Investigating of the role of cybercrime and e-brand trust on purchase interest of e-commerce platforms
Notice bibliographique
Résumé
In this digital era, the use of the Internet in business transactions through e-commerce platforms has created many conveniences, the development of Internet technology has given rise to crimes called cyber crime or crimes through the Internet network. The purpose of this study is to investigate the relationship between cybercrime and purchase intention on e-commerce platforms, and the relationship between e-brand trust and purchase intention on e-commerce platforms. This research method is a quantitative method to analyze the relationship between variables, research data was obtained by distributing online questionnaires through social media platforms, and questionnaires containing statement items were designed using a Likert scale of 1 to 5. The respondents of this study were 535 consumers who had shopped online on e-commerce platforms determined by the simple random sampling method. Data analysis used the PLS Partial least squares SEM (PLS-SEM) technique. In the study, the outer model which is called the measurement model has a meaning between indicators connected by other variables. The measurement model of convergent validity, discriminant, and reliability was used. The standard loading factor value in the concurrent validity test must be > 0.7 or greater than the established criteria. The same applies to the discriminant validity test, which uses a larger value for the loading factor. The construct reliability test uses Cronbach's alpha and the composite reliability value. The hypothesis testing uses partial least square (PLS) which is the inner model test result, namely the R-square output, path coefficient, or t-statistic. The convincing t-statistic result > 1.96 is that Ha is accepted and Ho is rejected. If the probability number (p-value) <0.005 is included, then Ha is accepted. If the p-value is <0.05 (or 5%), the t-statistic is > 1.96, and the beta coefficient is positive, then Ha can also be accepted. The results of the analysis show that cybercrime has a positive effect on consumer purchasing intentions on e-commerce platforms and e-brand trust hurts consumer purchasing intentions on e-commerce platforms.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| 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 ».