technostress, burnout en de modererende rol van computer self...
Post on 02-Oct-2020
2 Views
Preview:
TRANSCRIPT
UNIVERSITEIT GENT
Faculteit Psychologie en Pedagogische Wetenschappen
Academiejaar 2010-2011
Eerste Examenperiode
Technostress, burnout en de modererende rol van computer self-efficacy:
Een onderzoek bij administratief bedienden in Vlaanderen.
Masterproef neergelegd tot het behalen van de graad van master in de psychologie,
afstudeerrichting Bedrijfspsychologie en Personeelsbeleid
door Angélique Daeleman
Promotor: Prof. Dr. Peter Vlerick
Begeleiding: Lic. Bart Van de Ven
I
Abstract
Het gebruik van informatie- en communicatietechnologie (ICT) heeft de laatste vier
decennia een steeds prominentere plaats ingenomen op de werkvloer. Deze ICT werden
ingevoerd met het doel de productiviteit en de prestaties te verbeteren, maar er zijn ook
negatieve gevolgen, zoals technostress. Technostress wordt veroorzaakt door de
onmogelijkheid om zich aan te passen of op een gezonde manier om te gaan met nieuwe
ICT. Door de constante evolutie van technologie is er nood aan onderzoek omtrent de
negatieve gevolgen. Dit onderzoek speelt hierop in, specifiek door het verband tussen
technostress en burnout na te gaan en de modererende rol van computer self-efficacy en
attitude ten aanzien van computers in deze relatie te onderzoeken. Technostress wordt
hier gemeten door een vertaalde en gevalideerde vragenlijst die uit vijf subschalen
bestaat: techno-overload, techno-invasie, techno-complexiteit, techno-onveiligheid en
techno-onzekerheid. Er werden 177 administratief medewerkers van verschillende
organisaties online bevraagd. De eerste onderzoeksvraag gaat na of er een rechtstreekse
relatie bestaat tussen technostress en burnout. De tweede onderzoeksvraag gaat na of
deze relatie gemodereerd wordt door computer self-efficacy en de attitude ten aanzien
van computers. Uit de resultaten, die werden verkregen door hiërarchische multipele
regressieanalyse, komen een aantal duidelijke effecten naar voor. De moderatie
hypothesen werden niet bevestigd voor techno-complexiteit en techno-onzekerheid. Wel
blijkt er voor de andere drie technostress dimensies een moderatie-effect van attitude ten
aanzien van computers aanwezig te zijn. Deze resultaten zijn van belang in de praktijk,
waar men indien mogelijk technostress moet vermijden of werknemers moet leren
omgaan met negatieve gevolgen van technologie.
II
Inhoudstafel
Abstract .............................................................................................................................. I
Inhoudstafel ...................................................................................................................... II
Lijst met tabellen ............................................................................................................ IV
Lijst met figuren ............................................................................................................. IV
Woord Vooraf ................................................................................................................... V
Inleiding ............................................................................................................................ 1
Theoretische achtergrond en Hypotheseontwikkeling ..................................................... 2
Burnout 2
Definitie burnout. 2
Gevolgen van burnout. 3
Antecedenten van burnout. 4
Technostress 5
Definitie technostress. 5
Componenten technostress. 5
Oorzaken technostress. 6
Attitude ten aanzien van Computers 7
Computer Self-Efficacy 7
Definitie Self-efficacy. 7
Computer Self-efficacy. 8
Onderzoeksmodel en Hypotheses 8
Methode .......................................................................................................................... 13
Procedure en steekproef 13
Meetinstrumenten 14
Controlevariabelen. 14
Afhankelijke variabele. 15
Onafhankelijke variabelen. 16
Data-analyse 19
III
Resultaten ....................................................................................................................... 19
Preliminaire Analyses 19
Hypothese Toetsing 22
Techno-overload – Burnout. 22
Techno-invasie – Burnout. 25
Techno-complexiteit – Burnout. 27
Techno-onveiligheid – Burnout. 29
Techno-onzekerheid – Burnout. 32
Discussie ......................................................................................................................... 35
Beperkingen en toekomstig onderzoek 37
Implicaties voor de praktijk 38
Conclusie 39
Referenties ...................................................................................................................... 41
Appendix ........................................................................................................................ 46
Bijlage 1. Begeleidende brief 47
Bijlage 2. Vragenlijsten 48
Bijlage 3. Codeboek 53
IV
Lijst met tabellen
Tabel 1. Geroteerde Factor Matrix UBOS 16
Tabel 2. Geroteerde Factor Matrix Technostress Questionnaire 18
Tabel 3. Psychometrische kenmerken van de meetschalen (n = 177) 20
Tabel 4. Pearson intercorrelaties (n = 177) 21
Tabel 5. Hiërarchische regressieanalyses van techno-overload, CSE, attitudes ten
aanzien van computers en diens interacties op burnout 24
Tabel 6. Hiërarchische regressieanalyses van techno-invasie, CSE, attitudes ten aanzien
van computers en diens interacties op burnout. 26
Tabel 7. Hiërarchische regressieanalyses van techno-complexiteit, CSE, attitudes ten
aanzien van computers en diens interacties op burnout. 28
Tabel 8. Hiërarchische regressieanalyses van techno-onveiligheid, CSE, attitudes ten
aanzien van computers en diens interacties op burnout. 31
Tabel 9. Hiërarchische regressieanalyses van techno-onzekerheid, CSE, attitudes ten
aanzien van computers en diens interacties op burnout. 34
Lijst met figuren
Figuur 1. Onderzoeksmodel: De impact van Technostress op Burnout, Computer Self-
efficacy en attitude ten aanzien van computers als modererende variabelen. 10
Figuur 2. Modererend effect van attitude op de relatie tussen techno-overload en
depersonalisatie. 23
Figuur 3. Modererend effect van attitude op de relatie tussen techno-invasie 27
Figuur 4. Modererend effect van attitude op de relatie tussen techno-onveiligheid en
depersonalisatie. 30
Figuur 5. Modererend effect van attitude op de relatie tussen techno-onveiligheid en
persoonlijke bekwaamheid. 32
V
Woord Vooraf
Bij de start van het eerste masterjaar moesten we ons masterproef onderwerp kiezen. Ik
koos toen voor het onderwerp met als titel „ICT @ work: Technostress en Burnout‟.
Twee jaar later en meer dan 15.000 woorden verder, moet ik vaststellen dat ik het nog
steeds een zeer boeiend onderwerp vind. Het schrijven van een scriptie betekende een
grote uitdaging voor mij maar het heeft me veel voldoening geschonken. Ik zie het dan
ook als een hoogtepunt van mijn opleiding. Doorheen dit interessante, leerrijke proces
was er uiteraard sprake van vallen en opstaan, maar ik kon hierbij steeds rekenen op
verschillende mensen uit mijn omgeving. Dankzij hun hulp en steun heb ik deze scriptie
tot een goed einde kunnen brengen. Graag wil ik deze mensen van harte bedanken.
Allereerst zou ik Prof. Dr. Peter Vlerick, promotor, willen bedanken voor het aanreiken
van dit boeiende onderwerp. Zeer veel dank gaat ook uit naar Bart Van de Ven, mijn
thesisbegeleider, die telkens weer antwoord kon bieden op mijn vragen en ervaren
problemen en die de scriptie verschillende malen doorlas en verbeteringen aanreikte.
Vervolgens wil ik ook graag alle participanten bedanken die mijn vragenlijst invulden,
zonder hen was deze masterproef zeker niet mogelijk geweest. In het bijzonder ook
dank aan Sarah, zij zorgde ervoor dat ik binnen haar organisatie een groot aantal
administratief medewerkers kon bereiken..
Verder bedank ik ook mijn medestudenten voor hun steun tijdens de moeilijke
momenten, creatieve ideeën en oplossingen.
Tenslotte wil ik ook mijn ouders bedanken, in de eerste plaats om deze studie mogelijk
te maken en zeker ook voor de praktische hulp bij het bereiken van de verschillende
deelnemende organisaties. Daarnaast wil ik hen en mijn vriend Jonas ook uitdrukkelijk
danken voor hun nooit aflatende begrip, steun en interesse.
1
Inleiding
Het gebruik van computertechnologie zoals het internet, draadloze netwerken en
mobiele communicatie heeft de laatste vier decennia een steeds prominentere plaats
ingenomen op de werkvloer. Werkroutines en het dagelijks leven moesten hieraan
aangepast worden. De werking van hele afdelingen valt of staat door het gebruik van
informatie- en communicatietechnologie (ICT).
Deze ICT‟s werden ingevoerd met het doel de productiviteit en de prestaties te
verbeteren, daarnaast zijn er ook nog andere positieve gevolgen. In de literatuur kunnen
we onder andere terugvinden dat een hoge mate van blootstelling aan een technologie
leidt tot minder angst voor deze technologie. Deze relatie is vaak afhankelijk van het
type blootstelling, wat zorgt voor een vrij complexe relatie tussen blootstelling aan
technologie en het welzijn van werknemers (Chua, Chen, & Wong, 1999; Salanova &
Schaufeli, 2000; Smith, Caputi, & Rawstorne, 2000). Naast de positieve effecten van de
implementatie van ICT‟s op de werkvloer, zijn er ook negatieve effecten op de
gezondheid en het psychologisch welzijn van werknemers te rapporteren. Afhankelijk
van iemands persoonlijke houding en iemands attitude tegenover ICT‟s kan
computertechnologie leiden tot een verhoging van angst en spanning (Tarafdar, Tu,
Ragu-Nathan & Ragu-Nathan, 2007). Vervolgens kan het gebruik van ICT ook leiden
tot stress, dit fenomeen, gekend als technostress, wordt gekenmerkt door de
onmogelijkheid om op een gezonde manier met nieuwe computertechnologieën om te
gaan (Brod, 1984). Dit wordt bijvoorbeeld duidelijk wanneer ICT‟s leiden tot een
constante verbondenheid met het werk, werknemers hebben dan het gevoel constant
stand-by te zijn en geloven dat ze zelf de controle over tijd en ruimte verloren hebben.
Concreet is technostress dus de som van alle negatieve effecten die de kop op steken
wanneer individuen proberen om met nieuwe ICT om te gaan, dit door steeds nieuwe
technologische vaardigheden te leren om zo aan de hogere productiviteitseisen te
voldoen (Şahin, & Çoklar, 2009).
Het doel van dit onderzoek is om technostress te relateren aan een negatieve
gezondheidsuitkomst, namelijk burnout. Verder zal ook nagegaan worden of de relatie
tussen technostress en burnout beïnvloed wordt door computer self-efficacy en attitudes
ten aanzien van computers. Er is echter nog weinig onderzoek naar de relatie tussen
2
deze twee constructen. Uit voorgaand onderzoek is reeds gebleken dat een hoge mate
van technostress leidt tot een verminderde productiviteit en een hoge mate van rolstress
(Tarafdar et al., 2007), wat op zijn minst tegenstrijdig te noemen is met de
oorspronkelijke bedoeling van het invoeren van ICT op de werkvloer. Wij zullen
nagaan of technostress ook gerelateerd is aan burnout. Technostress zal gemeten worden
aan de hand van zijn vijf componenten (Tarafdar et al., 2007), de vijf componenten van
technostress zijn techno-overload, techno-invasie, techno-complexiteit, techno-
onveiligheid en techno-onzekerheid. Burnout zal gemeten worden aan de hand van drie
componenten, namelijk emotionele uitputting, depersonalisatie en persoonlijke
bekwaamheid (Maslach, Schaufeli, & Leiter, 2001). Zoals eerder vermeld spelen
iemands persoonlijke houding en iemands attitude ten aanzien van computers ook een
rol. Attitude ten aanzien van computertechnologie kan in verband gebracht worden met
het construct computer self-efficacy. Computer self-efficacy is gebaseerd op het
construct self-efficacy van Bandura (1986) en representeert de percepties van een
individu over zijn/ haar bekwaamheid om computers te gebruiken bij het vervullen van
een bepaalde taak (Murphy, Coover, & Owen, 1989; Compeau, & Higgins, 1995).
Het doel van dit onderzoek is dus om na te gaan of er een rechtstreekse relatie
bestaat tussen technostress door computergebruik en burnout en verder zal er worden
nagegaan of computer self-efficacy en persoonlijke attitude ten aanzien van computers
een modererende rol vervullen in deze relatie. Om te beginnen zullen we in deze paper
de afhankelijke, onafhankelijke en moderator variabelen definiëren en situeren binnen
dit onderzoek. Vervolgens zullen we het onderzoeksmodel en de hypotheses
voorstellen. Hierna volgt een bespreking van de gehanteerde onderzoeksmethode en
tenslotte zullen we het hebben over de resultaten en de implicaties van het onderzoek.
Theoretische achtergrond en Hypotheseontwikkeling
Burnout
Definitie burnout. Burnout wordt gedefinieerd als een werkgerelateerd
syndroom veroorzaakt door een veeleisende werkomgeving (Halbesleben & Buckley,
2004; Maslach et al., 2001). Burnout wordt doorgaans gezien als een drie- dimensioneel
3
syndroom, gekenmerkt door een affectieve respons namelijk emotionele uitputting,
depersonalisatie en persoonlijke bekwaamheid (Maslach et al., 2001). Emotionele
uitputting is de centrale component van burnout en het is ook de meest opvallende
manifestatie van het burnoutsyndroom.
Emotionele uitputting wordt vooral gekenmerkt door het verlies aan energie dat
men ervaart wanneer men overdreven inspanningen moet leveren op het werk
(Salanova, Grau, Cifre, & Llorens, 2000). Hoewel emotionele uitputting noodzakelijk is
om burnout te definiëren, is het niet voldoende. Emotionele uitputting beschrijft immers
enkel de stressdimensie van burnout, maar omvat geen aspecten van de relatie die
mensen hebben met hun werk (Maslach et al., 2001).
De tweede component van burnout, depersonalisatie, wordt omschreven als een
onverschillige en afstandelijke houding ten opzichte van het werk. Werknemers gaan
zich cognitief distantiëren door een houding te ontwikkelen die eerder onverschillig of
zelfs cynisch is (Hetland, Sandal, & Johnsen, 2006). Deze distantiëring is een zodanig
automatische reactie op emotionele uitputting waardoor deze twee componenten als de
kern van burnout beschouwd worden (Maslach et al., 2001).
Ten slotte is een gebrek aan persoonlijke bekwaamheid de derde en laatste component
van burnout. Met persoonlijke bekwaamheid wordt het gevoel van prestatie en job-
competentie bedoeld. Deze component zou zich eerder onafhankelijk van de vorige
twee componenten ontwikkelen (Salanova et al., 2000). Concreet kan men een hoge
mate van emotionele uitputting en depersonalisatie en een lage score op persoonlijke
bekwaamheid beschouwen als burnout.
Gevolgen van burnout. Het feit dat burnout vandaag zo veel aandacht krijgt, is
ten dele te wijten aan de gevolgen ervan. Burnout is gerelateerd aan verscheidene
werkgerelateerde gevolgen, hier kan een onderscheid gemaakt worden tussen twee
soorten. Enerzijds zijn er de gevolgen gerelateerd aan het terugtrekken van het werk, vb.
absenteïsme, verloopintentie en turnover. Anderzijds, wanneer men wel gaat werken,
leidt burnout tot een lagere productiviteit en een daling van de effectiviteit. Deze
uitkomsten leiden op hun beurt tot een daling in jobsatisfactie en betrokkenheid
(Maslach et al., 2001). Werknemers die lijden aan het burnoutsyndroom kunnen een
negatieve impact hebben op hun collega‟s, burnout kan dus “besmettelijk” zijn en
4
zichzelf versterken door informele interacties op het werk (Maslach et al., 2001). Verder
kan burnout een impact hebben op de gezondheid van werknemers, hierbij is de
component van emotionele uitputting het meest predictief voor stressgerelateerde
gezondheidseffecten (Maslach et al., 2001).
Onderzoek leert ons dat burnout ook effecten heeft op de fysieke gezondheid,
burnout kan immers leiden tot cardiovasculaire aandoeningen en diabetes (Melamed,
Shirom, Toker, Berliner, & Shapira, 2006). De relatie van burnout met mentale
gezondheid is complexer, uit onderzoek blijkt dat burnout gerelateerd is aan de
persoonlijkheidsdimensie neuroticisme (Langelaan, Bakker, van Doornen, & Schaufeli,
2006). Hierdoor kunnen we argumenteren dat mensen die mentaal gezonder zijn beter
kunnen omgaan met chronische stressoren en dus minder vaak zullen lijden aan
burnout. Verder is er nog de assumptie dat burnout mentale stoornissen veroorzaakt,
zoals angst, depressie, een verlaagd zelfbeeld,…
Antecedenten van burnout. Er zijn verschillende soorten antecedenten van
burnout, enerzijds zijn er de persoonlijke factoren en anderzijds zijn er de werk
gerelateerde of situationele factoren (Maslach et al., 2001). Hier zullen we ons echter
beperken tot de werk gerelateerde of situationele factoren, aangezien de relaties van
persoonlijke factoren met burnout niet zo sterk zijn als de relatie van burnout met de
werk gerelateerde of situationele factoren. We kunnen dus stellen dat burnout meer een
sociaal dan een individueel fenomeen is (Maslach et al., 2001).
Kwantitatieve en kwalitatieve job-eisen zijn in het verleden uitvoerig bestudeerd en uit
dat onderzoek is gebleken dat burnout het gevolg is van een te hoge werklast (Maslach
et al., 2001). De ervaren werklast en tijdsdruk zijn sterk gerelateerd aan burnout, in het
bijzonder aan de dimensie „emotionele uitputting‟. Verder is uit onderzoek, gebaseerd
op het JD-R model, gebleken dat hoge taakeisen op het werk en een gebrek aan
hulpbronnen burnout voorspellen (Demerouti, Bakker, Nachreiner, & Schaufeli, 2001).
Werknemers die een gebrek aan sociale steun ervaren blijken hoger te scoren op
burnout. Ook een gebrek aan controle en feedback leiden tot een hogere score op
burnout. De kans op burnout is dus groter voor werknemers die weinig participatie
hebben in het beslissingsproces en weinig beslissingsruimte hebben in hun werk in het
algemeen. Daar bij aansluitend vertonen ook rolconflict en rolambiguïteit een matige tot
5
hoge correlatie met burnout (Maslach et al., 2001). Recent onderzoek toont aan dat er
een relatie is tussen leiderschap en de mate van burnout ervaren bij ondergeschikten in
de ICT-sector. Zowel transformationeel als passief-vermijdend leiderschap zijn
gerelateerd aan de drie burnout componenten (Hetland, Mjeldheim Sandal, & Backer
Johnsen, 2007). Wanneer we kijken naar de impact van technologie op het werk dan
zien we dat uit een onderzoek bij verpleegsters op intensieve zorgen is gebleken dat er
een positieve relatie bestaat tussen burnout en technologiegebruik (Schaufeli, Keijsers,
& Miranda, 1995).
Technostress
Definitie technostress. De term technostress werd voor het eerst gedefinieerd
door Craig Brod in 1984, hij omschreef technostress als een moderne aanpassingsziekte
veroorzaakt door de onmogelijkheid om op een gezonde manier met nieuwe
computertechnologieën om te gaan (Brod, 1984). Deze definitie werd in 1997 uitgebreid
door Weil en Rosen, concreet betekende dit dat technostress door hen gezien werd als
elke negatieve impact op attitudes, gedachten, gedragingen of lichamelijke fysiologie
die direct of indirect veroorzaakt is door technologie (Weil & Rosen, 1997). Andere
vaak voorkomende termen voor technostress in de literatuur zijn bv. technofobie,
cyberfobie, computerfobie en computerstress (Wang et al., 2008).
Componenten technostress. De bestaande literatuur identificeert diverse
aspecten van technostress, maar meest recent werden er door Tarafdar et al. (2007) vijf
componenten van technostress omschreven bij de ontwikkeling van een technostress-
schaal. Deze componenten beschrijven typische situaties waar het gebruik van
computertechnologie kan leiden tot technostress. De eerste component is techno-
overload, hier worden er situaties beschreven waarbij werknemers gedwongen worden
sneller en langer te werken omwille van ICT‟s. De tweede component, techno-invasie,
is het effect van ICT‟s waarbij situaties worden gecreëerd waarin gebruikers constant
bereikbaar zijn, werknemers voelen hierbij de behoefte om constant „in verbinding te
staan‟ met de organisatie, er is sprake van een overlap tussen de werk gerelateerde en
persoonlijke context. Vervolgens is er techno-complexiteit, hier beschrijft men situaties
6
waar de complexiteit van ICT‟s gebruikers een gevoel geeft van tekort te schieten op het
vlak van computervaardigheden. Ze worden hierbij als het ware gedwongen om tijd en
moeite te investeren in het leren en begrijpen van ICT‟s. De vierde component is
techno-onveiligheid, deze wordt geassocieerd met situaties waarin gebruikers zich
bedreigd voelen door de ICT‟s. Ze zijn bang dat ze hun job zullen verliezen door twee
mogelijke scenario‟s: een eerste scenario is dat de ICT‟s de werknemers vervangen, het
tweede scenario stelt dat werknemers vervangen worden door iemand die de nieuwe
ICT‟s beter begrijpt. De vijfde en laatste component van technostress is techno-
onzekerheid, hierbij wordt gerefereerd naar contexten waarbij continue veranderingen in
een ICT gebruikers van streek brengen en waarbij onzekerheid gecreëerd wordt. Als
gevolg moeten de gebruikers constant leren en zichzelf bijscholen over de nieuwe
ICT‟s.
Oorzaken technostress. In de organisatiecontext wordt technostress
veroorzaakt door individuele pogingen om met nieuwe ICT‟s te leren omgaan, alsook
door hun impact op de fysieke, sociale en cognitieve eisen. Bloom (1985) beweert dat
een gebrek aan computervaardigheden en ervaring de voornaamste oorzaken zijn van
computer gerelateerde technostress, deze tekortkomingen kunnen angst induceren
waardoor mensen minder geneigd gaan zijn om ICT‟s te gebruiken.
Onderzoek toont ook aan dat er externe factoren zijn die de mate van ervaren
technostress versterken of verzwakken. Werknemers kunnen verschillen in technostress
rapporteren afhankelijk van de organisatiestructuur (Wang et al., 2008). Organisaties
met een lage centralisatie en lage innovatie rapporteren lagere niveaus van technostress,
terwijl organisaties gekenmerkt door een hoge centralisatie en hoge innovatie meer
technostress rapporteren. Kijken we naar de vijf componenten van technostress, dan
zien we dat techno-invasie geen significante verschillen met zich meebrengt. De andere
componenten zijn altijd het laagst in organisaties met een lage centralisatie en lage
innovatie en het hoogst in organisaties met een hoge centralisatie en hoge innovatie.
7
Attitude ten aanzien van Computers
In dit onderzoek zullen we nagaan of de relatie tussen technostress en burnout
beïnvloed wordt door de attitude ten aanzien van computers die individuen hanteren. Er
is geen eenduidige definitie voor attitudes, maar in basis gaat het om een evaluatie.
Attitudes worden dus over het algemeen beschouwd als een geheel van de evaluaties die
mensen maken over dingen of objecten. Deze evaluaties worden gemaakt op een
continuüm dat gaat van positief tot negatief (Petty, Wegener, & Fabrigar, 1997).
Net zoals attitudes niet eenduidig te definiëren zijn, is er ook geen unieke,
universele definitie voor het construct computer attitudes. Meestal wordt in de literatuur
het theoretisch model van MacGuire (1985) over attitudes gevolgd. In dit model word
een drieledig perspectief naar voor gebracht. MacGuire stelde dat de structuur van een
attitude tot drie evaluatieve componenten kan bevatten: een cognitieve component,
hiermee bedoelen we gedachten of ideeën die uitgedrukt worden als overtuigingen, een
affectieve component, dit zijn gevoelens en emoties ten aanzien van een attitude object
en een gedragsmatige component, wat tot uiting komt in observeerbaar gedrag of
intentioneel gedrag. Hoewel een attitude alle drie de componenten kan bezitten, kan ze
ook grotendeels of enkel gebaseerd zijn op één van de bovenstaande componenten.
In lijn met dit model verwijst de cognitieve component van attitude ten aanzien
van computers naar de stereotypes of overtuigingen die mensen hanteren over computes
en computergebruik. De affectieve component verwijst dan naar het gemak en plezier
dat men associeert met computers. Ten slotte verwijst de gedragsmatige component naar
het dagelijkse computergebruik (Sáinz & López-Sáez, 2009).
Computer Self-Efficacy
Definitie Self-efficacy. In deze studie zal onderzocht worden of computer self-
efficacy een modererend effect heeft op de relatie van technostress met burnout.
Computer self-efficacy is gebaseerd op de theorie van self-efficacy (Bandura, 1986,
1997). Bandura (1986) definieert self-efficacy als “People's judgments of their
capabilities to organize and execute courses of action required to attain designated types
of performances. It is concerned not with the skills one has but with judgments of what
8
one can do with whatever skills one possesses (p.391).” Het is een belangrijk construct
in de sociale psychologie. Bandura (1986) gelooft dat individuele self-efficacy van
belang is voor het bepalen van prestatie en dat deze prestatie dus niet bepaald wordt
door de onderliggende vaardigheden die nodig zijn voor het uitvoeren van een bepaalde
taak. Verder benadrukt zijn theorie dat de meest invloedrijke bron op self-efficacy
overtuigingen het geïnterpreteerd resultaat van iemands prestatie of ervaring is.
Resultaten die gezien worden als succesvol doen self-efficacy toenemen, terwijl minder
goede resultaten leiden tot een daling in self-efficacy.
Computer Self-efficacy. We kunnen een onderscheid maken tussen algemene
en specifieke self-efficacy, deze twee soorten van self-efficacy zijn onderling
gerelateerd en kunnen complementair werken. Daar waar algemene self-efficacy als een
globaal vertrouwen in iemands capaciteiten over verschillende situaties wordt gezien,
kan men specifieke self-efficacy omschrijven als het vertrouwen in iemands capaciteiten
in een specifieke situatie. Een vorm van die specifieke self-efficacy is computer self-
efficacy. Computer self-efficacy wordt door Murphy, Coover en Owen (1989)
gedefinieerd als de perceptie van iemands mogelijkheden met betrekking tot specifieke
computer-gerelateerde kennis en vaardigheden. Het construct stelt dus de percepties van
een individu over zijn/ haar bekwaamheid om computers te gebruiken bij het vervullen
van een bepaalde taak voor en niet de vaardigheden die men bezit om die taak uit te
voeren. Het gaat dus ook niet om wat iemand in het verleden heeft gedaan, maar het
gaat eerder om de oordelen over wat gedaan kan worden in de toekomst. Computer self-
efficacy verwijst dus niet naar eenvoudige componenten van de vaardigheid, maar naar
de oordelen over de bekwaamheid om die vaardigheid toe te passen op algemene, brede
taken.
Onderzoeksmodel en Hypotheses
Wanneer we er de literatuur op nakijken zien we dat er al heel wat onderzoek
verricht is naar technostress en burnout als aparte constructen, hierdoor zijn de
verschillende antecedenten en gevolgen van beide in kaart gebracht. Er is echter nog
weinig onderzoek naar de relatie tussen deze twee constructen. Technologiegebruik
9
werd wel reeds gerelateerd aan twee componenten van burnout bij verpleegsters op de
dienst intensieve zorgen (Schaufeli et al., 1995). In een ander onderzoek bij Spaanse
werknemers die dagelijks in contact kwamen met computertechnologie werd er dan
weer geen directe relatie gevonden tussen blootstelling aan technologie en burnout
(Salanova & Schaufeli, 2000). In bovenstaand onderzoek wordt het construct
technostress echter niet gemeten en gaat het steeds over technologiegebruik en
blootstelling aan technologie. Het doel van dit onderzoek is dus om na te gaan of er een
rechtstreekse relatie bestaat tussen technostress door computergebruik en burnout, wat
meteen ook onze eerste onderzoeksvraag is.
De tweede onderzoeksvraag zal peilen naar de modererende rol van computer
self-efficacy en de attitude ten aanzien van computers in deze relatie. Hoewel de meeste
studies omtrent computer self-efficacy het construct bestuderen als afhankelijke
variabele, is uit onderzoek gebleken dat self-efficacy een belangrijke modererende rol
vervult in het stressproces. Grau et al. (2000) vonden dat specifieke self-efficacy meer
relaties tussen stress en strain modereert dan algemene self-efficacy. Uit voorgaand
onderzoek kan men afleiden dat self-efficacy de relatie tussen werklast en enkele
werkgerelateerde strains modereert (Jex & Bliese, 1999). Verder hebben Salanova,
Peiró en Schaufeli (2002) aangetoond dat specifieke self-efficacy een modererende rol
speelt in de relatie van controle over het werk met jobsatisfactie en burnout. Het komt er
in dit onderzoek op neer dat werknemers met een hoge controle en hoge taakeisen, meer
burnout rapporteren wanneer zij een lage computer self-efficacy hebben. Ten slotte
blijkt uit onderzoek bij 140 werknemers uit de ICT-sector dat computer self-efficacy de
relatie tussen computer training en burnout modereert, maar enkel voor emotionele
uitputting en depersonalisatie (Salanova et al., 2000). Voor zover we er de literatuur op
nagaan is er echter nog geen onderzoek naar de effecten van computer self-efficacy in
de relatie tussen technostress en burnout.
Figuur 1 geeft het onderzoeksmodel van dit onderzoek weer. Zoals eerder
vermeld zal deze studie peilen naar de relatie tussen technostress en burnout en zullen
we nagaan of deze relatie gemodereerd wordt door computer self-efficacy en attitude
ten aanzien van computers. In dit onderzoek zullen we technostress definiëren aan de
hand van de vijf componenten, namelijk techno-overload, techno-invasie, techno-
complexiteit, techno-onveiligheid en techno-onzekerheid (Tarafdar et al., 2007).
10
Burnout zullen we beschrijven door gebruik te maken van drie componenten, namelijk
emotionele uitputting, depersonalisatie en persoonlijke bekwaamheid (Maslach,
Schaufeli, & Leiter, 2001). Computer self-efficacy en attitude ten aanzien van
computers worden in dit onderzoek behandeld als modererende variabelen.
De bovenstaande uiteenzetting zorgt voor het poneren van zes hypothesen.
Onderzoek heeft aangetoond dat technologie één van de factoren is die stress
veroorzaakt (Sami & Pangannaiah, 2006; Thomée, Eklöf, Gustafsson, Nilsson, &
Hagberg, 2005; Wang et al., 2008). In deze context kan men stellen dat er verschillende
manieren zijn waarop technologie stress kan veroorzaken.
Figuur 1. Onderzoeksmodel: De impact van Technostress op Burnout, Computer Self-
efficacy en attitude ten aanzien van computers als modererende variabelen.
In het bijzonder kan men dus stellen dat door de implementatie van technologie
op de werkvloer met de bedoeling om de productiviteit te verhogen, werknemers
volgens de vijf componenten van technostress (a) het gevoel krijgen dat ze gedwongen
worden sneller en langer te werken; (b) het gevoel krijgen dat er situaties gecreëerd
worden waarbij ze constant in verbinding staan met hun werk en constant bereikbaar
moeten zijn (Tarafdar et al., 2007); (c) steeds complexere vaardigheden nodig hebben
waardoor ze constant moeten bijleren (Tarafdar et al., 2007); (d) zich bedreigd voelen
door ICT‟s en een gevoel van onveiligheid ervaren (Tarafdar et al., 2007); (e) een
11
gevoel van onzekerheid ervaren door de constante veranderingen die ICT‟s met zich
meebrengen (Sethi, King, & Campbell Quick, 2004; Tarafdar et al, 2007). De ervaren
werklast, tijdsdruk en negatieve gevoelens kunnen dan leiden tot burnout (Sethi et al.,
2004; Tarafdar et al., 2007). Verwacht wordt dat werknemers die zich bekwaam voelen
in het werken met ICT‟s of werknemers die een positievere attitude ten aanzien van
computers hebben minder burnout zullen rapporteren (Salanova et al., 2000). We gaan
hierbij afzonderlijk kijken naar emotionele uitputting, depersonalisatie en persoonlijke
bekwaamheid.
De continue implementatie van technologie op de werkvloer zorgt ervoor dat
medewerkers niet op een gezonde manier met deze aanpassingen kunnen omgaan en dus
technostress ervaren (Brod, 1984). Deze stress kan leiden tot een verlies aan energie dat
men ervaart wanneer men overdreven inspanningen moet leveren op het werk (Salanova
et al., 2000). We verwachten daarbij dat werknemers die zich bekwaam voelen in het
werken met ICT‟s of die een positievere attitude ten aanzien van computers hebben,
minder energieverlies of emotionele uitputting zullen rapporteren.
Hypothese 1: De vijf componenten van technostress zijn positief
geassocieerd met emotionele uitputting, en deze relatie wordt
gemodereerd door computer self-efficacy. In het bijzonder verwachten
we dat de positieve relatie tussen technostress en emotionele uitputting
verzwakt zal worden door een hoge computer self-efficacy.
Hypothese 2: De vijf componenten van technostress zijn positief
geassocieerd met emotionele uitputting, en deze relatie wordt
gemodereerd door attitude ten aanzien van computers. In het bijzonder
verwachten we dat de positieve relatie tussen technostress en emotionele
uitputting verzwakt zal worden door positieve attitudes ten aanzien van
computers.
12
Verder gaan we ervan uit dat technostress kan leiden tot een
onverschillige en afstandelijke houding ten opzichte van het werk. Verwacht
wordt dat werknemers die zich bekwaam voelen in het werken met ICT‟s of
werknemers die een positievere attitude ten aanzien van computers hebben,
minder depersonalisatie zullen rapporteren (Salanova et al., 2000).
Hypothese 3: De vijf componenten van technostress zijn positief
geassocieerd met depersonalisatie, en deze relatie wordt gemodereerd
door computer self-efficacy. In het bijzonder verwachten we dat de
positieve relatie tussen technostress en depersonalisatie verzwakt zal
worden door een hoge computer self-efficacy.
Hypothese 4: De vijf componenten van technostress zijn positief
geassocieerd met depersonalisatie, en deze relatie wordt gemodereerd
door attitude ten aanzien van computers. In het bijzonder verwachten we
dat de positieve relatie tussen technostress en depersonalisatie verzwakt
zal worden door positieve attitudes ten aanzien van computers.
Ten slotte verwachten we dat technostress kan leiden tot een verminderde
persoonlijke bekwaamheid op het werk. We stellen dat werknemers die
technostress ervaren zich minder competent zullen voelen in hun job tenzij deze
werknemers zich bekwaam voelen in het werken met ICT‟s of een positieve
attitude ten aanzien van computers hebben.
Hypothese 5: De vijf componenten van technostress zijn negatief
geassocieerd met persoonlijke bekwaamheid, en deze relatie wordt
gemodereerd door computer self-efficacy. In het bijzonder verwachten
we dat de negatieve relatie tussen technostress en persoonlijke
bekwaamheid verzwakt zal worden door een hoge computer self-efficacy.
Hypothese 6: De vijf componenten van technostress zijn negatief
geassocieerd met persoonlijke bekwaamheid, en deze relatie wordt
13
gemodereerd door attitude ten aanzien van computers. In het bijzonder
verwachten we dat de negatieve relatie tussen technostress en
persoonlijke bekwaamheid verzwakt zal worden door positieve attitudes
ten aanzien van computers.
Deze zes hypothesen zullen getest worden per afzonderlijke technostress
component. Er zal dus nagegaan worden of respectievelijk techno-overload,
techno-invasie, techno-complexiteit, techno-onveiligheid en techno-onzekerheid
gerelateerd zijn met de drie burnout componenten en of er een moderatie
gevonden wordt van computer self-efficacy en attitude ten aanzien van
computers.
Methode
Procedure en steekproef
Deze studie is een cross-sectioneel onderzoek waarvan de gegevens verzameld
zijn aan de hand van een online vragenlijst. Er werd gekozen voor een online vragenlijst
omdat het ten eerste een zeer toegankelijk medium is voor de beoogde steekproef en ten
tweede omdat dit medium het toelaat om grote groepen te bevragen. De vragenlijst
bevatte naast een technostress-schaal, ook een burnout-schaal, een computer self-
efficacy schaal en een schaal die peilde naar de attitude ten aanzien van computers.
De begeleidende e-mail met de link naar de online vragenlijst werd in september
2010 doorgestuurd naar de personeelsverantwoordelijken van verschillende bedrijven en
organisaties uit de publieke en particuliere sector in Vlaanderen. Uiteindelijk namen er
van september tot december 2010 acht organisaties deel waarvan er vier uit de
particuliere sector afkomstig waren. De vragenlijst werd door de deelnemende
organisaties via de personeelsverantwoordelijke verspreid onder zoveel mogelijk
administratieve medewerkers van de organisatie. Bij enkele organisaties maakte de
personeelsverantwoordelijke zelf al een selectie onder de administratief medewerkers
waardoor de uitnodiging enkel verstuurd werd naar medewerkers die volgens de
verantwoordelijke de grootste kans op medewerking zouden bieden. Elke medewerker
14
die de uitnodiging ontvangen had, kreeg zelf de keuze of hij deelnam of niet. De enige
voorwaarde die gesteld werd voor deelname was dat de medewerker in kwestie
administratief werk aan de computer uitvoerde. In totaal werden er 177 vragenlijsten
volledig en zonder fouten ingevuld. Er kan voor dit onderzoek geen respons rate
berekend worden daar we niet weten hoeveel administratieve medewerkers de
uitnodiging tot deelname hebben ontvangen.
Beschouwen we de demografische kenmerken van onze sample dan kunnen we
zien dat 40.2% van de respondenten afkomstig is uit de publieke sector en 59.8% uit de
particuliere sector. Van de steekproef gaf 12.0% aan in een kleine organisatie te werken,
48.7% in een middelgrote organisatie en 39.1% was afkomstig uit een grote organisatie.
De steekproef bestaat uit 76.2% vrouwen en 23.8% mannen. De leeftijd van de
respondenten gaat van 19 tot 64 jaar, met een gemiddelde van 36.5 jaar. Verder is
72.2% van de steekproef samenwonend, wat maakt dat 27.8% niet samenwonend is.
Van alle respondenten heeft 4% een diploma lager secundair als hoogst behaalde
diploma, 36.7% een diploma hoger secundair, 43.1% een diploma hoger onderwijs (niet
universitair) en 16.1% een universitair diploma.
Bekijken we de steekproef op basis van functieniveau, dan zien we dat 58.5%
van de steekproef een administratief ondersteunende functie heeft, 8.9% een
uitvoerende functie, 12.5% is professioneel medewerker, 14.1% behoort tot het
middenkader en 6% maakt deel uit van het hoger kader. De gemiddelde anciënniteit in
de functie is 9.8 jaar. Het aantal uur beeldschermwerk varieert van 3 uur per dag (1.6%)
tot meer dan 8 uur per dag (8.1%), de meerderheid (40.1%) werkt 8 uur per dag aan de
computer.
Meetinstrumenten
Controlevariabelen. Eerst en vooral werden er een aantal demografische
variabelen bevraagd die in de analyses opgenomen zullen worden als
controlevariabelen. Leeftijd, geslacht, burgerlijke staat en opleidingsniveau zijn
opgenomen omdat uit eerder onderzoek reeds is gebleken dat deze een effect kunnen
hebben op zowel de afhankelijke, onafhankelijke, als modererende variabele (Maslach
et al., 2001; Wang, Shu, & Tu, 2008; McQueen & Mill, 1998).
15
Leeftijd wordt bevraagd als continue variabele. Geslacht (gecodeerd als man = 0,
vrouw = 1) en burgerlijke staat (gecodeerd als samenwonend = 0, niet samenwonend =
1) worden geoperationaliseerd als dichotome variabelen. Opleidingsniveau wordt
nagegaan door middel van vier niveaus (lager secundair, hoger secundair, hoger
onderwijs – niet universitair, hoger onderwijs – universitair). Verder werd ook nog
functieniveau opgenomen om te controleren voor een effect tussen leidinggevenden en
niet leidinggevenden, deze variabele werd oorspronkelijk bevraagd op vijf niveaus
(administratief ondersteunend, uitvoeren, professioneel medewerker, middenkader,
hoger kader) maar werd later gedichotomiseerd (niet-leidinggevend = 0, leidinggevend
= 1).
Afhankelijke variabele. De afhankelijke variabele burnout werd gemeten door
de Nederlandstalige versie van de Maslach Burnout Inventory – General Survey (MBI-
GS; Schaufeli, Leiter, Maslach & Jackson, 1996), namelijk de Utrechtse Burnout Schaal
(UBOS, Schaufeli & van Dierendonck, 2000). De UBOS bestaat uit vijftien items. De
vijftien items zijn terug te brengen tot de drie grote subschalen van burnout, namelijk
emotionele uitputting (vijf items; bv. “Ik voel me mentaal uitgeput door mijn werk”; α =
.84), depersonalisatie (vier items; bv. “Ik twijfel aan het nut van mijn werk”; α = .78),
en persoonlijke bekwaamheid (zes items; bv. “Ik weet de problemen in mijn werk goed
op te lossen”; α = .82). Alle items worden gescoord op een Likertschaal van zeven
punten, gaande van 1 (nooit) tot 7 (altijd). Hoge scores op emotionele uitputting en
depersonalisatie en lage scores op persoonlijke bekwaamheid zijn indicatief voor
burnout. De range van scores voor emotionele uitputting is 5 – 35, 4 – 28 voor
depersonalisatie en 6 – 42 voor persoonlijke bekwaamheid. De psychometrisch kwaliteit
van de UBOS is over het algemeen goed, de factoriële validiteit is goed en de
subschalen blijken relatief stabiel en intern consistent over de tijd. Ook de test-
hertestbetrouwbaarheid is hoog.
Door middel van exploratieve factoranalyse werd nagegaan of de drie
subschalen van burnout ook terug te vinden zijn bij onze steekproef en dit was
inderdaad het geval. Elk item van de vragenlijst laadde op één van de drie factoren. De
resultaten van de factoranalyse zijn terug te vinden in tabel 1.
16
Tabel 1. Geroteerde Factor Matrix UBOS
Factor
1 2 3
Item 1 0,739
Item 2 0,615
Item 3 0,727
Item 4 0,660
Item 5 0,774
Item 6 0,712
Item 7 0,601
Item 8 0,675
Item 9 0,663
Item 10 0,633
Item 11 0,707
Item 12 0,542
Item 13 0,627
Item 14 0,568
Item 15 0,740
Onafhankelijke variabelen. De eerste onafhankelijke variabele, technostress,
werd gemeten door de Technostress Questionnaire ontwikkeld door Ragu-Nathan en
Ragu-Nathan (2002). Deze vragenlijst is vertaald van het Engels naar het Nederlands
door middel van translation-backtranslation. Alle 25 items in de vragenlijst worden
gemeten op een Likertschaal van vijf punten, waarbij 1 gelijk is aan “volledig niet
akkoord” en vijf staat voor “volledig akkoord”. Er werd aan de respondenten gevraagd
om het antwoord aan te duiden dat hun overtuiging het beste weergaf, de technologie
waarover de items handelden had betrekking op de dagelijkse computer gebaseerde
applicaties die de respondenten tijdens hun job gebruikten. De 25 items van de
vragenlijst meten de vijf technostress componenten. De vijf componenten van
technostress zijn na exploratieve factoranalyse terug te vinden in de vertaalde
vragenlijst. De vragenlijst is dus valide. Alle items behalve twee hadden voldoende
grote factorladingen op één van de vijf factoren. Dit was niet zo voor item zes en zeven,
deze laadden op geen enkele factor met een factorlading groter dan .5 en werden dan
17
ook weggelaten voor verdere analyses. We kunnen dus 23 items van de vragenlijst
behouden. De resultaten van deze factoranalyse zijn terug te vinden in Tabel 2.
De eerste vijf items meten de component techno-overload (bv. “Ik word door
deze technologie gedwongen om veel sneller te werken”), de Cronbach‟s α voor techno-
overload bedraagt .85. De component techno-invasie wordt gemeten door de volgende
vier items (bv. “Ik breng minder tijd door met mijn familie omwille van deze
technologie”) met een Cronbach‟s α van .82. De derde component techno-complexiteit
wordt gemeten door vijf items (bv. “Ik weet niet genoeg over deze technologie om mijn
job naar behoren uit te voeren”). Voor deze component bedraagt de Cronbach‟s α .83.
De vierde component techno-onveiligheid wordt eveneens gemeten door vijf items met
een Cronbach‟s α van .83 (bv. “Ik voel een constante bedreiging van mijn
werkzekerheid omwille van nieuwe technologieën”) en de laatste component, techno-
onzekerheid, wordt gemeten door vier items (bv. “Er zijn altijd nieuwe ontwikkelingen
in de technologie die we in onze organisatie gebruiken”). Voor deze laatste component
bedraagt de Cronbach‟s α .85. Voor de interpretatie van de scores op de Technostress
Questionnaire geldt hoe hoger de score op de vragenlijst, hoe meer technostress men
ervaart.
Tenslotte werd de modererende variabele computer self-efficacy bevraagd door
de Computer Self-efficacy Measure (Compeau & Higgins, 1995) deze werd eveneens
door translation-backtranslation vertaald van het Engels naar het Nederlands. Deze
vragenlijst is gebaseerd op de populaire Computer Self-efficacy scale van Murphy et al.
(1989). De Computer Self-efficacy Measure is taakgericht en omvat verschillende
niveaus van taakmoeilijkheid om de grootte van computer self-efficacy te kunnen
meten. De sterkte van de mate van computer self-efficacy zit vervat in de
antwoordschaal die gaat van 1 (helemaal niet zeker) tot 10 (helemaal zeker). De schaal
bestaat uit tien items waarbij respondenten moeten aangeven hoe zeker ze zijn in het
gebruik van een onbekend softwarepakket, deze vragenlijst peilt dus naar een specifieke
situatie. Hoe hoger de score op de items, hoe hoger de mate van ervaren computer self-
efficacy. Over het algemeen vertoont deze vragenlijst een hoge interne
betrouwbaarheid.
Om een algemeen beeld te verkrijgen van hoe mensen het computergebruik
ervaren en welke opvattingen ze hanteren ten aanzien van computers en
18
computergebruik, hebben we ervoor geopteerd nog drie items op te nemen die peilen
naar de attitude ten aanzien van computers. Deze zijn (a) Ik voel me zeker bij het werken
op een persoonlijke computer, (b) Ik vind dat ik een positieve attitude heb ten aanzien
van computers en (c) Ik vind dat computers nuttig zijn (Murphy et al., 1989; Torkzadeh
et al., 1999). Deze items zullen gemeten worden door een Likertschaal van vijf punten,
gaande van “volledig niet akkoord” tot “volledig akkoord”.
Tabel 2. Geroteerde Factor Matrix Technostress Questionnaire
Factor
1 2 3 4 5
Item 1 0,764
Item 2 0,661
Item 3 0,752
Item 4 0,533
Item 5 0,661
Item 8 0,593
Item 9 0,726
Item 10 0,745
Item 11 0,739
Item 12 0,666
Item 13 0,727
Item 14 0,641
Item 15 0,691
Item 16 0,702
Item 17 0,751
Item 18 0,52
Item 19 0,758
Item 20 0,642
Item 21 0,63
Item 22 0,746
Item 23 0,838
Item 24 0,74
Item 25 0,665
19
Data-analyse
Om de data te analyseren en de hypothesen te toetsen zijn eerst Pearson
intercorrelaties berekend. Vervolgens werd er gebruik gemaakt van hiërarchische
multipele regressies om de hypothesen te toetsen, hierbij werden emotionele uitputting,
depersonalisatie en persoonlijke bekwaamheid telkens opgenomen als afhankelijke
variabele. Techno-overload, techno-invasie, techno-complexiteit, techno-onveiligheid,
techno-onzekerheid, computer self-efficacy en computer attitude werden opgenomen als
onafhankelijke variabelen, samen met alle mogelijke interactietermen. De
controlevariabelen zijn leeftijd, geslacht, burgerlijke staat, opleidingsniveau en
functieniveau.
In de eerste stap werden de controle variabelen ingevoerd, zo kunnen we
achterhalen of deze een invloed hebben op de afhankelijke variabelen. In de tweede stap
werden per hypothese de correcte onafhankelijke variabelen ingevoerd, samen met de
moderator variabelen (Cohen & Cohen, 1983; Kleinbaum, Kupper, & Muller, 1988).
Resultaten
Preliminaire Analyses
Tabel 3 toont een overzicht van de psychometrische kenmerken van de
meetschalen. Het betreft meer bepaald de gemiddelde schaalsomscore (M), de
gemiddelde schaalitemscore (m), de standaarddeviaties (SD), de range (Min - Max) en
de Cronbach‟s α per variabele. Uit tabel 3 blijkt dat de administratief medewerkers uit
deze steekproef relatief hoog scoren op techno-onzekerheid (m = 3.26), eerder matig
scoren op techno-overload (m = 2.76), techno-invasie (m = 2.005) en techno-
complexiteit (m = 2.283). Verder merken we een eerder lage score op techno-
onveiligheid (m = 1.896) op. De Cronbach‟s α‟s op deze vijf schalen zijn zeer goed.
Nemen we de burnoutschalen in beschouwing dan zien we dat er gemiddeld gescoord
wordt voor emotionele uitputting (m = 2.688) en depersonalisatie (m = 2.355). Er wordt
eerder een hoge mate van persoonlijke bekwaamheid gerapporteerd (m = 4.827). Ook
voor deze schalen zijn de Cronbach‟s α‟s zeer goed.
20
Tot slot kunnen we stellen dat er een relatief hoge score wordt gehaald op de Computer
Self Efficacy schaal (m = 7.712) en op de attitude items (m = 4.31). Opnieuw zijn de
Cronbach‟s α‟s zeer goed.
Tabel 3. Psychometrische kenmerken van de meetschalen (n = 177)
M SD m Min. -
Max. Cronbach's
Leeftijd 36,576 11,41 36,576 19 - 64
Techno-overload 13,8 4,018 2,76 2 - 4 0,85
Techno-invasie 8,018 2,836 2,005 1 - 3 0,816
Techno-complex. 11,413 3,848 2,283 1 - 3 0,834
Techno-onveil. 9,478 3,115 1,896 1 - 3 0,835
Techno-onzeker. 13,028 3,142 3,257 2 - 4 0,847
Emo. Uitputting 13,442 5,383 2,688 2 - 4 0,871
Depersonalisatie 9,419 4,371 2,355 1 - 3 0,816
Pers. Bekwaamh. 28,961 5,784 4,827 4 - 6 0,833
CSE 77,123 17,7 7,712 6 - 9 0,904
Attitude PC 12,929 2,214 4,31 4 - 5 0,867
In tabel 4 worden de Pearson intercorrelaties van alle opgenomen variabelen
weergegeven. De verschillende technostress-schalen hangen positief samen. Techno-
overload vertoont de hoogste correlatie met techno-invasie (r = .422, p<0.01) en techno-
onveiligheid (r = .404, p<0.01). Deze laatste vertoont eveneens een hoge correlatie met
techno-complexiteit (r = .462, p<0.01). Techno-overload vertoont een positieve
correlatie met emotionele uitputting (r = .459, p<0.01) en depersonalisatie (r = .349,
p<0.01) en een negatieve relatie met persoonlijke bekwaamheid (r = -.222, p<0.01). Dit
is ook het geval voor techno-complexiteit en techno-onveiligheid. Techno-invasie
correleert positief met emotionele uitputting (r = .204, p<0.01) en depersonalisatie (r =
.191, p<0.05), maar vertoont geen significante correlatie met persoonlijke
bekwaamheid. Techno-onzekerheid vertoont enkel voor emotionele uitputting een
significante correlatie (r = .237, p<0.01). De significante relaties van de technostress-
schalen met de burnoutcomponenten liggen dus in de veronderstelde richting. Dit is
eveneens het geval voor de attitudeschaal en de computer self-efficacy schaal.
21
Tabel 4. Pearson intercorrelaties (n = 177)
Variabele 1. 2. 3. 4. 5. 6. 7. 8. 9. 10.
1. Techno-overload 1 ,422** ,395** ,404** ,303** ,459** ,349** -,222** -,252** -,256**
2. Techno-invasie 1 ,146 ,309** ,09 ,204** ,191* -,022 ,024 ,029
3. Techno-complexiteit 1 ,462** ,094 ,316** ,388** -,371** -,508** -,444**
4. Techno-onveiligheid 1 ,209** ,235** ,335** -,308** -,321** -,297**
5. Techno-onzekerheid 1 ,237** ,072 ,128 -,074 ,02
6. Emotionele uitputting 1 ,647** -,312** -,170* -,074
7. Depersonalisatie 1 -,506** -,291** -,122
8. Persoonlijke bekwaamheid 1 ,440** ,287**
9. Attitude PC 1 ,468**
10. CSE 1
* correlaties significant bij p<0.05 (tweezijdig getoetst); ** correlaties significant bij p<0.01 (tweezijdig getoetst)
22
Attitude ten aanzien van computers vertoont een significante negatieve correlatie
met techno-overload (r = -.252, p<0.01), techno-complexiteit (r = -.208, p<0.01),
techno-onveiligheid (r = -.321, p<0.01), emotionele uitputting (r = -.170, p<0.01) en
depersonalisatie (r = -.291, p<0.01). Er wordt een positieve correlatie met persoonlijke
bekwaamheid teruggevonden (r = .440, p<0.01). Dit soort relaties worden ook
teruggevonden voor computer self-efficacy met bovenstaande variabelen, behalve voor
emotionele uitputting en depersonalisatie.
Hypothese Toetsing
De hypotheses werden steeds op dezelfde manier getoetst: eerst werden enkel de
controlevariabelen leeftijd, geslacht, burgerlijke staat, opleidingsniveau en
functieniveau in het model opgenomen. Daarna werden de onafhankelijke variabelen en
moderator variabelen opgenomen om hoofdeffecten en interactie-effecten na te gaan.
Dit werd herhaald voor alle hypothesen, naargelang de hypothese werd er telkens een
andere burnoutcomponent als afhankelijke variabele ingevoerd en als onafhankelijke
variabele werd telkens één van de vijf technostress componenten opgenomen in het
model.
Techno-overload – Burnout. Om de hypotheses voor de technostress
component techno-overload te testen zijn drie verschillende hiërarchische
regressieanalyses uitgevoerd met telkens één van de drie burnoutcomponenten als
afhankelijke variabele. De hiërarchische regressieanalyse met emotionele uitputting als
afhankelijke variabele, waarbij in de eerste stap de controlevariabelen en in de tweede
stap de onafhankelijke variabelen en hun interacties werden opgenomen, heeft
aangetoond dat de 4% variantie, die door de controlevariabelen verklaard kan worden,
niet significant is (F(5,184)=1.542, p=0.179). Als we de onafhankelijk variabelen en
hun interacties in rekening brengen, dan zien we dat de verklaarde variantie stijgt tot
22% (F(5,179)=10.689, p<0.01). Uit de p-waarde kunnen we afleiden dat deze variantie
wel significant is. Het volledige model verklaart bijgevolg 26% van de variantie en we
zullen dus kijken naar de tweede stap voor de interpretatie van de resultaten. Uit tabel 5
blijkt dat er een hoofdeffect is van techno-overload op emotionele uitputting (b = 0.470,
23
p<0.01). Het gevonden effect ligt in de verwachte richting. Er zijn geen significante
interactie-effecten. Voor techno-overload worden hypothese 1 en 2 niet bevestigd.
Bestuderen we depersonalisatie als afhankelijke variabele, dan is 4% verklaarde
variantie door het model met de controlevariabelen niet significant (F(5,183)=1.381,
p=0.233). De 18% verklaarde variantie van de onafhankelijke variabelen en hun
interacties is echter wel significant (F(5,178)=8.189, p<0.01). Het volledige model
verklaart 22% van de variantie. We nemen dus opnieuw de tweede stap in beschouwing
voor de interpretatie van de resultaten. In deze tweede stap is er een significant effect
van de controlevariabele geslacht (b = 0.218, p<0.05). Uit tabel 5 kunnen we afleiden
dat er een significant hoofdeffect is van techno-overload op depersonalisatie (b = 0.345,
p<0.01). Het effect van attitude ten aanzien van computers is significant indien we een
p-waarde van .10 hanteren (b = -0.165, p<0.10). De resultaten tonen eveneens een
significant interactie-effect voor techno-overload met attitude ten aanzien van
computers bij een p-waarde van .10 (b = -0.168, p<0.10). De gevonden effecten liggen
in de verwachte richting. Figuur 2 laat zien dat administratief medewerkers die een hoge
techno-overload ervaren en die een lage attitude hebben ten aanzien van computers,
hoger scoren op depersonalisatie. Wat betreft techno-overload wordt hypothese 3 niet
bevestigd en wordt hypothese 4 bevestigd bij een p-waarde van .10.
Figuur 2. Modererend effect van attitude op de relatie tussen techno-overload en
depersonalisatie.
24
Gaan we tot slot kijken naar het model in tabel 5 met persoonlijke bekwaamheid als
afhankelijke variabele, dan zien we dat de controlevariabelen 9% van de variantie
verklaren (F(5,185)=3.543, p<0.01) en in de tweede stap wordt er 19% van de variantie
verklaard (F(5,180)=9.300, p<0.01), deze stap zal in beschouwing worden genomen
voor de verdere interpretatie. Het volledige model verklaart bijna 28% van de variantie.
Er is een significant hoofdeffect van attitude ten aanzien van computers op persoonlijke
bekwaamheid (b = 0.276, p<0.01). Er zijn geen significante interactie-effecten.
Hypothese 5 en 6 worden niet bevestigd voor de technostress component techno-
overload.
Tabel 5. Hiërarchische regressieanalyses van techno-overload, CSE, attitudes ten
aanzien van computers en diens interacties op burnout
Emotionele
uitputting
Depersonalisatie Persoonlijke
bekwaamheid
R²
change
R²
change
R²
change
Stap 1. Geslacht 0,220** 0,263* 0,046
Leeftijd -0,134 0,027 0,052
Burgerlijke staat 0,013 0,057 0,034
Functieniveau 0,041 0,123 -0,197*
Opleiding -0,001 0,04 -0,003 0,036 -0,132 0,087**
Stap 2. Techno-overload (To) 0,470** 0,345** -0,082
CSE 0,046 -0,004 0,101
Attitude -0,107 -0,165 0,276**
To x CSE 0,084 0,064 -0,12
To x attitude -0,103 0,221** -0,168 0,18** 0,131 0,187**
Multipele R 0,511 0,465 0,524
R² 0,261 0,217 0,275
F 6,318** 4,921** 6,819**
Noot. * p<0.05; ** p<0.01
Noot. De B-waarden zijn de ongestandaardiseerde coëfficiënten voor stap 2.
25
Techno-invasie – Burnout. Om het effect van techno-invasie op burnout te
testen zijn opnieuw drie hiërarchische regressie analyses uitgevoerd met telkens één
van de drie burnoutcomponenten als afhankelijke variabele. De eerste regressieanalyse
met emotionele uitputting als afhankelijke variabele, waarbij in de eerste stap de
controlevariabelen en in de tweede stap de onafhankelijke variabelen en hun interacties
werden opgenomen, heeft aangetoond dat de 4% variantie die door de
controlevariabelen verklaard kan worden, niet significant is (F(5,184)=1.562, p=0.173).
Wanneer we dan de onafhankelijk variabelen en hun interacties in rekening
brengen, dan zien we dat de verklaarde variantie stijgt tot 10% (F(5,179)=3.994,
p<0.01). Uit de p-waarde kunnen we afleiden dat deze variantie wel significant is. Het
volledige model verklaart bijgevolg 14% van de variantie en we zullen dus kijken naar
de tweede stap voor de interpretatie van de resultaten. In deze tweede stap blijkt er een
significant effect te zijn van de controlevariabelen geslacht (b = 0.209, p<0.05) en
leeftijd (b = -0.216, p<0.05). Er is een hoofdeffect van techno-invasie op emotionele
uitputting (b = 0.219, p<0.01) en van attitude ten aanzien van computers op emotionele
uitputting (b = -0.238, p<0.01). De gevonden hoofdeffecten liggen in de verwachte
richting. Er zijn geen significante interactie-effecten voor de relatie tussen techno-
invasie en emotionele uitputting. Hypothese 1 en 2 worden niet bevestigd voor techno-
invasie.
Bestuderen we de tweede regressieanalyse met depersonalisatie als afhankelijke
variabele (Tabel 6), dan is de 4% verklaarde variantie van de controlevariabelen niet
significant (F(5,183)=1.435, p=0.214). De 13% verklaarde variantie van de
onafhankelijke variabelen en hun interacties is echter wel significant (F(5,178)=5.655,
p<0.01). Het volledige model verklaart dus 17% van de variantie. We nemen dus
opnieuw de tweede stap in beschouwing voor de interpretatie van de resultaten. In deze
tweede stap is er een significant effect van de controlevariabele geslacht (b = 0.284,
p<0.05). Uit tabel 6 kunnen we afleiden dat er een significant hoofdeffect is van techno-
invasie (b = 0.219, p<0.01) en van attitude ten aanzien van computers (b = -0.327,
p<0.01) op de afhankelijke variabele depersonalisatie. De resultaten tonen eveneens een
significant interactie-effect voor techno-invasie met attitude ten aanzien van computers
bij een p-waarde van .10 (b = -0.156, p<0.10). De gevonden effecten liggen in de
verwachte richting. Figuur 3 laat zien dat administratief medewerkers die een hoge mate
26
van techno-invasie ervaren en een lage attitude ten aanzien van computers hebben,
hoger scoren op depersonalisatie. Voor techno-invasie wordt hypothese 3 niet bevestigd
en hypothese 4 wordt bevestigd bij een p-waarde van .10.
Tabel 6. Hiërarchische regressieanalyses van techno-invasie, CSE, attitudes ten aanzien
van computers en diens interacties op burnout.
Emotionele
uitputting
Depersonalisatie Persoonlijke
bekwaamheid
R²
change
R²
change
R²
change
Stap 1. Geslacht 0,214* 0,265** 0,041
Leeftijd -0,134 0,026 0,041
Burgerlijke staat 0,003 0,076 0,035
Functieniveau 0,033 0,126 -0,207*
Opleiding 0,015 0,041 0,005 0,038 -0,112 0,082**
Stap 2. Techno-invasie (T-i) 0,219** 0,219** -0,106
CSE -0,031 -0,04 0,105
Attitude -0,238** -0,327** 0,354**
T-i x CSE 0,029 0,116 -0,166
T-i x attitude 0,042 0,096** -0,156 0,132** 0,153* 0,191**
Multipele R 0,37 0,412 0,523
R² 0,137 0,17 0,273
F 2,481** 3,636** 6,760**
Noot. * p<0.05; ** p<0.01
Noot. De B-waarden zijn de ongestandaardiseerde coëfficiënten voor stap 2.
Beschouwen we de derde regressieanalyse in tabel 6 met persoonlijke
bekwaamheid als afhankelijke variabele, dan zien we dat de controlevariabelen 8% van
de variantie verklaren (F(5,185)=3.312, p<0.01) en in de tweede stap wordt er 19% van
de variantie verklaard (F(5,180)=9.452, p<0.01). De laatste stap zal in beschouwing
worden genomen voor de verdere interpretatie. Het volledige model verklaart bijna 27%
27
van de variantie. Er is een significant hoofdeffect van attitude ten aanzien van
computers op persoonlijke bekwaamheid (b = 0.354, p<0.01). Er is wel significant
interactie-effect, maar dit kan niet geïnterpreteerd worden daar er geen significant
hoofdeffect van techno-invasie is. Hypothese 5 en 6 worden niet bevestigd voor techno-
invasie.
Techno-complexiteit – Burnout. Tabel 7 toont de samenvatting van de
hiërarchische regressieanalyses om het effect van techno-complexiteit op de burnout
componenten te testen. De eerste regressieanalyse met emotionele uitputting als
afhankelijke variabele, waarbij in de eerste stap de controlevariabelen en in de tweede
stap de onafhankelijke variabelen en hun interacties werden opgenomen, heeft
aangetoond dat de 4% variantie, die door de controlevariabelen verklaard kan worden,
niet significant is (F(5,184)=1.510, p=0.189). Wanneer we dan de onafhankelijk
variabelen en hun interacties in het model opnemen, dan zien we dat de verklaarde
variantie stijgt tot 13.6% (F(5,179)=5.905, p<0.01). Uit de p-waarde kunnen we
afleiden dat deze variantie significant is. Het volledige model verklaart bijgevolg 17.6%
van de variantie en we zullen dus kijken naar de tweede stap voor de interpretatie van de
resultaten. In deze tweede stap blijkt er een significant effect te zijn van de
controlevariabelen geslacht (b = 0.209, p<0.05) en leeftijd (b = -0.267, p<0.05).
0
0,5
1
1,5
2
2,5
3
3,5
lage techno-invasie hoge techno-invasie
De
pe
rso
nal
isat
ie
lage attitude
hoge attitude
Figuur 3. Modererend effect van attitude op de relatie tussen techno-invasie
28
Tabel 7. Hiërarchische regressieanalyses van techno-complexiteit, CSE, attitudes ten
aanzien van computers en diens interacties op burnout.
Emotionele
uitputting
Depersonalisatie Persoonlijke
bekwaamheid
R²
change
R²
change
R²
change
Stap 1. Geslacht 0,213* 0,256* 0,043
Leeftijd -0,143 0,03 0,062
Burgerlijke staat 0,025 0,074 0,02
Functieniveau 0,056 0,145 -0,208*
Opleiding -0,1 0,039 -0,01 0,036 -0,116 0,088**
Stap 2. Techno-complexiteit (T-c) 0,355** 0,328** -0,233**
CSE 0,062 0,027 0,047
Attitude -0,084 -0,146 0,271**
T-c x CSE 0,167 0,141 -0,007
T-c x attitude -0,092 0,136** -0,089 0,148** -0,036 0,194**
Multipele R 0,419 0,43 0,531
R² 0,175 0,184 0,282
F 3,808** 4,027** 7,073**
Noot. * p<0.05; ** p<0.01
Noot. De B-waarden zijn de ongestandaardiseerde coëfficiënten voor stap 2.
Er is een hoofdeffect van techno-complexiteit op emotionele uitputting (b = 0.355,
p<0.01). Er zijn geen significante interactie-effecten gevonden voor de eerste
hiërarchische regressieanalyse. Hypothese 1 en 2 worden niet bevestigd voor techno-
complexiteit. Bestuderen we de tweede regressieanalyse met depersonalisatie als
afhankelijke variabele, dan is de 3% verklaarde variantie van de controlevariabelen niet
significant (F(5,183)=1.379, p=0.234). De 15% verklaarde variantie van de
onafhankelijke variabelen en hun interacties is wel significant (F(5,178)=6.469,
p<0.01). Het volledige model verklaart dus 18% van de variantie. We nemen dus
opnieuw de tweede stap in beschouwing voor de interpretatie van de resultaten. In deze
29
tweede stap is er een significant effect van de controlevariabele geslacht (b = 0.257,
p<0.05). Uit tabel 7 kunnen we afleiden dat er een significant hoofdeffect is van techno-
complexiteit (b = 0.328, p<0.01) op de afhankelijke variabele depersonalisatie. De
resultaten tonen geen significante interactie-effecten voor de tweede regressieanalyse.
Hypothese 3 en 4 worden niet bevestigd voor techno-complexiteit.
Beschouwen we de derde regressieanalyse in tabel 7 met persoonlijke
bekwaamheid als afhankelijke variabele, dan zien we dat de controlevariabelen 8% van
de variantie verklaren (F(5,185)=3.554, p<0.01) en in de tweede stap wordt er 19% van
de variantie verklaard (F(5,180)=9.752, p<0.01). De laatste stap zal in beschouwing
worden genomen voor de verdere interpretatie. Het volledige model verklaart 27% van
de variantie. Er is een significant effect van de controlevariabele leeftijd (b = 0.181,
p<0.05). Er is een significant hoofdeffect van techno-complexiteit (b = -0.233, p<0.01)
en van attitude ten aanzien van computers (b = 0.271, p<0.01) op persoonlijke
bekwaamheid, maar er zijn geen significante interacties terug te vinden. Hypothese 5 en
6 worden niet bevestigd voor techno-complexiteit.
Techno-onveiligheid – Burnout. Om de hypotheses te testen voor techno-
onveiligheid zijn eveneens drie verschillende hiërarchische regressieanalyses
uitgevoerd. De hiërarchische regressieanalyse met emotionele uitputting als
afhankelijke variabele, waarbij in de eerste stap de controlevariabelen en in de tweede
stap de onafhankelijke variabelen en hun interacties werden opgenomen, heeft
aangetoond dat de 4% variantie, die door de controlevariabelen verklaard kan worden,
niet significant is (F(5,184)=1.670, p=0.144). Als we daarbovenop de onafhankelijk
variabelen en hun interacties in rekening brengen, dan zien we dat de verklaarde
variantie stijgt tot 10% (F(5,179)=4.226, p<0.01). Uit de p-waarde kunnen we afleiden
dat deze variantie wel significant is. Het volledige model verklaart bijgevolg 14% van
de variantie en we zullen dus kijken naar de tweede stap voor de interpretatie van de
resultaten. Er is in deze tweede stap een significant effect voor de controlevariabele
geslacht (b = 0.235, p<0.05). Uit tabel 8 blijkt dat er een hoofdeffect is van techno-
onveiligheid (b = 0.196, p<0.05) en van attitude ten aanzien van computers (b = -0.202,
p<0.05) op emotionele uitputting. De gevonden effecten liggen in de verwachte
richting. Er is een significant interactie-effect van techno-onveiligheid met computer
30
self-efficacy maar dit is niet te interpreteren daar er geen hoofdeffect van computer self-
efficacy is. Voor techno-onveiligheid worden hypothese 1 en 2 niet bevestigd.
Bestuderen we de tweede regressieanalyse met depersonalisatie als afhankelijke
variabele, dan is 5% verklaarde variantie van de controlevariabelen niet significant
(F(5,183)=1.858, p=0.104) (Tabel 8). De 17.5% verklaarde variantie van de
onafhankelijke variabelen en hun interacties is echter wel significant (F(5,178)=8.040,
p<0.01). Het volledige model verklaart 22.5% van de variantie. We nemen dus opnieuw
de tweede stap in beschouwing voor de interpretatie van de resultaten. In deze tweede
stap is er een significant effect van de controlevariabele geslacht (b = 0.288, p<0.05).
Uit tabel 8 kunnen we afleiden dat er een significant hoofdeffect is van techno-
onveiligheid (b = 0.324, p<0.01) en van attitude ten aanzien van computers (b = -0.329,
p<0.01) op depersonalisatie. De gevonden effecten liggen in de verwachte richting. De
resultaten tonen eveneens een significant interactie-effect voor techno-onveiligheid met
attitude ten aanzien van computers (b = -0.167, p<0.05). Figuur 4 laat zien dat wanneer
administratief medewerkers een hoge mate van techno-onveiligheid ervaren en
eveneens een lage attitude ten aanzien van computers hebben, zij hoger scoren op
depersonalisatie. Hypothese 3 wordt niet bevestigd en hypothese 4 wordt wel bevestigd
voor de component techno-onveiligheid.
0
0,5
1
1,5
2
2,5
3
3,5
lage techno-onveiligheid hoge techno-onveiligheid
De
per
son
alis
atie
lage attitude
hoge attitude
Figuur 4. Modererend effect van attitude op de relatie tussen techno-onveiligheid
en depersonalisatie.
31
Tabel 8. Hiërarchische regressieanalyses van techno-onveiligheid, CSE, attitudes ten
aanzien van computers en diens interacties op burnout.
Emotionele
uitputting
Depersonalisatie Persoonlijke
bekwaamheid
R²
change
R²
change
R²
change
Stap 1. Geslacht 0,240* 0,296** 0,029
Leeftijd -0,118 0,057 0,031
Burgerlijke staat -0,004 0,044 0,038
Functieniveau 0,041 0,149 -0,219*
Opleiding -0,013 0,043 -0,26 0,048 -0,11 0,082**
Stap 2. Techno-onveiligheid (T-v) 0,196* 0,324** -0,147*
CSE 0,057 0,092 0,064
Attitude -0,202* -0,239** 0,289**
T-v x CSE 0,206* 0,206* -0,206**
T-v x attitude -0,091 0,101** -0,167* 0,175** 0,225** 0,223**
Multipele R 0,38 0,473 0,552
R² 0,144 0,224 0,305
F 3,021* 5,128** 7,897**
Noot. * p<0.05; ** p<0.01
Noot. De B-waarden zijn de ongestandaardiseerde coëfficiënten voor stap 2.
Gaan we tot slot kijken naar het model in tabel 8 met persoonlijke bekwaamheid
als afhankelijke variabele, dan zien we dat de controlevariabelen 8% van de variantie
verklaren (F(5,185)=3.296, p<0.01) en in de tweede stap wordt er 22% van de variantie
verklaard (F(5,180)=11.558, p<0.01), deze stap zal in beschouwing worden genomen
voor de verdere interpretatie. Het volledige model verklaart 30% van de variantie. Tabel
8 toont hoofdeffecten van techno-onveiligheid (b = -0.147, p<0.05) en attitude (b =
0.289, p<0.01) op de afhankelijke variabele persoonlijke bekwaamheid. We zien ook
een significant interactie-effect van techno-onveiligheid met attitude ten aanzien van
computers op persoonlijke bekwaamheid (b = 0.225, p<0.01). Hypothese 5 wordt niet
32
bevestigd, hypothese 6 wordt wel bevestigd voor techno-onveiligheid. Figuur 5 toont
dat administratief medewerkers zich minder bekwaam voelen wanneer zij een lage
attitude ten aanzien van computers hebben en meer techno-onveiligheid ervaren.
Techno-onzekerheid – Burnout. Om het effect van techno-onzekerheid op
burnout te testen zijn drie hiërarchische regressie analyses uitgevoerd met telkens één
van de drie burnoutcomponenten als afhankelijke variabele. De eerste regressieanalyse
met emotionele uitputting als afhankelijke variabele, waarbij in de eerste stap de
controlevariabelen en in de tweede stap de onafhankelijke variabelen en hun interacties
werden opgenomen, heeft aangetoond dat de 4% variantie, die door de
controlevariabelen verklaard kan worden, niet significant is (F(5,186)=1.585, p=0.166).
Wanneer we dan de onafhankelijk variabelen en hun interacties in rekening brengen,
dan zien we dat de verklaarde variantie stijgt tot 11% (F(5,181)=4.554, p<0.01). Uit de
p-waarde kunnen we afleiden dat deze variantie wel significant is. Het volledige model
verklaart bijgevolg 15% van de variantie en we zullen dus kijken naar de tweede stap
voor de interpretatie van de resultaten. In deze tweede stap blijkt er een significant
effect te zijn van de controlevariabelen geslacht (b = 0.195, p<0.05) en leeftijd (b = -
0.212, p<0.05).
3
3,5
4
4,5
5
5,5
6
lage techno-onveiligheid hoge techno-onveiligheid
Pe
rso
on
lijke
bek
waa
mh
eid
lage attitude
hoge attitude
Figuur 5. Modererend effect van attitude op de relatie tussen techno-onveiligheid
en persoonlijke bekwaamheid.
33
Er is een hoofdeffect van techno-onzekerheid op emotionele uitputting (b =
0.272, p<0.01) en van attitude ten aanzien van computers op emotionele uitputting (b =
-0.208, p< 0.05) (Tabel 9). De gevonden hoofdeffecten liggen in de verwachte richting.
Er zijn geen significante interactie-effecten voor de relatie tussen techno-onzekerheid en
emotionele uitputting. Hypothese 1 en 2 worden niet bevestigd voor techno-
complexiteit.
Bestuderen we de tweede regressieanalyse met depersonalisatie als afhankelijke
variabele, dan is de 4% verklaarde variantie van de controlevariabelen niet significant
(F(5,185)=1.370, p=0.238). De 11% verklaarde variantie van de onafhankelijke
variabelen en hun interacties is echter wel significant (F(5,180)=4.740, p<0.01). Het
volledige model verklaart dus 15% van de variantie. We nemen dus opnieuw de tweede
stap in beschouwing voor de interpretatie van de resultaten. In deze tweede stap is er
een significant effect van de controlevariabele geslacht (b = 0.275, p<0.05). Uit tabel 9
kunnen we afleiden dat er een significant hoofdeffect is van attitude ten aanzien van
computers (b = -0.279, p<0.01) op de afhankelijke variabele depersonalisatie. De
resultaten tonen geen significante interactie-effecten. Voor techno-onzekerheid worden
hypothese 3 en 4 niet bevestigd.
Beschouwen we de derde regressieanalyse in tabel 9 met persoonlijke
bekwaamheid als afhankelijke variabele, dan zien we dat de controlevariabelen 8% van
de variantie verklaren (F(5,187)=3.355, p<0.01). en in de tweede stap wordt er bijna
19% van de variantie verklaard (F(5,182)=9.285, p<0.01). De laatste stap zal in
beschouwing worden genomen voor de verdere interpretatie. Het volledige model
verklaart bijna 27% van de variantie.. Tabel 9 toont een significant hoofdeffect van
attitude ten aanzien van computers op persoonlijke bekwaamheid (b = 0.351, p<0.01).
We vinden een hoofdeffect van techno-onzekerheid op persoonlijke bekwaamheid
indien we een significantieniveau van 0.10 hanteren (b = 0.112, p<0.10). Er zijn geen
significante interactie-effecten. Hypothese 5 en 6 worden niet bevestigd wat betreft
techno-onzekerheid.
Uit bovenstaande resultaten blijkt dat de relatie tussen de vijf technostress
componenten en emotionele uitputting noch door computer self-efficacy, noch door
attitude ten aanzien van computers gemodereerd wordt. De relatie tussen de vijf
34
componenten van technostress en depersonalisatie wordt niet gemodereerd door
computer self-efficacy, er is echter wel een moderatie van attitude ten aanzien van
computers voor drie van de vijf technostress componenten, namelijk voor techno-
overload, techno-invasie en techno-onveiligheid. De relatie tussen de vijf technostress
componenten en persoonlijke bekwaamheid wordt niet gemodereerd door computer
self-efficacy, maar wel door attitude ten aanzien van computers voor de component
techno-onveiligheid. Hieruit kunnen we afleiden dat hypothese 1, 2, 3 en 5 niet
bevestigd worden en dat hypothese 4 en 6 gedeeltelijk bevestigd worden.
Tabel 9. Hiërarchische regressieanalyses van techno-onzekerheid, CSE, attitudes ten
aanzien van computers en diens interacties op burnout.
Emotionele
uitputting
Depersonalisatie Persoonlijke
bekwaamheid
R²
change
R²
change
R²
change
Stap 1. Geslacht 0,215* 0,260* 0,041
Leeftijd -0,141 0,023 0,041
Burgerlijke staat 0,013 0,064 0,035
Functieniveau 0,037 0,128 -0,208*
Opleiding 0,01 0,041 -0,003 0,036 -0,112* 0,082**
Stap 2. Techno-onzekerheid (T-z) 0,272** 0,068 0,112
CSE -0,043 -0,038 0,088
Attitude -0,208* -0,279** 0,351**
T-z x CSE 0,055 0,076 -0,099
T-z x attitude -0,106 0,107** -0,239* 0,112** 0,049 0,187**
Multipele R 0,385 0,385 0,518
R² 0,148 0,148 0,269
F 3,145** 3,124** 6,692**
Noot. * p<0.05; ** p<0.01
Noot. De B-waarden zijn de ongestandaardiseerde coëfficiënten voor stap 2.
35
Discussie
De huidige studie onderzocht de modererende rol van computer self-efficacy en
attitude ten aanzien van computers op de relatie tussen technostress en burnout. We
verwachtten een positieve relatie tussen de vijf technostress componenten en emotionele
uitputting, een positieve relatie tussen de vijf technostress componenten en
depersonalisatie en een negatieve relatie tussen de vijf technostress componenten en
persoonlijke bekwaamheid. Tevens verwachtten we dat computer self-efficacy en
attitude ten aanzien van computers de relatie tussen de technostress componenten en de
drie burnout componenten zouden verzwakken. Na factoranalyse konden zowel de drie
burnout componenten (Maslach et al., 2001), als de vijf technostress componenten
(Tarafdar et al., 2007) teruggevonden worden bij onze steekproef. De gebruikte
vragenlijsten waren dus valide. In verdere analyses werden de relaties tussen deze
componenten nagegaan. Er bleek een hoofdeffect te bestaan tussen techno-overload en
emotionele uitputting en tussen techno-overload en depersonalisatie. Medewerkers die
techno-overload ervaren op het werk, ervaren dus een verlies aan energie en vertonen
een meer afstandelijke houding ten opzichte van het werk. Uit eerder onderzoek is reeds
gebleken dat de mate van technologiegebruik een risicofactor vormt voor het
ontwikkelen van gezondheidsproblemen (Schaufeli et al., 1995; Thomée et al., 2005).
Daarnaast bleek de relatie tussen techno-overload en depersonalisatie gemodereerd te
worden door attitude ten aanzien van computers. Administratief medewerkers die meer
techno-overload ervaren, zullen een meer afstandelijke houding ten opzichte van het
werk aannemen tenzij zij een positieve attitude ten aanzien van computers hebben. Dit
ligt in lijn met de verwachtingen en met de resultaten uit eerder onderzoek die stellen
dat afhankelijk van iemands attitude tegenover ICT‟s, computertechnologie kan leiden
tot een verhoging van angst en spanning (Tarafdar et al.,2007).
Er werd ook een hoofdeffect gevonden voor techno-invasie met emotionele
uitputting en voor techno-invasie met depersonalisatie. Dus wanneer werknemers het
gevoel hebben constant bereikbaar te zijn kan dit leiden tot meer burnout, wat zich uit in
energie verlies en een afstandelijke houding ten opzichte van het werk. Dit zou
ondermeer te wijten kunnen zijn aan een rolconflict dat optreedt wanneer de werk
gerelateerde en persoonlijke context overlappen (Tarafdar et al., 2007). Verder bleek er
36
een modererend effect te zijn van attitude ten aanzien van computers tussen techno-
invasie en depersonalisatie. Administratief medewerkers die een hoge mate van techno-
invasie ervaren en een lage attitude ten aanzien van computers hebben, vertonen dus een
meer afstandelijke houding ten opzichte van het werk.
Voor de component techno-complexiteit werden er enkel hoofdeffecten met alle
drie de burnoutcomponenten teruggevonden. Hoe meer medewerkers het gevoel hebben
tekort te schieten op vlak van computervaardigheden, hoe meer burnout zij zullen
ervaren. Er werden geen moderatie-effecten teruggevonden. Dit kan te wijten zijn aan
het feit dat wanneer werknemers het gevoel hebben tekort te schieten, hun positieve
attitudes ten aanzien van computers geen impact meer hebben op de situatie.
Toekomstig onderzoek kan hierover meer duidelijkheid bieden.
De relatie tussen techno-onveiligheid en burnout wordt voor depersonalisatie en
persoonlijke bekwaamheid gemodereerd door attitude ten aanzien van computers. Dit
wil zeggen dat administratief medewerkers die zich bedreigd voelen in hun job meer
depersonalisatie ervaren en zich minder bekwaam voelen naarmate ze een minder
positieve attitude ten aanzien van computers hebben. Dit is in lijn met eerder onderzoek
waaruit blijkt dat job veiligheid of job zekerheid een belangrijke factor is in het
veroorzaken van stress en burnout (Sethi et al., 2004).
Tenslotte blijken computer self-efficacy en attitude ten aanzien van computers
geen moderatoren te zijn in de relatie tussen techno-onzekerheid en burnout. Hier
werden ook enkel hoofdeffecten teruggevonden. Wanneer medewerkers continue
veranderingen in technologie ervaren kan dit leiden tot meer emotionele uitputting,
depersonalisatie en minder persoonlijke bekwaamheid. Het ontbreken van moderatie-
effecten kan te wijten zijn aan het feit dat de onzekere situatie overheerst en dus een
positieve attitude of een gevoel van bekwaamheid in het werken met computers teniet
doet, toekomstig onderzoek kan hier meer duidelijkheid scheppen.
Uit eerder onderzoek is gebleken dat personen met een positieve ingesteldheid of
een positieve attitude minder burnout vertonen (Alarcon, Eschleman, & Bowling,
2009). Deze relatie kan verklaren waarom een positieve attitude ten aanzien van
computers zorgt voor minder emotionele uitputting en minder depersonalisatie wanneer
medewerkers technostress ervaren. Hoewel attitude ten aanzien van computers een
aantal keer naar voor gekomen is als moderator in de relatie tussen technostress en
37
burnout, is dit voor computer self- efficacy niet het geval. Het uitblijven van een
moderatie-effect van computer self-efficacy kan te wijten zijn aan de gehanteerde
schaal. Eerder onderzoek naar de modererende rol van computer self-efficacy maakte
gebruik van een schaal die gebaseerd was op computerattitudes (Salanova et al., 2000).
Een voorbeeld van een item uit die schaal is “Ik voel me zeer bekwaam bij het gebruiken
van computer gebaseerde technologie.” Dit item verwijst zowel naar de affectieve als
gedragsmatige component van attitudes (Sáinz & López-Sáez, 2009). We gaan er dus
van uit dat de computer self-efficacy schaal uit vorig onderzoek dichter aanleunt bij de
attitudeschaal die wij hanteerden, wat de gevonden effecten kan verklaren.
Beperkingen en toekomstig onderzoek
De voornaamste beperking van deze studie is het gebruik van een cross-
sectioneel design. Deze methodologie maakt dat de resultaten niet volgens een causaal
verband geïnterpreteerd mogen worden. Longitudinaal onderzoek kan hier een
oplossing bieden (Taris & Kompier, 2003).
Ten tweede mochten de administratief medewerkers die de uitnodiging tot
deelname ontvingen zelf kiezen of ze deelnamen aan het onderzoek of niet. Er was geen
sprake van verplichting, ook niet door de personeelsverantwoordelijke. Dit kan
mogelijks effect gehad hebben op de resultaten, het kan namelijk zo zijn dat de
participanten meer geïnteresseerd waren in deelname aangezien zij al een relatief hoge
mate van technostress ervoeren.
Ten derde zijn de gebruikte meetinstrumenten gebaseerd op zelfrapportage, het
gaat dus telkens om percepties van individuen en niet om objectieve metingen. Door het
gebruik van zelfrapportage metingen, kunnen de resultaten common method
variantiebias vertonen of beïnvloed zijn door het verlangen consistent te antwoorden
(Conway, 2002). We hopen dus dat toekomstige studies objectievere metingen kunnen
hanteren om common method variantiebias te vermijden. Er kunnen bijvoorbeeld
bedrijfsgegevens over het aantal uur beeldschermwerk dat men verricht, het aantal
foutmeldingen op een computer, het aantal software aanpassingen, afwezigheidcijfers
en job eigenschappen opgenomen worden om op die manier de problemen met
zelfrapportage metingen te vermijden.
38
Ten vierde kan het ook zijn dat er geen effect van computer self-efficacy
gevonden is omdat de “Computer Self-efficacy Measure” specifiek gericht is naar één
situatie, namelijk het werken met een onbekend softwarepakket. Het kan echter zo zijn
dat er bij de selectie van administratief medewerkers wordt verwacht dat zij bepaalde
computervaardigheden bezitten en dus ook kunnen omgaan met situaties waarin zij
blootgesteld worden aan onbekende software. In toekomstig onderzoek kan men hier
dan ook rekening mee houden. Daarenboven moet er nagegaan worden of de
voorgestelde situatie in de vragenlijst realistisch en representatief is voor de organisatie
waarin ze afgenomen wordt. Het is ook belangrijk om te vermelden dat de vragenlijst
focust op het werken met een onbekend softwarepakket en dus leren als extra dimensie
introduceert. Daar waar het vermogen om met nieuwe technologieën om te gaan een
essentie is voor een competente computergebruiker, is het ook mogelijk dat self-efficacy
ten opzichte van leren verschilt van self-efficacy ten opzichte van computers voor een
individu (Compeau & Higgins, 1995).
Verder is het zo dat twee van de vier gevonden interactie-effecten
randsignificant waren, ze waren slechts significant indien we een p-waarde van .10
hanteerden. Deze p-waarde vergroot de kans op het maken van een type I fout waarbij
men de nulhypothese onterecht gaat verwerpen (Cohen, 1994).
Ook werd er in dit onderzoek geen rekening gehouden met interne kenmerken
van de organisaties. Het is dus aangewezen om er in toekomstig onderzoek voor te
zorgen dat de respondenten uit één organisatie afkomstig zijn of dat de organisaties
gelijke structuren en procedures hanteren om sample bias te voorkomen. Verder kan het
voor toekomstig onderzoek nuttig zijn zich specifiek naar bepaalde sectoren te richten
om op die manier vergelijkende studies te maken en te kijken of de gevonden resultaten
generaliseerbaar zijn. Het kan namelijk zo zijn dat werknemers die een specifieke
opleiding genoten hebben om dagelijks met computertechnologie te werken, zoals in de
IT-sector, minder technostress ervaren.
Implicaties voor de praktijk
Deze studie kan belangrijke implicaties hebben voor de praktijk. Eerst en vooral
is het belangrijk om te weten dat de vijf technostress-factoren (techno-overload, techno-
39
invasie, techno-complexiteit, techno-onveiligheid en techno-onzekerheid) de condities
blootleggen onder dewelke gebruikers van ICT‟s technostress ervaren. Men kan dus
gaan meten in welke mate er technostress aanwezig is binnen de organisatie. Op die
manier kan men een beeld vormen van waar de pijnpunten liggen op vlak van
technologiegebruik.
Het is ook belangrijk om te weten dat er een omgekeerd U-verband bestaat
tussen de stress van werknemers en werkprestatie. Met andere woorden, bepaalde
niveaus van stress zijn voordelig voor de productiviteit van werknemers, maar teveel
stress zal de prestaties en productiviteit hinderen (Anderson, 1976). Managers moeten
dus meer aandacht schenken aan manieren om de technologie gerelateerde stress van
werknemers te beperken tot de drempelwaarde van stress die leidt tot hogere prestaties.
Een mogelijkheid om technostress en de negatieve gevolgen ervan binnen
organisaties te vermijden is het selecteren van werknemers op basis van hun attitude ten
aanzien van computers. Zoals uit de resultaten van dit onderzoek blijkt zorgt een
positieve attitude ten aanzien van computers voor minder burnout bij verschillende
technostress componenten. Tenslotte is het van belang dat medewerkers leren omgaan
met technostress. Het management van een organisatie kan hiervoor zorgen door
trainingen te organiseren waarbij werknemers copingstrategieën aangereikt krijgen
(Sami & Pangannaiah, 2006) en in eenvoudige stappen leren werken met
computertechnologie, op die manier verwerven ze een hogere persoonlijke
bekwaamheid en een postieve attitude ten aanzien van computers, waardoor ze in staat
zijn om beter om te gaan met technostress (Beas & Salanova, 2006).
Conclusie
Technostress ontstaat wanneer medewerkers niet op een gezonde manier kunnen
omgaan met nieuwe computertechnologieën. In deze studie werd technostress gemeten
aan de hand van een vertaling van de Technostress vragenlijst van Tarafdar et al.
(2007), deze bestaat uit vijf factoren. In een eerste onderzoeksvraag werd er een
positieve relatie tussen technostress en burnout voorgesteld. Een tweede
onderzoeksvraag ging na of deze relatie gemodereerd werd door computer self-efficacy
of de attitude ten aanzien van computers die een persoon hanteert.
40
De belangrijkste bevindingen in ons onderzoek wijzen er op dat
computergebruik technostress kan veroorzaken op vijf verschillende manieren, deze zijn
een overload aan technologie, het binnenvallen van technologie in het privé-leven, de
onmogelijkheid om met complexe technologie om te gaan, technologie die de job
veiligheid bedreigt en technologie die onzekerheid veroorzaakt. ICT-gebruikers kunnen
het slachtoffer zijn van één of meer van bovenstaande bronnen van technostress, die hun
technostress niveau gaan bepalen. Verder kunnen we afleiden dat er inderdaad een
relatie bestaat tussen technostress en burnout en dat computergebruik een mogelijke
impact heeft op de psychologische gezondheidstoestand van werknemers. Een positieve
attitude ten aanzien van computers kan in sommige gevallen soelaas bieden, ze
modereert namelijk de relatie tussen techno-overload, techno-invasie, techno-
onveiligheid en burnout maar niet voor techno-complexiteit en techno-onzekerheid. We
kunnen echter geen causale verbanden leggen bij deze relaties. Toekomstige studies
moeten dit verder onderzoeken, daarnaast is het voor toekomstige studies aangewezen
om zich te focussen op specifieke situaties om zo een duidelijker beeld te krijgen over
de relatie tussen technostress en burnout. Technologie en dus technostress zijn aanwezig
in bijna alle moderne organisaties en door de constante evolutie van technologie zal de
hoeveelheid technostress alleen maar toenemen. Organisaties doen dus best zoveel
mogelijk om de impact van technostress, zowel voor de werknemer zelf als voor de
organisatie, niet te onderschatten en hier zo goed als mogelijk op in te spelen.
41
Referenties
Alarcon, G., Eschleman, K. J., & Bowling, N. A. (2009). Relationships between
personality variables and burnout: A meta-analysis. Work & Stress, 23(3), 244-
263.
Anderson, C. R. (1976). Coping behavior as intervening mechanisms in the inverted-u
stress performance relationship. Journal of Applied Psychology, 61, 30–34.
Bandura, A. (1986). Social Foundations of Thought and Action, Englewood Cliffs, NJ:
Prentice Hall.
Bandura, A. (1997). Self-Efficacy: The Exercise of Control, New York: W.H. Freeman
and Company.
Beas, M. I., & Salanova, M. (2006). Self-efficacy beliefs, computer training and
psychological well-being among information and communication technology
workers. Computers in Human Behavior, 22, 1043-1058.
Bloom, A. J. (1985). An anxiety management approach to computer-phobia. Training
and Development Journal, 39(1), 90–94.
Brod, C. (1984). Technostress: The human cost of the computer revolution. Reading,
MA: Addison-Wesley.
Chua, S. L., Chen, D. T., & Wong, A. F. L. (1999). Computer anxiety and its correlates:
a meta-analysis. Computers in Human Behavior, 15, 609-623.
Cohen, J. (1994). The earth is round (p<.05). American Psychologist, 49, 997-1003.
Cohen, J., & Cohen, P. (1983). Applied multiple regression/correlation analysis for the
behavioural sciences (seconded.). Hillsdale, NJ: Erlbaum.
42
Conway, J.M. (2002). Method variance and method bias in industrial and organizational
psychology. In S.G. Rogelberg (Ed.), Handbook of research methods in
organizational and industrial psychology (pp. 344–365). Malden, MA: Blackwell
Publishers.
Compeau, D. R., & Higgins, C.A. (1995). Computer Self-efficacy: Development of a
Measure and Initial Test. MIS Quarterly, 19(2), 189-211.
Demerouti, E., Bakker, A. B., Nachreiner, F., & Schaufeli, W. B. (2001). The job
demands–resources model of burnout. Journal of Applied Psychology, 86, 499–
512.
Grau, R., Salanova, M., & Peiro´ , J. M. (2000). Efectos moduladores de la autoeficacia
en el estre´s laboral. [Moderating role of self-efficacy in the job stress] Apuntes de
Psicología, 18(1), 57–75.
Halbesleben, J. R. B., & Buckley, M. R. (2004). Burnout in organizational life. Journal
of Management, 30(6), 859–879.
Hetland, H., Mjeldheim Sandal, G., & Backer Johnsen, T. (2007). Burnout in the
information technology sector: Does leadership matter? European journal of work
and organizational psychology, 16(1), 58-75.
Jex, S. M., & Bliese, P. D. (1999). Efficacy Beliefs as a Moderator of the Impact of
Work-Related Stressors: A Multilevel Study. Journal of Applied Psychology,
84(3), 349-361.
Kleinbaum, D. G., Kupper, L. L., & Muller, K. E. (1988). Applied regression analysis
and other multivariable methods (second ed.). Boston: PWS-Kent.
43
Langelaan, S., Bakker, A. B., van Doornen, L. J. P., & Schaufeli, W.B. (2006). Burnout
and work engagement: Do individual differences make a difference? Personality
and Individual Differences, 40, 521-532.
Maslach, C., Schaufeli, W. B., & Leiter, M. P. (2001). Job Burnout. Annual Reviews
Psychology, 52, 397-422.
McQueen, R. J., & Mill, A. M. (1998). End user computing sophistication in a large
health services organization, Effective utilization and management of emerging
information technologies. In M. Khosrowpour (Ed.), Information resources
management association conference (pp. 263–276). Hershey: Idea Group
Publishing.
McGuire WJ. 1985. Attitudes and attitude change. In The Handbook of Social
Psychology,ed. G Lindzey, E Aronson, 2: 233–346. New York: Random House.
3rd ed.
Murphy, C. A., Coover, D., & Owen, S. V. (1989). Development and validity of the
computer self-efficacy scale. Educational and Psychological Measurement, 49,
893±899.
Petty, R. E., Wegener, D. T., & Fabrigar, L. R. (1997). Attitudes and attitude change.
Annual Reviews Psychology, 48, 609-647.
Ragu-Nathan, B., Ragu-Nathan, T. S., & Tu, Q. (2002). A Large-scale multinational
investigation of techno-stress and its impact on information. Technology (IT)
workforce productivity. Research proposal submitted to IT research division of
the US National Science Foundation.
Şahin, Y. L., & Çoklar, A. N. (2009). Social networking users‟ views on technology and
the determination of technostress levels. Procedia Social and Behavioral
Sciences, 1, 1437-1442.
44
Sáinz, M., & López-Sáez, M. (2010). Gender differences in computer attitudes and the
choice of technology-related occupations in a sample of secondary students in
Spain. Computers & Education, 54, 578-584.
Salanova, M., Grau, R. M., Cifre, E., & Llorens, S. (2000). Computer training,
frequency of usage and burnout: the moderating role of computer self-efficacy.
Computers in Human Behavior, 16, 575-590.
Salanova, M., Peiró, J. M., & Schaufeli, W. B. (2002). Self-efficacy specificity and
burnout among information technology workers: An extension of the job demand-
control model. European journal of work and organizational psychology, 11(1),
1-25.
Salanova, M., & Schaufeli, W. B. (2000). Exposure to information technology and its
relation to burnout. Behaviour and Information Technology, 19(5), 385-392.
Sami, L. K., & Pangannaiah, N. B. (2006). “Technostress” A literature survey on the
effect of information technology on library users. Library Review, 55(7), 429-439.
Schaufeli, W. B., Keijsers, G. J., & Reis Miranda, D. (1995). Burnout, technology use,
and ICU-performance. In S. L. Sauter, & L. R. Murphy, Organizational risk
factors for job stress (pp. 259±271). Washington, DC: APA Books.
Schaufeli, W. B., Leiter, M. P., Maslach, Ch., & Jackson, S. E. (1996). Maslach
Burnout Inventory- General Survey. In C. Maslach, S. E. Jackson, & M. P. Leiter,
The Maslach Burnout Inventory (3rd.ed) Ð Test Manual (pp. 19±26). Palo Alto,
CA: Consulting Psychologists Press.
Schaufeli, W.B., & Van Dierendonck, D. (2000). Handleiding van de Utrechtse
Burnout Schaal (UBOS) [Manual for Utrecht Burnout Scale]. Lisse: Swets Test
Services.
45
Sethi, V., King, R. C., Campbell Quick, J. (2004), What causes stress in information
system professionals? Communications of the ACM, 47(3), 99-102.
Smith, B., Caputi, P., & Rawstorne, P. (2000). Differentiating computer experience and
attitudes toward computers: an empirical investigation. Computers in Human
Behaviour, 16, 59-81.
Tarafdar, M., Tu, Q., Ragu-Nathan, B. S., & Ragu-Nathan, T. S. (2007). The Impact of
Technostress on Role Stress and Productivity. Journal of Management
Information Systems, 24(1), 301-328.
Taris, T.W., Kompier, M., (2003). Challenges in longitudinal designs in occupational
health psychology. Scandinavian journal of work environment & health, 29(1), 1-
4.
Thomée, S., Eklöf, M., Gustafsson, E., Nilsson, R., & Hagberg, M. (2007). Prevalence
of perceived stress, symptoms of depression and sleep disturbances in relation to
information and communication technology (ICT) use among young adults – an
explorative prospective study. Computers in Human Behavior, 23, 1300-1321.
Torkzadeh, R., Pfluhoeft, K., & Hall, L. (1999). Computer self-efficacy training
effectiveness and user attitudes: An empirical study. Behavior and Information
Technology, 18, 299–309.
Wang, K., Shu, Q., & Tu, Q. (2008). Technostress under different organizational
environments: An empirical investigation. Computers in Human Behavior, 24,
3002-3013.
46
Appendix
Bijlage 1. Begeleidende brief 47
Bijlage 2. Vragenlijsten 48
Bijlage 3. Codeboek 53
47
Bijlage 1. Begeleidende brief
Gent, (datum)
Geachte,
In het kader van mijn masterproef voor mijn studie Bedrijfspsychologie en
Personeelsbeleid aan de Universiteit Gent voer ik momenteel een onderzoek naar “De
impact van technostress op burnout bij administratief bedienden”.
Ik zou het ten zeerste appreciëren indien u hieraan een bijdrage wil leveren door de
vragenlijst in te vullen die u vindt via volgende link (URL). Het invullen van deze
vragenlijst neemt ongeveer 15 minuten in beslag. Er zijn geen juiste of foute
antwoorden.
Gelieve mij de ingevulde vragenlijst via de link door te sturen voor 31/12/2010.
Uiteraard worden alle bekomen gegevens strikt vertrouwelijk verwerkt en wordt elke
vorm van anonimiteit gewaarborgd.
Bij deze wil ik u alvast danken voor uw medewerking aan dit onderzoek. Indien u
geïnteresseerd bent in eventuele resultaten van dit onderzoek kan u mij bereiken via
onderstaande adresgegevens.
Hoogachtend,
Angélique Daeleman,
Kerkveldstraat 67,
9420 Erpe-Mere.
Tel.: 0494/66.62.04
Email: angelique.daeleman@ugent.be
48
Bijlage 2. Vragenlijsten
Persoonlijke gegevens
1. Geslacht:
Man
Vrouw
2. Leeftijd: … jaar
3. Burgerlijke staat:
Samenwonend
Niet samenwonend
4. Hoogst behaalde diploma:
Lager secundair
Hoger secundair
Hoger onderwijs, niet-universitair
Hoger onderwijs, universitair
Technostress
De volgende stellingen hebben betrekking op stress ervaren door technologiegebruik.
Omcirkel het antwoord dat het best uw huidige overtuiging omschrijft.
Gelieve de volgende schaal te gebruiken voor elke stelling:
1= Volledig niet akkoord
2= Niet akkoord
3= Noch akkoord, noch niet akkoord
4= Akkoord
5= Volledig akkoord
De term „deze technologie‟ heeft betrekking op de dagelijkse computergebaseerde
applicaties die u tijdens u job gebruikt, zoals e-mail, verwerkingssystemen, database
systemen, ontwikkelingstools.
1. Ik word door deze technologie gedwongen om veel
sneller te werken. 1 2 3 4 5
49
2. Ik word door deze technologie gedwongen om meer
werk te verrichten dan ik aankan. 1 2 3 4 5
3. Ik word door deze technologie gedwongen om met een
zeer strak tijdschema te werken. 1 2 3 4 5
4. Ik word gedwongen mijn werkgewoontes te veranderen
om mij aan te passen aan nieuwe technologieën. 1 2 3 4 5
5. Ik heb een hogere werklast omwille van de
toegenomen technologie complexiteit. 1 2 3 4 5
6. Ik moet elke dag veel tijd spenderen aan het lezen van
een overweldigende hoeveelheid e-mail. 1 2 3 4 5
7. Ik moet harder werken omwille van de vertragingen
door hardware, software en netwerk problemen. 1 2 3 4 5
8. Ik breng minder tijd door met mijn familie omwille van
deze technologie. 1 2 3 4 5
9. Ik moet in contact staan met mijn werk, zelfs tijdens
mijn vakantie omwille van deze technologie. 1 2 3 4 5
10. Ik moet mijn vakantie- en weekendtijd opofferen om
op de hoogte te blijven van nieuwe technologieën. 1 2 3 4 5
11. Ik voel dat mijn persoonlijke leven ingenomen wordt
door deze technologie. 1 2 3 4 5
12. Ik weet niet genoeg over deze technologie om mijn
job naar behoren uit te voeren. 1 2 3 4 5
13. Ik heb veel tijd nodig om nieuwe technologieën te
begrijpen en te gebruiken. 1 2 3 4 5
14. Ik heb niet genoeg tijd om mijn
technologievaardigheden te bestuderen en bij te schaven. 1 2 3 4 5
15. Ik vind dat nieuw aangeworven werknemers in deze
organisatie meer weten over computertechnologie dan ik. 1 2 3 4 5
16. Ik vind het vaak te complex voor me om nieuwe
technologieën te begrijpen en te gebruiken. 1 2 3 4 5
17. Ik voel een constante bedreiging van mijn
werkzekerheid omwille van nieuwe technologieën. 1 2 3 4 5
18. Ik moet mijn vaardigheden constant bijwerken om te
vermijden dat ik vervangen word. 1 2 3 4 5
19. Ik ben bedreigd door collega's met nieuwere
technologie vaardigheden. 1 2 3 4 5
20. Ik deel mijn kennis niet met mijn collega's uit angst
vervangen te worden. 1 2 3 4 5
21. Ik voel dat er minder kennis gedeeld wordt onder
collega's uit angst vervangen te worden. 1 2 3 4 5
22. Er zijn altijd nieuwe ontwikkelingen in de technologie
die we in onze organisatie gebruiken. 1 2 3 4 5
23. Er zijn voortdurende veranderingen in de
computersoftware in onze organisatie. 1 2 3 4 5
50
24. Er zijn voortdurende veranderingen in de
computerhardware in onze organisatie. 1 2 3 4 5
25. Er zijn frequente upgrades in de computernetwerken
in onze organisatie. 1 2 3 4 5
Burnout
De volgende uitspraken hebben betrekking op hoe u uw werk beleeft en hoe u
zich daarbij voelt. Wilt u aangeven hoe vaak iedere uitspraak op u van
toepassing is door steeds het best passende cijfertje te omcirkelen.
Gelieve de volgende schaal te gebruiken voor elke uitspraak:
1 = Nooit
2 = Sporadisch
3 = Af en toe
4 = Regelmatig
5 = Dikwijls
6 = Zeer dikwijls
7= Altijd
N
ooit
Spora
dis
ch
Af
en t
oe
Reg
elm
atig
Dik
wij
ls
Zee
r
dik
wij
ls
Alt
ijd
1. Ik voel me mentaal uitgeput door mijn werk. 1 2 3 4 5 6 7
2. Ik twijfel aan het nut van mijn werk. 1 2 3 4 5 6 7
3. Een hele dag werken vormt een zware belasting voor mij. 1 2 3 4 5 6 7
4. Ik weet de problemen in mijn werk goed op te lossen. 1 2 3 4 5 6 7
5. Ik voel me “opgebrand” door mijn werk. 1 2 3 4 5 6 7
6. Ik heb het gevoel dat ik met mijn werk een positieve
bijdrage lever aan het functioneren van de organisatie. 1 2 3 4 5 6 7
7. Ik merk dat ik te veel afstand heb gekregen van mijn werk. 1 2 3 4 5 6 7
8. Ik ben niet meer zo enthousiast als vroeger over mijn werk. 1 2 3 4 5 6 7
9. Ik vind dat ik mijn werk goed doe. 1 2 3 4 5 6 7
10. Als ik op mijn werk iets afrond, vrolijkt me dat op. 1 2 3 4 5 6 7
51
11. Aan het einde van een werkdag voel ik me leeg. 1 2 3 4 5 6 7
12. Ik heb in deze baan veel waardevolle dingen bereikt. 1 2 3 4 5 6 7
13. Ik voel me vermoeid als ik ‟s morgens opsta en er weer een
werkdag voor me ligt. 1 2 3 4 5 6 7
14. Ik ben cynischer geworden over de effecten van mijn werk. 1 2 3 4 5 6 7
15. Op mijn werk blaak ik van zelfvertrouwen. 1 2 3 4 5 6 7
Computer Self-Efficacy
De volgende stellingen hebben betrekking op uw attitudes ten aanzien van computers.
Omcirkel het antwoord dat het best uw huidige attitude omschrijft.
Gelieve de volgende schaal te gebruiken voor elke stelling:
1= Volledig niet akkoord
2= Niet akkoord
3= Noch akkoord, noch niet akkoord
4= Akkoord
5= Volledig akkoord
1. Ik voel me zeker bij het werken op een computer. 1 2 3 4 5
2. Ik vind dat ik een positieve attitude heb ten aanzien van
computers. 1 2 3 4 5
3. Ik vind dat computers nuttig zijn. 1 2 3 4 5
Er wordt in het professionele leven vaak verteld over softwarepakketten die beschikbaar
zijn om het werk makkelijker te maken. Beeldt u voor de volgende vragen in dat u zo
een nieuw softwarepakket ontvangen hebt voor sommige aspecten van u job. Het speelt
geen rol wat dit softwarepakket specifiek doet, enkel dat het is bedoeld om uw job
makkelijker te maken en dat u het nog nooit voordien gebruikt hebt.
Bij de volgende vragen moet u aanduiden of u het onbekende softwarepakket kan
gebruiken onder verschillende condities. Gelieve voor elk van de condities aan te duiden
hoe zeker u bent dat u uw werk kan uitvoeren met het softwarepakket, dit door het voor
u meest passende cijfer te omcirkelen, waarbij 1 staat voor “Helemaal niet zeker”, 5
voor “Min of meer zeker” en 10 voor “Helemaal zeker”.
52
Ik kan mijn taken volbrengen door gebruik te maken van het
softwarepakket…
1. …wanneer er niemand in de buurt zou zijn die me
kan zeggen wat ik moet doen. 1 2 3 4 5 6 7 8 9 10
2. …wanneer ik nog nooit een gelijkaardig
softwarepakket gebruikt heb. 1 2 3 4 5 6 7 8 9 10
3. …wanneer ik enkel de handleiding van de sofware
heb ter referentie 1 2 3 4 5 6 7 8 9 10
4. …wanneer ik iemand anders het softwarepakket heb
zien gebruiken alvorens ik het zelf probeer. 1 2 3 4 5 6 7 8 9 10
5. …wanneer ik iemand om hulp kan vragen als ik zou
vastlopen. 1 2 3 4 5 6 7 8 9 10
6. …wanneer iemand anders me zou helpen om te
starten. 1 2 3 4 5 6 7 8 9 10
7. …wanneer ik veel tijd zou hebben om het werk
waarvoor de software voorzien was uit te voeren 1 2 3 4 5 6 7 8 9 10
8. …wanneer ik enkel de ingebouwde helpapplicatie
heb ter assistentie. 1 2 3 4 5 6 7 8 9 10
9. …wanneer iemand me eerst zou tonen hoe ik het
moet doen. 1 2 3 4 5 6 7 8 9 10
10. …wanneer ik reeds gelijkaardige
softwarepakketten heb gebruikt om hetzelfde werk uit
te voeren.
1 2 3 4 5 6 7 8 9 10
53
Bijlage 3. Codeboek
Technostress (Technostress Questionnaire)
Nr. Vraag Naam Construct/ Variabele Afkorting Aantal Items
Missing Value
Antwoordmogelijkheden Kwantificering
Techno-overload TECHOV 7 1 = volledig niet akkoord 2 = niet akkoord 3 = noch akkoord, noch niet akkoord 4 = akkoord 5 = volledig akkoord
COMPUTE TECHOV = TECHOV1 + TECHOV2 + TECHOV3 + TECHOV4 + TECHOV5 + TECHOV6 + TECHOV7 Min TECHOV = 7 / Max TECHOV = 35 Hoge score = hoe meer techno-overload men ervaart
1 sneller werken TECHOV1 1 99
2 meer werk te verrichten TECHOV2 1 99
3 strak tijdschema TECHOV3 1 99
4 werkgewoontes veranderen TECHOV4 1 99
5 hogere werklast TECHOV5 1 99
6 hoeveelheid e-mail TECHOV6 1 99
7 harder werken door vertraging TECHOV7 1 99
54
Techno-invasie TECHIN 4 1 = volledig niet akkoord 2 = niet akkoord 3 = noch akkoord, noch niet akkoord 4 = akkoord 5 = volledig akkoord
COMPUTE TECHIN = TECHIN8 + TECHIN9 + TECHIN10 + TECHIN11 Min TECHIN = 4 / Max TECHIN = 20 Hoge score = hoe meer techno-invasie men ervaart
8 minder tijd met familie TECHIN8 1 99
9 contact met werk in vakantie TECHIN9 1 99
10 vakantie en weekend opofferen TECHIN10 1 99
11 persoonlijk leven ingenomen TECHIN11 1 99
Techno-complexiteit TECHCO 5 1 = volledig niet akkoord 2 = niet akkoord 3 = noch akkoord, noch niet akkoord 4 = akkoord 5 = volledig akkoord
COMPUTE TECHCO = TECHCO12 + TECHCO13 + TECHCO14 + TECHCO15 + TECHCO16 Min TECHCO = 5 / Max TECHCO = 25 Hoge score = hoe meer techno-complexiteit men ervaart
12 weet niet genoeg over technologie TECHCO12 1 99
13 veel tijd nodig om te begrijpen TECHCO13 1 99
14 niet genoeg tijd om te bestuderen TECHCO14 1 99
15 nieuwe werknemers weten meer TECHCO15 1 99
16 te complex om te begrijpen TECHCO16 1 99
55
Techno-onveiligheid TECHON 5 1 = volledig niet akkoord 2 = niet akkoord 3 = noch akkoord, noch niet akkoord 4 = akkoord 5 = volledig akkoord
COMPUTE TECHON = TECHON17 + TECHON18 + TECHON19 + TECHON20 + TECHON21 Min TECHON = 5 / Max TECHON = 25 Hoge score = hoe meer techno-onveiligheid men ervaart
17 constante bedreiging werkzekerheid TECHON17 1 99
18 vervanging vermijden TECHON18 1 99
19 bedreigd door nieuwe collega's TECHON19 1 99
20 deel kennis niet met collega's TECHON20 1 99
21 er wordt minder kennis gedeeld TECHON21 1 99
Techno-onzekerheid TECHOZ 4 1 = volledig niet akkoord 2 = niet akkoord 3 = noch akkoord, noch niet akkoord 4 = akkoord 5 = volledig akkoord
COMPUTE TECHOZ = TECHOZ22 + TECHOZ23 + TECHOZ24 + TECHOZ25 Min TECHOZ = 4 / Max TECHOZ = 20 Hoge score = hoe meer techno-onzekerheid men ervaart
22 nieuwe ontwikkelingen TECHOZ22 1 99
23 voortdurende veranderingen software TECHOZ23 1 99
24 voortdurende veranderingen hardware TECHOZ24 1 99
25 frequente upgrades TECHOZ25 1 99
56
Burnout (UBOS)
Nr. Vraag Naam Construct/ Variabele Afkorting Aantal Items
Missing Value
Antwoordmogelijkheden Kwantificering
Emotionele uitputting EUITP 5 1 = nooit 2 = sporadisch 3 = af en toe 4 = regelmatig 5 = dikwijls 6 = zeer dikwijls 7 = altijd
COMPUTE EUITP = EUITP1 + EUITP3 + EUITP5 + EUITP11 + EUITP13 Min EUITP = 5 / Max EUITP = 35 Hoge score = hoe meer emotionele uitputting men ervaart
1 mentaal uitgeput EUITP1 1 99
3 hele dag werken vormt zware belasting EUITP3 1 99
5 opgebrand EUITP5 1 99
11 zich leeg voelen aan het einde van een werkdag EUITP11 1 99
13 vermoeid voor werkdag EUITP13 1 99
Depersonalisatie DP 4 1 = nooit 2 = sporadisch 3 = af en toe 4 = regelmatig 5 = dikwijls 6 = zeer dikwijls 7 = altijd
COMPUTE DP = DP2 + DP7 + DP8 + DP14 Min DP = 4 / Max DP = 28 Hoge score = hoe meer depersonalisatie men ervaart
2 twijfel aan nut van werk DP2 1 99
7 te veel afstand van werk DP7 1 99
8 niet meer zo enthousiast DP8 1 99
14 cynischer over effecten van mijn werk DP14 1 99
57
Persoonlijke bekwaamheid PB 6 1 = nooit 2 = sporadisch 3 = af en toe 4 = regelmatig 5 = dikwijls 6 = zeer dikwijls 7 = altijd
COMPUTE PB = PB4 + PB6 + PB9 + PB10 + PB12 + PB15 Min PB = 6 / Max PB = 42 Hoge score = hoe meer persoonlijke bekwaamheid men ervaart
4 problemen in mijn werk goed oplossen PB4 1 99
6 gevoel positieve bijdrage PB6 1 99
9 vind dat ik mijn werk goed doe PB9 1 99
10 iets afronden vrolijkt me op PB10 1 99
12 in deze baan veel waardevolle dingen bereikt PB12 1 99
15 in mijn werk blaak ik van zelfvertrouwen PB15 1 99
Attitude ten aanzien van computers
Nr. Vraag Naam Construct/ Variabele Afkorting Aantal Items
Missing Value
Antwoordmogelijkheden Kwantificering
Attitudes ATT 3 1 = volledig niet akkoord 2 = niet akkoord 3 = noch akkoord, noch niet akkoord 4 = akkoord 5 = volledig akkoord
COMPUTE ATT = ATT1 + ATT2 + ATT3 Min ATT = 3 / Max ATT = 15 Hoge score = hoe positiever de attitude ten aanzien van computers
1 zeker bij het werken op computer ATT1 1 99
2 positieve attitude ATT2 1 99
3 computers zijn nuttig ATT3 1 99
58
Computer self-efficacy (CSE-measure)
Nr. Vraag Naam Construct/ Variabele Afkorting Aantal Items
Missing Value
Antwoordmogelijkheden Kwantificering
Computer Self-Efficacy CSE 10 1 = helemaal niet zeker 5 = min of meer zeker 10 = helemaal zeker
COMPUTE CSE = CSE1 + CSE2 + CSE3 + CSE4 + CSE5 + CSE6 + CSE7 + CSE8 + CSE9 + CSE10 Min CSE = 10 / Max CSE = 100 Hoge score = hoge computer self-efficacy
1 niemand in de buurt CSE1 1 99
2 nooit gelijkaardig softwarepakket gebruikt CSE2 1 99
3 enkel handleiding van software CSE3 1 99
4 iemand anders al zien gebruiken CSE4 1 99
5 iemand om hulp kan vragen CSE5 1 99
6 iemand me zou helpen CSE6 1 99
7 veel tijd om werk uit te voeren CSE7 1 99
8 enkel helpapplicatie CSE8 1 99
9 iemand eerst zou tonen CSE9 1 99
10 reeds gelijkaardig softwarepakket gebruikt CSE10 1 99
top related