Peran CSR Dalam Mempengaruhi Pembelian Impulsif di Masa Pandemik
Notice bibliographique
Résumé
<p><em>Data collection from world meters shows 6 months after announcement of the corona pandemic, several countries began to experience handling of corona cases which began to decline, however this was not the same as the results for several other countries, some countries showed cases that were increasing from day to day. data from the Central Statistics Agency (BPS) reported that the country's gross domestic product (GDP) in the second quarter of 2020 was minus to 5.32 percent. On a quarterly basis, the economy contracted 4.19 percent and cumulatively contracted 1.26 percent. Because of this, many companies are looking for ways to increase purchases. Scrutinized the data, the increase in the use of CSR has soared, proactively many companies have begun to engage in various CSR activities. One of the companies that are aggressively implementing CSR programs in helping others is online transportation providers; gojek. By providing the option of providing food to ojol partners (online motorcycle taxis) several options are offered to provide assistance. The sampling technique used in this study is to use a non-probability sampling method, which is a sampling technique that does not provide equal opportunities for each member of the population to selected to be the sample. Measurement of data in this study was carried out using a Likert scale. The development of this instrument contains a total of 16 attributes developed from each variable as a measurement basis for data collection with the sample used in this study being consumers who have the Gojek application. The data collected will be processed with SPSS software for data analysis in testing the validity, reliability, classical assumptions as verification of the strength of the research.</em><em></em><em></em></p>
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 | 0,001 | 0,000 |
| 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 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».