Exploring Public Attitudes toward E-Government Health Applications Used During the COVID-19 Pandemic: Evidence from 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
This study sought to explore factors that determine the public’s acceptance of and adoption behavior toward e-government health applications launched in Saudi Arabia (SA) by the Ministry of Health (MOH) during the COVID-19 pandemic. The research relied on several theories: the technology acceptance model (TAM), information system success model (ISSM), mobile services acceptance model (MSAM), and unified theory of acceptance and use of technology (UTAUT). The constructs of perceived ease of use (PEOU), perceived usefulness (PU), attitude (ATT), trust (TR), information quality (IQ), facilitating condition (FC), and social influence (SI) were utilized to investigate the user’s intention toward using e-government health applications. The proposed model and its seven hypotheses were tested by conducting a survey across social media among citizens and residents in SA. A total of 785 valid responses were analyzed by SmartPLS and a structural equation modeling technique. After analysis, the results showed that PEOU, PU, ATT, TR, IQ, FC, and SI have positive effects on behavioral intentions. As for contributions, this paper is the first research paper to investigate the adoption of e-government health applications launched by MOH in SA during the COVID-19 pandemic and to provide a theoretical framework for pursuing future research work in a similar scope.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,009 |
| Science ouverte | 0,001 | 0,001 |
| 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