MétaCan
Menu
Retour à la cohorte
Enregistrement W4328024692 · doi:10.5267/j.uscm.2023.3.003

An extension of the diffusion of innovation theory for business intelligence adoption: A maturity perspective on project management

2023· article· en· W4328024692 sur OpenAlexvenueno aff
Mohammad Al Zoubi, Yasmeen ALfaris, Baha Fraihat, Ali Otoum, Maher Nawasreh, Ashraf ALfandi

Notice bibliographique

RevueUncertain Supply Chain Management · 2023
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueBig Data and Business Intelligence
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMaturity (psychological)Knowledge managementStructural equation modelingBusinessCompatibility (geochemistry)Capability Maturity ModelBusiness intelligenceProcess managementMarketingComputer sciencePsychologyEngineering

Résumé

récupéré en direct d'OpenAlex

This study's objective is to analyze the factors that influence whether or not small and medium-sized enterprises (SMEs) use business intelligence. Based on an exhaustive assessment of the literature, the study offers a model dependent on the diffusion of innovation and augmented with factors expressing the idea of project management maturity (PMM). The research applied structural equation modelling (SEM) to examine data obtained from 112 Jordanian company workers. The findings showed that the adoption of business intelligence has a positive and significant relationship to the complexity, compatibility, and relative advantage of business intelligence; the level of project management maturity has a significant effect on the level of relative advantage, compatibility, and complexity; and the level of project management maturity is significantly associated with the change management and knowledge sharing practices in SMEs. However, we contend that further study has to be carried out, particularly in the context of developing nations, in order to get a comprehensive understanding of how different SMEs may effectively deploy and make use of business intelligence.

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)0,006
score de la tête « metaresearch » (Gemma)0,018
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,030

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,018
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0050,003
Études des sciences et des technologies0,0010,003
Communication savante0,0030,007
Science ouverte0,0010,002
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,057
Tête enseignante GPT0,317
Écart entre enseignants0,261 · 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'étudeThéorique ou conceptuel
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

Citations28
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueUncertain Supply Chain ManagementMême sujetBig Data and Business IntelligenceTravaux en français237 207