Collaboration of digital payment usage decision in COVID-19 pandemic situation: Evidence from Indonesia
Notice bibliographique
Résumé
This study aims to provide an attempt by raising a framework for assessing the digital technology perspective in the application of Financial Technology by consumers, especially in the era of the Covid19 pandemic in 2020 in Indonesia. Digital technology in Fintech in collaboration with online transportation is utilized by quite a few big firms in Indonesia to meet the needs of consumers during strict, large-scale restrictions but not lockdown. This paper mainly acknowledged the problem related to digitizing solid digital technology which prioritizes technology 4.0. Digital technology applications, especially among the millennial generation regarding the accessibility, pace and value of financial services are increasingly in demand. This research spent 5.5 months with millennial respondents who are accustomed to using everyday technology applications in Jakarta, Depok and Tangerang and surrounding areas. The method of analyzing data in a quantitative way to find findings is complemented by discussion. The findings prove that; All variables have positive strong effect on driving the choice of digital FinTech technology in ordering food and others to survive during the pandemic of COVID-19. The existence of digital-based technology applications related to the internet, big data, smart mobile phones, safe and comfortable technology power has motivated consumers to use them. In conclusion, there are several new business opportunities open to newcomers in the digital financial sector and other accessories using information systems and information ecosystems.
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 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 | 0,002 |
| 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 | 0,012 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».