Navigating the Central Tensions in Research on At-Risk Consumers: Challenges and Opportunities
Notice bibliographique
Résumé
A perennial problem in social marketing and public policy is the plight of at-risk consumers. The authors define at-risk consumers as marketplace participants who, because of historical or personal circumstances or disabilities, may be harmed by marketers’ practices or may be unable or unwilling to take full advantage of marketplace opportunities. This definition refers to either objective reality or perceptions. Early research focused on consumers who were at risk because they were poor, ethnic or racial minorities, immigrants, women, or elderly. Today's researchers also study consumers who are at risk because they are from religious minorities, disabled, illiterate, homeless, indigent, lesbian, gay, bisexual, or transgender. The authors identify four tensions affecting research on and policy and marketing applications for at-risk populations: the value of focusing on (1) vulnerabilities versus strengths, (2) radical versus marginal change, (3) targeting versus nontargeting, and (4) encouraging knowledgeable versus naive consumers. They conclude with a discussion of the significance of including at-risk consumers as full marketplace participants and identify future research directions.
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 | 0,492 | 0,300 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,005 | 0,002 |
| Bibliométrie | 0,013 | 0,014 |
| Études des sciences et des technologies | 0,021 | 0,102 |
| Communication savante | 0,043 | 0,078 |
| Science ouverte | 0,009 | 0,029 |
| Intégrité de la recherche | 0,028 | 0,032 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».