What drives mobile MOOC's continuous intention? A theory of perceived value perspective
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose The purpose of the study is to identify drivers of mobile massive open online course (MOOC) continuous intention (CI) through the lenses of customer perceived value (CPV) theory. Consumer choice is successfully explained by CPV, but lesser attention is given to linking the theory to the mobile MOOC context whereby the majority of theories have adopted approaches like technology acceptance model (TAM), unified theory of acceptance and use of technology (UTAUT), etc. Design/methodology/approach A mix-method approach was employed. Study A (qualitative), explores context-specific perceived value (PV) dimensions using nethnographic analysis of 627 learner reviews on Corsera app. Study B (quantitative), collects primary data by administering a questionnaire based on dimensions, and 231 responses were then analysed using structural equation modelling. Findings The results revealed that three context-specific PVs (i.e. pedagogy, interface and content) have a positive and significant impact on CI. Pedagogy value is a chief driving force of mobile MOOC CI followed by content value. Ubiquity value demonstrated insignificant impact. Practical implications The findings provide insights for MOOC apps and their developers for formulating better value propositions for ensuring sustainable business which may result in gaining a higher share in the growing mobile learning market. Originality/value This study bridges an important gap in mobile MOOC literature by providing a novel approach to investigating what drives mobile MOOC CI through the lenses of CPV theory. It is the first study investigating mobile MOOC CI through the specific CPV dimensions identified by employing a mixed-method approach. The study formulates a conceptual framework that may serve as a foundation for future research on mobile MOOCs for which literature is relatively scant.
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| 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 découle