Creepiness: Its antecedents and impact on loyalty when interacting with a chatbot
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
Abstract Consumers sometimes describe their experience of interacting with artificial intelligence‐based human‐like chatbots as creepy. This study investigates the antecedents of creepiness (i.e., the chatbot's usability, privacy concerns, and user variables such as technology anxiety and the need for human interaction) and its impact on consumer loyalty. Grounded in the technology paradox, it deepens the understanding of creepiness in light of the theoretical underpinnings of the privacy paradox and privacy cynicism. Presented with the task of obtaining a car insurance quote, 430 consumers participated in a simulation involving interaction with a chatbot, followed by a questionnaire. The findings show that creepiness decreases loyalty and indirectly impacts it through trust and negative emotions. While usability reduces perceptions of creepiness, privacy concerns raised by the interaction with the chatbot increase creepiness, which is positively associated with consumer traits (i.e., technology anxiety and need for human interaction). The main contribution of the research lies in its focus on creepiness, a concept under‐researched in the marketing literature, and which can be seen from the perspective of a coping mechanism for consumers’ privacy concerns. This paper provides practical implications to orient managers in the design and implementation of chatbots, as a promising touch point to build customer loyalty.
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 | 0,002 | 0,004 |
| 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