Examination of students’ acceptance and intention to use a New LMS during COVID-19 pandemic
Notice bibliographique
Résumé
The aim of this research is to study the acceptance of university students to use Microsoft Teams e-Learning system and their intention to use it as a Learning Management System (LMS) for education during the COVID-19 pandemic in Jordan. An ex-tended Technology Acceptance Model (TAM) with a blend of external factors that are used together for the first time was developed and used for the purpose of this study. TAM was used because of its wide use and success during the past few years for evaluating the influence of different factors affecting the acceptance and intention to use e-Learning platforms within educational institutes. However, all the studies were examining the variables and factors affecting the behavioral intention and acceptance to use LMSs when normal and conventional classroom study is available. In this research, seven external variables, in addition to the four TAM variables, were introduced in a model including one external variable, Internet Connectivity (IC), used for the first time in the field of education. A model is constructed by extending TAM with the introduced external variables, hypotheses are constructed and a questionnaire for 396 students at two universities in Jordan is conducted. Reliability, confirmatory factor, model fit, and hypothesized structural model analyses are presented. Results show that all the variables tested affect, either directly or indirectly, the acceptance and intention to use MS Teams during the pandemic. 21 hypotheses were tested between the constructs and found significant except the relations between (Social Norm - Perceived Usefulness) and (Technical Support - Perceived Usefulness).
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 | 0,007 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,003 | 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 ».