Development of a Causal Relationship Model Affecting the Technopreneurship Competencies of Students at Rajamangala University of Technology Srivijaya, Thailand
Notice bibliographique
Résumé
This study aimed to develop and validate a causal relationship model of factors affecting students’ technopreneurship competencies at Rajamangala University of Technology Srivijaya in Thailand. A quantitative design was employed, involving the sample of 225 undergraduate students, in accordance with the general rule for Structural Equation Modeling (SEM) to ensure adequate statistical power and model stability. Data were collected through a validated questionnaire and analyzed using Confirmatory Factor Analysis (CFA) and Structural Equation Modeling (SEM). The findings indicated three latent variables: learning management, learner-related, and leadership factors, affecting technopreneurship competencies. The model showed an excellent fit with the empirical data (χ² = 36.60, χ²/df = 1.076, p-value = 0.44, GFI = 0.97, CFI = 1.00, AGFI = 0.94, RMSEA = 0.009, and RMR = 0.004). The learner-related factors exerted the strongest direct influence on technopreneurship competencies (β = 0.59), emphasizing the critical role of motivation, positive attitude, and learning behaviors of learners. The leadership factors showed a moderate effect (β = 0.36), highlighting its importance in supporting competency development and an entrepreneurial environment through various types of leadership. However, the learning management showed a non-significant direct effect (β = −0.05), indicating it serves as a foundation rather than a key factor. This suggests that strengthening learner-related and leadership factors is crucial for promoting technopreneurship competencies. This study provides evidence for the applicability of the causal relationship model in technopreneurship competency development, recommending future research on potential mediating variables, deeper investigation of learning management factor, and multi‑institutional, longitudinal research designs to enhance its explanatory power and generalizability.
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 | 0,006 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 source (Gemma direct ou Codex distillé), 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 ».