MétaCan
Menu
Retour à la cohorte
Enregistrement W7009818183

Factors that influence Gen Y loyalty towards mobile internet service provider (MISP) in parliament Sungai Petani, Kedah / Muhd Syafiq Rusnan

2018· other· en· W7009818183 sur OpenAlexaboutno aff

Notice bibliographique

RevueUiTM Institutional Repositories (Universiti Teknologi MARA) · 2018
Typeother
Langueen
Domaine
Thématique
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésThe InternetMobile technologyEarly adopterMobile paymentLoyaltyService providerService (business)Quarter (Canadian coin)
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Gen Y, which also known as Millennials Generation, Net Generation, digital natives and Connected Generation, are individuals which their aged ranging from 18 to 34 years (Bruwer, Saliba, & Miller, 2011; Nielsen, 2012; Nusair, Bilgihan, & Okumus., 2013). Gen Y have grown up with heavy exposure to mobile technology and the Internet, they have been widely recognised as early adopters of new connected devices, extensive users of the Internet, as well as substantial users of mobile services (Kumar & Lim, 2008). Being the first generation to grow up with technology and the Internet, Gen Yers are highly sociable, Tee literate, and media or tech savvy (Bilgihan, 2016). As a result of their exposure to rapidly changing technologies like the Internet and mobile devices, Gen Yers have adopted technology as part of their lifestyle and it represents their "third hand and second brain" (Palmer, 2009). Because of their confidence in using new technologies (Kandampully & Zhang, 2015), Gen Yers are often early adopters and heavy users of the latest mobile technologies (Kumar & Lim, 2008; Spaid & Flint, 2014 ). In Malaysia, approximately 55.6 % of the Internet users are Generation Y (Malaysia Communications and Multimedia Commission, 2013). Given this, it is not surprising that Gen Y are the generation with the highest level of mobile Internet penetration, at 74% in the first quarter of 2014 (Statista, 2016).

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,034
Score d'incertitude au seuil0,068

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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.

Tête enseignante Opus0,027
Tête enseignante GPT0,253
Écart entre enseignants0,226 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueUiTM Institutional Repositories (Universiti Teknologi MARA)Travaux en français237 207