justification tested against the ba

justification tested against the baseline of “no justification.” The β coefficients on the
“demographics first” arrow represent the effect of the “demographics first” request
order (in β SD difference) compared to the “tracking first” request order. For a more
detailed introduction to SEM as applied in this article, see the electronic appendix.
To avoid overfitting, we constructed the structural equation model on our exploratory
sample, tested it on the confirmatory sample, and then pruned any effects
that were not consistently significant between the two samples. We then fitted the
resulting model to the entire dataset. This procedure gives us additional confidence
that the effects in the model extend beyond our current sample. Moreover, because
our model is based on the validated user experience framework of Knijnenburg
et al. [2012], we assert that the findings hold true beyond the context of the current
experiment, and more generally describe users’ information disclosure decisions
when using a recommender system. The final model (Figure 3) has a good model
fit8: χ2(912) = 1540, p < .001; RMSEA = 0.037, 90% CI: [0.034, 0.041], CFI = 0.977,
TLI = 0.976.
The model shows that aside from the request order, all effects on context and demographics
disclosure are mediated by users’ self-anticipated satisfaction with the system
(request order, satisfaction → context data, demographics disclosure). The higher their

ผลลัพธ์ (ไทย) 1:

เหตุผลที่นำมาทดสอบกับพื้นฐานของ "ไม่มีเหตุผล" สัมประสิทธิ์βในการ"ข้อมูลประชากรแรก" ลูกศรแสดงถึงผลของการ "ข้อมูลประชากรแรก" ร้องขอใบสั่ง (β SD ต่าง) เปรียบเทียบกับการ "ติดตามครั้งแรก" ขอสั่ง สำหรับอื่น ๆSEM ที่ใช้ในบทความนี้ แนะนำรายละเอียดดูภาคผนวกอิเล็กทรอนิกส์เพื่อหลีกเลี่ยง overfitting เราสร้างโมเดลสมการโครงสร้างบนเชิงบุกเบิกของเราตัวอย่าง ทดสอบบนตัวอย่างเสร็จ และล้างผลใด ๆ แล้วที่ไม่ต่อเนื่องอย่างมีนัยสำคัญระหว่างตัวอย่างสอง เราแล้วสิ่งแบบจำลองที่รายการชุดข้อมูลทั้งหมด ขั้นตอนนี้ให้ความมั่นใจเพิ่มเติมว่า ผลกระทบในรูปแบบขยายเกินตัวอย่างของเราปัจจุบัน นอกจากนี้ เนื่องจากของเราขึ้นอยู่กับกรอบประสบการณ์ผู้ตรวจของ Knijnenburg[2012] al. et เรายืนยันรูปที่ ค้นพบที่ถือจริงเกินบริบทของปัจจุบันการทดลอง และอื่น ๆ โดยทั่วไปอธิบายตัดสินใจเปิดเผยข้อมูลของผู้ใช้เมื่อใช้ระบบผู้แนะนำ รุ่นสุดท้าย (รูปที่ 3) มีรูปแบบที่ดีfit8: χ2(912) = 1540, p <. 001 RMSEA = 0.037, 90% CI: [0.034, 0.041], CFI = 0.977TLI = 0.976แบบจำลองแสดงให้เห็นว่านอกเหนือจากคำสั่ง ลักษณะพิเศษทั้งหมดในลักษณะประชากรและบริบทเปิดเผยมี mediated โดยพึงพอใจตนเองคาดว่าผู้ใช้กับระบบ(คำสั่ง การเปิดเผยข้อมูลประชากร ข้อมูลบริบท→ความพึงพอใจ) สูงของพวกเขา

ผลลัพธ์ (ไทย) 2:

เหตุผลการทดสอบกับพื้นฐานของ "ไม่มีเหตุผล". ค่าสัมประสิทธิ์βใน
"กลุ่มผู้เข้าชมเป็นครั้งแรก" ลูกศรแสดงผลของ "กลุ่มผู้เข้าชมเป็นครั้งแรก" การร้องขอ
การสั่งซื้อ (βในความแตกต่าง SD) เมื่อเทียบกับ "การติดตามครั้งแรก" เพื่อร้องขอ สำหรับมากขึ้น
เพื่อแนะนำรายละเอียด SEM ที่ใช้ในบทความนี้ดูภาคผนวกอิเล็กทรอนิกส์.
เพื่อหลีกเลี่ยงการ overfitting เราสร้างแบบจำลองสมการโครงสร้างในการสำรวจของเรา
ตัวอย่างทดสอบบนตัวอย่างยืนยันแล้ว pruned ผลกระทบใด ๆ
ที่ไม่ได้มีความสำคัญอย่างต่อเนื่อง ระหว่างทั้งสองตัวอย่าง จากนั้นเราจะติดตั้ง
แบบผลให้ชุดทั้งหมด ขั้นตอนนี้จะช่วยให้เรามีความมั่นใจเพิ่มเติม
ว่าผลกระทบในรูปแบบการขยายเกินตัวอย่างในปัจจุบันของเรา นอกจากนี้เนื่องจาก
รูปแบบของเราจะขึ้นอยู่กับกรอบประสบการณ์ของผู้ใช้ผ่านการตรวจสอบของ Knijnenburg
และคณะ [2012] เรายืนยันว่าผลการวิจัยถือเป็นจริงเกินบริบทของปัจจุบัน
การทดลองและอื่น ๆ โดยทั่วไปผู้ใช้อธิบายการตัดสินใจเปิดเผยข้อมูล
เมื่อใช้ระบบ recommender รุ่นสุดท้าย (รูปที่ 3) มีรูปแบบที่ดี
fit8: χ2 (912) = 1540, p <0.001; RMSEA = 0.037, 90% CI: [0.034, 0.041] CFI = 0.977,
. TLI = 0.976
รูปแบบการแสดงให้เห็นว่านอกเหนือจากคำสั่งคำขอผลกระทบทั้งหมดกับบริบทและประชากร
เปิดเผยเป็นผู้ไกล่เกลี่ยโดยผู้ใช้ 'ความพึงพอใจของตัวเองที่คาดการณ์ไว้ด้วย ระบบ
(เพื่อขอข้อมูลความพึงพอใจ→บริบทการเปิดเผยข้อมูลประชากร) ที่สูงขึ้นของพวกเขา

ผลลัพธ์ (ไทย) 3:

เหตุผลที่ทดสอบกับพื้นฐานของ " เหตุอันสมควร " สัมประสิทธิ์บีตาใน
" กลุ่มแรก " ลูกศรแสดงผลของ " กลุ่มแรก " ขอ
สั่ง ( ในความแตกต่าง SD บีตา ) เมื่อเทียบกับ " ติดตาม " ขอสั่ง แนะนำรายละเอียดเพิ่มเติม
SEM ที่ใช้ในบทความนี้ ดูภาคผนวกเพื่อหลีกเลี่ยง overfitting
, อิเล็กทรอนิกส์เราสร้างแบบจำลองสมการเชิงโครงสร้าง เพื่อสำรวจ
ของเรา ทดสอบกับตัวอย่างที่ยืนยันแล้วได้รับผลที่ไม่แตกต่างกันใด ๆ
อย่างต่อเนื่องระหว่างสองตัวอย่าง เราพอดี
ที่เกิดรูปแบบข้อมูลทั้งหมด ขั้นตอนนี้จะช่วยให้เราเพิ่มความมั่นใจ
ผลในรุ่นที่ขยายเกินตัวอย่างในปัจจุบันของเรา นอกจากนี้เนื่องจาก
นางแบบของเราจะขึ้นอยู่กับประสบการณ์ของผู้ใช้ผ่านกรอบของ knijnenburg
et al . [ 2012 ] เราขอยืนยันว่าผลเป็นจริงนอกเหนือจากบริบทของการทดลองปัจจุบัน
, และอื่น ๆโดยทั่วไปอธิบายการตัดสินใจ การเปิดเผยข้อมูลผู้ใช้ '
เมื่อใช้ระบบการแนะนำ . รุ่นสุดท้าย ( รูปที่ 3 ) มี fit8 โมเดล
ดี : χ 2 ( 912 ) = 1540 , p < . 05 ; RMSEA = 0.005 , 90 % CI : [ 0.034 , 041 ]CFI = 0.977 tli = 0.976
, .
แบบจำลองพบว่านอกเหนือจากการร้องขอเพื่อผลทั้งหมดในบริบทและประชากร
เปิดเผยเป็นโดยผู้ใช้ด้วยตนเอง คาดว่าในระบบ
( ขอสั่ง ความพึงพอใจ→ keyboard - key - name บริบท ข้อมูลประชากร ข้อมูล ) สูงของพวกเขา