Assessing restaurant review helpfulness through big data: dual-process and social influence theory
Notice bibliographique
Résumé
Purpose This study aims to uncover how heuristic information cues (HIC) and systematic information cues (SIC) of online reviews influence review helpfulness and examine a moderating role of social influence in the process of assessing review helpfulness. In particular, this study conceptualizes a theoretical framework based on dual-process and social influence theory (SIT) and empirically tests the proposed hypotheses by analyzing a broad set of actual customer review data. Design/methodology/approach For 4,177,377 online reviews posted on Yelp.com from 2004 to 2018, this study used data mining and text analysis to extract independent variables. Zero-inflated negative binomial regression analysis was conducted to test the hypothesized model. Findings The present study demonstrates that both HIC and SIC have a significant relationship with review helpfulness. Normative social influence cue (NSIC) strengthened the relationship between HIC and review helpfulness. However, the moderating effect of NSIC was not valid in the relationship between SIC and review helpfulness. Originality/value This study contributes to the extant research on review helpfulness by providing a conceptual framework underpinned by dual-process theory and SIT. The study not only identifies determinants of review helpfulness but also reveals how social influences can impact individuals’ judgment on review helpfulness. By offering a state-of-the-art analysis with a vast amount of online reviews, this study contributes to the methodological improvement of further empirical research.
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 | 0,003 | 0,005 |
| 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 | 0,001 | 0,001 |
| 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 ».