The validity of the SERVQUAL and SERVPERF scales
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose The purpose is to investigate, the difference between SERVQUAL and SERVPERF's predictive validity of service quality. Design/methodology/approach Data from 17 studies containing 42 effect sizes of the relationships between SERVQUAL or SERVPERF with overall service quality (OSQ) are meta‐analyzed. Findings Overall, SERVQUAL and SERVPERF are equally valid predictors of OSQ. Adapting the SERVQUAL scale to the measurement context improves its predictive validity; conversely, the predictive validity of SERVPERF is not improved by context adjustments. In addition, measures of services quality gain predictive validity when used in: less individualistic cultures, non‐English speaking countries, and industries with an intermediate level of customization (hotels, rental cars, or banks). Research limitations/implications No study, that were using non‐adapted scales were conducted outside of the USA making it impossible to disentangle the impact of scale adaptation vs contextual differences on the moderating effect of language and culture. More comparative studies on the usage of adapted vs non‐adapted scales outside the USA are needed before settling this issue meta‐analytically. Practical implications SERVQUAL scales require to be adapted to the study context more so than SERVPERF. Owing to their equivalent predictive validity the choice between SERVQUAL or SERVPERF should be dictated by diagnostic purpose (SERVQUAL) vs a shorter instrument (SERVPERF). Originality/value Because of the high statistical power of meta‐analysis, these findings could be considered as a major step toward ending the debate whether SERVPERF is superior to SERVQUAL as an indicator of OSQ.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle