MétaCan
Menu
Retour à la cohorte
Enregistrement W2964168883 · doi:10.1086/705033

The Influence of Product Aesthetics on Consumer Inference Making

2019· article· en· W2964168883 sur OpenAlexaff
Cammy Crolic, Yanmei Zheng, JoAndrea Hoegg, Joseph W. Alba

Notice bibliographique

RevueJournal of the Association for Consumer Research · 2019
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueConsumer Behavior in Brand Consumption and Identification
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésProduct (mathematics)InferenceAsideAestheticsComputer scienceConsumer welfareMarketingWelfareEconomicsBusinessArtificial intelligenceMathematicsLinguisticsArt

Résumé

récupéré en direct d'OpenAlex

Product aesthetics can enhance consumer welfare in numerous ways. Aside from simply making products more pleasurable, product aesthetics can also influence the inferences that consumers make about functional attributes. In some instances, an attractive design can accurately provide information regarding utility. In other instances, however, an attractive design can be a misleading signal that prompts consumers to assume more utility than justified. Across five studies, the present research examines whether aesthetics can exert an unwarranted influence on the estimation of missing attribute information in favor of an aesthetically superior product. We show that aesthetics can bias consumers’ inferences about functionality, sometimes overriding other more diagnostic information. Boundaries to this effect are also identified that may serve to correct the bias and preserve consumer welfare.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,004
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,235
Score d'incertitude au seuil0,485

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0050,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,073
Tête enseignante GPT0,367
Écart entre enseignants0,295 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations37
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of the Association for Consumer ResearchMême sujetConsumer Behavior in Brand Consumption and IdentificationTravaux en français237 207