Instagram et TikTok influencent-ils les comportements d'achat en ligne?
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
Certains réseaux sociaux (RS), comme Instagram et TikTok, sont basés exclusivement sur le partage de photos ou de vidéos. Les utilisateurs de ces RS sont exposés à du contenu visuel pouvant modifier leurs comportements d’achat en ligne, notamment par la publicité et le contenu partagé par les personnalités publiques. L’objectif de l’étude est de vérifier si l’utilisation d’Instagram ou de TikTok permet de prédire les comportements d’achat en ligne. Via un questionnaire en ligne, 406 utilisateurs d’Instagram ou de TikTok, majoritairement de sexe féminin (83,3%), étudiants (75,1%) et tous âgés de 18 ans et plus (M = 26,4 ans), ont répondu à des questions concernant leurs habitudes d’utilisation des RS, leurs comportements d’achat en ligne ainsi que leur niveau de matérialisme, d’image de soi, d’anxiété et de dépression. Les résultats issus de régressions linéaires ne permettent pas de prédire de manière statistiquement significative les comportements d’achat en ligne. L’hypothèse de l’étude voulant que l’utilisation des RS puisse prédire les comportements d’achat en ligne n’est donc pas confirmée. Les modèles de régressions linéaires indiquent que les covariables de matérialisme, de revenu, d’image de soi et d’anxiété prédisent de manière statistiquement significative (p < 0,05) les comportements d’achat en ligne, malgré le peu de variance expliquée dans chaque modèle (R2 < 0,05). Ces résultats peuvent s’expliquer par la présence d’une relation plus complexe entre l’utilisation des RS et les comportements d’achat en ligne. Certaines variables externes aux modèles pourraient mieux expliquer le lien entre RS et comportements d’achat en ligne.
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 | 0,006 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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