Effect of Web Channel Richness and Web Information Richness On Satisfaction and Learning: A Study of Simple and Complex Products
Notice bibliographique
Résumé
Le présent article traite de la question suivante : Quels sont les effets de la richesse de l’information contenue sur un site web et de la richesse technique d’un site web sur la satisfaction des usagers et sur leur apprentissage des produits ? En nous basant sur la littérature en communications et en marketing, nous faisons l’hypothèse que les effets de la richesse d’un site web dépendent de la complexité du produit vendu. Deux cent sept professionnels, gestionnaires, et étudiants ont visité 22 pages web vendant soit des produits complexes ou simples. Les résultats indiquent que la satisfaction des individus qui ont visité les sites web vendant des produits complexes était influencée à la fois par la richesse de l’information et par la richesse technique des sites. L’apprentissage du produit dépendait de la richesse de l’information contenue sur les sites web. Contrairement aux attentes, la richesse d’un site web a également influencé significativement la satisfaction et l’apprentissage lorsque les individus ont visité des sites web vendant des produits simples. La satisfaction était influencée à la fois par la richesse de l’information et par la richesse technique, alors que l’apprentissage était influencé uniquement par la richesse de l’information. L’article contribue à la littérature en proposant les concepts de richesse de l’information et richesse technique de sites web, qui peuvent servir de bases théoriques pour les recherches futures sur le commerce électronique. L’article contribue également à la pratique en démontrant l’importance relative des deux types de richesse et aidant ainsi les gestionnaires et les spécialistes en technologies de l’information à mieux concevoir les sites web.
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 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 | 0,002 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».