Which UGC features drive web purchase intent? A spike-and-slab Bayesian Variable Selection Approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose – The purpose of this paper is to identify user-generated content (UGC) features that determine web purchase decision making. Design/methodology/approach – The authors embed a spike-and-slab Bayesian variable selection mechanism into a logistic regression model to identify the UGC features that are critical to web purchase intent. This enables us to make a highly reliable analysis of survey data. Findings – The results indicate that the web purchase decision is driven by the relevance, up-to-dateness and credibility of the UGC information content. Research limitations/implications – The results show that the characteristics of UGC are seen as positive and the medium enables consumers to sort information and concentrate on aspects of the message that are similar to traditional word-of-mouth (WOM). One important implication is the relative importance of credibility which has been previously hypothesized to be lower in the electronic word-of-mouth (e-WOM) context. The results show that consumers consider credibility important as the improved technology provides more possibilities to find out about that factor. A limitation is that the data are not fully representative of the general population but our Bayesian method gives us high analytical quality. Practical implications – The study shows that UGC impacts consumer online purchase intentions. Marketers should understand the wide range of media that provide UGC and they should concentrate on the relevance, up-to-dateness and credibility of product information that they provide. Originality/value – The analytical quality of the spike- and- slab Bayesian method suggests a new way of understanding the impact of aspects of UGC on consumers.
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.
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 | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle