A Consumer Perspective of Service Quality in the Airline Industry
Notice bibliographique
Résumé
The airline Service quality has received much attention from both academicians and practitioners. Various studies have used SERVQUAL, AIRQUAL, the Kano Model, etc. for measuring the customer service quality in the airline industry. However, a review of the airline service quality literature shows a lack of research about the use of latent semantic analysis (LSA) in uncovering the underlying factors affecting the quality of service provided by the airline companies. The purpose of this study is to explore the generic service quality characteristics pertaining to the airline industry by mining the comments provided by the passengers of various airline companies across the globe. Passengers are under no pressure to express their concerns, opinions, or suggestions for improvement of service quality. Therefore, we posit that the customers’ comments are reflections of their perception of quality of service that they have already experienced. This study will help the stakeholders better understand the characteristics of service quality in the airline industry. The findings will provide managers in the airline industry with insights for managing and improving the quality of service rendered to their customers. We collected 1,069 customer comments on eleven airline companies and conducted an LSA on them to identify five factors affecting the service quality in the industry. The findings suggest that caring and friendly crews, luggage handling, in-flight meals, in-flight entertainment, and service expectation are the five critical factors of the airline service quality in the eyes of the customers.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,010 | 0,006 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,006 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,035 | 0,003 |
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 source (Gemma direct ou Codex distillé), 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 ».