Factors Affecting the Intention to Adopt M-Learning
Notice bibliographique
Résumé
Over the recent years, emerging technological applications have been used for making student learning more effective and interactive. M-Learning has been one such technological initiative which has shown promising benefits in the higher education context. Even though the importance of mobile learning has been researched by many, the factors influencing mobile learning adoption intention has not been addressed sufficiently, particularly in the Sri Lankan context. Hence, the purpose of this paper was to present a conceptual model to examine the factors influencing the intention to adopt mobile learning by the students engaged in higher education. Based on a comprehensive literature review, this study extended the Technology Acceptance Model (TAM) (Davis, 1989) with mobile self-efficacy, intrinsic motivation to use mobile devices and the system quality of the m-Learning system. The model describes how the aforementioned factors influence the higher education students’ intention to adopt m-Learning via survey data collected from 151 postgraduate students. The findings suggest that the model explained the factors influencing the intention to adopt m-Learning among students in higher education. In detail, the mobile self -efficacy, system quality and intrinsic motivation significantly influenced the intention to adopt m-Learning. The results could be utilized for increasing the adoption of m-Learning practices and developing mobile applications useful for teaching and learning purposes. This study has incorporated three independent constructs in extending the TAM model; namely, system quality, mobile self-efficacy and intrinsic motivation. These were derived from the IS Success theory, Self-efficacy theory and Self-determination theory respectively. Accordingly, this study intends to address the theoretical gap in the higher education context pertaining to the adoption of mobile learning. Since Mobile Self-Efficacy and System Quality were the most significant factors that affect the perceived ease of use and perceived usefulness, these factors should be given prominence when developing mobile enabled Learning Management Systems within institutions.
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 | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».