Adoption of voice assistants for airport procedures and services: an empirical study using the UTAUT2 model and SEM analysis
Notice bibliographique
Résumé
Purpose The study aims to examine the adoption of voice assistants (VAts) in developing countries for airport procedures and services, focusing on user behavior and technology readiness, using the Unified Theory of Acceptance and Use of Technology 2 (UTAUT2) framework to identify key predictors of intention and actual use. Design/methodology/approach A mixed-methods study was conducted in Vietnam, with a total of 330 responses collected. After screening for validity, 314 responses were retained for the quantitative survey and the remaining 14 participants were engaged in qualitative interviews. Quantitative data were analyzed using structural equation modeling to validate the conceptual framework, and qualitative insights were used to complement and contextualize the statistical findings. Findings The findings indicate that seven UTAUT2 factors significantly shaped users’ intention to use voice assistants, which in turn strongly predicted actual usage, highlighting the key mediating role of behavioral intention. Research limitations/implications The study explores the adoption of VAts in airport services in developing countries, extending the UTAUT2 framework. It provides insights for airport managers and developers to design and implement VAts that meet user expectations, improve service efficiency and enhance customer experience, ultimately promoting sustained adoption of technology in public service settings. Originality/value This is among the first studies applying UTAUT2 to VAts adoption in airports within a developing country. It contributes to theoretical expansion and offers practical insights for airport managers and developers to tailor VAts to enhance user experience and encourage sustained usage.
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 | 0,000 | 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 | 0,000 |
| 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 ».