Technology acceptance drivers for AR smart glasses in the middle east: A quantitative study
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
This study aims to establish Middle East users' perspectives on the major factors that impact their decision to adopt Augmented Reality AR smart glasses (ARSG). Thus, an online questionnaire was designed and sent directly to the respondents, and 584 valid data points were collected from individuals living in the Middle East. The data were analyzed using Pearson correlations and Exploratory Factor Analysis (EFA) techniques using SPSS. Eleven hypotheses were tested using Multiple Regression analysis, where seven independent variables out of eleven were confirmed to have a significant impact on the perceived adoption of ARSG. The results indicate that four of the independent variables including Pre-Market Knowledge, Image, Own privacy and Technology innovativeness show the significant impact on ARSG adoption at the 1% significant level. In addition, the results indicate that three of the social and technological factors include Perceived Ease of use, Perceived usefulness and Other's privacy show the significant effect on ARSG adoption at the 5% significant level. Among the 7 social and technological factors, the results suggest that technology innovation expresses the strongest effect on ARSG adoption with the highest coefficient value of 0.413 (b = 0.413, t = 12.881, ρ < 0.01). Moreover, user intention is significantly impacted by gender and place of living but not by education or age. The research also provides pre-market insights on users' personal types that represent who will most likely adopt the new smart glasses and that differentiate them based on their priorities. To the best of our knowledge, this is among the first works to investigate technology acceptance drivers of AR smart glasses in the Middle East.
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 | 0,000 | 0,002 |
| Science ouverte | 0,003 | 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