An approach for clustering consumers by their top‐box and top‐choice responses
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
Abstract Cluster analysis is often used to group consumers based on their hedonic responses to products. We give a motivating example in which conventional cluster analyses converge on a solution where consumers do not agree on which products they like. We show why this occurs. We state a goal: to group together consumers who have a shared opinion of which products are delightful and which products are not delightful, apart from consumers who have a different opinion. To meet this goal, we code consumers' hedonic responses in ways inspired by top‐ k box analysis, then cluster consumers using b‐cluster analysis. For comparison, we cluster consumers using two conventional methods. We interpret each cluster by focusing on which product(s) the cluster accepts and whether a large proportion of cluster members are aligned in accepting these products. Solutions from b‐cluster analysis based on top‐ k box‐inspired codings met our goal better than conventional approaches, indicating that these methods deserve further study. Practical Applications Cluster analysis outcomes are profoundly shaped by a researcher's decisions related to response coding and clustering algorithm. This paper highlights the importance of determining the goal of the cluster analysis first, then selecting a response coding and clustering algorithm to best meet this goal. Our stated goal is one that is frequently of interest in sensory evaluation but is not well met by conventional clustering approaches. The novel approaches that we give in this paper meet the goal and are available using software that is freely available in the public domain.
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 | 0,001 | 0,001 |
| 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