MétaCan
Menu
Retour à la cohorte
Enregistrement W3015987983 · doi:10.19173/irrodl.v21i2.4578

An Empirical Study on Service Recovery Satisfaction in an Open and Distance Learning Higher Education Institution in Malaysia

2020· article· en· W3015987983 sur OpenAlexvenueno aff
Mohd Rushidi bin Mohd Amin, Shishi Kumar Piaralal, Yon Rosli Daud, Baderisang Mohamed

Notice bibliographique

RevueThe International Review of Research in Open and Distributed Learning · 2020
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueCustomer Service Quality and Loyalty
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésService recoveryProcedural justiceDistributive justicePsychologyCustomer satisfactionLoyaltyInterpersonal communicationInteractional justiceService (business)Structural equation modelingEconomic JusticeSocial psychologyApplied psychologyService qualityMarketingBusinessOrganizational commitmentOrganizational justicePolitical scienceComputer science

Résumé

récupéré en direct d'OpenAlex

This study investigated the relationships among justice dimensions (distributive, procedural, interpersonal, and informational), university image, service recovery satisfaction, and customer behavioural outcomes (trust, word of mouth, repurchase intention, and loyalty). This study adopted a cross-sectional survey approach and data were collected through a survey of 303 students of Open University Malaysia in Malaysia who experienced service failure and service recovery. The framework was tested via partial least square structural equation modelling, and the results revealed a significant relationship between justice dimensions and service recovery satisfaction in terms of procedural and interpersonal justice. Service recovery satisfaction had a significant effect on all customer behavioural outcomes investigated. University image did not have a moderating effect on the relationship between justice dimensions and service recovery satisfaction. Theoretical and practical implications of the study are discussed in this paper.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,018
Score d'incertitude au seuil0,996

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,155
Tête enseignante GPT0,460
Écart entre enseignants0,305 · 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 tête enseignante, 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

Citations8
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe International Review of Research in Open and Distributed LearningMême sujetCustomer Service Quality and LoyaltyTravaux en français237 207