Listing popularity on the peer-to-peer accommodation platform: the heuristic-systematic and uncertainty reduction perspectives
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
Purpose Listing popularity indicates the public’s interest in a listing on peer-to-peer (P2P) accommodation platforms. Although listing popularity is crucial to the survival and development of the P2P accommodation platform, this issue has received limited attention in the tourism management discipline. Drawing upon the heuristic-systematic model and uncertainty reduction theory, this study aims to examine the impacts of host and property attributes on listing popularity. Design/methodology/approach The model was empirically validated using a data set of 6,828 listings on a popular P2P accommodation platform called Airbnb. This study chooses a hierarchical regression analysis to perform the model validation. Findings The findings reveal that host self-disclosure, host reputation and host identity verification are key host attributes in promoting listing popularity. Meanwhile, property visual description, property photo verification and property visual appeal are important property attributes in facilitating listing popularity. Research limitations/implications The study adds useful insights on understanding on determinants of listing popularity. Future researchers are recommended to empirically verify the underlying psychological mechanism by which host attributes and property attributes influence listing popularity. Practical implications The P2P accommodation platform should promote the listing popularity by taking advantage of the host attributes and providing property attributes. Originality/value First, to the best of the authors’ knowledge, this study is one of the few studies to explore the formation of the listing popularity. Second, this study examines how the host and property attributes promote the listing popularity through the heuristic and systematic information processing modes.
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 | 0,001 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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