Notice bibliographique
Résumé
In order to conduct the research, a descriptive-correlation method, as well as, a field study approach was employed.The statistical population of the research comprised approximately 2000 people and the size of the statistical sample was determined as 400 individuals based on the Morgan table.384 questionnaires were distributed among the participants for further data analysis.The method used to select the samples was nonrandom and available sampling method.In terms of the instruments, a 21-item questionnaire designed by Mohammadi (2013) on information technology, a standard 6-item questionnaire on the utilization of attraction and a 6-item questionnaire on the attraction efficiency by Hajebrahimi (2016) and finally an 8-item questionnaire on customer loyalty by Liu (2008) were employed.The content validity of the questionnaires was also approved by a group of university sport management professors, as well as, the managers of sports clubs.Reliability of the questionnaire was 0.88, 0.85, 0.80, and 0.79, respectively, through Cronbach's alpha.In order to analyze the data, Kolmogorov-Smirnov test, binomial test and Spearman correlation coefficient were used and as for the cause and effect relationships of the variables, structural equations were employed.According to the major findings of the research, there is a significant relationship between the information technology knowledge and the attraction efficiency and customer loyalty (p<0/05).Moreover, according to (R2=0.09,GOF=0.941),combined reliability and the AVE extracted from the constructs, the fitness of the model was confirmed.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,922 | 0,926 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».