Understanding Consumers’ Attitudes Toward Controversial Information Technologies: A Contextualization Approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Controversial information technologies, such as biometrics and radio frequency identification, are perceived as having the potential to both benefit and undermine the well-being of the user. Given the type and/or amount of information these technologies have the capability to capture, there have been some concerns among users and potential users. However, prominent technology adoption models tend to focus on only the positive utilities associated with technology use. This research leverages net valence theories, which incorporate both positive and negative utilities, and context of use literature to propose a general framework that can be used for understanding consumer acceptance of controversial information technologies. The framework also highlights the importance of incorporating contextual factors that reflect the nuances of the controversial technologies and their specific context of use. We apply the framework to consumer acceptance of biometric identity authentication for banking transactions through automated teller machines. To that end, we contextualize the core construct of perceived benefits and concerns to this domain in a qualitative study of 402 participants, determine the appropriate contextual factors that are antecedents of the contextualized core constructs by examining relevant past research, and then develop and validate a contextualized research model in a quantitative study of 437 participants. Findings support the validity of our framework, with the model explaining 77.6% of the variance in consumers’ attitudes toward using biometrics for identity authentication at automated teller machines. The online appendix is available at https://doi.org/10.1287/isre.2017.0706 .
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.
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 | 0,005 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,004 | 0,014 |
| 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 découle