Privacy‐Enhancing Factors and Consumer Concerns: The Moderating Effects of the General Data Protection Regulation
Notice bibliographique
Résumé
Abstract Privacy is a fundamental right, with humans often wanting to keep their information private. Technological advancements are now challenging this right by reducing our control and creating enhanced privacy risks. The General Data Protection Regulation (GDPR) is a law introduced to protect this right. The aim of this paper is to analyse how privacy‐enhancing factors can influence consumer privacy concerns and whether these have been affected by consumer beliefs relating to the GDPR. This paper examines the influence of four privacy‐enhancing factors (i.e. organizational trust, perceived personalization value, perceived consumer control and data transparency), which mostly have personality or attitude‐like traits, and the GDPR as a moderating variable. Data were collected from 1154 respondents residing in European Union countries. Results reveal that personalization value has a significant negative relationship with privacy concerns, while consumer control shares a significant positive relationship with privacy concerns. Organizational trust and data transparency did not have a significant effect on privacy concerns. The relationship between the privacy‐enhancing factors and privacy concerns was not moderated by consumer belief in the GDPR. Implications and recommendations are provided to indicate which privacy‐enhancing factors should be chosen to reduce privacy concerns and to highlight the role of the GDPR in moderating these relationships. Ultimately, the study's findings provide useful insights for firms operating online in Europe and marketers aiming to reduce their consumers’ privacy concerns.
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 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».