Microsoft teams’ acceptance for the e-learning purposes during Covid-19 outbreak: A case study of UAE
Notice bibliographique
Résumé
The brisk spread of Covid-19 led educational policymakers and organizations to opt for better alternatives to resume the students' educational journey. In this context, Microsoft Teams remained one of the most devoted and credible online platforms that greatly facilitated the educational process across the globe. Current research also analyzed Microsoft Teams acceptance using the self-proposed conceptual model supported by the Technology Acceptance Model by Davis. We employed the survey method and examined the gathered using the applied Structural Equation Modelling (SEM). Results indicated that there is a significant impact of Covid-19 on the Perceived Ease of Use (p> 0.000) and Perceived Usefulness (p> 0.000). Besides, the relationship between Perceived Ease of Use and Perceived Usefulness also remained significant (p> 0.000). Moreover, the proposed relationship between Attitude, Perceived Ease of Use, and Perceived Usefulness also remained substantial (p> 0.009 and p> 0.000). However, the relationship between Attitude and Behavioral Intention remained insignificant (p> 0.556). Finally, the relationship between Behavioral Intention and Microsoft Teams Acceptance remained significant (p> 0.088). Thus, we concluded that Microsoft Teams is an effective study tool that unites students and instructors in the United Arab Emirates. It governs eLearning experiences and, therefore, provides a virtual environment to students and directly influences our perceptions and behavior.
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 | 0,002 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,004 | 0,002 |
| 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 ».