Public value of using fintech services’ mobile applications: Citizens’ perspective in a Jordan setting
Notice bibliographique
Résumé
Measuring the performance of Fintech services on mobile apps (FSMA) is considered a major key to sustain, develop, and improve financial services and their processes, depending on users’ standpoints on digital platforms. Public value aims at enhancing the performance of government institutions services. Throughout the current research, authors have suggested a novel way to evaluate the performance and management of FSMA by theorizing a new conceptual framework entitled Public Value of Fintech Services’ Mobile Apps (PV-FSMA). A quantitative approach was chosen to measure several factors influencing the use of FSMA and evaluate the degree of public value of FSMA among Jordanians. The structural equation model was conducted based on the results of the PV-FSMA model hypotheses. The results confirmed that FSMA-intention to use (FSMA-ITU) and its predictors: FSMA-usefulness (FSMA-US), FSMA-awareness (FSMA-AR), FSMA-security (FSMA-SE), FSMA-social influence (FSMA-IS), and FSMA-system quality (FSMA-SQ) except FSMA-ease of use (FSMA-ES) are valuable determinants of PV-FSMA. The article presents theoretical implications regarding financial services and public value theories and practical implications regarding public institution leaders, managers, and information technology specialists in the Fintech domain to improve the quality and performance of FSMA in Jordan.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».