Intention to use Robo-Advisors, considering the Behavioral Reasoning Theory, and moderating effect of prior knowledge and experience.
Notice bibliographique
Résumé
Robo-advisors, AI-powered financial services, offer personalized investing solutions but have not achieved the expected adoption rates. This study addresses a critical gap in the literature by examining how the value of openness to change influences the intention to use robo-advisors, through the mediating roles of Reasons for and Reasons Against adoption, within the framework of Behavioral Reasoning Theory (BRT). Additionally, the study explores how financial knowledge and investing experience moderate these mediated relationships in a nonlinear fashion. Data collected from 400 participants through a structured survey was analyzed using Structural Equation Modeling (SEM). The results indicate that while personal values indirectly influence adoption intentions, Reasons For significantly enhance, and Reasons Against impede, the intention to use robo-advisors. The nonlinear moderating effects of financial knowledge and investing experience reveal that the influence of these reasons on intention is most pronounced at moderate levels of these moderators but diminishes at low and high levels. Specifically, financial knowledge strengthens the positive impact of Reasons For and mitigates the negative impact of Reasons Against at moderate levels, while investing experience shows a more complex pattern, amplifying and then weakening these effects. These findings underscore the need for targeted strategies that address both the benefits and perceived barriers to robo-advisor adoption, emphasizing the nuanced role of user knowledge and experience in shaping engagement with AI-driven financial technologies.
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 | 0,003 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».