Analyzing technology acceptance model for collaborative governance in public administration: Empirical evidence of digital governance and perceived ease of use
Notice bibliographique
Résumé
This research was conducted with the primary aim to investigate digital governance by examining empirical evidence regarding the application of Technology Acceptance Model (TAM) in public administration. The antecedents of TAM were explored to estimate behavioral intention and actual use in electronic public service in public administration in Indonesia. The research was conducted in Semarang, Central Java, Indonesia by employing simple random sampling techniques to collect a total of 182 respondents. By using Structural Equation Modeling–Partial Least Square (PLS-SEM), the results showed significant effects on perceived usefulness and attitude toward use. The variable of perceived usefulness was also empirically proven to have a significant effect on attitude toward use and behavioral intention. The findings found that attitude toward use had a significant effect on behavioral intention, and then behavioral intention was empirically proven to have an effect on actual use. Mediating analysis from the variables of perceived usefulness, attitude toward use and behavioral intention also found the mediating roles. Theoretically, these findings contribute to the digital governance framework by providing empirical evidence strengthening the relevance and affirming the application of the Technology Acceptance Model (TAM) in the context of public administration. Practically, these findings have managerial implications that the application of TAM in the public administration sector is relevant to be explored with a professional management model and a user-based approach in the development of digital applications and websites.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,004 |
| Science ouverte | 0,003 | 0,001 |
| 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 ».