MétaCan
Menu
Retour à la cohorte
Enregistrement W4210742277 · doi:10.1177/10963480221074280

When and why Language Assertiveness Affects Online Review Persuasion

2022· article· en· W4210742277 sur OpenAlexaff
Huiling Huang, Stephanie Q. Liu, Zhi Lu

Notice bibliographique

RevueJournal of Hospitality & Tourism Research · 2022
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueDigital Marketing and Social Media
Établissements canadiensUniversity of Victoria
Organismes subventionnairesnon disponible
Mots-clésPersuasionAssertivenessHelpfulnessPsychologyMediationSocial psychologyPerceptionSociology

Résumé

récupéré en direct d'OpenAlex

Recent research suggests that not only what is said (i.e., opinions) but also how it is said (i.e., language styles) can affect persuasion. Extending this stream of work, the current research aims to understand how language assertiveness affects online review persuasion. Study 1 explores consumers’ general perceptions of assertive versus nonassertive language and opinions about their relative persuasiveness in online reviews. Study 2 utilizes an experimental design to examine the congruency effects between language assertiveness and temporal distance on consumer responses. We find that online reviews containing assertive (vs. nonassertive) language engender higher perceived review helpfulness and more favorable attitudes toward the reviewed business for consumers whose travel time is in the distant future, whereas nonassertive (vs. assertive) language is more effective for consumers whose travel time is in the near future. Furthermore, mediation analysis results suggest that psychological comfort is the underlying mechanism explaining such effects.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,016
score de la tête « metaresearch » (Gemma)0,005
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,376
Score d'incertitude au seuil0,711

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0160,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,059
Tête enseignante GPT0,429
Écart entre enseignants0,370 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations28
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Hospitality & Tourism ResearchMême sujetDigital Marketing and Social MediaTravaux en français237 207