Evaluating Consumer Behavior, Decision Making, Risks, and Challenges for Buying an IoT Product
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Home appliance manufacturers have been adding Wi-Fi modules and sensors to devices to make them ‘smart’ since the early 2010s. However, consumers are still largely unaware of what kind of sensors are used in these devices. In fact, they usually do not even realize that smart devices require an interaction of hardware and software since the smart device software is not immediately apparent. In this paper, we explore how providing additional information on these misunderstood smart device features (such as lists of sensors, software updates, and warranties) can influence consumers’ purchase decisions. We analyze how additional information on software update warranty (SUW) and the type of sensors in smart devices (which draw attention to potential financial and privacy risks) mediates consumer purchase behavior. We also examine how other moderators, such as brand trust and product price, affect consumers’ purchase decisions when considering which smart product option to buy. In the first qualitative user study, we conducted interviews with 20 study participants, and the results show that providing additional information about software updates and lists of sensors had a significant impact on consumer purchase preference. In our second quantitative study, we surveyed 323 participants to determine consumers’ willingness to pay for a SUW. From this, we saw that users were more willing to pay for Lifetime SUW on a smart TV than to pay for a 5-year SUW. These results provide important information to smart device manufacturers and designers on elements that improve trust in their brand, thus increasing the likelihood that consumers will purchase their smart devices. Furthermore, addressing the general consumer smart device knowledge gap by providing this relevant information could lead to a significant increase in consumer adoption of smart products overall, which would benefit the industry as a whole.
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.
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 | 0,004 | 0,004 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 découle