Understanding consumer knowledge, perceptions, and preferences regarding pro-environmental technology: The cases of plug-in electric vehicles and utility controlled charging
Notice bibliographique
Résumé
Consumer demand is an important aspect of a successful transition to low-carbon technology. In this study I explore consumer knowledge, perceptions, and preference formation for two such technologies: purchasing a plug-in electric vehicle (PEV) and enrolling in a green electricity program (to power the PEV). I explore this through in-depth interviews with 22 households in Metro Vancouver, British Columbia. Results provide several key insights into how consumers perceive and may come to value such technologies. First, I find that participant awareness is very low for both technologies; the majority of participants were confused about plug-in hybrid technology and did not understand the sources of electricity they consume. Secondly, once the technologies were explained to participants, most perceived both technologies according to a wide range of attributes, including functional (e.g., cost and performance), symbolic (e.g., “strangeness” and loss of control), and societal (e.g., pollution reduction). Third, I find that most participants do not have pre-existing preferences for these technologies. Instead, they construct preferences as they learn about them and reflect on their various attributes. Interestingly, the initial lack of awareness is not necessarily a barrier to participants developing positive preferences for the case technologies once explained. These findings suggest that research and policy ought to carefully consider the roles of knowledge and different types of perceptions in consumer preferences for low-carbon technologies.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».