The role of mGovernment applications in building trust during public crises: Evidence from the COVID-19 epidemic
Notice bibliographique
Résumé
Throughout the COVID-19 pandemic, China effectively contained the virus, resulting in increased public trust in the government. Mobile government (mGovernment) applications (apps) played a critical role in this improvement. This study aims to examine how mGovernment apps build citizens' trust in governments during public crises. The DeLone and McLean Information Systems Success Model (ISSM) is used to evaluate the quality of these apps. Public satisfaction serves as an intermediary variable, while public awareness of epidemic risks in sudden public relations crises acts as a moderating variable to explore the impact of mGovernment apps on government trust. Data analysis is conducted using SPSS Statistics 22.0 and AMOS 21.0. The study's results show that the system quality, information quality, and service quality of mobile government apps influence citizens' trust in governments through the mediating effect of public satisfaction. All three factors positively correlate with public satisfaction, with service quality having the greatest impact. Similarly, system quality, information quality, and service quality are positively correlated with public trust in governments, with system quality having the most noticeable influence. There is a strong correlation between public satisfaction and trust in governments, and the mediating effect of public satisfaction is significant. In addition, epidemic risk perception moderates the relationship between public satisfaction and citizens' trust in governments.
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 | 0,002 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».