Users' attitude and intention to use mobile financial services in Bangladesh: an empirical study
Notice bibliographique
Résumé
Purpose While the usage of mobile financial services (MFSs) is increasing rapidly in developing countries, research on users' attitudes and behavioral intention to adopt MFS is limited. Thus, this study aims to investigate customers' attitudes and intentions to adopt MFS from a Bangladeshi perspective. Design/methodology/approach A mixed research design was employed to conduct this study. Data of 196 respondents were analyzed using partial least squares (PLS) path modeling. For the quantitative part, data collection was conducted using non-probability sampling through a structured survey questionnaire. A focus group discussion with ten MFS users from divergent backgrounds was conducted to validate the quantitative findings. Findings This paper integrated both the technology acceptance model (TAM) and innovation resistance theory (IRT) to validate the results. The authors found that perceived usefulness (PU), perceived ease of use (PEOU) and perceived trust (PT) positively contribute to customers' attitudes toward MFS adoption. Besides, barriers to acceptance had unfavorable effects on users' attitudes and usage intentions. Furthermore, a focus group discussion revealed valuable insights on the constructs used in this study. Practical implications The study results have implications for both MFS providers and researchers. The outputs and recommendations presented in this paper will encourage the MFS practitioners to stimulate users' attitudes and behavioral intentions by ensuring useful, easy to use, credible and risk-free mobile payment platforms. Originality/value This is one of the very few studies in Bangladesh that have taken a contemporary and emerging research topic, providing theoretical, methodological and practical contributions regarding the determinants and consequences of attitude toward using MFSs.
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 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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) | 0,005 | 0,001 |
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.
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 ».