#BuyNothingDay: Investigating Consumer Restraint Using Hybrid Content Analysis of Twitter Data
Notice bibliographique
Résumé
Purpose: This study aims to investigate motivations and human values of everyday consumers who participate in the annual day of consumption restraint known as Buy Nothing Day (BND). In addition, this study demonstrates a hybrid content analysis method in which artificial intelligence and human contributions are used in the data analysis. Design/methodology/approach: This research uses a hybrid method of content analysis of a large Twitter data set spanning three years. Findings: Consumer motivations are categorized as relating to consumerism, personal welfare, wastefulness, environment, inequality, anti-capitalism, financial responsibility, financial necessity, health, ethics and resistance to American culture. Of these, consumerism and personal welfare are the most common. Moreover, human values related to “openness to change” and “self-transcendence” were prominent in the BND tweets. Research limitations/implications: This research demonstrates the effectiveness of a hybrid content analysis methodology and uncovers the motivations and human values that average consumers (as opposed to consumer activists) have to restrain their consumption. This research also provides insight for firms wishing to better understand and respond to consumption restraint. Practical implications: This research provides insight for firms wishing to better understand and respond to consumption restraint. Originality/value: The question of why everyday consumers engage in consumption restraint has received little attention in the scholarly discourse; this research provides insight into “everyday” consumer motivations for engaging in restraint using a hybrid content analysis of a large data set spanning over three years.
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 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».