MétaCan
Menu
Retour à la cohorte
Enregistrement W4360777947 · doi:10.5267/j.ijdns.2023.2.005

The effect of consumption value on consumer changes behavior in usage of food delivery applica-tions in the era of society 5.0

2023· article· en· W4360777947 sur OpenAlexvenueno aff
Suwandi S. Sangadji, Tanti Handriana

Notice bibliographique

RevueInternational Journal of Data and Network Science · 2023
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueConsumer Behavior and Marketing Influence
Établissements canadiensnon disponible
Organismes subventionnairesLembaga Pengelola Dana PendidikanUniversitas Airlangga
Mots-clésLISRELStructural equation modelingPath analysis (statistics)Consumption (sociology)Value (mathematics)Goodness of fitMarketingGovernment (linguistics)EconometricsConsumer behaviourPsychologyBusinessEnvironmental economicsEconomicsStatisticsMathematicsSociology

Résumé

récupéré en direct d'OpenAlex

The outbreak of the Covid-19 pandemic and the introduction of Society 5.0 by the Japanese government in 2019 have resulted in significant changes to consumer behavior. The aim of this research is to examine the impacts of consumption value on customers' behavioral shifts. Furthermore, quantitative methods were used with a sample of 344 respondents, and data analysis using the structural equation model with the Lisrel 8.72 application. The stages in the structural equation analysis of this model are: development of theoretical models, development of path diagrams, conversion of path diagrams to structural equations, selecting input matrices and types of estimates, identifying models, assessing goodness of fit criteria, and interpreting results. The results obtained showed that consumers' attitudes and habits toward utilizing meal delivery applications can be influenced by factors such as their social, conditional, emotional, epistemic, and functional values. In the use of food delivery applications, consumers are not only interested in tangible benefits, but also in less tangible benefits, such as information provided by businesses.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,091
Score d'incertitude au seuil0,186

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,038
Tête enseignante GPT0,318
Écart entre enseignants0,279 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Data and Network ScienceMême sujetConsumer Behavior and Marketing InfluenceTravaux en français237 207