MétaCan
Menu
Retour à la cohorte
Enregistrement W4281702441 · doi:10.18280/ijsdp.170321

The Influences of Attitude, Religiosity, and Subjective Norm on Muslim’s Donation Intention During COVID-19 Lockdown in Malaysia

2022· article· en· W4281702441 sur OpenAlexvenueno aff
Mohamad Syahmi Mat Daud, Hairunnizam Wahid, Mohd Ali Mohd Noor

Notice bibliographique

RevueInternational Journal of Sustainable Development and Planning · 2022
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueIslamic Finance and Banking Studies
Établissements canadiensnon disponible
Organismes subventionnairesUniversiti Kebangsaan Malaysia
Mots-clésReligiosityDonationPsychologySocial psychologyCoronavirus disease 2019 (COVID-19)Norm (philosophy)Structural equation modelingTheory of planned behaviorAffect (linguistics)Infectious disease (medical specialty)DiseasePolitical scienceMedicineLawEconomicsStatisticsMathematics

Résumé

récupéré en direct d'OpenAlex

Charitable giving appears to be one of the most critical approaches to mitigating the impact of the global crisis such as coronavirus disease (COVID-19) on the poor and vulnerable people in Malaysia. Therefore, this study investigates the influences of religiosity, subjective norms, and attitude on donation intention among Malaysian Muslims during the coronavirus disease (COVID-19) lockdown in Malaysia. This study obtained a primary dataset consisting of 328 responses among Muslims throughout 14 states and the Federal Territories of Malaysia. Partial least square-structural equation modeling (PLS-SEM) were employed to analyze the primary data. Consequently, the results have found that religiosity and attitude are significant factors that directly predict monetary donation intention. Furthermore, attitude acted as a mediator in the relationship between religiosity and subjective norms on Malaysian Muslims’ donation intention. Ultimately, this study proposed relevant policies to identify specific factors that affect the donation intention as a practical response for vulnerable groups impacted by COVID-19 in Malaysia.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,027
Score d'incertitude au seuil0,363

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,246
Écart entre enseignants0,234 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations15
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Sustainable Development and PlanningMême sujetIslamic Finance and Banking StudiesTravaux en français237 207