Advancing theory through the conceptualization and development of causal attributions for computer performance histories
Notice bibliographique
Résumé
Attribution theory, advanced by Bernard Weiner and his colleagues is an important, though sometimes controversial, theory that has demonstrated vitality and longevity. The cross-disciplinary application of attribution theory to, for example, organizational behavior, marketing, and education, has stimulated the interests of researchers and contributed to its theoretical validity and reliability. Compared to other disciplines, the application and theoretical testing of attribution theory are in the "spring" of their existence in the field of Information Systems (IS). This paper proposes that conceptualization and measurement of the causal attributions individuals make for their computer performance and performance histories, positive and negative, are critical to understanding computer adoption and post-adoption behaviors. We first identify the causal attributions that enterprise resource planning (ERP) users make for their computer performance histories. We then describe the conceptualization and development of multi-item scales to capture these causal attributions. This work contributes to theory and practice through (1) the development and psychometric testing of several attributional scales for advancing our understanding of the multi-theoretical stream of research investigating technology adoption at the individual level, and (2) by providing a description of a theoretical multi-method approach for the rigorous scale development of causal attributions. Our work suggests that researchers must consider several fundamental principles of attribution theory when investigating IS artifacts during various adoption phases.
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 | 0,048 | 0,136 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,011 | 0,008 |
| Études des sciences et des technologies | 0,003 | 0,028 |
| Communication savante | 0,009 | 0,023 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».