Technology Acceptance in e-Governance: A Case of a Finance Organization
Notice bibliographique
Résumé
Presently, one of the most critical challenges for e-government and e-banking is the accurate and correct realization of factors that have a significant impact on customer behavior. Without appropriate knowledge of these factors, it would be impossible to predict the level of welcoming toward new services, acquire a competitive advantage, and coordinate marketing programs with the needs of customers. On the other hand, in today’s competitive world, banks are obliged to implement new services to retain current customers and attract new ones. This research has been conducted with the goal of identifying influential factors that have an impact on the development of user intentions. The theoretical research model has been designed based on the technology acceptance model (TAM), as well as technology adoption theory, technology dissemination theory, and planned behavior theory. This study adopted an empirical approach to investigate key acceptance factors in a case organization. The statistical population of this research consists of customers and employees in different branches of a financial institution called Mehr bank in Iran. The data was collected by means of questionnaires that were completed by 200 customers and employees who work at Mehr bank or have business relationships with it. Data analysis in descriptive and inferential statistics domains had been done in SPSS and AMOS software, respectively. This paper presents first-hand data analysis of a case study on technology adoption in banking systems in Iran. In addition, structural equations have been used for inferential analysis. The findings of this study confirm the direct impact of “perceived usefulness” and “perceived ease of use” towards user attitudes. In addition, results show that “attitude” and “perceived usefulness” have a direct impact on the development of usage intention in customers. However, the results do not confirm the role of subjective norms on the development of user intent. This study is limited to a selected organization, and the proposed model should be examined by applying it in different contexts.
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 | 0,004 |
| 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 | 0,004 | 0,002 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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.
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 ».