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 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 | 0,006 | 0,087 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».