Factors Affecting Students’ Behavioral Intention to Use LMS at a Turkish Post-Secondary Vocational School
Notice bibliographique
Résumé
<p>There is a substantial increase in the use of learning management systems (LMSs) to support teaching and learning activities in higher education institutions. Despite their benefits, students use them to a limited extend due to a number of factors influencing behaviors. This study executed a three-tier use model to examine the predictors of students’ behavioral intention to use LMSs at a two-year post-secondary military school in Turkey, and the participants consisted of 155 students. The data were collected through an online questionnaire and analyzed through Pearson correlation coefficients and linear regression analyses. Results showed that multimedia instruction had a direct influence on perceived usefulness and perceived ease of use, while interactivity had a direct influence only on perceived satisfaction. Perceived satisfaction was also affected by perceived usefulness and perceived ease of use. Perceived ease of use exerted a direct influence on perceived usefulness, as well. Moreover, perceived usefulness had a great influence on behavioral intention to use LMSs. As a final point, self-efficacy did not take a position in the model due to its insignificant relationships with the other constructs. It is suggested that an increase in the multimedia features and interactivity of the system could lead to higher perceived usefulness and ease of use among learners, and both factors add to learners’ perceived satisfaction which in turn increases their engagement.</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 | 0,010 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».