The outcomes and the mediating role of the functional triad: The users' perspective
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
Abstract B.J. Fogg's Functional Triad shows the manner in which computing technologies can persuade people by playing 3 different functional roles, namely, as tools, media, or social actors. However, the effects of user perceptions of these 3 functional roles are largely unknown. We advance Fogg's framework by developing a conceptual model to explain how a feature of a computing technology (ie, the trade‐off transparency feature of a recommendation agent [RA], which interactively demonstrates the trade‐offs among product attribute values) can result in certain outcomes by shaping the beliefs of individuals regarding the 3 functional roles. We examine the effects of the perceived Functional Triad on the following 3 outcomes: (1) persuading users to use an RA (intention to use), (2) persuading users to follow the advice of the RA (recommendation adherence), and (3) persuading users to recommend the RA to others (recommendation to friends). We conducted a laboratory experiment to manipulate 4 levels of trade‐off transparency, thereby creating an adequate amount of variations for the perceived Functional Triad. A total of 160 participants were recruited from a large university in North America. Although designers could control the technology design aspects, these designs may not accomplish the intended effects on users, who have their own perceptions. This study contributes to existing literature by simultaneously evaluating the 3 different outcomes of the Functional Triad from the perspective of users.
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 | 0,007 | 0,006 |
| 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 | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 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 découle