NeuroIS—Alternative or Complement to Existing Methods? Illustrating the Holistic Effects of Neuroscience and Self-Reported Data in the Context of Technostress Research
Notice bibliographique
Résumé
Recent research has made a strong case for the importance of NeuroIS methods for IS research. It has suggested that NeuroIS contributes to an improved explanation and prediction of IS phenomena. Yet, such research is unclear on the source of this improvement; while some studies indicate that NeuroIS constitutes an alternative to psychometrics, implying that the two methods assess the same dimension of an underlying IS construct, other studies indicate that NeuroIS constitutes a complement to psychometrics, implying that the two methods assess different dimensions of an IS construct. To clarify the role of NeuroIS in IS research and its contribution to IS research, in this study, we examine whether NeuroIS and psychometrics/psychological methods constitute alternatives or complements. We conduct this examination in the context of technostress, an emerging IS phenomenon to which both methods are relevant. We use the triangulation approach to explore the relationship between physiological and psychological/self-reported data. Using this approach, we argue that both kinds of data tap into different aspects of technostress and that, together, they can yield a more complete or holistic understanding of the impact of technostress on a theoretically-related outcome, rendering them complements. Then, we test this proposition empirically by probing the correlation between a psychological and a physiological measure of technostress in combination with an examination of their incremental validity in explaining performance on a computer-based task. The results show that the physiological stress measure (salivary alpha-amylase) explains and predicts variance in performance on the computer-based task over and above the prediction afforded by the self-reported stress measure. We conclude that NeuroIS is a critical complement to IS research.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,183 | 0,287 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,012 | 0,011 |
| Études des sciences et des technologies | 0,002 | 0,015 |
| Communication savante | 0,010 | 0,015 |
| Science ouverte | 0,003 | 0,012 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».