Integrating religiosity into a technology acceptance model for the adoption of mobile payment technology
Notice bibliographique
Résumé
This research studies the effects of the religiosity on financial technology (fintech) adoption. The study examines religiosity as part of the Technology Acceptance Model (TAM) dimensions for the adoption of mobile payment technology. We explore the role of religiosity in TAM and recommend several policies for related organizations. The study uses professional sample calculation from 113 traditional markets under Perumda Pasar Jaya as a business entity whose capital is wholly or mostly owned by the regional government through regional assets of DKI Jakarta Province, Indonesia, which use mobile payment technology. We obtained 363 respondents from June 2020 to June 2021, coinciding with the Covid-19 pandemic. Hypothesis testing was done employing SmartPLS 3.2.9 software and questionnaires. The study also adapts previous studies to ensure the questionnaires are relevant to the research objects. The research result show that religiosity explained the formation of TAM by small businesses in traditional markets under Perumda Pasar Jaya Management. Religiosity and the adoption of mobile payment technology determined whether a user used fintech or not. As the research period was limited to June 2020 - June 2021, including field research in the traditional markets, newer TAM mobile payment technology development and other TAM mobile payment-based research were not included. This research offers a new TAM development model using religiosity for mobile payment adoption in traditional markets.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».