The cultural acceptance of digital food shopping: conceptualisation, scale development and validation
Notice bibliographique
Résumé
Purpose The purpose of this paper is to provide an alternative framework that will assist in understanding the adoption of digital food shopping. The coronavirus disease 2019 (COVID-19) pandemic has exacerbated the demand for digital shopping, but the adoption of digital shopping for food has not accelerated as fast as in other product categories. This study considered the role of socio-cultural factors to understand the reason for slow adoption of digital technology to access food. A cultural framework that can be used to investigate socio-cultural factors in this context was lacking, however, this paper provides a discussion of social and cultural factors and developed measurement scales to assist in understanding cultural change acceptance in consumers' adoption of digital technology to purchase food. Design/methodology/approach Using Hayes' process analysis, this paper investigated how cultural acceptance – mediated by consumer affection and appeal and measuring the moderated effects of digital trust (DT) – determined the eventual impact on consumer intention to adopt digital food retailing. This paper also considered moderated mediation with parallel mediations (consumer affection and appeal, digital convenience (DC) and consumer digital readiness) interacting with DT and consumer learning. Findings The authors found that cultural acceptance of digital technology (CADT) is an antecedent to the adoption of digital shopping for food, but this is also mediated by consumers' appeal and affection for digital technology and consumers' digital readiness. Practical implications This study also indicates that DT influences consumer appeal and affection (CAA), especially amongst female consumers. Originality/value The paper represents an empirical investigation of a new conceptual framework that considers socio-cultural factors to understand consumers' use of digital technology in food shopping which has been an existing knowledge gap in current literature.
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 | 0,030 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».