I want to embrace it: how diffusion of innovation drives employee attitude and intention toward data analytics adoption?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose Drawing upon the diffusion of innovation perspective, this study examines the effects of the diffusion of innovation characteristics (i.e. observability, compatibility, relative advantage, complexity and trialability) on employees' intention to adopt data analytics tools. In addition, the mediating role of attitude toward data analytics tools has also been examined in the above relationships. Design/methodology/approach Using a time-lagged field survey, data were collected from 211 managerial-level employees working in the information technology and banking sectors. The statistical analyses were conducted using a bootstrapping mediation technique. Findings The findings indicated a positive relationship between observability, relative advantage, trialability and intention to adopt data analytics tools. Complexity was found to have a negative relationship with the intention to adopt data analytics tools, but no direct effect on attitude toward the adoption of data analytics tools was found. Further, the diffusion of innovation factors had an indirect relationship with intention to adopt data analytics tools through attitude toward the adoption of data analytics tools. Originality/value The findings of this research add value by providing insights into the comparative effects of various diffusion of innovation factors on the attitudinal and intentional change experiences of employees. Unlike focus of most of the literature on organizational-level changes resulting from the use of new analytical tools, this research offers a holistic understanding of individual-level change experiences of employees toward the adoption of data analytics tools.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| 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 découle