MétaCan
Menu
Retour à la cohorte
Enregistrement W2005521174 · doi:10.1207/s15327663jcp1504_7

Buyers Versus Sellers: How They Differ in Their Responses to Framed Outcomes

2005· article· en· W2005521174 sur OpenAlexaff
Ashwani Monga, Rui Zhu

Notice bibliographique

RevueJournal of Consumer Psychology · 2005
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueDecision-Making and Behavioral Economics
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésDatabase transactionPromotion (chess)Transaction costEconomicsMicroeconomicsMarketingBusinessAdvertisingComputer science

Résumé

récupéré en direct d'OpenAlex

Consumers’ reactions to a difference in price can depend on how it is framed. If buyers interpret paying $60 rather than $65 as getting a $5 discount, then they are likely to consider paying $60 to be a gain and paying $65 to be a nongain. Alternatively, if they interpret having to pay $65 rather than $60 as incurring a $5 penalty, then they may consider paying $60 to be a nonloss and paying $65 to be a loss. Similarly, sellers can also experience gains, nongains, nonlosses, and losses. This article suggests that buyers are prevention focused and consequently place a greater emphasis on loss‐related frames, whereas sellers are promotion focused and place a greater emphasis on gain‐related frames. Therefore, for equivalent positive outcomes, buyers feel better about nonlosses, but sellers feel better about gains. For equivalent negative outcomes, buyers feel worse about losses, but sellers feel worse about nongains. These effects, however, disappear when there is little motivation to process information about the monetary transaction.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,004
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,747
Score d'incertitude au seuil0,667

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,233
Tête enseignante GPT0,481
Écart entre enseignants0,248 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeAutre devis
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations36
Publié2005
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Consumer PsychologyMême sujetDecision-Making and Behavioral EconomicsTravaux en français237 207