Investigating students' behavioral intention to use mobile learning in higher education in UAE during Coronavirus-19 pandemic
Notice bibliographique
Résumé
The study explores the impacts of fear emotions on technology adoption by teachers and students during the COVID-19 pandemic. Mobile learning (ML) has been considered an educational, social platform in private and public higher education institutes. Since several fears are connected with COVID-19, this study's key hypotheses are related to how COVID-19 influences Mobile Learning (ML) adoption. Educators, teachers, and students may face some common types of fear in the course of the coronavirus pandemic, such as fear of losing social relationships, fear of educational loss and failure, and fear because of the lockdown of the family in the prevailing circumstances. Different theoretical models, named Expectation-Confirmation Model (ECM) and Technology Acceptance Model (TAM), are combined to develop an integrated model for this study. The proposed model was analyzed with the development of a questionnaire survey. The survey served as a data collection instrument to collect data from students of the University of Sharjah in Sharjah city in the United Arab Emirates (UAE). Three hundred twenty undergraduate students participated in the study. The collected data was evaluated using the partial least squares-structural equation modeling (PLS-SEM). The significant predictors revealed by experimental results included perceived fear, perceived ease of use, expectation confirmation, satisfaction, and perceived usefulness, explaining the intention to use the mobile learning platform. According to our study, teaching and learning can be benefitted to a great extent by the adoption of mobile learning (ML) during this pandemic for educational purposes; however, this process may be negatively affected by the fear of future educational results, fear of losing social relations and fear of stressful family situations. Therefore, appropriate student evaluation may be conducted to overcome the emotional distress caused by the pandemic effectively.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».