MétaCan
Menu
Retour à la cohorte
Enregistrement W2049057074 · doi:10.17722/ijrbt.v3i1.90

Customer’s Perceptions of E-SQ in Online Shopping Context: An Empirical Study in Mumbai (India)

2013· article· en· W2049057074 sur OpenAlexvenueno aff
Rinku Jain, Archana Raje, Rajesh Kumar Srivastava

Notice bibliographique

RevueInternational Journal of Research in Business and Technology · 2013
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueTechnology Adoption and User Behaviour
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésContext (archaeology)BusinessEmpirical researchPerceptionAdvertisingMarketingGeographyPsychologyStatisticsMathematics

Résumé

récupéré en direct d'OpenAlex

The increasing trend of internet usage in India provides an emerging prospect for online retailers. Online shopping has seen tremendous growth worldwide. In developing countries, online shopping is still in the infancy stage. The advent of electronic commerce has encouraged intensified interest in understanding the customer’s perception about online shopping. E-tailers need to understand the nature of the relationships among service quality, customer satisfaction, and their purchase behavior. If online retailers know the service quality dimensions affecting customer’s behavior then they can develop appropriate marketing strategies to convert browsers into active buyers.  In this study various e-service quality dimensions of online shopping as perceived by customers are identified and confirmed their relationship with shopping behavior. The study also confirms is it the perceptions of customers are independent of their gender and marital status.  It was discovered that perceptions e-service quality in online shopping context differs with respect to gender but not with respect to marital status. In this study only few e-service quality dimensions were analyzed and tested. As per the study the dimensions reliability, responsiveness, access and efficiency are having positive impact where as flexibility and ease of use are having negative impact with respect to online shopping behavior.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,031
Score d'incertitude au seuil0,062

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0020,001
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,241
Tête enseignante GPT0,535
Écart entre enseignants0,294 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations0
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Research in Business and TechnologyMême sujetTechnology Adoption and User BehaviourTravaux en français237 207