An investigation into factors affecting individuals' gifting intention in live streaming: a streamer–content perspective
Notice bibliographique
Résumé
Purpose Gifting is a typical monetization strategy for live streaming platforms to motivate providers’ live content contribution. However, research regarding the factors that affect individuals’ gifting intention is still at an infant stage. Therefore, this study aims to investigate the factors that affect individuals’ gifting intention during live streaming. Design/methodology/approach The authors build a model to uncover the factors that affect individuals’ gifting intention from a streamer–content perspective, and the hypotheses are largely validated by online survey data through structural equation model analysis. Findings Individuals’ perceived attractiveness of the streamers is significantly and positively associated with gifting intention for leisure-related live streaming, whereas individuals’ perceived similarity with the streamers is significantly and positively associated with gifting intention for leisure-related and non-leisure-related live streaming. For live content-related factors, the individuals’ perceived utilitarian value of content is significantly and positively associated with gifting intention for non-leisure-related live streaming, whereas the individuals’ perceived hedonic value is significantly positively associated with gifting intention for leisure-related live streaming. Perceived symbolic value is insignificantly associated with gifting intention for neither type of live streaming. Originality/value The research is an original work and significantly contributes to live streaming and PWYW literature, and the findings derived from this study can guide live streaming platforms to regulate individuals’ gifting intentions/behaviors better.
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 | 0,002 |
| 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 | 0,001 | 0,003 |
| Science ouverte | 0,000 | 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 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 ».