personen die älter als 60 Jahre sind gegenüber, während das Verhältnis 2015 noch 100:50 war (Statistisches Bundesamt 2017). Viele Einrichtungen und ambulante Diensten stehen deshalb schon heute vor der Herausforderung, dass nicht genügend Personal gefunden werden kann, um die große Nachfrage nach Pflegedienstleistungen zu befriedigen. Bei einer Fortsetzung dieser aktuellen Entwicklungen werden im Jahr 2030 fast 500.000 Vollzeitkräfte in der Pflege fehlen (Deutscher Pflegerat 2020). Hinzu kommt, dass die finanzierbaren Stellenbesetzungen in der ambulanten und stationären Pflege, selbst wenn der Arbeitsmarkt genügend Bewerber*innen anbietet, von vielen Beschäftigten als weitgehend unzureichend und unattraktiv bezeichnet werden. Seit vielen Jahren wird darüber geklagt, dass körperliche wie psychische Belastungen (Böhle und Glaser 2006) der professionell Pflegenden zu einer verminderten Arbeitszufriedenheit (Fuchs-Frohnhofen et al. 2010) führen und den Beschäftigungsverbleib stark gefährden (Pohl 2011). Die gesellschaftliche Zielsetzung, diesen Bereich zu entlasten, durch beispielsweise bessere Anreizmodelle für den Pflegeberuf, wird deshalb schon seit Jahren verfolgt, jedoch mit eher mäßigem Erfolg wie aus dem sich verschärfenden Fachkräftemangel erkennbar ist (Fachinger 2017).

Mit voranschreitender Digitalisierung hat sich der Pflegebereich wirtschaftlich zu einem attraktiven Markt entwickelt (Compagna 2018). Allerdings haben sich unterstützende Systeme in der Pflege bisher aufgrund mangelnder Anwender*innenakzeptanz noch nicht flächendeckend durchsetzen können. Um im Pflegebereich zu Verbesserungen zu kommen, ist deshalb eine Auseinandersetzung mit den spezifischen Anforderungen der Profession „Pflege“ an die Technikentwicklung als Arbeitsunterstützung wesentlich, um die berufsspezifischen Bedarfe adäquater zu adressieren. Ebenfalls wird hierdurch die Gefahr vermindert, Lösungsangebote bereitzustellen, die den Beschäftigten dieser Branche nicht gerecht werden (können).

Um Einflussfaktoren und ihre Einflussstärke auf die Nutzungsintention von Pflegekräften von Technologie in der ambulanten Pflege aufzuzeigen wurde ein fallbeispielbezogenes pflegespezifisches Akzeptanzmodell aufgestellt. Übergeordnetes Ziel ist es eine Modellgrundlage herzuleiten, mit deren Hilfe Nutzungsabsichten neuer Technologien im Kontext ambulanter Pflege besser verstanden werden können.

Die Herleitung des Modells erfolgte in vier Schritten. (1) Literaturanalyse (siehe Abschn. 2), (2) Übertragung klassischer Technologieakzeptanzfaktoren auf den konkreten ambulanten Pflegekontext, (3) qualitative Workshops zum Einbezug der konkreten Pflegesituation und (4) Hypothesenformulierung.

Zur Evaluation des vorgeschlagenen Technikakzeptanzmodells wurden die fünfzehn Hypothesen (vgl. Tab. 3 und 4) mittels eines Online-Fragebogens getestet. Die Erhebung fand im Rahmen der ambulanten Pflege und vor der Technikeinführung statt. Da diese Studie den Zustand vor der Technikeinführung abbildet, wurden in der Befragung also die Erwartungen und Wünsche der Pflegekräfte an eine assistive Technologie zur Arbeitserleichterung erfasst. Die an das Fallbespiel angepassten 34 TUI-Items (siehe Tab. 1) wurden auf einer 7‑stufigen Likert-Skala von „Stimme überhaupt nicht zu“ bis „Stimme völlig zu“ abgefragt. Ergänzend dazu wurden die 35 qualitativ entwickelten Likert-Items (siehe Tab. 2) mit Bezug auf die Pflegesituation abgefragt. Neben den insgesamt 69 Items zur Operationalisierung der Nutzungsabsicht beinhaltet der Fragebogen zehn Items zur Erfassung relevanter Merkmale des demografischen Hintergrunds.

Zur statistischen Analyse der Daten wurde aus den beiden zur Verfügung stehenden Strukturgleichungsmodellansätzen PLS-SEM und CB-SEM (covariance based) der varianzbasierte Ansatz der Strukturgleichungsmodellierung (SEM), die sogenannte Partial Least Square (PLS) Methode, eingesetzt. Die Wahl des PLS-SEM Ansatzes beruht auf den folgenden Gründen:

Das im Folgenden vorgestellte Auswertungsvorgehen orientiert sich an dem von Hair et al. (2017) postulierten generischen Vorgehen einer PLS-SEM Analyse. Es macht sich das von Hair et al. vorgestellte Vorgehen zu Nutze, während gleichzeitig ein auf den Forschungskontext angepasstes Vorgehen verfolgt wird. Im Folgenden werden die aussagekräftigsten Metriken und Messungen der PLS-SEM Methode (unter Berücksichtigung der genannten Gründe, insbesondere der Stichprobengröße) präsentiert, um die vorgestellten Hypothesen und das postulierte Modell zu testen und zu validieren.

Der gewählte Ansatz der PLS-SEM besitzt dabei, im Gegensatz zum CB-SEM kein universelles Maß des Modelfits (Goodness-of-Fit). In der Literatur gibt es zwar einen Vorschlag für ein globales Anpassungsgüte-Maß für PLS-SEM (Tenenhaus et al. 2004), bisherige Forschung zeigt allerdings, dass dieses Maß ungeeignet ist, um fehlerhafte oder fehlklassifizierte Modelle zu identifizieren (Marcoulides und Yuan 2017; Henseler und Sarstedt 2013). Die vorgeschlagenen Kriterien für ein universelles Modelfit-Maß befinden sich in einem frühen Stadium der Forschung, und sind deshalb (noch) nicht vollständig verstanden. In der PLS-SEM Analyse gilt deshalb der Wert von R² als das wichtigste Kriterium für die Bewertung des Model-Fits. R² hilft beispielsweise Einflüsse zu prognostizieren und beschreibt den Anteil der Varianz in der abhängigen Variable, der durch die unabhängige Variable erklärt werden kann. Infolgedessen nutzen viele Wissenschaftler*innen im PLS-SEM Ansatz die R² Werte, die die Vorhersagefähigkeiten eines Modells anzeigen können und setzen dieses Kriterium gleichermaßen zur Qualitätsbeurteilung des Modells ein (Henseler und Sarstedt 2013).

In der folgenden Analyse handelt es sich um eine sorgfältige Auswahl der sinnvollsten und wertvollsten Kriterien zur Erklärung der Varianz in der abhängigen Variable durch die unabhängigen Variablen. Der PLS-SEM Ansatz konzentriert sich dabei auf die Diskrepanz zwischen den beobachteten oder angenäherten Werten der abhängigen Variablen und den durch das betreffende Modell vorhergesagten Werten (Hair et al. 2012a; b). Zur Bewertung der Qualität des Modells wurden die Werte zur internen Konsistenz durch Cronbachs Alpha und die Kongenerische Reliabilität (CR) berechnet. Für die Validität des Modells wurde die durchschnittlich erfasste Varianz (AVE) für alle Konstrukte im reflektiven Messmodell ausgewertet.

Außerdem wurde das Heterotrait-Monotrait-Kriterium (HTMT-Kriterium) für die Testung der diskriminanten Validität anstelle des Fornell-Larcker-Kriteriums und der Kreuzbelastungen betrachtet. Grund dafür ist eine empfindlichere Reaktion dieses Kriteriums auf Probleme mit der diskriminanten Validität. Ebenso stellt die Wahl des HTMT-Kriteriums den aktuellen Stand der Forschung in der PLS-SEM dar. Henseler et al. (2015) zeigen, dass das Fornell-Larcker-Kriterium und die Untersuchung von Kreuzbelastungen die fehlende diskriminante Validität in vielen Forschungssituationen nicht zuverlässig erkennen könnenn. Die Autoren schlagen daher einen alternativen Ansatz zur Beurteilung der diskriminanten Validität vor, der auf der Multitrait-Multimethoden-Matrix basiert: das Heterotrait-Monotrait-Verhältnis der Korrelationen. Henseler et al. (2015) demonstrieren die überlegene Leistungsfähigkeit dieses Ansatzes anhand einer Monte-Carlo-Simulationsstudie, in der sie den neuen Ansatz mit dem Fornell-Larcker-Kriterium und der Bewertung von (partiellen) Kreuzbelastungen vergleichen (Henseler et al. 2015).