Determinants of Behavioral Intention to Use Digital Payment among Indian Youngsters
Notice bibliographique
Résumé
In the current study, we sought to construct an integrated model to identify various elements and evaluate the impact of these identified factors on customers’ behavioral intention to use or not use specific M-wallets for payment. To this end, we proposed and validated a conceptual model. In all, 600 questionnaires were distributed, and 482 responses were deemed usable. Structural equation modeling was used to demonstrate the stability of the proposed model and to test the research hypotheses. Perceived value, trust, compatibility, and social influence were all found to have a substantial influence on behavioral intention; however, consumers are less likely to use an M-wallet on the basis of perceived enjoyment. We also found that trust, followed by compatibility, has a stronger influence on customers’ behavioral intentions in the context of M-payments. This study only included six M-wallets and was restricted to a certain age group in a single city. Understanding the many characteristics of behavioral intention can help M-wallet providers gain consumer trust and increase the frequency with which consumers use M-wallets for M-payments. The findings suggest that M-wallet service providers should consider and manage all influencing elements as proactive strategies for M-wallet intention. This strategy can be used to create an M-wallet-user behavioral intention model that will assist enterprises/companies in managing the establishment of their users’ behavioral intentions.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».