Modelo de ecuaciones estructurales para el análisis de los factores que influyen en la intención de continuidad de uso de los servicios de live straming.

Abstract

El presente estudio se realizó con el objetivo de determinar y analizar los distintos factores que afectan la intención de continuidad de los servicios de live streaming (SLS) usando como base las investigaciones de Hsu et al. (2020) en complemento con la investigación de Sjöblon y Hamari (2017), generando así un modelo que integra la teoría de Usos y Gratificaciones (UGT) y la teoría de Riqueza Medios (MRT). El modelo propuesto busca estudiar la relación entre la Intención de Continuidad (CI) de uso de los SLS, la Riqueza Media Percibida (PMR), defina por 4 sub constructos: Retroalimentación Inmediata (IF), Canales (CU), Variedad de Lenguajes (LV) y Enfoque Personal (PF), y las motivaciones de uso de los usuarios de SLS, las cuales se dividen en Afectiva (AF), Cognitiva (CO), de Integración Personal (PI) y de Integración Social (SI), todo esto a través de un análisis confirmatorio que considera un Modelo de Ecuaciones Estructurales y que va a determinar si las relaciones hipotéticas propuestas tienen sustento estadístico. Para la medición de las variables latentes del modelo, se definió y aplicó una encuesta alcanzando un total de 253 respuestas, para luego, mediante el software SPSS AMOS v29, aplicar este análisis confirmatorio. Respecto a las características demográficas y de uso de SLS de la muestra, un 59,68% de ella responde al género masculino y un 37,15% al género femenino, mientras que solo un 3,16% prefirió no contestar. La mayoría responde un rango etario entre los 18 y 24 años (54,94%) y cuenta con educación técnica o universitaria completa (54.15%). Las plataformas que más utilizan son Twitch (57,71%) y YouTube (21,74%), mientras que las categorías más populares son Gameplays y Just Chatting, con un 60,08% y 56,13% de la muestra que las consume respectivamente. La mayoría de la muestra dedica entre 4 y 10 horas semanales al uso de SLS (43,87%) y viendo a no más de 3 streamers o canales de manera regular (60.87%). Lo siguiente fue medir el nivel de fiabilidad de los constructos del modelo, para lo cual se utilizó el indicador Alfa de Cronbach, y en donde se puede observar que la mayoría de los constructos cuenta con un buen nivel de consistencia interna, superando los niveles mínimos aceptables, sin embargo, las variables de Retroalimentación Inmediata (IF) y Variedad de Lenguaje (LV), se encuentran bajo de este mínimo aceptable, pero no alcanzan un nivel mínimo crítico (< 0.60) por lo que se pueden considerar para el presente estudio. Mediante el método de máxima verosimilitud, se realiza un análisis confirmatorio del modelo planteado usando el software SPSS AMOS v29, obteniendo los coeficientes de regresión estandarizados de cada relación entre variables latentes y el R2 asociado a cada variable endógena. Hay que destacar que el valor de R2 de la Intención De Continuidad (CI) es de 0.47, lo que significa que las variables latentes predictoras de la CI explican un 47% de su varianza. Así, de las once hipótesis de estudio, cuatro se rechazan o no tienen significancia estadística, las cuales consideran las relaciones de la Intención De Continuidad (CI) con la Riqueza Media Percibida (PMR), la Motivación Cognitiva (CO), la motivación De Integración Personal (PI) y la motivación de Liberación De Tensión (TR) Por otro lado, se aceptan todas las relaciones entre la riqueza media percibida (PMR) y las motivaciones asociadas a la teoría de usos y gratificaciones, en donde, esta variable, afecta de manera positiva a todas las variables de motivación, siendo la Motivación Afectiva (AF) a que es mayormente influenciada por esta variable (0,631). Mientras, las variables que afectan a la Intención De Continuidad (CI), son solo la motivación afectiva (AF), con un peso positivo de 0,345, y la integración social (SI), con un peso positivo de 0,298. A continuación se midió la bondad del ajuste del modelo, realizando tres tipos de análisis, el primero, de ajuste absoluto, considera los indicadores Chi-cuadrado, Razón Chi-cuadrado y el RMSEA, obteniendo valores aceptables en cada uno de ello, el segundo es el análisis de ajuste incremental, que considera los indicadores CFI y NFI, para los cuales no se lograron valores dentro de los límites aceptables, por último, el tercer análisis, de ajuste de parsimonia, considera el indicador PNFI que está dentro de los valores aceptables, además de contar con el indicador AIC que sirve como comparativo en caso de re especificar el modelo original propuesto. Considerando la situación del ajuste del modelo, se propuso la modificación del modelo original considerando la eliminación de los ítems IF1, PF3 y PI3, los cuales afectan directamente el valor del indicador de fiabilidad, Alfa de Cronbach, aumentando su valor en las respectivas variables afectadas. Si bien, los indicadores de ajuste tomaron mejores valores respecto al modelo original, los indicadores de ajuste incremental, aún se encuentra bajo los niveles aceptables. De estos resultados se concluye que la riqueza media percibida (PMR) afecta directamente en los 5 tipos de motivaciones que describirían el comportamiento de los usuarios, dando a entender que las características que hacen del live streaming un medio de alta riqueza, tiene un impacto positivo en las motivaciones de los usuarios de estos servicios. Además, se concluye que la Intención de Continuidad posee un componente tanto afectivo como social derivado de la relación de esta variable con la Motivación Afectiva (AF) y de Integración Social (SI), en donde el aspecto afectivo está atado a un sentimiento de simpatía y entretención hacia el/los streamers que consume el usuario, mientras que el aspecto social está más relacionado con el sentimiento de comunidad que se generan alrededor de algunos canales o streamer en los cuales se genera una interacción más cercana con otros usuarios