Crowdsourced views on consumer misbehaviour in service encounters: know your rights!
Notice bibliographique
Résumé
Reports of consumer misbehaviour in service encounters shared on social media can present challenges for companies, subjecting them to public scrutiny and placing reputation at risk as online communities appraise the harm caused by violations of the rights of others. Rights are essential to service encounters because they provide a framework for ensuring that both the provider and the service recipient are treated fairly and respectfully. Also, the failure to respond promptly and appropriately can damage a firm’s reputation or expose the company to legal action for failing to address the behaviour. This article aims to demonstrate how companies can research how consumers invoke rights to make sense of consumer misbehaviour in service encounters. We report the results of a study that uses text analytic methods to analyse rights-based themes in a sample of over eight thousand comments gathered from a Karen-memefocused subreddit. The study finds that rights feature prominently in Karen discourse on Reddit. Moreover, the comments often implicitly or explicitly refer to human rights principles in the context of mask-wearing, property and health, the right to complain, and free speech. Interestingly, companies’ right to refuse service was the most prevalent theme. Many people seem to empathise with service providers and company owners who suffer the wrath of Karen’s dysfunctional actions. The discovery of folk knowledge of rights principles in online conversations opens new avenues for research on how consumers evaluate and respond to different aspects of service encounters. With such insights, companies can develop better strategies for addressing and preventing consumer misbehaviours by upholding employee and consumer rights and well-being.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,006 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».