E-Commerce Shopping Motivation and the Influence of Persuasive Strategies
Notice bibliographique
Résumé
Persuasive strategies are used to influence the behavior or attitude of people without coercion and are commonly used in online systems such as e-commerce systems. However, in order to make persuasive strategies more effective, research suggests that they should be tailored to groups of similar individuals. Research in the traits that are effective in tailoring or personalizing persuasive strategies is an ongoing research area. In the present study, we propose the use of shoppers' online shopping motivation in tailoring six commonly used influence strategies:scarcity, authority, consensus, liking, reciprocity, andcommitment. We aim to identify how these influence strategies can be tailored or personalized to e-commerce shoppers based on the online consumers' motivation when shopping. To achieve this, a research model was developed using Partial Least Squares-Structural Equation Modeling (PLS-SEM) and tested by conducting a study of 226 online shoppers. The result of our structural model suggests that persuasive strategies can influence e-commerce shoppers in various ways depending on the shopping motivation of the shopper.Balanced buyers—the shoppers who typically plan their shopping ahead and are influenced by the desire to search for information online—have the strongest influence oncommitmentstrategy and have insignificant effects on the other strategies.Convenience shoppers—those motivated to shop online because of convenience—have the strongest influence onscarcity, whilestore-oriented shoppers—those who are motivated by the need for social interaction and immediate possession of goods—have the strongest influence onconsensus.Variety seekers—consumers who are motivated to shop online because of the opportunity to search through a variety of products and brands, on the other hand, have the strongest influence onauthority.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».