Personality traits, individual resilience, openness to experience and young digital entrepreneurship intention
Notice bibliographique
Résumé
Digital entrepreneurship can be a potential alternative solution for addressing challenges faced by young people and future workers in Asia. Additional studies are required to enhance comprehension of digital entrepreneurship given the insufficiency of research conducted in this domain. This research seeks to uncover possible determinants that could impact the desire to engage in digital entrepreneurship, with a specific focus on personal traits, resilience, and the level of educational services. The participants in this study are university students as they represent the potential future workforce and potential digital entrepreneurs. A total of 517 sample data (212 Malaysian, 305 Indonesian) were collected through online surveys towards students in Malaysia and Indonesia. The study used a brief version of The Big Five Personality Traits, CD-RISC resilience scale, Liñán & Chen entrepreneurship intention scale, and Parasuraman, Zheitaml, Berry SERVQUAL to gather data. To analyze the data, the study employed structural equation modeling. The results suggest that the intention to pursue digital entrepreneurship is affected by both an individual's openness to experience and their resilience. Additionally, the study revealed that service quality is a factor that affects both digital entrepreneurship intention and resilience. This study provides new understanding of digital entrepreneurship intention antecedents and implies that improvement on education quality service can foster student’s intention to digital entrepreneurship and their resilience.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,006 |
| Science ouverte | 0,002 | 0,002 |
| 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 ».