MétaCan
Menu
Retour à la cohorte
Enregistrement W4385356280 · doi:10.34010/agregasi.v10i1.5670

KESUKSESAN APLIKASI PELAPORAN KEUANGAN DAN KINERJA ORGANISASI OPD KOTA/KABUPATEN DI PROVINSI RIAU

2022· article· en· W4385356280 sur OpenAlexaff
Ursula Gunasanti, Ruhul Fitrios, Al Azhar L, Ismon Zakya

Notice bibliographique

RevueJurnal Agregasi Aksi Reformasi Government dalam Demokrasi · 2022
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueFinancial Literacy and Behavior
Établissements canadiensWiLAN (Canada)
Organismes subventionnairesnon disponible
Mots-clésOrganizational commitmentStratified samplingSample (material)Organizational performanceOrganizational cultureBusinessPopulationOrganizational behavior and human resourcesOrganizational learningOrganizational safetyKnowledge managementBusiness administrationOperations managementPsychologyMarketingManagementComputer scienceOrganizational engineeringStatisticsSocial psychologyEngineeringSociologyMathematicsEconomics

Résumé

récupéré en direct d'OpenAlex

This study aims to examine the effect of organizational culture and organizational commitment on the success of financial reporting/accounting information systems (AIS) applications and their effect on organizational performance. The population of research is the City/Regency Regional Apparatus Organization (OPD) in the North Coastal Region of Riau Province. The sample selection used proportional stratified random sampling with a total sample of 104 OPD. The data analysis used is Smart PLS. The results show that organizational culture affects AIS applications success and organizational performance, while organizational commitment does not affect AIS applications success and organizational performance, and AIS applications success affects organizational performance. This study indicated the importance of developing a strong organizational culture to increase the success of AIS applications and improve organizational performance. Furthermore, the use of AIS applications can improve organizational performance.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,638
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0020,000
Communication savante0,0010,004
Science ouverte0,0020,002
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,010
Tête enseignante GPT0,196
Écart entre enseignants0,186 · 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 tête enseignante, pas un consensus.

Devis d'étudeObservationnel
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

Citations1
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJurnal Agregasi Aksi Reformasi Government dalam DemokrasiMême sujetFinancial Literacy and BehaviorTravaux en français237 207