An Empirical Study of Factors Affecting Mobile Wireless Technology Adoption for Promoting Interactive Lectures in Higher Education
Notice bibliographique
Résumé
<p>Use of mobile technology are widespread, particularly among the younger generation. There is a huge potential for utilizing such technology, particularly in lecture sessions with large number of students, serving as an interaction tool between the students and lecturer. The challenge is to identify adoption factors to ensure effective adoption of the technology to promote interactivity between students and lecturer in the classroom. This paper aims to examine factors supporting use of mobile wireless technology during lectures to promote interactivity between students and lecturers in Malaysia’s higher education institutions. Survey involving higher education students in Malaysia was conducted with a sample size of 302. Factor analysis results identified five factors: independent variables System Usefulness (SU), User System Perception (USP), User Uncertainty Avoidance (UUA), System and Information Quality (SIQ), and dependent variable Mobile Wireless Technology Adoption for Interactive Lectures (MWT_AIL). All independent variables are positively associated to MWT_AIL, with UUA and SIQ having higher level of significance compared to SU and USP. Respondents were selected from higher learning institutions from urban areas in Malaysia. Therefore results obtained are not representative of the entire higher education landscape in Malaysia and future studies are warranted to include higher learning institutions located in rural areas. It is hoped that findings from this study will serve as a catalyst for future researches to be conducted in this area, particularly among higher education researchers seeking ways to utilize technology effectively to enhance the learning experiences of the students in the classroom.</p>
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».