Testing the Effects of Peak, End, and Linear Trend on Evaluations of Online Video Quality of Experience
Notice bibliographique
Résumé
While previous research has shown that the sequencing of good and bad experience is an important predictor of overall evaluations of a set of experiences, the impact of sequencing effects on the experience of viewing online video has yet to be established. The aim of this study was to determine whether different sequences of good (G), mediocre (M), and bad (B) quality videos in different blocks would influence overall ratings after viewing those blocks. Thirty-two participants each watched 10 blocks of 4 videos and provided ratings of technical quality (TQ), satisfaction, and frustration for each video in the block, as well as overall ratings for each block (as a whole). Sequences of G, M, and B videos were designed to test whether block characteristics (features), like the peak-end effect and effect of linear trend, influenced summary evaluations of the block service. The results of the experiment show that overall block TQ, satisfaction, and frustration ratings differed significantly by sequencing feature. Difference scores were used to determine whether the features had an effect on overall evaluations beyond what could be explained by the total number of bad videos in the block or the average ratings of the videos in the block. Results showed a significant end effect for negative ends of a block, and an effect of linear trend (both increasing and decreasing). There was no evidence of a peak effect or an end effect for positive ends. The presence of a negative end effect and effect of linear trend indicate that where possible service providers should avoid service sessions with poor service quality at the end, or sessions that have decreasing quality as the session progresses.
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 | 0,001 | 0,001 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».