Appealing to motivation to change attitudes, intentions, and behavior: A systematic review and meta-analysis of 702 experimental tests of the effects of motivational message matching on persuasion.
Notice bibliographique
Résumé
Message matching refers to the design and distribution of persuasive messages such that message features (e.g., the themes emphasized) align with characteristics of the target audience (e.g., their personalities).Motivational message matching is a form of this technique that seeks to enhance persuasion by matching specifically to differences in motivational characteristics (e.g., salient goals, needs, values).Despite widespread use of motivational matching, there is little understanding of how and when to use it.We conducted a preregistered (PROSPERO CRD42019116688; osf.io/rpjdg) systematic review and three-level meta-analysis of 702 experimental studies on motivational matching (synthesizing 5,251 effect sizes from N = 206,482).Studies were inclusive of publications until December 2018, and primarily identified using APA PsycInfo, MEDLINE, and Scopus.We evaluate moderation using meta-regressions, and provide bias assessments (sensitivity analyses, funnel plots).Motivational matching increases persuasion by an average of r = .20(95% CI: .18,.22)as assessed by differences in attitudes, intentions, self-reported behavior, and observed behavior, relative to comparison conditions.This effect is larger than previously observed for other message matching approaches (e.g., message tailoring, message framing) which usually average r < .10.Although motivational matching can effectively improve persuasion, its effects are also marked by meaningful heterogeneity.Notably, motivational matching effects are largest when matching to contextual factors (than to individual differences), when compared to messages that conflict with people's motivations, and when target characteristics are manipulated rather than assessed.Through this review, we develop and evaluate theoretical propositions that inform the optimization of motivational matching.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,025 | 0,073 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,011 | 0,024 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».