How to Grow the Sharing Economy? Create Prosumers!
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
The sharing economy has changed many rules of business. One of those rules is the role of the firm and – importantly – the role of consumers, who can perform two roles and become both providers and consumers, i.e. “prosumers”. Therefore, the key network effect to leveraging the power of the sharing economy is for one-sided users, those who are consumers (e.g., Airbnb guests) or providers (e.g., Airbnb hosts), to add the second role and perform as providers and consumers and become prosumers (e.g., those who are Airbnb guests and hosts). Surprisingly, no studies have investigated this important phenomenon and measured how one-sided users may become prosumers. An online survey of 305 Airbnb users showed that trust and gratitude had a significant positive influence on service providers’ and consumers’ intentions to adopt the respective other role and become prosumers, and that those with high gratitude and trust had the highest intentions to become prosumers. However, consumers and providers differed markedly in how trust and gratitude influenced their intention to become prosumers. This study expands our understanding of trust and gratitude and highlights the potential for sharing platforms to create prosumers from both pools of one-sided users. Furthermore, it also makes a valuable contribution to the prosumer and sharing economy literatures by being the first to empirically measure users’ intentions to become prosumers in the sharing economy. We discuss the implications of the findings for practitioners, and suggest how future research could help leverage the sharing economy.
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 | 0,002 | 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 | 0,000 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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