Technology as a Double-Edged Sword: From Behavior Prediction with UTAUT to Students’ Outcomes Considering Personal Characteristics
Notice bibliographique
Résumé
Aim/Purpose: We aim to bring a better understanding of technology use in the educational context. More specifically, we investigate the determinants of webinar acceptance by university students and the effects of this acceptance on students’ outcomes in the presence of personal characteristics such as anxiety, attitude, computer self-efficacy, and autonomy. Background: According to literature in information systems, understanding the determinants of technology use and their effect on outcomes can help ensure their effective deployment, which might yield productivity payoffs. Methodology: Data collection with an online quantitative questionnaire yielded to 377 valid responses from students enrolled in an undergraduate management information systems course. SPSS software allowed obtaining descriptive statistics and Smart-PLS was used for validity and hypotheses testing. Contribution: Previous studies assessed either the determinants of technology use or the effect of their use on students’ outcomes, and often omitted to assess the role of personal characteristics. This research fulfills the gap about the scarcity of studies that link goals to intentions and behavior, while considering personal cognitive characteristics. Findings: Results showed that performance expectancy, social influence, facilitating conditions, and voluntariness of use explained the behavioral intention and webinar usage. Some of these relationships were direct and others were moderated. Satisfaction was the only student outcome affected by the use of webinars. Anxiety, attitude, and autonomy are the personal characteristics that exerted direct and moderating effects on the relationships between the main variables of the research model. Recommendations for Practitioners: Results gave rise to interesting managerial recommendations for adopting technologies in universities. Among them, teachers are encouraged to promote the webinars’ advantages and to exert less pressure on students to use webinars. Recommendation for Researchers: On the theoretical side, we brought a holistic view of the use of technologies in higher education by linking goals to intentions and behavior, and integrating personal cognitive characteristics into the same model. Results allowed enriching the literature about technology adoption in the educational context. Future Research: Future research should follow closely the results of studies on generation Z to find better explanatory variables of technology adoption. We also propose to consider new variables from the updated technology acceptance models to further understand the derteminants of technology use by students.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».