How to build consumer trust towards e-satisfaction in e-commerce sites in the covid-19 pandemic time?
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.
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 | 0,003 | 0,014 |
| 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 | 0,002 | 0,002 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».