MétaCan
Menu
Retour à la cohorte
Enregistrement W2921576704 · doi:10.7454/igcc.v2i0.108

Factors Affecting Acceptance and Use of Learning Management System

2018· article· en· W2921576704 sur OpenAlexaboutno aff
Sri Retno Ekayanti, Irwansyah Irwansyah

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueTechnology Adoption and User Behaviour
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésLearning ManagementTechnology acceptance modelUnified theory of acceptance and use of technologyComputer scienceKnowledge managementPsychologyExpectancy theoryMultimediaSocial psychologyHuman–computer interactionUsability

Résumé

récupéré en direct d'OpenAlex

The understanding of the importance of technology acceptance has generated many studies. these studies discussed technology implementation of information management communication systems which was able to identify and to access organizational character leading to its success or failure. (Ginzberg, 1981). Many models of acceptance and use with different determinants created to measure the agreement of information system users. (Melone, 1990). Each theory or model has been tested widely to predict user’s acceptance. (Venkatesh and Davis, 2000; Thompson et al., 1991). The understanding of Learning Management System’s acceptance is an essential factor to evaluate its success. (McGill and Klobas, 2009). LMS is a system consists of some features enabling the members of institution to share learning material as well as interaction between students, synchronously or asynchronously. (Vovides et al, 2007). LMS is software which can be used to deliver, to verify and to maintain learning processes. LMS has varied features such as management system, material distribution and other features allowing on-line collaboration. (Kotzer and Elran, 2011; Mahnegar, 2012). Several studies on acceptance and use of technology have shown relation between technology acceptance and success of technology implementation. (Venkatesh et al, 2003). Several studies on LMS have revealed the acceptance and its effect. However, none of them tried to prove whether the acceptance model was similar to extended UTAUT model developed by Venkatesh et al. The objective of this study is to explain correlation between constructs of ManageBac’s acceptance as LMS at Gandhi Memorial Intercontinental School, Jakarta. Furthermore, this study attempts to prove whether extended UTAUT model well applied at this educational institution

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,029
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,023

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,029
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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.

Tête enseignante Opus0,173
Tête enseignante GPT0,381
Écart entre enseignants0,208 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetTechnology Adoption and User BehaviourTravaux en français237 207