Factors Influencing Citizen's Adoption of M-government: The Case of Saudi Arabia
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Governments across the world are pushed towards the provisioning of mobile government (m-government) services. However, the development of m-government services will not drive the expected benefits unless citizens’ accept the use of these services. Literature shows that there is a paucity of studies on factors impacting citizens’ acceptance and use of m-government services in Saudi Arabia. This paper proposed a conceptual model extending the Unified Theory of Acceptance and Use of Technology (UTAUT) model to consider other relevant factors, such as awareness and information quality, that can impact citizens’ adoption of m-government applications. A survey questionnaire was developed and a total of 264 responses of Saudi citizens were collected and analysed using Partial Least square (PLS). The results indicate that social influence, performance expectancy, and effort expectancy are the factors that have significant impact on citizens behavioural intention to use m-government services, accounting for 57% of the variability, while citizens’ awareness and information quality have no impact. Our findings can be used to stimulate the use of m-government services. The findings of this study suggest that decision makers on governments agencies and developers of m-government services should emphasis the role of social strategies to allow people to incentivise each other to use m-government services, clarify the benefits of using m-government services, and reduce the effort required for using m-government services.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle