Utilising machine learning to investigate actor engagement in the sharing economy from a cross-cultural perspective
Notice bibliographique
Résumé
Purpose Recent literature on customer engagement has introduced the concept of “actor engagement,” which serves as the foundation for this study. The study aims to investigate the formation of engagement and engagement's impact on the performance of sharing economy platforms in an international context. Design/methodology/approach The study analyses unstructured data from 145,434 service providers and 1,703,266 customers on Airbnb across seven countries (USA, Canada, United Kingdom, Australia, South Africa, China and Singapore). Machine learning techniques are used to measure actor engagement, and the research model is tested using structural equation modelling (SEM). Findings The findings suggest that actor engagement, encompassing the reciprocal relationship between customer engagement and service provider engagement, has a significant impact on platform performance. The moderator analysis highlights the role of cultural differences in the relationship between customer engagement and service provider engagement and between actor engagement and platform performance. Specifically, the study reveals that actor engagement exhibits a more pronounced impact on platform performance in Western countries (such as the USA, Australia and the UK), compared to Eastern countries (such as China and Singapore). Research limitations/implications The analysis of the conceptual model is based on the utilisation of behavioural data obtained from the Airbnb website. Due to the nature of the available data, proxies are employed as measures for variables such as platform performance. Originality/value This research is amongst the first to provide empirical evidence for actor engagement formation and the function's role in platform performance in the sharing economy. The global nature of Airbnb as a platform facilitates the investigation of country-level factors, specifically cultural values, across seven diverse countries and highlight differences from business to customer (B2C) business models.
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 | 0,005 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».