MétaCan
Menu
Retour à la cohorte
Enregistrement W3171569566 · doi:10.4018/joeuc.20210701.oa1

The Moderating Effects of Leader-Member Exchange for Technology Acceptance

2021· article· en· W3171569566 sur OpenAlexfundno aff
Yujong Hwang, Soyean Kim, Kamel Rouibah, Donghee Shin

Notice bibliographique

RevueJournal of Organizational and End User Computing · 2021
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueTechnology Adoption and User Behaviour
Établissements canadiensnon disponible
Organismes subventionnairesSamsungKuwait UniversityKyung Hee UniversityZayed UniversitySungkyunkwan UniversityInstitut national de la recherche scientifiqueUniversity of South CarolinaDePaul UniversityNorthwestern University
Mots-clésModerationPsychologySupervisorTest (biology)Technology acceptance modelProcess (computing)Quality (philosophy)Social psychologyHierarchyKnowledge managementPublic relationsManagementComputer scienceUsabilityPolitical science

Résumé

récupéré en direct d'OpenAlex

Within the technology acceptance literature, the issue of top management support and commitment has been studied extensively; however, the issue of leadership per se has not been addressed directly. A missing piece of the leadership puzzle as it relates to technology acceptance is an exploration of how top management support gets translated in the organizational hierarchy. This study introduces leader-member exchange (LMX) to better understand this missing piece. Specifically, this research explores the role direct supervisors play in the acceptance process by end users based on the moderated model of LMX and supervisor influence. The empirical test results in the field setting show that LMX is a significant moderator for most of the technology acceptance variables within organizations. The study explores the role of the quality of the relationship between supervisors and employees as end users. It also highlights the role of LMX and supervisor influence as a conduit for the acceptance process among end users in the organization.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,047
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,015
Score d'incertitude au seuil0,049

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,047
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0020,001
Communication savante0,0020,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,003
Charge utile insuffisante (le modèle a refusé de juger)0,0150,001

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.

Tête enseignante Opus0,055
Tête enseignante GPT0,344
Écart entre enseignants0,289 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations13
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Organizational and End User ComputingMême sujetTechnology Adoption and User BehaviourTravaux en français237 207