بادرنظر گرفتن نظریه اجتناب از فناوری، تهدید درک شده فناوری توسطافراد با حساسیت درک­شده آن­ها و به شدت پیامدهای منفی بعدی از فناوری اطلاعات مربوط می­شود. درحالی­که تحقیقات مربوط به تهدیدات فناوری اطلاعات هنوز بسیار محدود  می­باشد، نظریه اجتناب از فناوری برای توضیح عامل تعیین­کننده قصد افراد برای اجتناب از تهدیدات فناوری اطلاعات در چندین زمینه مختلف به­کار گرفته شده است (مانند آلومار[1] و همکاران، 2019؛ بروارد[2] و همکاران، 2017؛ کارپنتر[3] و همکاران، 2019؛ لیانگ و ژو[4]، 2009؛ زاهدی[5] و همکاران، 2015). اکثر این مطالعات تجربی تنها بخش­هایی از نظریه اجتناب از فناوری را اتخاذ کردند و نتایج متفاوتی درباره رابطه بین شدت درک­شده، حساسیت و تهدید درک­شده پیدا کردند (کارپنتر و همکاران، 2019). برای مثال زاهدی و همکاران (2015) نشان دادند که چگونه عملکرد و عناصر مرتبط با هزینه ابزارهای شناسایی بر ادراک کاربران از ابزارها و تهدیدات، کارآمدی در مقابله با تهدیدات و تکیه بر چنین ابزارهایی با استفاده از یک بررسی کنترل­شده در دو حوزه مجزا تأثیر گذاشته است. بنابراین باتوجه به این­که نگرانی­های جدی در مورد این احتمال وجود دارد که استفاده از هوش مصنوعی می­تواند تصمیمات سازمانی بدی را به همراه داشته باشد، نظریه اجتناب از فناوری را می­توان برای درک تهدیدات مرتبط با هوش مصنوعی به­کار گرفت (کائو و همکاران، 2021).

[1] . Alomar

[2] . Breward

[3] . Carpenter

[4] . Liang & Xue

[5] . Zahedi

2-1-9- سختی درک‌شده 3

2-1-10- حساسیت درک‌شده 3

2-1-11- تهدید درک‌شده 4

2-2- پیشینه پژوهش.... 7

منابع.. 8

• اردکانی، سعید؛ جهانبازی، ندا (1394). تاثیر تصویر فروشگاه بر قصد خرید مشتریان: اعتماد و ریسک درک شده به عنوان متغیرهای تعدیل گننده. مجله تحقیقیات بازاریابی نوین. دوره 5. شماره 2. ص 53-72.
• جعفری، محمدباقر؛ حسینی، معصومه (1396). بررسی نقش تعدیل­کنندگی متغیرهای جمعیت­شناختی بر ریسک­های ادراک­شده پذیرش تجارت الکترونیکی در بخش کشاورزی ایران. دوره 2، شماره 3.
• سمیعی زفرقندی، عادله؛ نایب زاده، شهناز؛ دهقان دهنوی، حسن (1394). بررسی تاثیر ارزش، اثربخشی و ریسک درک شده از سوی مصرف کننده بر قصد خرید محصولات سبز. مجله بازاریابی. مدیریت بازاریابی. شماره 27.
• مدبرنیا، یاسمن؛ وظیفه­دوست، حسین؛ عبدالوند، محمدعلی (1399). ارائه مدل رفتاری مشتریان در میزان پذیرش و شیوه استفاده از خدمات بانکداری الکترونیک با توسعه و تحلیل تئوری UTAUT. مجله مدیریت توسعه و تحول، شماره 43.

• Alomar, N., Alsaleh, M., Alarifi, A., 2019. Uncovering the predictors of unsafe computing behaviors in online crowdsourcing contexts. Comput. Secur. 85, 300–312.

• Ansari, Z. A. (2018). Barriers to internet banking adoption in developing countries: a consumer survey. International journal of electronic banking, Vol. 1, No. 2.
• Atienza, R. P. (2018). Resistance to mobile and internet banking innovation in Ozamin city, Philippines. Journal of multidisciplinary studies, Vol. 7, No. 1, pp. 21-39.

• tion for cognitive engineering. Int. J. Aviat. Psychol. Vol. 21, No. 1, pp. 85- 104.

• Breward, M., Hassanein, K., Head, M., 2017. Understanding consumers’ attitudes toward controversial information technologies: a contextualization approach. Inf. Syst. Res. 28 (4), 760–774.

• Brock, J.K.-U., von Wangenheim, F., 2019. Demystifying AI: what digital transformation leaders can teach you about realistic artificial intelligence. Calif. Manag. Rev. 61 (4), 110–134.

• Cao, G., Duan, Y., Edwards, J. S., & Dwivedi, Y. K. (2021). Understanding managers’ attitudes and behavioral intentions towards using artificial intelligence for organizational decision making. Technovation, 106, 102312.‏

• Carpenter, D., Young, D.K., Barrett, P., McLeod, A.J., 2019. Refining technology threat avoidance theory. Commun. Assoc. Inf. Syst. 44, 380–407.

• Farrokhi, A., Shirazi, F., Hajili, N., Tajvidi, M. (2020). Using artificial intelligence to detect crisis related to events: Decision making in B2B by artificial intelligence.

• Kamal, S. A., Shafiq, M., & Kakria, P. (2020). Investigating acceptance of telemedicine services through an extended technology acceptance model (TAM). Technology in Society, 60, 101-122.
• Kayode I. Adenuga, Noorminshah A. Iahad, Suraya Miskon, (2017). Towards reinforcing telemedicine adoption amongst clinicians in Nigeria, Int. J. Med. Inform. 104 (2017) 84–96.

• Liang, H., Xue, Y., 2009. Avoidance of information technology threats: a theoretical perspective. MIS Q. 71–90.

• Liang, H., Xue, Y., 2010. Understanding security behaviors in personal computer usage: a threat avoidance perspective. J. Assoc. Inf. Syst. Online 11 (7), 394–413.

• Ransbotham, S., Gerbert, P., Reeves, M., Kiron, D., Spira, M., 2018. Artificial Intelligence in Business Gets Real. MIT Sloan Management Review and Boston Consulting Group

• Ransbotham, S., Khodabandeh, S., Kiron, D., Candelon, F., Chu, M., LaFountain, B., 2020. In: M. S. M. R. a. B. C. Group (Ed.), Expanding AI’s Impact with Organizational Learning. MIT Sloan Management Review and Boston Consulting Group.

• Ransbotham, S., Kiron, D., Gerbert, P., Reeves, M., 2017. Reshaping business with artificial intelligence: closing the gap between ambition and action. MIT Sloan Manag. Rev. 59 (1), 1–23.

• Sharma, S.K., Sharma, H., Dwivedi, Y. K. (2019). A hybrid SEM-neural network model for predicting determinants of mobile payment services, Inf. Syst. Management. 29, pp.1–9.

• Touchy, S. (2015). Parsing Susceptibility and Severity Dimensions of Health Risk Perceptions. Journal of Health Communication, 20:499–511.
• Zahedi, F.M., Abbasi, A., Chen, Y., 2015. Fake-website detection tools: identifying elements that promote individuals’ use and enhance their performance. J. Assoc. Inf. Syst. Online 16 (6), 448–484.