Mindful Sustainable Consumption and Sustainability Chatbots in Fast Fashion Retailing During and After the COVID-19 Pandemic
Notice bibliographique
Résumé
The COVID-19 pandemic and ecological crisis are paving the way for new consumption models based on customers’ conscious choices and the subsequent integration of sustainable policies into retailers’ business strategies. As a consequence, the current consumer trends suggest that more people are becoming aware of their consumption standards and their repercussion on the environment and society. Statistics demonstrate that, in their purchasing processes, these “mindful customers” now search for a sustainable, self-sufficient way of living in harmony with nature. This paper argues that artificial intelligence (AI) is able to facilitate this process in the marketplace. More specifically, mindfulness with the support of AI technologies could be a plausible way to activate sustainable consumption patterns for avoiding overconsumption. The life-changing ability of mindful consumption is reviewed in this paper across domains of sustainability. Using a comprehensive literature review, the paper first outlines the theoretical and conceptual foundations of the mindful sustainable consumption (MSC) approach that fills the literature gap that almost always separates mindful consumption from sustainability. Second, the new conceptual approach is applied through a strategic framework in the field of fast fashion retailing through the use of AI-powered chatbots. In particular, the study defines a new category of chatbots, named sustainability chatbots (SC), which could convey mindful and sustainable consumption choices. The paper highlights that the MSC approach combined with the support of SC could enable marketing managers to create the appropriate context for embedding sustainability into consumer behaviour and fast fashion retailers’ strategies from a value co-creation perspective.
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 | 0,004 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».