What to believe, whom to blame, and when to share: exploring the fake news experience in the marketing context
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose The spread of fake news on social networking sites (SNS) poses a threat to the marketing landscape, yet little is known about how fake news affect consumers’ perceptions, attitudes and behaviors. This study aims to explore when consumers believe fake news, whom they blame for it (e.g. negative attitudes toward brands or SNS) and when they choose to share it. Design/methodology/approach Data obtained from 80 open-ended, semistructured interviews, conducted with SNS consumers and experts, is analyzed following the principles of grounded theory and the Gioia methodology. Findings Factors affecting consumers’ perceptions of fake news include skepticism, awareness, previous experience, appeal and message cues. Consumers’ brand- and SNS-related attitudes are affected by consumers’ blame, which is determined by consumers’ perceptions of the vetting efforts, role and ethical obligation of SNS. Consumers’ motives for sharing fake news include duty, retaliation, authentication and status-seeking. Theoretical and practical implications derived from the study’s novel conceptual framework are discussed. Practical implications This study identifies communication strategies that marketing professionals can use to mitigate and counter the negative effects of fake news. Originality/value By simultaneously considering consumers’ perceptions of the source, information and medium (i.e. SNS), this study presents a novel conceptual framework providing a marketing-centered, dynamic view on consumers’ fake news experience and connecting consumers’ perceptions, attitudes and behaviors in the context of fake news.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,022 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 découle