MétaCan
Menu
Retour à la cohorte
Enregistrement W3120328791 · doi:10.1108/jpbm-02-2020-2747

The relationship of brand attachment and mobile banking service quality with positive word-of-mouth

2021· article· en· W3120328791 sur OpenAlexaffabout
Lova Rajaobelina, Sandrine Prom Tep, Manon Arcand, Line Ricard

Notice bibliographique

RevueJournal of Product & Brand Management · 2021
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueDigital Marketing and Social Media
Établissements canadiensUniversité du Québec à Montréal
Organismes subventionnairesnon disponible
Mots-clésWord of mouthInteractivityStructural equation modelingBusinessAdvertisingContext (archaeology)MarketingMobile bankingOriginalityDimension (graph theory)Service qualityUsabilityBrand awarenessValue (mathematics)Service (business)PsychologySocial psychologyComputer scienceMultimediaGeographyMathematics

Résumé

récupéré en direct d'OpenAlex

Purpose This study aims to examine the relationships between brand attachment, mobile service quality (MSQ), and positive word-of-mouth (WOM) for mobile banking applications (m-banking apps). Design/methodology/approach An online survey was conducted among 759 Canadian consumers who had used m-banking apps in the previous six months. To test the research hypotheses, a causal model using structural equation modeling was developed. Findings The results reveal that, in the m-banking context, brand attachment is associated with three MSQ dimensions – value-added features, security/privacy and interactivity – and positive WOM, with the usability dimension replacing interactivity in this case. Brand attachment is also associated with positive WOM. Practical implications To promote WOM, mobile banking managers should foster brand attachment and improve MSQ, mainly in terms of value-added features. Originality/value This is the first study to examine the relationships between brand attachment, mobile service quality and WOM in the context of m-banking apps. It also highlights the prominent role of value-added features available on m-banking apps to persuade customers.

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)0,003
score de la tête « metaresearch » (Gemma)0,000
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,720
Score d'incertitude au seuil0,232

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
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 Opus0,027
Tête enseignante GPT0,331
Écart entre enseignants0,304 · 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

Citations72
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Product & Brand ManagementMême sujetDigital Marketing and Social MediaTravaux en français237 207