The Impact of Social Media on Improving the Services of the Department of Lands and Survey in Jordan
Notice bibliographique
Résumé
The present study aimed to identify the impact of social media on improving the services of the Department of Lands and Survey in Jordan. To meet the study’s goals, a forty-item questionnaire was developed. This questionnaire covers four areas. The questionnaire forms were distributed to 737 service recipients of the Department of Lands and Survey in Jordan. It was found that social media has a significant impact on improving the services of the Department of Lands and Survey in Jordan. It was found that Facebook, WhatsApp, YouTube, and Twitter have the greatest impact respectively on improving the services of the Department of Lands and Survey in Jordan. It was found that there isn’t any statistically significant difference –at the statistical significance level of (a=0.05)- between the respondents’ attitudes in this regard which can be attributed to (gender or academic qualification). It was found that there is a statistically significant difference –at the statistical significance level of (a=0.05)- between the respondents’ attitudes in this regard which can be attributed to (nationality). The latter difference is for the favor of Jordanians. Based on the afore mentioned results, the researcher recommends: Distributing pamphlets to the service recipients of the Department of Lands and Survey in Jordan. Such pamphlets must encourage them to follow the official page of the latter department on Twitter Responding faster to the inquiries of the service recipients of the Department of Lands and Survey that are sent through WhatsApp.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».