MétaCan
Menu
Retour à la cohorte
Enregistrement W3193494855 · doi:10.1123/jsm.2020-0246

The Effect of Partitioned Ticket Prices on Sport Consumer Perceptions and Enduring Attitudes

2021· article· en· W3193494855 sur OpenAlexaff
Ted Hayduk, Natasha T. Brison, Joris Drayer

Notice bibliographique

RevueJournal of Sport Management · 2021
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueConsumer Behavior in Brand Consumption and Identification
Établissements canadiensYork University
Organismes subventionnairesnon disponible
Mots-clésTicketEntertainmentAdvertisingMarketingSituational ethicsScholarshipValue (mathematics)PerceptionRevenueIdentification (biology)BusinessService (business)Sports marketingConsumption (sociology)EconomicsPsychologySociologySocial psychologyPolitical scienceRelationship marketingSocial science

Résumé

récupéré en direct d'OpenAlex

The efficacy of partitioned pricing (PP) has been investigated in a range of industries. This work showed that the usefulness of PP is situational, with numerous contextual factors playing important roles. Ticket pricing scholarship has yet to devote adequate attention to PP as a focal variable, which is problematic given the industry’s reliance on ticket revenue and the “service” fees ubiquitous in the ticketing industry. In addition, there is a need to investigate the moderating factors unique to sport consumption, such as team identification and the entertainment value of live sport. Using a sample of 403 sport consumers, this study found that PP is associated with lower perceptions of fairness but not lower enduring attitudes about the platform. Thus, sport consumers are displeased by PP, but not enough to dissuade them from future purchases. The analysis found that team identification—the entertainment value of live sports entertainment value—can further offset negative perceptions of PP.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,009
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,018

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,009
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,257
Écart entre enseignants0,243 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Sport ManagementMême sujetConsumer Behavior in Brand Consumption and IdentificationTravaux en français237 207