An integrated model for the usage and acceptance of stickers in WhatsApp through SEM-ANN approach
Notice bibliographique
Résumé
This analysis integrates the “technology acceptance model (TAM)” with the “use of gratifications theory (U&G)” to develop an embedded model that predicts the use and satisfaction of emotional icons called stickers through WhatsApp. The explanation for combining these two theories is that U&G offers accurate information and a thorough knowledge of use, while TAM theory has been firmly established in several technical implementations. A newly developed hybrid analysis procedure has been applied within this research. Using an artificial neural network (ANN), and the structural equation model (SEM) have been combined. The research also uses the importance-performance map analysis (IPMA) to present each factor’s performance as well as importance. The ANN and IPMA research have both indicated that for sticker use intention, a highly essential predictor is Socialization. An online questionnaire survey was developed to assess the recommended model. The intention to use stickers was significantly affected by “Socialization, Self Presentation, Enjoyment, Novelty, Unique Function, Perceived Ease of Use, and Perceived Usefulness”. The research's main achievement is the convergence of two separate theories into a single conceptualization to accurately calculate the TAM components when it comes to the usage of stickers in WhatsApp. Theoretically, the recommended model provides enough insight for aspects which affect the intention to use stickers with relevance to the socialization’s factors considering interpersonal aspects. Practically, the higher education decision-makers along with professionals would extract variables that are important as compared to others and policies would be developed accordingly. The deep ANN model competence has been analyzed within the research to decide upon the non-linear associations between variables of the theoretical model, methodologically.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».