Level of Involvement and the Influence of Persuasive Strategies in E-commerce: A Game-Based Approach
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
Research has shown that persuasive strategies are more effective in bringing about a change in attitude or behavior when they are tailored to individuals or groups of similar individuals. Several domains such as exercise and health domains use the demographic data of users to tailor influence strategies such as their age, gender, and culture. However, in domains such as e-commerce where the users’ demographic data is unknown, there is a need to identify other factors that can be used to tailor persuasive strategies. To contribute to research in this area, this work-in-progress paper investigates the use of shoppers’ level of involvement in the shopping process as a potential factor for tailoring persuasive strategies in e-commerce. We present preliminary results from a game-based study that compares the response to Cialdini's persuasive strategies for people with high and low levels of involvement. Our results suggest that people with high levels of involvement in the shopping process are influenced differently from those with low level of involvement, making level of involvement a potential trait that can be used in tailoring persuasive strategies in e-commerce. The shoppers who are highly involved in the shopping process responded to more authority messages compared to other strategies, while those with low level of involvement responded to more commitment messages than other strategies. Also, the highly involved shoppers shopped for healthier foods for themselves and a child while they shopped the least healthy for a significant other while the low involved shoppers shopped healthier for their significant other and less healthy for themselves.
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 | 0,000 | 0,000 |
| 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