Predicting the intention to use google glass: A comparative approach using machine learning models and PLS-SEM
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
Technology-based education is the modern-day medium that is widely being used by teachers and their students to exchange information over applications based on Information and Communication Technology (ICT) such as Google Glass. There is still resistance shown by a few universities around the globe when it comes to shifting to the online mode of education. While few have shifted to Google Glass, others are yet to do so. We base this study to explore Google Glass Adoption in the Gulf area. We thought that introducing the teachers and students to all the pros that Google Glass presents on the table might get their attention in considering using it as the medium to exchange information in their respective institutes. This paper presents the structure of a framework depicting the association between TAM and other Influential factors. All in all, this investigation analyzes the incorporation of the Technology Acceptance Model (TAM) with the major features associated with the method such as instructing and learning facilitator, functionality, and trust and information privacy to improve correspondence among facilitators and students during the learning process. A total of 420 questionnaires were collected from various universities. The data that was gathered through the surveys was employed for the analysis of the research model using the Partial least squares-structural equation modeling (PLS-SEM) and machine learning models. The outcome showed that the factor of functionality and trust and privacy goes hand in hand with perceived usefulness and perceived ease of use associated with Google Glass. Both the Factors, Perceived usefulness and perceived ease of use have a significant impact on Google Glass adoption. This implies the significant impact of Perceived ease of use and Trust and privacy on the adoption of Google Glass The study also offers practical implications of outcomes for future research.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,004 |
| 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