The continuation and recommendation intention of artificial intelligence-based voice assistant systems (AIVAS): the influence of personal traits
Notice bibliographique
Résumé
Purpose Based on the post-acceptance model of information system continuance (PAMISC), this study investigates the influence of the early-stage users' personal traits (specifically personal innovativeness and technology anxiety) and ex-post instrumentality perceptions (specifically price value, hedonic motivation, compatibility and perceived security) on social diffusion of smart technologies measured by the intention to recommend artificial intelligence-based voice assistant systems (AIVAS) to others. Design/methodology/approach Survey data from 400 US AIVAS users were collected and analyzed with Statistical Product and Service Solutions (SPSS) 18.0 and the partial least square technique using advanced analysis of composites (ADANCO) 2.1. Findings AIVAS technology is presently at the early stage of market penetration (about 25% of market penetration in the USA). A survey of AIVAS technology users reveals that personal innovativeness is directly and indirectly (through confirmation and continuance) associated with a stronger intention to recommend the use of the device to others. Confirmation is associated with all four ex-post instrumentality perceptions (hedonic motivation, compatibility, price value and perceived security). Among the four, however, only hedonic motivation and compatibility are significant predictors of satisfaction, which lead to use continuance and, eventually, intention to recommend. Finally, technology anxiety is found to be indirectly (but not directly) associated with a lower intention to recommend. Originality/value This is the first study conducted on the early-stage AIVAS users that evaluates the influence of both personal traits and ex-post instrumentality perceptions on users' intention for continuance and recommendation to others.
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 | 0,003 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».