The Power of Profanity: The Meaning and Impact of Swear Words in Word of Mouth
Notice bibliographique
Résumé
Swearing can violate norms and thereby offend consumers. Yet the prevalence of swear word use suggests that an offensiveness perspective may not fully capture their impact in marketing. This article adopts a linguistic perspective to develop and test a model of how, why, and when swear word use affects consumers in online word of mouth. In two field data sets and four experiments, the authors show that relative to reviews with no swear words, or with non-swear-word synonyms (e.g., super), reviews with swear words (e.g., damn) impact review readers. First, reviews with swear words are rated as more helpful. Second, when a swear word qualifies a desirable [undesirable] product attribute, readers’ attitudes toward the product increase [decrease] (e.g., “This dishwasher is damn quiet [loud]!”). Swear words impact readers because they convey meaning about (1) the reviewer and (2) the topic (product) under discussion. These two meanings function as independent, parallel mediators that drive the observed effects. Further, these effects are moderated by swear word number and style: they do not emerge when a review contains many swear words and are stronger for uncensored and euphemistic swear words (e.g., darn) than censored swear words (e.g., d*mn). Overall, swear words in reviews provide value to readers—and review platforms—because they efficiently and effectively convey two meanings.
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 | 0,014 | 0,127 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,007 |
| Communication savante | 0,005 | 0,009 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».