Factors Affecting ICT Adoption among Distance Education Students based on the Technology Acceptance Model—A Case Study at a Distance Education University in Iran
Notice bibliographique
Résumé
<p class="apa">The incorporation of Information and Communication Technologies (ICT) into education systems is an active program and movement in education that illustrates modern education and enables an all-encompassing presence in the third millennium; however, prior to applying ICT, the factors affecting the adoption and use of these technologies should be carefully investigated. The present study was conducted to examine the factors affecting ICT adoption among distance education students based on the Technology Acceptance Model. The present descriptive survey was conducted in a statistical population consisting of all the distance education students residing in Isfahan, Iran, in 2013, 281 of who were selected as the sample population through simple random sampling. The data collection tool used was a researcher-made questionnaire designed based on field studies and using the questionnaires used in studies conducted by Nair (2012), Alanazy (2006) and Wikins (2008). The items in each section were designed based on the constructs and factors forming the Technology Acceptance Model examined in this study. Descriptive and inferential statistics were used to analyze the data in SPSS-21 and LISREL. The results of the analysis showed significant relationships between perceived usefulness and ease of ICT use and the attitude toward the use of these technologies, between the attitude toward ICT use and the decision to use ICT, and also between the decision to use ICT and its actual use.<strong></strong></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 | 0,001 | 0,003 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».