Analysis of Factors Influencing E-WOM Credibility
Notice bibliographique
Résumé
As the use of Internet is getting more widespread and people are putting more trust on the Internet-based information, a new form of word of mouth termed as electronic word of mouth (E-WOM) has been developed. People receive E-WOM messages from social media, consumer review sites, discussion forums etc. Researches say that people tend to rely on E-WOM messages as much as they do on personal word of mouth. But what variables influence E-WOM credibility? After conducting an intensive background research on this topic this study has been able to identify certain variables such as E-WOM's quantity, polarity, logic and articulation, source and user's prior knowledge/expertise that affect E-WOM credibility. Based on the identified variables a survey was conducted on the students of 10 private and public universities of Bangladesh with a view to measure the effect of those variables on the E-WOM credibility. The regression analysis result indicates the quantity of E-WOM and the source of E-WOM has significant impact on E-WOM credibility. While, the designed model overall with all the included variables came strongly significant in explaining E-WOM credibility. In addition, to measure the internal consistency and correlation of the variables Cronbach's Alpha technique and correlation analysis are also conducted which have brought satisfactory outcome. From a strategic point of view, this study is useful for the modern marketers who want to use E-WOM to promote their products or services. By focusing on the predictor variables which have impact on E-WOM credibility, they can be able to enhance the effectiveness of their marketing strategy with a very cost efficient and a time savvy manner.
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 | 0,006 | 0,023 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 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 ».