MétaCan
Menu
Retour à la cohorte
Enregistrement W2089404298 · doi:10.1002/mar.20250

Motivational compatibility and the role of anticipated feelings in positively valenced persuasive message framing

2008· article· en· W2089404298 sur OpenAlexaff
Sunghwan Yi, Hans Baumgartner

Notice bibliographique

RevuePsychology and Marketing · 2008
Typearticle
Langueen
DomainePsychology
ThématiqueBehavioral Health and Interventions
Établissements canadiensUniversity of Guelph
Organismes subventionnairesnon disponible
Mots-clésPersuasionRegulatory focus theoryFeelingFraming (construction)PsychologySocial psychologyValence (chemistry)Situational ethicsFraming effect

Résumé

récupéré en direct d'OpenAlex

Abstract Previous research on message framing has focused on the effect of overall valence on persuasion, since most studies compare positively versus negatively valenced frames that are anchored by the same end‐state. Unlike previous studies, this paper investigates the role of end‐states, or outcome focus, in message framing by using two positively valenced, factually equivalent message frames that are anchored by opposing end‐states: the presence of gain (P/G) frame versus the absence of loss (A/L) frame. It is proposed that anticipated feelings and persuasion are greater when the end‐state of the message frame is motivationally compatible with a consumer's regulatory focus, either chronic or situational. The major hypothesis is that the P/G frame leads to the anticipation of more intense positive feelings and subsequently produces greater persuasion when promotion focus versus prevention focus is salient, whereas the opposite holds for the A/L frame. Furthermore, it is proposed that the effect of motivational compatibility on persuasion is mediated by the anticipation of positive feelings. These hypotheses are generally supported in two experiments. © 2008 Wiley Periodicals, Inc.

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)0,005
score de la tête « metaresearch » (Gemma)0,029
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 enseignants0,005
Score d'incertitude au seuil0,029

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,029
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,001
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,038
Tête enseignante GPT0,372
Écart entre enseignants0,334 · 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

Citations39
Publié2008
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePsychology and MarketingMême sujetBehavioral Health and InterventionsTravaux en français237 207