Роль уровня образования и профессионального статуса в степени принятия цифровых технологий в Гане и России

Введение . Цифровая трансформация активно позиционируется как средство повышения эффективности работы организаций и улучшения качества предоставляемых государственных услуг (Yang et al., 2024). Данная тенденция усиливается на фоне глобальных изменений. Она также подчеркивает растущую роль стран Глобального Юга в инновациях, модернизации управления и цифровом развитии. В таких условиях необходимо понимать, как формируется принятие технологий в организациях и как намерение превращается в устойчивую практику использования. Это важно как для Ганы, так и для России. РФ расширяет образовательные и технологические контакты с африканскими партнерами, включая Гану. Поэтому российской аудитории важно понимать механизмы принятия технологий в разных институциональных средах.

Однако внедрение цифровых платформ и расширение доступа к широкополосному интернету не всегда ведут к устойчивому и эффективному использованию цифровых технологий внутри организаций. Пример Ганы это подтверждает (Asante, 2023). В апреле 2022 г. Всемирным банком был одобрен проект Ghana ‒ Digital Acceleration Project, направленный на расширение интернет-доступа, повышение эффективности и удобства отдельных цифровых государственных сервисов1. Проект будет действовать до 2027 г. Он делает акцент на развитии инфраструктуры и цифровых платформ, а также на обучении персонала цифровым навыкам и подготовке организаций к цифровой трансформации2. Одновременно с этим активно развивается государственная платформа Ghana.gov для предоставления услуг и осуществления платежей3. Согласно официальным данным, к 2024 г. к этой платформе было подключено 1 757 различных организаций, включая министерства, департаменты и агентства, муниципальные собрания, государственные предприятия, а также образовательные и медицинские учреждения4.

Россия в этом контексте также служит примером. Ключевую роль здесь играют особенности государственного управления и специфика рыночной среды. Национальная программа «Цифровая экономика» обеспечила развитие государственной цифровой инфраструктуры и повсеместное использование портала «Госуслуги» (Lowry, 2020). По независимым оценкам, этот портал используют почти сто миллионов россиян (Guzik, 2023). Ранее опубликованная статистика фиксировала десятки миллионов электронных заявлений ежегодно. Это свидетельствует о широком вовлечении граждан и высоких требованиях к организации процессов со стороны поставщиков услуг5.

Международные исследования показывают, что потенциал цифрового государства реализуется тогда, когда человеческий капитал, организационные процедуры и дизайн услуг согласованы с цифровой инфраструктурой. Он ослабевает, когда эти элементы существуют разрозненно (Aldhi et al., 2025). Эмпирические исследования последних пяти-семи лет, посвященные принятию технологий в организациях, приходят к единому выводу: существует ограниченный набор факторов, определяющих поведенческое намерение и фактическое использование технологий (Schorr, 2023). Метааналитические обзоры теории объединенного принятия и использования технологий и ее расширенной версии подтверждают устойчивое влияние ключевых факторов. К ним относятся ожидаемая результативность, ожидаемая легкость использования и условия содействия (наличие необходимых ресурсов и технической поддержки). Важную роль играют доверие и самоэффективность. Отдельно подчеркиваются контекстуальные модераторы, включая организационный климат и национальные особенности (Neves et al., 2025).

В то же время на уровне населения сохраняются гендерные и социально-экономические различия в цифровом участии, особенно в странах с низким и средним уровнем дохода (Nirmani, 2025). Это означает, что результаты внедрения цифровых технологий внутри организаций также зависят от уровня образования и профессионального статуса, неравенства в доступе к обучению и технической поддержке (Orser et al., 2019). В совокупности представленные источники формируют мотивацию к изучению микросоциальных факторов внутри организационной среды, смещая фокус с технических аспектов внедрения. Сравнительный анализ Ганы и России в отношении обозначенной темы имеет аналитическую ценность. Он позволяет увидеть, как социально-образовательные иерархии проявляются в разных институциональных и рыночных условиях, несмотря на общие цели модернизации государственного управления.

Таким образом, целью настоящего исследования является объяснение того, как образование и профессиональный статус формируют поведенческое намерение и фактическое использование цифровых технологий сотрудниками организаций. Также проверяются различия этих связей между Ганой и Россией с учетом установленных детерминант принятия технологий и характеристик организационного климата.

Теоретические основы (Объединенная теория принятия и использования технологий) . Исследования индивидуального принятия технологий на рабочем месте традиционно опираются на Объединенную теорию принятия и использования технологий (UTAUT) и ее расширенные версии (Neves et al., 2025; Schorr, 2023). Научные исследования, опубликованные после 2017 г., показывают, что такие факторы, как ожидаемая результативность, ожидаемая легкость использования, социальное влияние и условия содействия (наличие технической поддержки и ресурсов), являются устойчивыми предикторами поведенческого намерения и фактического использования технологий, хотя сила их влияния варьируется в зависимости от контекста. При этом внедрение модели часто требует адаптации к организационным условиям и культурным особенностям (Horas et al., 2023; Vidal-Silva et al., 2024). В рамках государственных организаций исследования подчеркивают, что результаты цифровых преобразований зависят от того, насколько человеческий потенциал, организационные процедуры и политики согласованы с технологическим дизайном и институциональными структурами, а не только от самого факта внедрения технологий. Это обусловливает необходимость учитывать переменные организационного контекста наряду с индивидуальными убеждениями. Настоящее исследование рассматривает UTAUT как основную теоретическую рамку, дополняя ее отдельными положениями смежных теорий, которые позволяют учесть культурные и институциональные факторы (Xue et al., 2024).

Одним из известных ограничений UTAUT является ее акцент на намерениях и ближайших когнитивных установках, что приводит к недостаточной спецификации структуры, власти и процессов формирования рутин в организациях (Momani, 2020). Теория часто проверяется с использованием перекрестных опросных рамок, что может усиливать взаимосвязи между переменными из-за общей методологической предвзятости. Кроме того, операционализация конструктов заметно различается между исследованиями, что осложняет сопоставление результатов и снижает внешнюю валидность (Schretzlmaier et al., 2022). Культурные и отраслевые различия также свидетельствуют о том, что коэффициенты изменяются в зависимости от контекста. Модель может развиваться без прочной теоретической опоры, если не соблюдать принципы простоты и проверки измерений (Vaisey, Kiley, 2021).

Тем не менее UTAUT остается одной из наиболее значимых моделей в исследованиях принятия и использования цифровых технологий в организационной среде, особенно при анализе поведенческого намерения и фактического использования. Она позволяет эмпирически описать процесс формирования намерения и использования технологий (Marikyan, Papagiannidis, 2025), а также соотносит теоретические конструкты с практическими механизмами управления, такими как ожидаемая результативность, социальное влияние и организационные факторы, поддержка руководства, цифровая культура, обучение и принадлежность к определенной сфере занятости. Таким образом, использование UTAUT в качестве основной концептуальной рамки при одновременном включении переменных организационного климата обеспечивает баланс между теоретической последовательностью и контекстуальной чувствительностью, что соответствует современным тенденциям в академической литературе (Momani, 2020).

Образование и цифровая грамотность . Образование рассматривается как показатель формального уровня достижений, а также как косвенный индикатор вовлеченности в структурированное обучение, формирующее базовые навыки, необходимые для работы в цифровой среде (Loh et al., 2025). Цифровая грамотность определяется на основе авторитетных международных исследований и руководств международных профильных институтов, в которых конкретизируются компетенции, обеспечивающие безопасный и эффективный доступ к информации, ее оценку, интеграцию, создание и распространение с использованием цифровых технологий (Rani, 2025). Глобальная рамка цифровой грамотности ЮНЕСКО¹ и европейская модель DigComp 2.2

Европейской комиссии1 являются наиболее признанными ориентирующими документами. Они систематизируют знания, умения и установки по пяти ключевым направлениям: информационная и медийная грамотность, коммуникация и сотрудничество, создание цифрового контента, безопасность и решение проблем. Эти рамки особенно важны для организационных исследований, поскольку позволяют соотнести уровень образования и профессионального обучения с измеримыми профилями компетенций, которые предсказывают использование цифровых технологий в трудовой деятельности.

Гана и Россия представляют собой различные, но в равной степени полезные цифровые среды для эмпирической проверки указанных механизмов2.

По данным Всемирного банка, текущий уровень использования интернета и цифровых инструментов в Гане составляет около 70 %3 (рис. 1), тогда как в РФ этот показатель превышает 90 %4 (рис. 2). Это означает, что Россия имеет более высокий общий уровень цифровой вовлеченности, а Гана демонстрирует быстрый рост в последние годы.

Использование цифровых технологий в зависимости от уровня образования

ф

ф

Интернет

■ Без формального образования   ■ Начальное   ■ Среднее

Данные переписи 2021 года

Рисунок 1. Использование интернета и цифровых инструментов в Гане⁵

• Figure 1.    Ghana’s Internet and Digital Tools Usage

  Глобальный мониторинг Международного союза электросвязи (ITU) свидетельствует о том, что во многих странах с низким и средним уровнем дохода мобильный широкополосный доступ остается доминирующей формой подключения. Данный факт акцентирует необходимость развития компетенций мобильного взаимодействия и институциональной поддержки на рабочих местах⁶. Наблюдаемые различия в уровне проникновения интернета и состоянии инфраструктуры указывают на вариативность функционирования человеческого капитала и организационных условий в различных социально-экономических контекстах. В Гане дополнительное образование и цифровая грамотность могут выступать как факторы, способствующие освоению технологий за счет способности к самостоятельному обучению и решению проблем (Amoako, Anane, 2025), тогда как в России более высокий исходный уровень доступности и организационной поддержки облегчает превращение намерений в устойчивое использование (Outila et al., 2018). Этот

аргумент обосновывает построение сравнительных моделей, где показатели образования и цифровой грамотности используются вместе с организационными переменными, такими как поддержка руководства, обучение и цифровая культура.

Рисунок 2. Использование интернета в Российской Федерации с 1990 по 2024 г.¹

• Figure 2.    Russian Federation Internet Usage from 1990 to 2024

Профессиональный статус и организационная роль . Профессиональный статус объединяет формальную иерархию и неформальный авторитет, основанный на экспертности, стаже и значимости в сети взаимодействий (Liu et al., 2024; Surju et al., 2020). Профессиональный статус определяет положение сотрудника в системе распределения ресурсов и властной иерархии. Сотрудники с более высоким статусом, как правило, имеют приоритетный доступ к инфраструктуре и технической поддержке, что напрямую повышает их удовлетворенность условиями работы. Кроме того, статус формирует направленность социального влияния: руководители и эксперты часто сами задают поведенческие нормы, тогда как рядовые сотрудники в большей степени подвержены нормативному давлению и вынуждены адаптироваться к ожиданиям руководства. Следовательно, статус выступает ключевым фактором, дифференцирующим восприятие организационной поддержки и корпоративных требований.

Руководители и менеджеры среднего звена играют ключевую роль в превращении намерения в регулярное использование через пример, постановку целей, обратную связь и устранение барьеров на пути к практическому применению (Chen et al., 2025). В государственных и сервисных организациях цифровые инициативы успешны, когда высшее и среднее руководство выстраивает систему стимулов, обеспечивает обучение и предоставляет доступную поддержку, а не ограничивается формальным внедрением (Kusmaryanto, Santoso, 2025).

Сравнение между Ганой и Россией в рамках данного исследования показывает, как работают эти механизмы. В условиях неравномерной организационной поддержки формальный статус сотрудника и его функциональная роль в команде приобретают большее значение, поскольку более статусные работники чаще получают доступ к ресурсам и могут обосновывать затраты рабочего времени на освоение технологий. В более развитых цифровых организациях, где культура и поддержка сильнее, различия между ролями уменьшаются, и даже сотрудники с низким статусом продолжают использование технологий. Таким образом, профессиональный статус и организационная роль функционируют как контекстуальные рычаги, усиливающие или ослабляющие когнитивно-мотивационные пути, описанные в модели UTAUT, и помогают объяснить различия в фактическом использовании технологий между организациями и странами (Marikyan, Papagiannidis, 2025).

Влияние образования и профессионального статуса на принятие технологий . Образование развивает у индивидов общие и специализированные навыки, которые способствуют обработке сложной информации, решению проблем и самостоятельному обучению (Loh et al., 2025).

• ¹    Источник: Individuals using the Internet (% of population) – Russian Federation [Электронный ресурс] // World Bank Open Data. 2025. URL: (дата обращения: 14.10.2025).

Эти способности повышают субъективную полезность и воспринимаемую легкость использования технологий, укрепляют технологическую самоэффективность и снижают неопределенность при внедрении новых цифровых инструментов и платформ в повседневную работу. Метааналитические и интегративные обзоры, опубликованные после 2017 г., убедительно демонстрируют, что подобные когнитивные изменения являются ближайшими механизмами, через которые человеческий капитал усиливает поведенческое намерение и, в конечном итоге, фактическое использование технологий в организациях (Zwarg et al., 2025). Уровень образования дополняется профессиональным статусом, который определяет положение человека в иерархии власти и влияния (Harkriskayani, Putra, 2024). Статус определяет, кого в организации признают экспертом, кто может распоряжаться временем и ресурсами для обучения, а также чьи предпочтения становятся локальными стандартами. Таким образом, статус оказывает воздействие на условия, способствующие использованию технологий, и на характер социального влияния. Эти два организационных механизма наиболее тесно связывают намерение с реальным поведением (Davlembayeva, Papagiannidis, 2024).

Кроме того, образование влияет преимущественно через формирование убеждений и развитие цифровой компетентности, тогда как профессиональный статус ‒ через власть, авторитет и контроль над ресурсами (Loh et al., 2025). Иными словами, образование формирует профессиональные компетенции и понимание технологий, а статус обеспечивает легитимность действий и доступ к ресурсам. Их совокупное воздействие объясняет, почему одинаковые намерения могут приводить к различной интенсивности использования технологий между организациями и странами. Практический вывод заключается в необходимости сочетать развитие навыков на основе признанных компе-тентностных рамок с авторитетным лидерским примером и управленческими практиками среднего звена, которые закрепляют новые формы деятельности в повседневной работе (Cheng, 2025).

Методы исследования . В исследовании использовался перекрестный (кросс-секционный) опрос, направленный на изучение детерминант организационного принятия цифровых технологий в Гане и России. Сбор данных проводился онлайн с использованием платформы Microsoft Forms в период с января по август 2025 г. при обязательном получении информированного согласия и соблюдении принципов конфиденциальности. Критериями участия являлись текущее трудоустройство или обучение в организации, а также регулярное использование цифровых инструментов.

Окончательная аналитическая выборка включала 517 полных ответов, из которых 255 поступили из Ганы и 262 – из России. Респонденты представляли в основном учреждения высшего образования, частные компании и государственные ведомства. Анкета содержала вопросы о демографических характеристиках, уровне образования, должностном положении, стаже работы, стране проживания, сфере занятости, а также шкалы, согласованные с моделью UTAUT, и показатели организационного климата. Поведенческое намерение измерялось с помощью одного пункта по пятибалльной шкале Лайкерта, отражающего намерение продолжать использование цифровых технологий. Фактическое использование оценивалось по пятиуровневой шкале частоты ‒ от «никогда» до «всегда». На этапе очистки данных были удалены дубликаты, проверены обозначения стран, унифицированы коды шкал (от 1 до 5) и сформированы составные индексы для многопунктовых конструктов, таких как самоэффективность и условия содействия.

Надежность измерений оценивалась с использованием коэффициента α Кронбаха, рассчитанного в программе SPSS. Для сравнения средних значений между группами и проверки статистической значимости различий применялся t -критерий Уэлча. Дискриминантная валидность проверялась через межконструктные корреляции и коэффициенты инфляции дисперсии. Описательная статистика использовалась для анализа профиля респондентов по странам, полу, уровню образования, сфере занятости и должностному положению, а также для суммарного представления распределений по ключевым конструктам.

Результаты . В данном разделе представлены и интерпретированы основные результаты исследования. Анализ данных был выполнен на основе анкет, заполненных респондентами (таблица 1).

Таблица 1. Социально-демографические характеристики респондентов в Гане и России¹

Table 1. Demographics in Ghana and Russia

Переменная	Категория	Гана ( N )	Гана (%)	Россия ( N )	Россия (%)
1	2	3	4	5	6
Пол	Женский	109	42,7	110	42,0
	Мужской	146	57,3	152	58,0
Уровень образования	Начальная школа	7	2,7	0	0,0
	Средняя школа	36	14,1	20	7,6

1 Составлено автором по результатам опроса.

Продолжение таблицы 1

1	2	3	4	5	6
	Бакалавриат	121	47,5	123	46,9
	Магистратура	52	20,4	99	37,8
	Аспирантура	27	10,6	20	7,6
	Другое	12	4,7	0	0,0
Сфера текущей занятости	Высшее учебное заведение	105	41,2	119	45,4
	Частная компания	62	24,3	91	34,7
	Государственный сектор	53	20,8	50	19,1
	Студенты	21	8,2	0	0,0
	Самозанятые	6	2,4	1	0,4
	Безработные	4	1,6	0	0,0
	Другое	4	1,6	1	0,4

Как уже отмечалось выше, совокупность данных включает 517 респондентов, почти поровну распределенных между Ганой и Россией, что обеспечивает надежность межстрановых сопоставлений. Гендерная структура выборки схожа в обеих странах: около трех пятых составляют мужчины и две пятых – женщины, что снижает риск смещения, связанного с половыми различиями. Уровень образования участников высок в обеих группах. Степень бакалавра является наиболее распространенной, при этом в России наблюдается более высокая доля магистров, а в Гане – выпускников старших школ и докторов наук. По сферам занятости в обеих странах лидируют учреждения высшего образования. Частные компании представлены в России в большей степени, тогда как среди респондентов из Ганы немного выше доля студентов и самозанятых. Эти различия подтверждают необходимость включения в последующие модели взаимодействий по стране и контрольных переменных по сферам занятости.

Рисунок 3 демонстрирует модельные прогнозы поведенческого намерения по уровням образования для двух стран. Предсказанные значения намерения монотонно возрастают с увеличением уровня образования в обоих случаях, при этом линия для Ганы располагается немного выше линии для России на каждом уровне образовательной шкалы. Такая закономерность свидетельствует о том, что более высокий уровень образования связан с более сильным намерением использовать цифровые технологии в обеих группах, с незначительным преимуществом в пользу Ганы по всей образовательной градации. Наблюдаемая визуальная тенденция согласуется с результатами регрессионного анализа, показывающими, что образование выступает положительной ковариатой поведенческого намерения, хотя различие в наклоне линий регрессии между странами остается небольшим.

Рисунок 3. Модельные прогнозы поведенческого намерения¹

Figure 3. Model-Based Predictions of Behavioural Intention

1 Рассчитано автором по результатам моделирования.

Обе группы демонстрируют высокий уровень намерения использовать цифровые технологии, и статистически значимых различий между ними не выявлено (таблица 2). Частота фактического использования значительно выше в России, чем в Гане ( p = 0,002), при умеренном разрыве средних значений. Этот результат указывает на необходимость моделирования страны как модератора в последующих аналитических процедурах.

Таблица 2. Средние значения и стандартные отклонения (SD) показателей намерения и фактического использования цифровых технологий¹

Table 2. Average Values and Standard Deviations (SD) of Indicators of Intention and Actual Use of Digital Technologies

Переменная	Гана ( N )	Среднее значение	SD	Россия ( N )	Среднее значение	SD	Тест Уэлча ( p )
Поведенческое намерение (1–5)	255	4,42	0,76	262	4,36	0,60	0,313
Частота использования (1–5)	255	4,24	0,95	262	4,46	0,63	0,002

Таблица 3 демонстрирует, что показатели «условия содействия» и «самоэффективность» имеют хорошую внутреннюю согласованность для короткой шкалы. Это подтверждает возможность вычисления среднего индекса. Данные результаты обосновывают использование обоих индексов как непрерывных предикторов в моделях.

Таблица 3. Внутренняя согласованность многопунктовых индексов

Table 3. Internal Consistency of Multi-Item Indices

Конструкт	Количество пунктов	α Кронбаха
Самоэффективность	2	0,64
Условия содействия	3	0,80

Примечание: условия содействия включают наличие необходимых ресурсов и технической поддержки.

Поведенческое намерение . Коэффициенты представлены в нестандартизованном виде с поправкой на гетероскедастичность стандартных ошибок. Зависимая переменная измеряется по шкале от 1 до 5. В модель включены демографические и профессиональные характеристики: уровень образования, управленческий статус, возраст, страна и сфера занятости. Блок теоретических переменных составили ожидаемая результативность, ожидаемая легкость использования, самоэффективность, социальное влияние и условия содействия (наличие ресурсов и технической поддержки). Кроме того, учитывались показатели организационного климата (поддержка со стороны руководства, цифровая культура), а также взаимодействия уровня образования и управленческого статуса со страной.

В таблице 4 отражены только наиболее информативные предикторы.

Таблица 4. Результаты регрессии методом наименьших квадратов (OLS) для поведенческого намерения

Table 4. Ordinary Least Squares (OLS) REGRESSION RESULts for Behavioural Intention

Предиктор	B (нестандартизованный коэффициент регрессии)	SE (стандартная ошибка)	p -значение
Ожидаемая результативность	0,176	0,079	0,026
Социальное влияние	0,432	0,125	0,001

Размер выборки для данного анализа составил N = 458 (после исключения наблюдений с пропущенными данными), коэффициент детерминации R ² = 0,519, скорректированный R ² = 0,498, что указывает на хорошую объяснительную силу модели. Намерение использовать цифровые технологии в первую очередь объясняется ожидаемой результативностью (performance expectancy) и социальным влиянием (social influence) при контроле таких факторов, как демографические характеристики, уровень образования, профессиональный статус, организационный климат и страна. Переменные образования и управленческого статуса не сохраняют значимого самостоятельного влияния после включения в модель переменных убеждений и климата. Это свидетельствует о том, что именно когнитивные ожидания и нормы профессионального окружения являются непосредственными детерминантами поведенческого намерения в данной выборке.

Для показателя фактического использования зависимая переменная упорядочена от 1 («никогда») до 5 («всегда»). Оценки представлены в виде отношений шансов (odds ratios, OR) с 95 % доверительными интервалами (ДИ). Модель включает те же ковариаты и взаимодействия, что и в таблице 3, обеспечивая сопоставимость интерпретаций между уровнями намерения и фактического поведения (таблица 5).

Таблица 5. Результаты порядковой логистической регрессии для фактической частоты использования

Table 5. Ordinal Logistic Regression Results for Actual Use Frequency

Предиктор	OR	95 % ДИ	p -значение
Уровень образования (ординальный)	1,698	1,006–2,865	0,047
Социальное влияние	1,621	1,039–2,531	0,033
Поддержка со стороны руководства	1,709	1,038–2,815	0,035
Сфера занятости: частные компании (по сравнению с базовым)	3,066	1,668–5,636	0,000
Сфера занятости: высшее образование (по сравнению с базовым)	1,883	1,125–3,153	0,016
Взаимодействие «Образование × Гана»	1,992	1,061–3,738	0,032

Высшее образование связано с более высокими шансами на частое использование цифровых технологий. Социальное влияние и поддержка со стороны руководства также повышают вероятность регулярного использования, что подтверждает важность норм поведения в профессиональной среде и управленческой вовлеченности для формирования реального поведения. Данные о сфере занятости показывают, что респонденты, работающие в частных компаниях и учреждениях высшего образования, демонстрируют более частое использование цифровых инструментов по сравнению с контрольной категорией –представителями других областей. Положительное взаимодействие между образованием и страной (Гана) указывает на то, что связь между уровнем образования и частотой использования более выражена в Гане, чем в России. Этот результат согласуется с описательными данными и подтверждает контекстную интерпретацию влияния человеческого капитала.

Заключение . В исследовании проведено сопоставление детерминант принятия цифровых технологий в Гане и России на основе валидизированных показателей поведенческого намерения и фактического использования в выборке из 517 респондентов. Установлено, что намерение использовать технологии оказалось высоким в обеих странах, тогда как частота использования была существенно выше в России (согласно ответам участников опроса). Данное расхождение свидетельствует о том, что одной мотивации недостаточно для формирования устойчивого поведенческого паттерна.

В многофакторных моделях поведенческое намерение преимущественно объяснялось ожидаемой результативностью и социальным влиянием с учетом демографических характеристик, уровня образования, профессионального статуса, сферы занятости и организационного климата. Такая конфигурация согласуется с накопленными данными о том, что ожидания прироста эффективности и нормативное давление выступают ближайшими предикторами намерения к принятию технологий в организациях.

В отличие от этого, фактическое использование цифровых технологий было связано с уровнем образования, социальным влиянием, поддержкой со стороны руководства и сферой занятости. Переход от мотивации к устойчивой практике требует задействования рычагов человеческого капитала и благоприятных организационных условий. Примечательно, что связь между образованием и фактическим использованием была значительно сильнее в Гане, что позволяет предположить более высокую поведенческую отдачу от дополнительного образования в условиях ограниченных возможностей и вариативных режимов поддержки. Вероятно, образование способствует самостоятельному решению технических проблем и поддержанию регулярного использования технологий.

Таким образом, совокупность результатов указывает на наличие двухэтапного процесса. На первом этапе убеждения формируют мотивационную готовность к принятию технологий; на втором ‒ руководство моделирует поведение, проводит структурированное обучение, предоставляет техническую поддержку и внедряет устоявшиеся рабочие практики.

Практические рекомендации включают повышение ожиданий результативности, а также формирование достоверных социальных норм через лидеров мнений и системы признания на уровне подразделений. Необходимы инвестиции в видимое участие руководителей и регулярное обучение с предоставлением своевременной технической поддержки. В условиях Ганы целесообразно приоритизировать углубленное повышение квалификации и наставничество, опираясь на более сильную взаимосвязь между образованием и фактическим использованием. Кроме того, следует задействовать частные компании и высшие учебные заведения как диффузионные узлы, способствующие ускорению распространения технологий между подразделениями и сферами занятости.