<b>Research Note</b>—The Influence of Trade-off Difficulty Caused by Preference Elicitation Methods on User Acceptance of Recommendation Agents Across Loss and Gain Conditions
Notice bibliographique
Résumé
Prior studies on product recommendation agents (RAs) have been based on the effort-accuracy perspective in which the amount of effort required to make a decision and the accuracy of such decisions are two dominant antecedents of user acceptance of RAs. The current study extends the effort-accuracy perspective by considering trade-off difficulty, a type of negative emotion that arises when attainment of one's goals is blocked by the attainment of other goals; consequently, one must make trade-offs among the conflicting goals. Many product purchase choices for which RAs are used require users to make trade-offs among conflicting product attributes. A key feature of RAs, the preference elicitation method (PEM), often compels users to make explicit trade-offs. We examine whether an RA's PEM generates trade-off difficulty, which, in turn, affects users' evaluations (i.e., perceived amount of effort and perceived accuracy of recommendations) and the resultant acceptance of the RA. Trade-off difficulty influences users' evaluations of an RA via perceived control over execution of the RA PEM. In addition, the decision context in which users employ a PEM moderates the degree to which that PEM generates trade-off difficulty. Specifically, a PEM generates a greater degree of trade-off difficulty in a choice context that leads to a loss than in a choice context that leads to a gain. Consequently, users exert more effort to cope with trade-off difficulty in a loss condition. Because users voluntarily spend more effort, the negative influence of perceived effort on users' acceptance of an RA—which is supported in prior studies—decreases in a loss condition. A laboratory experiment was conducted using two between-subject factors: two RAs, one that employed a trade-off-compelling PEM and the other a trade-off-hiding PEM, and two decision contexts, one of which was a loss condition and the other a gain condition. The results supported all of the hypotheses.
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 | 0,009 | 0,072 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 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 ».