Using the TOE theoretical framework to study the adoption of BIM-AR in a developing country: the case of Ghana
Notice bibliographique
Résumé
Purpose Building information modelling (BIM) and augmented reality (AR) are unique technologies in the digitalized construction industry. In spite of the numerous benefits of BIM-AR, its adoption has been at a relatively slow pace. The purpose of this study is to investigate how the factors within technology–organization–environment (TOE) framework influence the adoption of BIM-AR in the context of construction companies in a developing country. Design/methodology/approach By using a mainly deductive quantitative design, survey data were collected from senior management of built environment companies in Ghana using questionnaires. The study adopted a mixture of both purposive and snowball sampling approaches. Partial least squares structural equation modelling was used to analyse how the factors within the TOE framework explain BIM-AR adoption in Ghana. Findings Findings from the study show that the top three factors within the TOE framework that facilitate the adoption of BIM-AR include ICT infrastructure within construction firms; the size of the construction firm, which may influence the financial capacity to accommodate BIM-AR; and competitive pressure. The inhibitors of BIM-AR at the company level included external support and trading partners’ readiness. Research limitations/implications Implicit is that the significant factors will be useful to policymakers and companies in developing programs that appeal to non-adopters to aid in mitigating their challenges and further enhance BIM-AR adoption. Originality/value The value of this paper has been the use of the theoretical framework TOE to explain the adoption factors of BIM-AR in the Ghanaian construction industry. The originality of the paper is further anchored in consideration of BIM-AR, which is quite nascent in emerging countries.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 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 ».