How Digital Word-of-Mouth Affects Consumer Decision Making: Evidence from Doctor Appointment Booking
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
We use detailed clickstream data on online word-of-mouth (WOM) to uncover mechanisms underlying its influence on consumer decision making. A feature launch on a major doctor appointment booking platform allows us to examine the effects of online WOM on three dimensions of a consumer’s choice process: the consideration set size, the time taken to consider alternatives (web session duration), and the geographic dispersion of the choices considered. Results indicate that the effects of WOM on decision-making processes are not monotonic but rather are contingent on the abundance of WOM (number of rated doctors) in a market. When the abundance of WOM is high, the introduction of WOM makes patients consider fewer doctors, browse for a shorter duration, and focus on doctors that are geographically more proximate. In contrast, when the abundance of WOM is low, the introduction of WOM makes patients consider more doctors, browse for longer duration, and consider doctors that are geographically more dispersed. We also find that WOM can lead to a cannibalization effect: when ratings are published, the highly rated doctors reap the benefits (in the form of increased demand) at the expense of unrated doctors. Our study contributes to the extant literature on online WOM by providing new insights into how WOM influences consumer decision making and by examining this question at a more granular level than prior work. This paper was accepted by Anandhi Bharadwaj, information systems.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| 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 découle