Using Speech Acts to Elicit Positive Emotions for Complainants on Social Media
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
A carefully tailored tone in response to a complaint on social media can create positive emotions for an upset customer. However, very few studies have identified what response tones, based on an established theory, would be most effective for complaint management. This study conceptualizes a service agent's response tones based on Ballmer and Brennenstuhl's (1981) classification of speech acts and examines how an agent's use of speech acts elicit positive emotions for the complainant. Ballmer and Brennenstuhl classify speech acts within the dimensions of conventionality and dialogicality, and they suggest the two dimensions interact. Thus, we examine the impact of each dimension of speech acts and the interactions between the two dimensions on the elicitation of positive emotions for complainants. We collected over 100,000 tweets and classified firm agents’ speech acts and complainants’ emotions by designing deep learning architectures (i.e., bi-directional recurrent neural networks). Our fixed-effect regression results show that a low level of each speech act leads to the elicitation of customers’ positive emotions but that the combination of the two erodes the individual advantages. This study expands Ballmer and Brennenstuhl's (1981) speech act classification from a speaker's perspectives to a listener's perspectives by contextualizing it in an analysis of service agents’ tones and their roles in eliciting positive emotions among complainants.
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 | 0,001 | 0,002 |
| 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 découle