MétaCan
Menu
Retour à la cohorte
Enregistrement W4308118671 · doi:10.3390/businesses2040032

Barriers to the Effective Integration of Developed ICT for SMEs in Rural NIGERIA

2022· article· en· W4308118671 sur OpenAlexaff
Olusegun Sadiq, Dieu Hack‐Polay, Ted Fuller, Mahfuzur Rahman

Notice bibliographique

RevueBusinesses · 2022
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueInnovation and Socioeconomic Development
Établissements canadiensCrandall University
Organismes subventionnairesnon disponible
Mots-clésInformation and Communications TechnologyBusinessAdaptation (eye)Small and medium-sized enterprisesCompetitive advantageKnowledge managementIndustrial organizationMarketingComputer science

Résumé

récupéré en direct d'OpenAlex

This study investigated three key factors (technological-related, organisational-related and environmental-related barriers) affecting the adaptation to or integration of developed ICT. It also examined how SMEs in less developed countries can explore the different stages of developed ICT by moving from one stage to the other. The integration of ICT in SMEs is important as technologies have become competitive tools in contemporary business practices. This study is based on a survey of 322 Nigerian SMEs which was successfully validated using the SmartPLS3 software. The quantitative analysis centred on the three hypothesised barriers to measure the extent to which SMEs’ internal and external variables could limit their competitiveness in relation to business expansion and organisational growth. The analysis helped explain some of the critical challenges faced by rural SMEs in an emerging economy such as Nigeria despite the literature’s previous emphasis on the impacts of ICT on the SMEs’ growth and expansion. A major contribution of the study is the development of a distinct model to help SMEs identify the significance of developed ICT and propose a strategy for SMEs to navigate the stages of developed ICT.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,004
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,013
Tête enseignante GPT0,241
Écart entre enseignants0,228 · 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 source (Gemma direct ou Codex distillé), 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

Citations8
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBusinessesMême sujetInnovation and Socioeconomic DevelopmentTravaux en français237 207