How to build consumer trust towards e-satisfaction in e-commerce sites in the covid-19 pandemic time?
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 Covid-19 pandemic has limited freedom of movement. E-commerce sites are growing rapidly and are becoming the main choice today when the virus becomes more prevalent. Trust is the key in creating online shopping satisfaction on e-commerce sites. This research was conducted to determine the effect of E-Service Quality and E-Security on Trust towards E-Satisfaction in the largest e-commerce site in Indonesia called Tokopedia. The research method used is quantitative. The population in this research is Tokopedia customers who are members of the Facebook group with a sample size of 400 people. The results of the study show that there was a relationship between the E-Service Quality and Trust, there was no relationship between the E-Service Quality and E-Satisfaction, there was a relationship between the E-Security variable and Trust, there was a relationship between the E-Security variable and E-Satisfaction. There was also a joint influence of E-Service Quality and E-Security variables on Trust, there was a relationship between the Trust variable and E-Satisfaction. This research is a development from the previous research where there was an effect of E-Service Quality and E-Security on E-Satisfaction. By adding the Trust variable as a moderate variable and E-Satisfaction as the dependent variable, the researchers found that the impact of Trust on E-Satisfaction was greater than the direct effect between E-Service Quality and E-Security on E-Satisfaction. Based on these results, it can be seen that the level of trust can increase E-Satisfaction.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| 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 découle