Not all elderly are the same: fostering trust through mobile banking service experience
Notice bibliographique
Résumé
Purpose This study seeks to examine the impact of mobile service experience on trust of elderly consumers in their financial institution and assess whether age (55–64 years vs 65+ years) exerts a moderating influence. Design/methodology/approach A self-administered questionnaire was completed online by 390 panelists (aged 55 years or more) who use their mobile devices to conduct banking activities. A multigroup analysis was conducted to assess the moderating role of age. Findings Results confirm the presence of links between four out of five dimensions of the mobile banking service experience (cognitive, positive affective/sensory, negative affective and social) and trust. Findings further point to age-specific variation in the impact of mobile service experience dimensions on trust, thus supporting the notion that the elderly represents a clientele with different experiential needs. More specifically, whereas the social dimension has a greater influence on trust in individuals 65 years of age and over (seniors), the positive affective/sensory dimension exerts a deeper marked impact on trust in individuals 55–64 years of age (pre-retirees). Research limitations/implications Although generations and chronological age are powerful segmentation variables, it might be interesting to consider perceived age. Redoing the study in a post-COVID context would also be an interesting avenue of research. Practical implications The ageing market is important for banks. This study highlights, in an m-banking context, which dimension of experience to focus on in order to improve trust in banks for pre-retirees (emotional/sensory dimension) and seniors (social dimension). Originality/value This study is the first to consider mobile service experience of elderly individuals as well as the impact of each of the experience dimensions on an important relational variable, namely trust. By considering the age of individuals as a moderating variable, this study also provides an in-depth examination of age-related links and presents a number of relevant recommendations for financial institutions.
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 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 | 0,001 |
| 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 | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».