The effects of consumer esports videogame engagement on consumption behaviors
Notice bibliographique
Résumé
Purpose This study aims to propose a model for predicting consumers’ esports videogame engagement on their ensuing consumption behaviors, which remains nebulous to date. Design/methodology/approach After approaching esports consumers in different gaming zones in Pakistan, this paper collected data from 364 videogame-based esports consumers. This paper deployed SmartPLS 3.2.8 software to perform the partial least squares-structural equation modeling-based analyzes. Findings The structural model results show that consumers’ affective and behavioral esports videogame engagement positively affects their consumption behavior, including heightened community engagement, purchase intent, coproduction, word-of-mouth and new player recruitment. However, while consumers’ cognitive esports engagement was found to positively impact community engagement, new player recruitment and coproduction, it failed to predict consumers’ esports-related purchase intent or word-of-mouth behaviors. Practical implications The findings reveal that a strategic focus on consumers’ esports game engagement will enable practitioners to nurture desirable consumer behaviors, including enhanced purchase intent, coproduction, word-of-mouth and new player recruitment behaviors, thus warranting consumer engagement’s strategic value as a key esports gaming metric. Originality/value Empirical research into the role of consumers’ esports videogame engagement on their ensuing consumption behaviors remains scant to date. Based on this gap, this study offers a timely contribution by exploring and validating a model that gauges the effect of consumers’ cognitive, emotional and behavioral esports videogame engagement on their community engagement, purchase intention, coproduction, word-of-mouth and new player recruitment. It, thus, offers important insight into the rapidly advancing field of digital esports games.
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 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».