An empirical investigation of intelligent agents for e-business customer relationship management: a knowledge management perspective.
Notice bibliographique
Résumé
Izak Benbasat MIS Division, Faculty of Commerce and Business Admin. University of British Columbia 2053 Main Mall, Vancouver, BC, V6T1Z2, Canada Phone: (604)822-8396, Fax: (604)822-0045 Email: benbasat@commerce.ubc.ca Abstract: Using a knowledge management perspective, this paper investigates new and efficient ways of applying intelligent agents to e-business customer relationship management. Intelligent agents, as well as knowledge-based systems or expert systems, as a branch of applied artificial intelligence not only predate the recent surge of interest in knowledge management, but also stand out as a well-established means for implementing certain aspects of knowledge management. Intelligent agent technologies make it easier to codify, store, share, and transfer certain kinds of knowledge. Based on the IS literature on explanations and decisional guidance for knowledge-based systems, this paper argues that transferring appropriate knowledge from an organization’s staff to its partners and customers can facilitate efficient customer relationship management (e.g., improving customer trust). It is suggested that three types of knowledge – “How Explanations”, “Why Explanations”, and “Decisional Guidance” – be embedded in intelligent agents, and transferred to the agent’s users. A laboratory experiment is proposed to test if, in which aspects, and to what extent these types of knowledge will increase customer trust.
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 | 0,010 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,005 | 0,007 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».