Identifying the effect of emotions in government-citizen online (G2C) tourism based on the HEART metrics
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
Emotional factors in the use of technology have the potential to be studied, since the important role of user engagement in the information technology development cycle, emotional plays a role in influencing the relationship between consumers and service providers. Previous research has examined various emotional factors of a person in operating digital services through online sites, but it is necessary to find an empirical correlation between emotional variables and one's intention to reuse (IR) online services. This study aims to determine whether users' emotions affect their decision to reuse Government to Citizen (G2C) online tourism services in Indonesia through the HEART Metrics approach. Furthermore, this quantitative study distributed questionnaires using simple random sampling to respondents who had used online tourism. Then analyse 260 research data using the SEM-PLS method by running Warp-PLS 5.0. The findings of this study are among the 5 HEART Metrics factors, 3 of which affect IR, namely Engagement, Retention, and Task Success, while Happiness and Adoption empirically have no significant effect on IR. Our results show that to gain consumer engagement with online services, service providers must consider the emotional elements of the users so that service reuse goals can be achieved. Furthermore, this research can be considered as an alternative recommendation for online tourism service providers, as well as the findings of a new model proposed to contribute to similar research in the future.
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 | 0,006 | 0,003 |
| 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 | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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