Análise da Relação Entre a Autoeficácia e a Intenção de Uso do ChatGPT em

Práticas Docentes, Mediada Pela Facilidade de Uso Percebida e Utilidade Percebida:

Um Estudo Com Professores de Cursos de Bacharelado em Ciências Contábeis

Ivanildo Viana Moura

Centro Universitário Internacional - UNINTER
[email protected]
Neide Borscheid Mayer
Centro Universitário Internacional - UNINTER
[email protected]
Andressa Bueno Serigato Meneghelli
Centro Universitário Internacional – UNINTER
[email protected]
José L. Modena
Centro Universitário Internacional – UNINTER
[email protected]

Resumo
Este estudo tem como objetivo investigar os efeitos da identidade organizacional sobre o
desempenho da tomada de decisão mediados pelo orçamento empresarial. Para a coleta de
dados, foi construído um questionário que foi enviado para 1.291 gestores de cooperativas
agroindustriais paranaenses por canais como o LinkedIn e e-mail, obtendo-se 209 respostas. O
tratamento dos dados foi feito por meio da técnica modelagem de equações estruturais de
mínimos quadrados parciais (PLS-SEM). Os resultados mostram que a identidade
organizacional possui efeito positivo, fraco e estatisticamente significante sobre o orçamento
empresarial e o desempenho da tomada de decisão. Por outro lado, o orçamento empresarial
apresentou um forte efeito positivo sobre o desempenho da tomada de decisão. A análise das
relações indiretas demonstrou que a relação entre a identidade organizacional e o desempenho
da tomada de decisão é mediada pelo orçamento empresarial. Este estudo contribui com as
cooperativas evidenciando como a identidade organizacional pode favorecer a continuidade e
a mudança caracterizando a adaptação organizacional. Esta pesquisa também contribui com a
literatura sobre a identidade organizacional, orçamento empresarial e desempenho da tomada
de decisão evidenciando as relações entre essas variáveis.

Palavras-Chave: identidade organizacional; orçamento empresarial; desempenho da tomada

de decisão, modelagem de equações estruturais.

Linha temática: Educação e Pesquisa em Contabilidade (EPC)

1
1. Introdução
Nas últimas décadas, a inovação tecnológica transformou o ensino superior de forma
generalizada, melhorando a eficácia das práticas de ensino (Teo et al, 2019). A difusão da
tecnologia vem contribuindo para o ensino tanto do ponto de vista pedagógico como prático
(Huang & Teo, 2021), alterando a forma tradicional de educação para uma forma moderna de
aprendizagem (Shahzad et al., 2021).
Uma das inovações mais notáveis que vem sendo inserida na educação, é a Inteligência
Artificial Generativa (IA), uma tecnologia de ponta que tem o potencial de revolucionar as
práticas de ensino (Sadeghinejad & Najmaei, 2023). Dentre as IA mais conhecidas, está o
ChatGPT, que como tecnologia emergente, impulsiona e transforma o ensino e aprendizagem
(Carr, 2023), resultando em uma mudança de paradigma no espaço educacional (Tajik & Tajik,
2023).
De acordo com Yu (2023) o Chat GPT apresenta vantagens significativas na melhoria
da eficiência da aprendizagem e na promoção da comunicação. Dentre essas vantagens, Fuchs
(2023) aponta o potencial da ferramenta em ajudar os alunos a permanecerem envolvidos com
o material do curso e a se sentirem mais conectados à sua experiência de aprendizagem. De
modo complementar, Sadeghinejad e Najmaei (2023) pontuam que a IA pode gerar exercícios
e explicações, proporcionando reforço e repetição de conceitos, além de ajudar a automatizar o
processo de avaliação, gerando perguntas, questionários e tarefas baseadas em objetivos de
aprendizagem predefinidos.
Nesse contexto, Shidiq (2023) ressalta a necessidade de o mundo da educação participar
da realização de mudanças no seu sistema de aprendizagem de modo que os graduandos sejam
equipados com a capacidade de pensar de forma crítica, criativa e colaborativa. Para tanto, os
professores precisam ter experiência no uso da tecnologia e saber como integrá-la às salas de
aula (Çakiroglu et al., 2017) havendo a necessidade de que eles aprendam a explorar, adotar e
aplicar novas abordagens ao ensino e à aprendizagem com o uso da tecnologia (Caldwell, 2018).
Entretanto, como a tecnologia avança a um ritmo cada vez maior, é um desafio
incorporar o ChatGPT na educação (Escamilla-Fajardo, 2021) pois a aceitação da alta
tecnologia pelos professores pode ser afetada por várias barreiras, dentre elas, a proficiência
tecnológica (Cardullo et al., 2021). Isso, porque, para o uso dessa tecnologia em sala de aula, é
necessário que o professor tenha competência em sistemas de inteligência artificial para se
tornar um bom facilitador da aprendizagem, levando os alunos a terem interesse em aprender
(Shidiq, 2023).
À vista disso, o sucesso dos sistemas e tecnologias de informação na educação continua
a ser uma grande preocupação para investigadores, criadores de aplicações e educadores
(Almaiah & Alismaiel, 2019). Isso, porque, a proximidade dos alunos com a internet faz com
que o papel do professor para a geração atual não seja um trabalho simples, pois implica em
tarefas e desafios que esse profissional deve enfrentar para colocar em prática suas atividades
de docente (Shidiq, 2023). Diante disso, é preciso identificar os fatores que podem levar os
professores a aceitarem e implementarem tais tecnologias em suas práticas de ensino.
Pesquisas na área de aceitação tecnológica demonstram que os fatores que mais
contribuem para a aceitação e uso de tecnologias na docência são a utilidade percebida e a
facilidade de uso percebida desses recursos por seus usuários. Esses dois construtos estão
contidos no Modelo de Aceitação da Tecnologia proposto por Davis (1989). Além desses
fatores, a literatura também considera que fatores externos podem influenciar a intenção de uso
dos professores em relação a tecnologias. Um desses fatores, é a autoeficácia que, conforme
Sánchez-Prieto et al. (2017) é definida como a crença que os professores têm em suas próprias
habilidades para produzir uma melhoria na aprendizagem de seus alunos. Complementarmente,
Cardullo et al. (2021) consideram que a autoeficácia pode influenciar as percepções dos
2
usuários sobre a interação das tecnologias em sala de aula, aumentando a aceitação desses
recursos pelos professores.
Nesse contexto, a autoeficácia refere-se às avaliações das pessoas sobre sua eficácia ou
capacidade de executar bem uma tarefa específica, refletida na sua crença pessoal de que possui
a aptidão e as competências necessárias para ter sucesso ao utilizar uma determinada tecnologia
(Chao, 2019). Assim, indivíduos com alto nível de AE não se sentem facilmente frustrados por
dificuldades inesperadas no uso de tecnologias e, consequentemente, terão maior probabilidade
de superar dificuldades ou obstáculos associados ao uso desses recursos (Huang & Teo, 2021).
Desse modo, a literatura postula que a autoeficácia atua no sentido de influenciar a
facilidade de uso percebida, a utilidade percebida e a intenção do uso de recursos tecnológicos
por parte dos usuários (Granić & Marangunić, 2019). Diante disso, uma vez que a autoeficácia
é considerada como preditora dos três construtos, ao mesmo tempo em que dois deles
(facilidade de uso percebida e utilidade percebida) também possuem influência sobre o outro
(intenção de uso), propomos o seguinte problema de pesquisa para esta investigação: Qual a
relação da autoeficácia dos professores de cursos de bacharelado em ciências contábeis
com a intenção de uso do ChatGPT em suas práticas docentes, mediada pela facilidade de
uso percebida e utilidade percebida? Consoante com o problema elencado, o objetivo deste
estudo é investigar a relação da autoeficácia dos professores de cursos de bacharelado em
ciências contábeis com a intenção de uso do ChatGPT em suas práticas docentes, mediada pela
facilidade de uso percebida e utilidade percebida.
De acordo com Vărzaru (2022), as tecnologias baseadas em inteligência artificial (IA)
alteram drasticamente a atividade e o papel dos contadores, exigindo novos paradigmas para
gerar uma compreensão de novas realidades nessa profissão. No mesmo sentido, Alshurafat
(2023) complementa que o ChatGPT tem o potencial de revolucionar a profissão contábil
devido à sua capacidade de compreender e gerar textos semelhantes aos humanos. Na verdade,
essa tendência já está acontecendo, pois as quatro maiores empresas de auditoria contábil (Big
4) reportam o uso de IA em atividades de auditoria para se beneficiarem de economia de tempo,
análise de dados mais rápida, maior precisão, conhecimento aprofundado e melhor atendimento
ao cliente (Munoko et al., 2020, Han et al. 2023).
Enquanto as principais empresas de contabilidade estão a abraçar estas novas
tecnologias, espera-se que os profissionais, professores e estudantes de contabilidade expandam
o seu conhecimento tecnológico, criando práticas contabilísticas mais eficientes (Zhang et al.,
2020). Nesse sentido, iniciativas da American Accounting Association (AAA) e da Association
to Advance Collegiate Schools of Business International (AACSB) enfatizam a importância de
integrar a tecnologia no currículo dos contadores (Sledgianowski, Gomaa & Tan, 2017), uma
vez que a introdução dessas tecnologias nas práticas contábeis e os requisitos associados aos
candidatos a empregos nessa área, afetarão as capacidades desejadas dos graduados em
contabilidade (Zhang et al., 2020).
Diante do exposto, este estudo se justifica por buscar evidenciar fatores que possam
ajudar a explicar a aderência dos professores de cursos de bacharelado em ciências contábeis
ao uso do ChatGPT em suas práticas docentes. Os resultados da pesquisa poderão demonstrar
se a autoeficácia desses professores possui ou não efeito sobre sua intenção de usar a tecnologia
em suas atividades. Também será verificado se a autoeficácia influencia ou não a percepção
dos professores sobre a facilidade de uso da IA, bem como da sua utilidade percebida.
Espera-se que, com esses dados, as instituições de ensino superior que oferecem cursos
de bacharelado em ciências contábeis tenham subsídios para direcionar ações que levem os
docentes à uma maior aderência ao uso da IA em suas atividades profissionais. Isso possibilitará
que os estudantes desse curso sejam envolvidos com as tecnologias de IA desde o início ao final

3
da graduação, possibilitando que desenvolvam suas competências relacionadas ao uso da
ferramenta para que possam ir preparados para o mercado de trabalho.
2. Revisão da Literatura
2.1 Desafios da Implantação de Tecnologias em Atividades de Docência
Ao longo da última década, a digitalização moldou a estrutura educacional global com
a atenção recebida de profissionais, investigadores e decisores políticos para o desenvolvimento
educacional (Qureshi et al., 2021). Esse avanço da tecnologia leva a uma necessidade de
transformação na forma como a educação é fornecida aos alunos para torná-los mais adaptáveis
à maneira moderna de fazer as coisas (AlHamad et al., 2021). As instituições de ensino superior
devem estar atentas às possibilidades que a tecnologia traz para facilitar novos ambientes de
aprendizagem mais heterogêneos, atraentes e inspiradores (Escamilla-Fajardo et al., 2021).
Isto posto, a integração da tecnologia no ensino e na aprendizagem tornou-se uma
tendência irreversível e trouxe um progresso revolucionário nessa área (Huang & Teo, 2021).
Entretanto, como a tecnologia avança a um ritmo cada vez maior, é um desafio incorporar esses
recursos na educação (Escamilla-Fajardo, et al., 2021), e muitas universidades ainda não
conseguem aproveitar as oportunidades proporcionadas por essas ferramentas devido à falta de
conhecimento do que pode ser alcançado através da sua utilização (Caldwell, 2018).
Desse modo, o sucesso na implantação de tecnologias na área da educação continua a
ser uma grande preocupação para pesquisadores e educadores (Almaiah & Alismaiel, 2019).
Para começar, os estudiosos apontam que os professores devem ter experiência no uso da
tecnologia e saber como integrá-la às salas de aula (Çakiroglu, et al., 2017). Esse, acaba sendo
um dos desafios enfrentados por professores em exercício, pois eles precisam aprender a
explorar, adotar e aplicar novas abordagens ao ensino e à aprendizagem (Caldwell, 2018).
A mudança é mais no sentido de aprender e educar com esses dispositivos, o que pode
ser um desafio para formadores e educadores que trabalham há muito tempo na docência
(Qureshi, et al., 2021), pois antigamente não existiam essas tecnologias, e as formas tradicionais
de fornecer educação funcionavam bem, ao passo que hoje, os recursos tecnológicos são mais
uma necessidade que um luxo no ambiente educacional (AlHamad et al., 2021).
À medida que a educação avança, os estudantes se familiarizam e pretendem integrar a
tecnologia na sua aprendizagem, aumentando a pressão sobre os professores para utilizarem
esses mesmos recursos de forma eficiente em suas atividades docentes (Tang, Nguyen & Tran,
2022). No entanto, envolver os professores neste processo de adoção de tecnologias é uma
tarefa complexa (Sánchez-Prieto et al., 2017) pois eles podem enfrentar diferentes tipos de
barreiras que os impedem de integrar recursos tecnológicos em seus cursos (Escamilla-Fajardo
et al., 2021). De acordo com Sánchez-Prieto et al. (2017), na análise dos fatores que influenciam
o sucesso ou fracasso de iniciativas que tratam da integração de um novo sistema de informação,
a aceitação dos professores provou ser um elemento essencial no processo de inovação
educacional.
Face ao exposto, Almaiah e Alismaiel (2019) afirmam que o sucesso na implantação de
tecnologias na área da educação continua a ser uma grande preocupação para pesquisadores e
educadores. Na visão de Caldwell (2018), é preciso encontrar formas de desenvolver e
disseminar a inovação pedagógica, aumentando a probabilidade de transferência de novas
abordagens ao ensino e à aprendizagem da universidade para a sala de aula. Para Sánchez-Prieto
et al. (2017), existe a necessidade de investigar os processos de adoção de tecnologia por parte
tanto de professores quanto de alunos.
Nesse contexto, O modelo de aceitação de tecnologia (TAM) de Davis (1989) é bem
conhecido por examinar a adoção de tecnologias em áreas como a educação (Huang & Teo
2021). Ao longo dos anos, esse modelo emergiu como um paradigma científico líder para

4
investigar a aceitação da tecnologia de aprendizagem por estudantes, professores e outras partes
interessadas (Granić & Marangunić, 2019).
2.2 Modelo Teórico e Hipóteses de Pesquisa
A aceitação ou rejeição por parte dos usuários de aplicações tecnológicas em diferentes
campos, incluindo a educação, tem atraído muita atenção dos pesquisadores (Tang, Nguyen &
Tran, 2022), o que levou ao surgimento de numerosos modelos teóricos nos domínios da
psicologia e da sociologia, os quais foram desenvolvidos para prever e explicar a aceitação
desses recursos pelos usuários (Chao, 2019).
Dentre esses modelos, uma das abordagens mais difundida é o Modelo de Aceitação de
Tecnologia (TAM) (Davis, 1989) que investiga os impulsionadores da aceitação da tecnologia
a partir da perspectiva das percepções dos usuários sobre inovações e fatores sociais e
contextuais (Castiblanco Jimenez et al., 2020). Para Davis (1989), a implementação eficaz de
qualquer tecnologia ou sistema de informação depende da aceitação do usuário.
O TAM é visto como uma estrutura que representa as interações entre as crenças,
atitudes e intenções de um indivíduo, abordando como os usuários aceitam e usam a tecnologia
(Cardullo, et al., 2021). Por conta disso, ele tornou-se um modelo chave na compreensão dos
preditores do comportamento humano em relação à aceitação ou rejeição potencial de uma
tecnologia (Granić, & Marangunić, 2019). O modelo sugere que quando os usuários são
apresentados a um recurso tecnológico específico, vários fatores influenciam a decisão de como
e quando usar tal recurso (Cardullo, et al., 2021).
A literatura aponta dois construtos principais de crenças internas do modelo, que são a
utilidade percebida (UP) e facilidade de uso percebida (FUP), fatores-chave para medir e prever
a aceitação de tecnologias pelos usuários (Almaiah & Alismaiel, 2019). A UP e a FUP foram
propostas como antecedentes importantes das intenções comportamentais (INT) que levam ao
uso real da tecnologia pelos usuários (Khlaisang & Teo, 2021). Por conta disso, o TAM
considera que a UP e a FUP são os critérios mais importantes para determinar se um novo
recurso tecnológico será ou não adotado (Alismaiel, Cifuentes-Faura & Al-Rahmi, 2022).
Davis (1989) definiu a UP como o grau em que a pessoa acredita que o uso de uma
tecnologia específica melhoraria seu desempenho no trabalho, enquanto a FUP seria o grau em
que a pessoa acredita que o uso de uma tecnologia específica pode ser realizado sem muito
esforço. Por outro lado, a INT é definida como a disposição do usuário em usar a tecnologia,
sendo que essa variável é o principal determinante do uso real da tecnologia pelo usuário (Davis,
1989).
O TAM sugere que a UP e FUP, mesmo determinando a intenção de uso, também são
afetadas por fatores externos (Castiblanco Jimenez, 2020; Rahmi & Birgören, 2020) que são
incorporados ao modelo com o objetivo de aumentar sua validade preditiva (Granić &
Marangunić, 2019). Dentre esses fatores, um que aparece frequentemente em estudos sobre a
aceitação de tecnologias, é a autoeficácia (AE) que tem origem na Teoria Social Cognitiva
(Bandura, 1978) e aponta os seres humanos como contribuintes autorreflexivos e ativos para
seu ambiente (Cardullo, et al., 2021).
A autoeficácia refere-se às avaliações das pessoas sobre sua eficácia ou capacidade de
executar bem uma tarefa específica, refletida na sua crença pessoal de que possui a aptidão e as
competências necessárias para ter sucesso ao utilizar uma determinada tecnologia (Chao, 2019).
Ela projeta que os indivíduos que acreditam manter as habilidades necessárias para o sucesso
na realização de uma tarefa, apresentarão um desempenho relativamente mais alto na execução
dessa ação (Rahmi & Birgören, 2020). Desse modo, indivíduos com alto nível de AE não se
sentem facilmente frustrados por dificuldades inesperadas no uso de tecnologias e,

5
consequentemente, terão maior probabilidade de superar dificuldades ou obstáculos associados
ao uso desses recursos (Huang & Teo, 2021).
No contexto das práticas de docência, a AE refere-se às capacidades dos professores em
realizar tarefas de ensino utilizando recursos tecnológicos (Xue, Wang & Yang, 2022) e pode
influenciar as percepções dos docentes sobre a interação dessas ferramentas em sala de aula
(Cardullo et al., 2021). Assim, ela determina a crença que os professores têm na sua capacidade
de integrar o uso de tecnologias na sua prática profissional para melhorar o processo de
aprendizagem dos seus alunos (Sánchez-Prieto et al., 2017).
Dado o exposto, considerando que a literatura aponta que a AE pode afetar a UP, a FUP
e a INT em relação ao uso de tecnologias (Granić & Marangunić, 2019; Rahmi & Birgören,
2020), declaramos as seguintes hipóteses de pesquisa:
H1: A autoeficácia tem efeito positivo na intenção de uso do ChatGPT pelos professores
de cursos de bacharelado em ciências contábeis.
H2: A autoeficácia tem efeito positivo na utilidade do ChatGPT percebida pelos
professores de cursos de bacharelado em ciências contábeis.
H3: A autoeficácia tem efeito positivo na facilidade de uso do ChatGPT percebida pelos
professores de cursos de bacharelado em ciências contábeis.
As principais variáveis do TAM (UP e FUP) foram comprovadas muitas vezes pela
literatura como fatores antecedentes que afetam a aceitação da aprendizagem com tecnologia
(Granić & Marangunić, 2019). Supõe-se que quando a FUP está associada à tecnologia, os
usuários pensam nesse recurso como algo útil e demonstram uma atitude positiva em relação à
sua adoção (AlHamad et al., 2021). A literatura confirma que a FUP é válida para compreender
a percepção de um indivíduo na aceitação de recursos tecnológicos na aprendizagem, indicando
que a facilidade de uso percebida tem um efeito positivo e significativo na intenção de uso de
tecnologias aplicadas em práticas de ensino (Almaiah & Alismaiel, 2019; Pal & Vanijja, 2020).
Estudos anteriores também confirmam que a percepção de facilidade de uso possui
influência significativa na utilidade percebida em relação à recursos tecnológicos, na medida
em que a FUP prevê a UP (Alhamad et al., 2021; Almaiah & Alismaiel, 2019; Alismaiel et al.,
2022; Khlaisang; 2021, Moura et al., 2020; Moura et al., 2023; Santos et al., 2019). A razão
disso é que os usuários poderão perceber que a tecnologia é útil se puderem utilizá-la de maneira
fácil e adequada (Ngabiyanto et al., 2021). Por sua vez, a utilidade percebida é tida pela
literatura como o principal determinante da intenção de uso (Almaiah & Alismaiel, 2019;
Çakiroglu, Gökoglu & Öztürk, 2017; Granić & Marangunić, 2019).
Nessa perspectiva, assumindo as relações entre as duas principais variáveis do modelo
TAM e seus efeitos sobre a intenção de uso de recursos tecnológicos pelos usuários, propõem-
se as seguintes hipóteses de pesquisa:
H4: A facilidade de uso percebida tem efeito positivo na utilidade percebida do
ChatGPT pelos professores de cursos de bacharelado em ciências contábeis.
H5: A facilidade de uso percebida tem efeito positivo na intenção de uso do ChatGPT
pelos professores de cursos de bacharelado em ciências contábeis.
H6: A utilidade percebida tem efeito positivo na intenção de uso do ChatGPT pelos
professores de cursos de bacharelado em ciências contábeis.
Por fim, com base na literatura consultada, verifica-se que os estudos anteriores
buscaram verificar relações diretas entre os construtos do modelo TAM com a intenção e
variáveis externas. No entanto, é preciso considerar que essas relações podem acontecer
também de forma indireta, uma vez que uma variável independente da intenção comportamental
pode ser explicada por uma variável externa que também tem efeito sobre a intenção de uso
desses recursos tecnológicos. Desse modo, é preciso analisar se existe uma relação indireta
entre uma variável externa e a intenção de uso, mediada por variáveis que compõe o modelo

6
TAM. Diante disso, buscou-se verificar se existem relações de mediação entre as variáveis
estudadas, estabelecendo as seguintes hipóteses de pesquisa:
H7: A relação da autoeficácia com a intenção de uso é mediada pela utilidade do Chat
GPT percebida pelos professores de cursos de bacharelado em ciências contábeis.
H8: A relação da autoeficácia com a intenção de uso é mediada pela facilidade de uso
do Chat GPT percebida pelos professores de cursos de bacharelado em ciências contábeis.
Face à literatura apresentada e às hipóteses de pesquisa enunciadas, apresenta-se o
modelo de pesquisa proposto para esta investigação:
Figura 1 - Modelo teórico de pesquisa

Fonte: Elaborado pelos autores com base no modelo TAM de Davis (1989)
O modelo apresentado na figura 1 mostra as duas principais preditoras da intenção
comportamental, e a variável externa que tenta explicar as demais. O modelo apresenta,
também, todas as relações propostas nas hipóteses de testes.

3. Materiais e Métodos
Esta pesquisa foi realizada por meio de levantamento, e conta com a participação de
professores de cursos de bacharelado em ciências contábeis de instituições de ensino superior
brasileiras. O tamanho mínimo da amostra foi estimado por meio da regra de 10 vezes (Barclay
& Thompson, 1995) que sugere que o tamanho da amostra deve ser igual a 10 vezes o número
de variáveis independentes no modelo. De acordo com Hair Jr. Et al. (2021), na prática equivale
a dizer que o tamanho mínimo da amostra deve ser 10 vezes o número máximo de pontas de
seta apontando para uma variável latente do modelo de caminho PLS. No caso desta pesquisa,
o número máximo de setas apontando para uma variável dependente é 3, o que indica que a
amostra mínima para esse modelo é de 30 respostas.
Para a coleta de dados, foi utilizado o questionário desenvolvido e validado por
Sánchez-Prieto et al. (2016) com escala do tipo likert de 7 pontos, variando de discordo
totalmente a concordo totalmente. O questionário foi construído na plataforma Google Forms
e disponibilizada aos respondentes por meio de link enviado por whatsapp, e-mail ou contato
via LinkedIn, sendo usado o método de amostragem por conveniência. Os contatos com os
respondentes foram feitos entre 28/08/2023 e 29/09/2023, sendo a amostra final composta de
99 casos.
Para o modelo desta pesquisa, foram selecionados quatro construtos, sendo eles a
utilidade percebida, a facilidade de uso percebida e a intenção de uso, oriundos do modelo TAM
7
(Davis, 1989). O quarto construto é a autoeficácia (Bandura, 1978) tratada na literatura sobre
aceitação da tecnologia como uma variável externa que tem influência sobre as variáveis do
modelo TAM. A escala de medição desses construtos foi proposta por Sánchez-Prieto et al.
(2016) em um estudo onde os autores propunham um modelo estendido do TAM. Embora o
modelo proposto pelos autores possua outras variáveis externas, optou-se por estudar somente
a autoeficácia dos professores nesta pesquisa.
As variáveis do modelo e a quantidade de assertivas para cada uma estão dispostas na
tabela 1.
Tabela 1 - Construtos do modelo
Construto Nº de assertivas
Autoeficácia (AE) 3 assertivas
Facilidade de Uso Percebida (FUP) 4 assertivas
Intenção de Uso (INT) 3 assertivas
Utilidade percebida (UP) 4 assertivas
Fonte: Elaborado pelos autores (2023)
Os dados foram tratados por meio da técnica de modelagem de equações estruturais
PLS-SEM, que envolve a combinação de análise fatorial exploratória e análise de caminho
estrutural (Hair Jr et al., 2017). Essa técnica é adequada para objetivos de pesquisa orientados
para a previsão, acomoda pequenos tamanhos de amostra, explica a variância, fornece valores
de coeficiente de determinação (R2) e evidencia as relações significativas que existem entre os
constructos do modelo (Hanafiah, 2020). A técnica PLS-SEM foi aplicada por meio do software
Smart-Pls 4.
4 Resultados
A avaliação da qualidade de um modelo de caminhos PLS-SEM é feita em duas etapas,
sendo a primeira a avaliação do modelo de mensuração, e a segunda a avaliação do modelo
estrutural.

4.1 Avaliação do Modelo de Mensuração

A avaliação do modelo de mensuração é feita por meio da técnica de SEM de
modelagem de equações estruturais. Essa técnica consiste em uma combinação de análise
fatorial e análise de regressão múltipla. A primeira etapa consiste nos procedimentos de análise
fatorial confirmatória, os quais são divididos em:
Tabela 2 - Procedimento de avaliação do modelo de medição
Etapas Critério Métricas e limites
Etapa 1 Confiabilidade do indicador Carregamentos do indicador > 0,708
Confiabilidade de Consistência
Etapa 2 Confiabilidade composta > 0,70; Alfa de Cronbach > 0,70
Interna
Etapa 3 Validade convergente Variância média extraída (AVE) > 0,50
Validade discriminante - Critério A AVE de cada construto deve ser maior que sua correlação
Etapa 4
de Fornell-Larcker quadrada com qualquer outro construto
Fonte: Adaptado de Hair Jr. et al. (2021)
A primeira etapa na avaliação do modelo de medição reflexiva envolve examinar as
cargas de indicadores, sendo recomendados valores acima de 0,708, pois indicam que o
construto explica mais de 50 por cento da variância do indicador, proporcionando
confiabilidade aceitável ao item (Hair Jr. et al., 2019). As cargas de cada indicador são
apresentadas na tabela 3, na matriz de cargas cruzadas.

8
 Tabela 3 - Matriz de cargas cruzadas
Construto AE_ FUP_ INT_ UP_
AE_1 0,938 0,711 0,753 0,672
AE_2 0,946 0,752 0,594 0,509
AE_3 0,923 0,663 0,578 0,460
FUP_1 0,757 0,899 0,499 0,499
FUP_2 0,735 0,966 0,460 0,415
FUP_3 0,669 0,957 0,397 0,344
FUP_4 0,693 0,961 0,421 0,335
INT_1 0,705 0,521 0,938 0,769
INT_2 0,602 0,408 0,927 0,744
INT_3 0,653 0,411 0,967 0,797
UP_1 0,624 0,444 0,752 0,930
UP_2 0,513 0,343 0,748 0,931
UP_3 0,461 0,350 0,732 0,934
UP_4 0,588 0,438 0,791 0,916
Fonte: Relatório de saída do SmartPls
Os dados da tabela 3 evidenciam que todos os indicadores possuem suas cargas acima
de 0,708, indicando que possuem confiabilidade. Desse modo, procede-se com a análise da
confiabilidade da consistência interna, sendo essa a segunda etapa de avaliação do modelo de
medição. Nessa etapa são analisados o alfa de cronbach e a confiabilidade composta (Hair, Jr.
et al., 2021). Em ambas as medidas, o limite aceitável é de 0,70, e é amplamente aplicado na
pesquisa PLS-SEM (Hair, J. & Alamer, 2022). Os resultados desses testes são apresentados na
tabela 4.
Tabela 4 – Consistência interna e validade convergente
Alfa de Confiabilidade Variância Média
Construto
Cronbach Composta Extraída (AVE)
AE_ 0,929 0,940 0,875
FUP_ 0,961 0,965 0,895
INT_ 0,939 0,941 0,892
UP_ 0,946 0,948 0,861
Fonte: Relatório de saída do SmartPls
Os resultados demonstram que tanto o alfa de cronbach quanto a confiabilidade
composta estão com escores acima dos limites aceitáveis para essas medidas, indicando que os
construtos possuem confiabilidade da consistência interna. A tabela também apresenta os dados
da validade convergente, que é a medida em que o construto converge para explicar a variância
de seus itens, e cuja métrica usada é a variância média extraída (AVE) para todos os itens em
cada construto (Hair Jr. et al., 2019). Para demonstrar um nível aceitável de validade
convergente, a AVE não deve ser inferior a 0,5, indicando que o construto latente explica não
menos que 50% da variância do indicador (Cheung, et al., 2023). Conforme dados da tabela 4,
observa-se que todos os construtos apresentaram escores acima do limite de 0,5, indicando que
os construtos possuem validade convergente.
A última etapa de análise do modelo de medição consiste na validade discriminante pelo
Critério de Fornell-Larcker, no qual a raiz quadrada da AVE do construto deve ser superior do
que sua correlação com os demais construtos do modelo (Lacruz, Assis & Guedes, 2022). Os
resultados da análise discriminante estão dispostos na tabela 5.
Tabela 5 - Validade discriminante
Construto AE_ FUP_ INT_ UP_
AE_ 0,936
9
 FUP_ 0,758 0,946
INT_ 0,693 0,474 0,944
UP_ 0,593 0,427 0,816 0,928
Fonte: Relatório de saída do SmartPls
Conforme dados da tabela 5, observa-se que todos os construtos apresentam validade
discriminante, uma vez que a AVE de cada um possui valor maior que sua correlação quadrada
com qualquer outro construto. Diante desses resultados, uma vez que o modelo de mensuração
atende a todos os critérios de validade, prossegue-se com a análise do modelo estrutural, onde
serão analisadas as relações propostas na pesquisa.

4.2 Avaliação do Modelo Estrutural

No procedimento de avaliação do modelo estrutural é feita a análise da relevância e a
significância dos caminhos estruturais (Hair Jr. et al., 2021). Essa avaliação envolve a análise
do poder explicativo do modelo por meio do R2 e os coeficientes do modelo estrutural para as
relações entre os construtos (Hair Jr. et al., 2019). Para esse teste, realiza-se o procedimento
chamado bootstrapping usando 5.000 amostras para derivar estimativas de erro padrão dos
parâmetros do modelo, o que facilita o teste de significância (Hair Jr. et al., 2017). Os resultados
do bootstrapping são apresentados na figura 2, onde constam o R2 e as relações estruturais dos
construtos do modelo.
Figura 2 - Modelo estrutural

Fonte: Outputs do SmartPLS

O poder explicativo do modelo por meio do R2 é entendido como a quantidade de
variância no construto endógeno explicada por todos os construtos exógenos direta e
indiretamente ligados a ele (Ghasemy et al., 2020). Chin (1998) sugere que valores de R2 de
0,67, 0,33 e 0,19 são considerados substancial, moderado e fraco, respectivamente. Com base
na figura 2, observa-se que a AE explica 57,5% da variância da FUP, sendo esse um valor
moderado. Em conjunto, a AE e a FUP explicam 35,3% da utilidade percebida, também
considerado esse como um poder explicativo moderado. Por outro lado, a INT é explicada em

10
conjunto pelos três construtos AE, UP e FUP em 73,6%, considerado esse um poder explicativo
substancial.
Após a análise do poder explicativo do modelo, avalia-se a significância dos coeficientes
de caminho e sua relevância avaliando seu tamanho (Ghasemy et al., 2020). Os coeficientes do
modelo estrutural para as relações entre os construtos são derivados da estimativa de uma série
de equações de regressão (Hair Jr. et al., 2019) e são valores padronizados (Hair & Alamer,
2022). Para avaliar o tamanho do efeito desses coeficientes de caminho, Cohen (1988) propõe
que o tamanho 0,02 é considerado pequeno, 0,15 é um tamanho médio, e 0,35 é considerado
um efeito de tamanho grande. Para avaliar a significância da relação estrutural, considera-se
significante ao nível de 5% se o valor zero não cair no intervalo de confiança de 95% (Hair Jr.
et al., 2021). Os resultados de bootstrapping para o tamanho do efeito, t-valor e p-valor do teste
realizado são apresentados na tabela 6.
Tabela 6 - Resultados dos Path Coeficiente
Hipótese Relação Efeito T valor P valor Significância
H1 AE_ -> INT_ 0,391 3,450 0,001 Significante
H2 AE_ -> UP_ 0,634 5,548 0,000 Significante
H3 AE_ -> FUP_ 0,758 13,311 0,000 Significante
H4 FUP_ -> UP_ -0,053 0,405 0,686 Não Significante
H5 FUP_ -> INT_ -0,089 0,911 0,362 Não Significante
H6 UP_ -> INT_ 0,622 8,526 0,000 Significante
H7 AE_ -> UP_ -> INT_ 0,394 4,088 0,000 Significante
H8 AE_ -> FUP_ -> INT_ -0,067 0,905 0,365 Não Significante
Fonte: Relatório de saída do SmartPls
As hipóteses 1, 2 e 3 estabeleciam relação entre a AE, INT e FUP, respectivamente.
Conforme dados da tabela 6, essas três relações foram corroboradas, apresentando significância
estatística e efeito grande. As três hipóteses apresentaram efeitos positivos, indicando que a
autoeficácia aumenta a intenção de uso, a utilidade percebida e a percepção de facilidade de
uso do ChatGPT pelos professores inquiridos. O menor efeito encontrado foi da AE sobre a
INT, indicando que, embora a autoeficácia possua efeito positivo sobre a intenção de uso do
ChatGPT pelos professores de cursos de bacharelado em ciências contábeis, outros fatores
também agem sobre essa variável.
A relação entre AE e UP também mostrou-se significante, e com efeito ainda maior que
da AE sobre a INT. Isso indica que os professores auto eficazes possuem grande propensão a
perceberem o quão útil a IA pode ser para uso em suas práticas docentes. Professores auto
eficazes podem encontrar mais utilidade no ChatGPT que professores que não possuem essa
característica. Já a relação entre AE e FUP mostrou-se com maior efeito dentre as três. Isso
indica que a autoeficácia dos professores é um dos principais fatores que levam esses usuários
a perceberem a IA como algo fácil de ser manuseado, sem que seja necessário despender
grandes esforços em seu uso.
As hipóteses 4 e 5 enunciavam efeito positivo da FUP sobre a UP e a INT. Os resultados
demonstram que as relações propostas para o construto FUP não apresentaram significância
estatística. Uma provável explicação para isso, é que o ChatGPT ainda é uma tecnologia muito
recente, e poucos professores podem tê-lo usado tanto em suas práticas docentes quanto fora
delas. Desse modo, os resultados podem ser o reflexo de um desconhecimento em relação ao
uso da ferramenta, que não permitiu que os professores tenham ou não percepção quanto à
facilidade de uso da tecnologia.
A hipótese 6 declarava que a utilidade percebida possui efeito positivo sobre a intenção
de uso. Essa relação foi confirmada e com tamanho de efeito grande, indicando que quando os
11
professores percebem que a tecnologia será útil em suas práticas docentes, terão maior
propensão em usar a ferramenta.
Por fim, as hipóteses 7 e 8 buscavam verificar se havia efeito mediador da UP e da FUP,
respectivamente, sobre a relação da AE > INT. A hipótese 7 foi confirmada, demonstrando a
existência de uma mediação parcial da UP na relação entre AE > INT. Por outro lado, a
mediação da FUP sobre a relação da AE > INT não foi corroborada, e a explicação para isso
pode também estar relacionada à falta de prática dos professores quanto ao uso da ferramenta.

5. Conclusão
O objetivo deste estudo é investigar a relação da autoeficácia dos professores de cursos
de bacharelado em ciências contábeis com a intenção de uso do ChatGPT em suas práticas
docentes, mediada pela facilidade de uso percebida e utilidade percebida.
Em consonância com a literatura (Granić & Marangunić, 2019; Rahmi & Birgören,
2020), os resultados mostram que a autoeficácia dos professores é um fator que possui
influência sobre as três variáveis do modelo TAM. Desse modo, comprova-se que a autoeficácia
pode influenciar as percepções dos professores sobre a interação das tecnologias em sala de
aula (Cardullo, et al., 2021), levando os docentes a perceberem o ChatGPT como uma
ferramenta útil e fácil de usar, favorecendo assim a sua intenção de usar o recurso em suas
atividades.
A literatura também apresenta a percepção de facilidade de uso como preditora da
utilidade percebida de usuários de recursos tecnológicos (Alhamad et al., 2021; Almaiah &
Alismaiel, 2019; Alismaiel et al., 2022; Khlaisang; 2021, Moura et al., 2020; Moura et al., 2023;
Santos et al., 2019). Nesta pesquisa, essa relação não foi corroborada, pois os testes realizados
para essa relação não apresentaram significância estatística e, embora sejam fracos, os efeitos
encontrados para essa relação foram negativos. Ressalta-se, porém, que o ChatGPT é uma
tecnologia relativamente nova, disponibilizada ao público no início de 2023 (Fuchs, 2023) não
sendo totalmente conhecida por muitas pessoas. Desse modo, uma provável explicação para
esses resultados, pode ser o desconhecimento sobre o funcionamento dos respondentes em
relação à essa tecnologia, o que os impossibilita de avaliar sua facilidade de uso.
Em relação à utilidade percebida, essa variável é apresentada pela literatura como o
principal determinante da intenção de uso (Almaiah & Alismaiel, 2019; Çakiroglu, Gökoglu &
Öztürk, 2017; Granić & Marangunić, 2019). No contexto desta pesquisa, essa relação foi
confirmada, demonstrando que na medida em que um indivíduo acredita que o uso de um
sistema melhora o seu desempenho profissional, maior será sua intenção em usar essa
tecnologia (Davis 1989).
Por fim, ao verificar se existe mediação das duas variáveis do modelo TAM sobre a
relação da autoeficácia sobre a intenção de uso dos professores, constatou-se que existe
mediação parcial somente da utilidade percebida. Esse resultado demonstra que, ao mesmo
tempo em que a utilidade percebida é influenciada diretamente pela autoeficácia, ela também
influencia a intenção de uso. A mediação, nesse caso, é parcial, e o efeito indireto é considerado
grande. A facilidade de uso percebida não possui papel mediador nessa relação, e a explicação
pode estar alinhada ao fato de parte dos professores ainda não terem usado a ferramenta,
impossibilitando que tenha noção sobre se seu uso exige esforço.
Conclui-se que, por ser uma tecnologia nova, o ChatGPT ainda é desconhecido por parte
de professores que atuam na área da contabilidade. Por se tratar de uma tecnologia que está
sendo inserida nas práticas contábeis (Munoko et al., 2020, Han et al. 2023) e tem potencial de
revolucionar a contabilidade, automatizando tarefas e gerando dados (Beerbaum, 2023), é
necessário que os professores que atuam em cursos de bacharelado em ciências contábeis
12
expandam o seu conhecimento tecnológico, criando práticas contabilísticas mais eficientes
(Zhang et al., 2020).
Os resultados desta pesquisa podem subsidiar análises sobre fatores que podem
influenciar a adoção de tecnologias por professores de cursos de bacharelado em ciências
contábeis. Além disso, esta pesquisa contribui com a literatura estabelecendo relações de
mediação não abordadas em pesquisas anteriores. Uma limitação desta pesquisa é a amostra
por conveniência, que não permite inferir os resultados para toda uma população dessa área.
Para futuras pesquisas, recomenda-se dividir a amostra entre usuários e não usuários da
tecnologia para fazer uma comparação de resultados.

Referências
AlHamad, M., Akour, I., Alshurideh, M., Al-Hamad, A., Kurdi, B., & Alzoubi, H. (2021).
Predicting the intention to use google glass: A comparative approach using machine
learning models and PLS-SEM. International Journal of Data and Network Science, 5(3),
311-320.
Alismaiel, O. A., Cifuentes-Faura, J., & Al-Rahmi, W. M. (2022, April). Social media
technologies used for education: An empirical study on TAM model during the COVID-
19 pandemic. In Frontiers in Education (Vol. 7). Frontiers Media SA.
Almaiah, M. A., & Alismaiel, O. A. (2019). Examination of factors influencing the use of
mobile learning system: An empirical study. Education and Information
Technologies, 24, 885-909.
Alshurafat, H. (2023). The usefulness and challenges of chatbots for accounting professionals:
Application on ChatGPT. Available at SSRN 4345921.
Bandura, A. 1978. The self system in reciprocal determinism. American psychologist, v. 33, n.
4, p. 344.
Barclay, D. W., Higgins, C. A., & Thompson, R. (1995). The partial least squares approach to
causal modeling: Personal computer adoption and use as illustration. Technology Studies,
2(2), 285‐309.
Çakiroglu, Ü., Gökoglu, S., & Öztürk, M. (2017). Pre-Service Computer Teachers' Tendencies
towards the Use of Mobile Technologies: A Technology Acceptance Model
Perspective. European Journal of Open, Distance and E-Learning, 20(1), 175-190.
Caldwell, H. (2018). Mobile technologies as a catalyst for pedagogic innovation within teacher
education. International Journal of Mobile and Blended Learning, 10(2),
Cardullo, V., Wang, C. H., Burton, M., & Dong, J. (2021). K-12 teachers’ remote teaching self-
efficacy during the pandemic. Journal of research in innovative teaching &
learning, 14(1), 32-45.
Carr, B. Revolutionizing Education: Unleashing the Power of Chat GPT/AI to Empower
Educators. Technology and the Curriculum: Summer 2023.
Castiblanco Jimenez, I. A., Cepeda García, L. C., Violante, M. G., Marcolin, F., & Vezzetti, E.
(2020). Commonly used external TAM variables in e-learning, agriculture and virtual
reality applications. Future Internet, 13(1), 7.
Chao, C. M. (2019). Factors determining the behavioral intention to use mobile learning: An
application and extension of the UTAUT model. Frontiers in psychology, 10, 1652.

13
Cheung, G. W., Cooper-Thomas, H. D., Lau, R. S., & Wang, L. C. (2023). Reporting reliability,
convergent and discriminant validity with structural equation modeling: A review and
best-practice recommendations. Asia Pacific Journal of Management, 1-39.
Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Mahwah, NJ:
Lawrence Erlbaum Associates.
Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of
information technology. MIS quarterly, 319-340.
Escamilla-Fajardo, P., Alguacil, M., & López-Carril, S. (2021). Incorporating TikTok in higher
education: Pedagogical perspectives from a corporal expression sport sciences
course. Journal of Hospitality, Leisure, Sport & Tourism Education, 28, 100302.
Ghasemy, M., Teeroovengadum, V., Becker, J. M., & Ringle, C. M. (2020). This fast car can
move faster: A review of PLS-SEM application in higher education research. Higher
education, 80(6), 1121-1152.
Granić, A., & Marangunić, N. (2019). Technology acceptance model in educational context: A
systematic literature review. British Journal of Educational Technology, 50(5), 2572-
2593.
Hair Jr, J. F., Hult, G. T. M., Ringle, C. M., Sarstedt, M., Danks, N. P., & Ray, S. (2021). Partial
least squares structural equation modeling (PLS-SEM) using R: A workbook (p. 197).
Springer Nature.
Hair Jr, J. F., Matthews, L. M., Matthews, R. L., & Sarstedt, M. (2017). PLS-SEM or CB-SEM:
updated guidelines on which method to use. International Journal of Multivariate Data
Analysis, 1(2), 107-123.
Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how. European
Business Review. Vol. 31 No. 1. pp. 2-24.
Hair, J., & Alamer, A. (2022). Partial Least Squares Structural Equation Modeling (PLS-SEM)
in second language and education research: Guidelines using an applied
example. Research Methods in Applied Linguistics, 1(3), 100027.
Han, H., Shiwakoti, R. K., Jarvis, R., Mordi, C., & Botchie, D. (2023). Accounting and auditing
with blockchain technology and artificial Intelligence: A literature review. International
Journal of Accounting Information Systems, 48, 100598.
Huang, F., & Teo, T. (2021). Examining the role of technology‐related policy and constructivist
teaching belief on English teachers’ technology acceptance: A study in Chinese
universities. British Journal of Educational Technology, 52(1), 441-460.
Khlaisang, J., Songkram, N., Huang, F., & Teo, T. (2021). Teachers’ perception of the use of
mobile technologies with smart applications to enhance students’ thinking skills: A study
among primary school teachers in Thailand. Interactive Learning Environments, 1-22.
Lacruz, A. J., Assis, W. M. de, & Guedes, T. de A. (2022). Hierarchical Component Models in
Partial Least Squares Structural Equation Modeling: guidelines for second-order
constructs. In SciELO Preprints. https://doi.org/10.1590/SciELOPreprints.3978
Moura, I. V., de Almeida, L. B., da Silva, W. V., Veiga, C. P. D., & Costa, F. (2020). Predictor
factors of intention to use technological resources: A multigroup study about the approach
of Technology Acceptance Model. Sage Open, 10(4), 2158244020967942.

14
Moura, I. V., dos Anjos, E. A., Hobmeir, E. C., Brito, A. C., & de Lourdes Alves, L. (2023).
Intenção de uso de softwares simuladores nas práticas de ensino/aprendizagem no curso
de ciências contábeis–um estudo empírico. International Journal of Scientific
Management and Tourism, 9(2), 780-803.
Munoko, I., Brown-Liburd, H. L., & Vasarhelyi, M. (2020). The ethical implications of using
artificial intelligence in auditing. Journal of Business Ethics, 167, 209-234.
Ngabiyanto, Nurkhin, A., Mukhibad, H., & Harsono. (2021). E-learning evaluation using
general extended technology acceptance model approach at schools in COVID-19
pandemic. European Journal of Educational Research, 10(3), 1171-1180.
https://doi.org/10.1088/1742-6596/1783/1/012123
Pal, D., & Vanijja, V. (2020). Perceived usability evaluation of Microsoft Teams as an online
learning platform during COVID-19 using system usability scale and technology
acceptance model in India. Children and youth services review, 119, 105535.
Qureshi, M. I., Khan, N., Raza, H., Imran, A., & Ismail, F. (2021). Digital technologies in
education 4.0. Does it enhance the effectiveness of learning?.
Rahmi, B. A. K. İ., & Birgören, B. (2020). Analysis of the studies on e-learning acceptance of
learners in the middle east and the proposal of an extended technology acceptance
model. Kastamonu Eğitim Dergisi, 28(5), 1977-1986.
Sadeghinejad, Z., & Najmaei, A. (2023). From Chat GPT to Cheat GPT: Call for new AI-
empowered Teaching Models.
Sánchez-Prieto, J. C., Olmos-Migueláñez, S., & García-Peñalvo, F. J. (2017). MLearning and
pre-service teachers: An assessment of the behavioral intention using an expanded TAM
model. Computers in human behavior, 72, 644-654.
Sánchez-Prieto, J. C., Olmos-Migueláñez, S., & García-Peñalvo, F. J. (2016). Informal tools in
formal contexts: Development of a model to assess the acceptance of mobile technologies
among teachers. Computers in Human Behavior, 55, 519-528.
doi:10.1016/j.chb.2015.07.002
Santos, E. A.; Moura, I. V., Matos, R. M., Almeida, L. B. 2019. Ferramentas informais em
contextos formais: aplicação de um modelo para avaliar a aceitação de tecnologias móveis
entre Professores Universitários. Revista Gestão & Tecnologia, v. 19, n. 4, p. 117-137.
Shahzad, A., Hassan, R., Aremu, A. Y., Hussain, A., & Lodhi, R. N. (2021). Effects of COVID-
19 in E-learning on higher education institution students: the group comparison between
male and female. Quality & quantity, 55, 805-826.
Shidiq, M. (2023, May). The use of artificial intelligence-based chat-gpt and its challenges for
the world of education; from the viewpoint of the development of creative writing skills.
In Proceeding of International Conference on Education, Society and Humanity (Vol. 1,
No. 1, pp. 353-357).
Sledgianowski, D., Gomaa, M., & Tan, C. (2017). Toward integration of Big Data, technology
and information systems competencies into the accounting curriculum. Journal of
Accounting Education, 38, 81-93.
Tajik, E., & Tajik, F. (2023). A comprehensive Examination of the potential application of Chat
GPT in Higher Education Institutions. TechRxiv. Preprint, 1-10.

15
Tang, T. T., Nguyen, T. N., & Tran, H. T. T. (2022). Vietnamese teachers’ acceptance to use
E-assessment tools in teaching: An empirical study using PLS-SEM. Contemporary
Educational Technology, 14(3), ep375.
Teo, T., Zhou, M., Fan, A. C. W., & Huang, F. (2019). Factors that influence university
students’ intention to use Moodle: A study in Macau. Educational Technology Research
and Development, 67, 749-766.
Vărzaru, A. A. (2022). Assessing artificial intelligence technology acceptance in managerial
accounting. Electronics, 11(14), 2256.
Xue, S., Wang, C., & Yang, Y. (2022). Exploring affecting factors of and developing a
framework for teachers’ online instruction. Learning and Instruction, 82, 101665.
Yu, H. (2023). Reflection on whether Chat GPT should be banned by academia from the
perspective of education and teaching. Frontiers in Psychology, 14, 1181712.
Zhang, J., Chen, Z., Ma, J., & Liu, Z. (2021). Investigating the influencing factors of teachers’
information and communications technology-integrated teaching behaviors toward
“Learner-Centered” reform using structural equation modeling. Sustainability, 13(22),
12614.

16