MétaCan
Menu
Retour à la cohorte
Enregistrement W2157397932 · doi:10.5539/ibr.v5n2p13

Testing Control, Innovation and Enjoy as External Variables to the Technology Acceptance Model in a North American French Banking Environment

2012· article· en· W2157397932 sur OpenAlexaffvenue
Jean-Pierre Lévy Mangin, Normand Bourgault, Juan A. Moriano, Mario Guerrero

Notice bibliographique

RevueInternational Business Research · 2012
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueTechnology Adoption and User Behaviour
Établissements canadiensUniversité du Québec en Outaouais
Organismes subventionnairesnon disponible
Mots-clésLatent variableStructural equation modelingTechnology acceptance modelExternal variableUsabilityControl (management)BusinessMarketingControl variableVariable (mathematics)Latent class modelLatent variable modelVariablesFinancial servicesCompetition (biology)EconometricsComputer scienceEconomicsManagementMathematicsFinanceArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Nowadays banks are enhancing major objectives to challenge competition, competitiveness and growth. To comply with these new objectives they have developed new innovative channels of contacts and distribution of financial services to customers relying on the net: ‘the Internet channel’. Based on the ‘Technology Acceptance Model’ this research will evaluate the impact of external latent variables ‘Control’, ‘Innovation’ and ‘Enjoy’ on the internal TAM model latent variables ‘Ease of Use’, ‘Perceived Usefulness’, ‘Attitude towards Using’ and ‘Intention to Use’ in a North American French Banking Environment. Results show a well structured model for on-line banking financial services that complies pretty well with all major criteria of structural equation modeling norms. The ‘Control’ latent variable has a significant effect on the TAM model latent variables ‘Ease of Use and ‘Attitude towards Using’ while ‘Innovation’ has a sole impact on ‘Intention to Use’. The ‘Enjoy’ latent variable has substantial impacts on ‘Ease of Use’, ‘Attitude towards Using’ and ‘Intention to Use’.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,006
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,064
Score d'incertitude au seuil0,766

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,005
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,161
Tête enseignante GPT0,428
Écart entre enseignants0,267 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations13
Publié2012
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueInternational Business ResearchMême sujetTechnology Adoption and User BehaviourTravaux en français237 207