The power to voice my hate! Exploring the effect of brand hate and perceived social media power on negative eWOM
Notice bibliographique
Résumé
Purpose Consumer brand relationship literature has recently seen a surge of studies on brand hate, its antecedents and outcomes. Hate alone will not drive consumers to engage in negative electronic word-of-mouth (eWOM) and indicates the interplay of other social relationship factors that can strengthen the effect of brand hate on negative eWOM. The purpose of this study is to integrate the emerging concept of brand hate and perceived social media power with the theory of planned behavior (TPB) to expand the understanding of negative eWOM. Design/methodology/approach Data is collected through a survey conducted among university students based in the National Capital Region of Delhi in India. The research model is empirically tested using structural equation modeling in AMOSv23. Findings The three TPB dimensions, including brand attitude, subjective norms and individual’s propensity to anthropomorphize, are found to influence brand to hate significantly. The other perceived control factors included in the model, perceived homophily and social media self-efficacy, were found to affect perceived social media power, which, in turn, is crucial in predicting consumers’ engagement in negative eWOM behavior, both directly and through interaction with brand hate. Originality/value The study contributes to brand hate literature and offers a novel perspective by advocating the role of consumers’ propensity to anthropomorphize in augmenting feelings of brand hate.
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 | 0,002 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 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 ».