Decision-making model for the effective e-services adoption in the Indian educational organizations
Notice bibliographique
Résumé
Due to the advances in wireless network environments, consumers/end-user behaviors continue to expand in cyberspace. Similarly, university students (i.e. universities’ consumers) can easily shift from one university to another. In recent years, decision-makers in educational organizations have faced multi-criteria decision making (MCDM) problems in e-service adoption in order to improve quality standards and maintain students’ retention in highly competitive education environments. Generally, many required criteria in MCDM cannot be evaluated accurately since accurate data cannot be obtained from the decision makers’ assessments. Thus, this research aims to propose a decision-making model for identifying the factors that highly impact on e-service adoption in educational organizations. This new model combined the fuzzy Decision MAking Trial and Evaluation Laboratory (fuzzy DEMATEL) and fuzzy Techniques for Order of Preference by Similarity to Ideal Solution (fuzzy TOPSIS) to weight the interactions among the factors which were defined from a comprehensive review of literature and to determine the relative importance of these factors. The findings from our new proposed model: fuzzy DEMATEL-TOPSIS showed that environmental factors are the most important for effective e-service adoption among educational organizations in India. The proposed decision making model could guide educational organizations to improve their decisions related to technology adoption in their organizations. The conclusions and practical insights gleaned from this research could also hopefully be useful to school authorities in assisting with the adoption, acceptance, and usage of e-services.
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 | 0,010 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,013 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,004 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».