MétaCan
Menu
Retour à la cohorte
Enregistrement W4390989507 · doi:10.5267/j.ijdns.2023.12.010

Post-adoption model of mobile payment in Indonesia: Integration of UTAUT2 and the dedication-constraint perspective

2024· article· en· W4390989507 sur OpenAlexvenueno aff
Nalal Muna, I Made Sukresna, Nilna Muna

Notice bibliographique

RevueInternational Journal of Data and Network Science · 2024
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueTechnology Adoption and User Behaviour
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMobile paymentContinuanceBusinessConstraint (computer-aided design)PaymentIncentiveMarketingLoyaltyMechanism (biology)EconomicsMicroeconomicsPsychologyFinanceEngineeringSocial psychology

Résumé

récupéré en direct d'OpenAlex

Heading towards a cashless society, consumers have undergone a significant shift toward mobile payment services after COVID-19. The proliferation of various mobile payment applications has resulted in low consumer loyalty to mobile payment providers. Thus, continuance intention of mobile payments becomes crucial for mobile payment providers. The integration of UTAUT2 and the dedication-constraint-based mechanism are adopted to elaborate approach in retaining customers. The dedication mechanism is built by examining antecedents of satisfaction. Meanwhile, the constraint mechanism is driven by switching costs, preceded by habit and economic incentives. A total of 297 mobile payment users participated by filling out questionnaires in a field survey. The results show that the dedication mechanism dominates in creating satisfaction by increasing perceived usefulness, while the constraint mechanism is more influenced by habit than economic incentives. This research provides insights for mobile payment providers to enhance satisfaction by understanding consumers' needs in using mobile payments and to increase switching costs by fostering habit, thereby encouraging continuance intention of mobile payments in the future.

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)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,018

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,075
Tête enseignante GPT0,406
Écart entre enseignants0,331 · 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'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
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Data and Network ScienceMême sujetTechnology Adoption and User BehaviourTravaux en français237 207