MétaCan
Menu
Retour à la cohorte
Enregistrement W4220963101 · doi:10.1177/00222437221093603

The Effects of Consumer Preference and Peer Influence on Trial of an Experience Good

2022· article· en· W4220963101 sur OpenAlexaff
Tae-Hyung Pyo, Jae Young Lee, Hee Mok Park

Notice bibliographique

RevueJournal of Marketing Research · 2022
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueDigital Marketing and Social Media
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesnon disponible
Mots-clésPreferenceFriendshipPsychologySocial preferencesSimilarity (geometry)Leverage (statistics)Social psychologyAdvertisingComputer scienceBusinessEconomicsMicroeconomics

Résumé

récupéré en direct d'OpenAlex

This research examines the interaction effect of two dimensions of preference on social contagion: preference similarity between a consumer (i.e., who seeks recommendation) and a peer (i.e., who potentially provides recommendation) and the fit of an experience good with the consumer's preference. For empirical analyses, the authors collected rich information from Last.fm, a music social networking website, including individual users’ music play histories, friendship information, social tags (i.e., user-generated keywords associated with artists and songs), and new song profiles. The results show that consumers’ trial of a song that fits less with their preference is influenced more by peers with similar preferences. By contrast, consumers’ trial of a song that fits more with their preference is influenced more by peers with dissimilar preferences. This research enriches the understanding of the nuanced role of preference in social contagion and offers managerial implications to better leverage social dynamics.

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)0,048
score de la tête « metaresearch » (Gemma)0,105
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesMétarecherche
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,539
Score d'incertitude au seuil0,981

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0480,105
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0000,000
Science ouverte0,0010,000
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 Opus0,063
Tête enseignante GPT0,409
Écart entre enseignants0,346 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeQualitatif
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

Citations17
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

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