Perceptions and Expectations of Staffs from Training Services Provided by NISOC's Training centre Based on SERVQUAL Model
Notice bibliographique
Résumé
Introduction: The evaluation of training services quality in training centers is one of the major steps in improving quality. Deciding the amount of difference between the present condition and expected condition can facilitate the promotion of training services quality. Methods: This study was a descriptive–survey. The population size was the 1217 learners attending the on-the-job training courses in training centers (computer, Technical-specific and management) in the Training and Development Department of National Iranian South Oil Company (NISOC) in the second half of 2014. The sample volume was decided 292 people using the Cochran Formula (1977).The sample size of each training center was chosen based on the percentage of the learners in the population size using the randomstratified method. The data collection was done via SERVQUAL standard questionnaire. The questionnaire measured the gap in the five dimensions of service quality. The data were analyzed using SPSS software as well as conducting descriptive statistics, Wilcoxon and Kruskal-Wallis Test. Results and Analysis: The findings showed no gaps for the two dimensions of empathy and reliability and a negative one for the tangible (-0.66), responsiveness (-0.41) and assurance (-1.44). No difference was found between the quality of training services in training centers. Conclusion: Although the mean of percent condition is higher than the average(4.01) but the observed gap between the expectations and perceptions proves that the learners expectation for the provided services were not fulfilled. As a result it is suggested that for establishing the customer-care culture, the dimensions which had the biggest gap be prioritized when allocating the budget.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».