Developing Wine Appreciation for New Generations of Consumers
Notice bibliographique
Résumé
Wine education poses a paradox to the industry: consumers both say they desire to know more about wine, yet they also report being overwhelmed and confused. In addition, the traditional analytic approach to wine education has involved teaching consumers a “grid” with rules for analysis that rely heavily on language which younger consumers in particular report disliking. A holistic approach to learning about wine was shown to be effective for more expert consumers, but those researchers did not consider how the learning approach affected their overall liking of the wine. Our first study considers teaching young consumers (Gen Z and millennials) through a holistic technique (involving drawing the wine’s taste) to a more verbal analytic approach (writing decompositional tasting notes) with consumers having some prior wine education and those without any. We find that the holistic approach led to greater liking for the wine, particularly with consumers having no prior wine education. We also found that consumers with prior wine education desired a more eudaimonic approach to their learning than new wine consumers. Both levels of prior experience desired a hedonic learning experience. Although we and other research groups have found younger consumers receptive to wine education, some have suggested that the wine industry is losing touch with younger consumers. We partnered with a digitized wine tasting platform, QUINI, to determine generational differences in their consumers’ engagement. In preparation for Study 2 we mined 3 years of data, and then conducted an online survey of three generations of their wine consumers in terms of their interest and education in wine. We discuss our results and implications for how managers might seek to engage new wine consumers, particularly in the virtual world.
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 | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».