Factors Influence Use Retention of Kios-K Machines Service in Food and Beverages Services
Notice bibliographique
Résumé
Kiosk machines are interactive tablets or touchscreen computers that allow customers to access information and services without direct interaction. By deploying self-service kiosks, businesses can scale their operations faster and more efficiently while reducing costs. The problem in this research is whether the self-service machine Kiosk in fast food service is effective or not and whether it makes all the customers that use it satisfied with the existence of this technology. Not all people, like the boomers or millennials, can adapt and easily use this new technology. Some of the users can do it fast, some are not. The data was collected using Google Forms using Purposive Sampling. It was conducted from February until March 2024. The data were collected from 443 respondents, only 369 of whom had used the Kios-K Machine. The countries that filled it were Indonesia, about 439 people around Jakarta, Depok, Tangerang, Bogor, and Bekasi, a few foreigners, three respondents from Malaysians, and one from the United Kingdom. The research methodology employs Partial Least Squares Structural Equation Modeling (PLS-SEM) through SMART-PLS 4 Software. There are Six variables: Self-efficacy, Trust, Ease of Use, Accessibility, Perceived Value, and Use Retention. The results found that all hypotheses have a significant impact.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,004 |
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 ».