Derivative beliefs and evaluations
Notice bibliographique
Résumé
Purpose The purpose of this research is to examine how consumers form beliefs and evaluate derivatives (e.g. handheld computers) and branded derivatives (e.g. Palm handheld computers). The aim is to study how consumers combine two categories (e.g. “handheld products” and “computers”) to form beliefs, how the similarity between the categories influences beliefs, how the addition of a brand changes beliefs, and how the presence of brand associations impacts on evaluations. Design/methodology/approach Three laboratory experiments to test hypotheses were conducted. Findings Results of the studies show the modifier (e.g. “handheld” in handheld computer) dominates derivative beliefs, but the nature of its dominance changes with category similarity. Brand effects are surprisingly limited in belief formation due to modifier dominance. Brand beliefs only transfer to branded derivatives when the brand fits with the modifier category. The presence of brand associations induces more positive evaluations of branded derivatives when the brand fits with the modifier category and, under certain circumstances, when it fits with the header‐category. Research implications/limitations The presence of multiple concepts (e.g. Palm handheld computer) is common in line and brand extensions, yet little research has examined such complex products. Their comprehension can be better predicted by utilizing conceptual combination theory. Practical implications Managers can better determine what kinds of line and brand extensions are best suited for their brands. Originality/value The originality and value lay in utilizing the conceptual combination approach to more deeply understand which extensions are best suited for which brands. This helps fill a gap in the literature on consumer perception of multiple‐concept extensions.
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 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 | 0,001 | 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 | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».