Modeling Students’ Readiness to Adopt Mobile Learning in Higher Education: An Empirical Study
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
<p class="3">Mobile devices are increasingly coming to penetrate people's daily lives. Mobile learning (m-learning) is viewed as key to the coming era of electronic learning (e-learning). In the meantime, the use of mobile devices for learning has made a significant contribution to delivering education among higher education students worldwide. However, while m-learning is being widely adopted in developed countries, the adoption of such an approach in developing countries is still immature and underdeveloped. Developing countries are facing several challenges and lagging behind in terms of adopting m-learning in higher education. Thus, this paper explores the factors that have an impact on students’ intentions and readiness to adopt m-learning in higher education in Jordan. Based on the data collected from the field, we examine Jordanian students' requirements and preferences in terms of m-learning design, and we also investigate their concerns about adopting m-learning. This empirical study collected data from students using a paper-based questionnaire. The results reveal that students' intentions to adopt m-learning is influenced by several factors that include the relative advantage, complexity, social influence, perceived enjoyment, and the self-management of learning. By providing a picture of students' willingness to adopt m-learning, this study offers useful and beneficial implications for developers of m-learning applications and for educational providers to guide the design and implementation of comprehensive m-learning systems.</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.
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 | 0,009 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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