Ambivalence Is Better than Indifference: A Behavioral and Neurophysiological Assessment of Ambivalence in Online Environments
Notice bibliographique
Résumé
Information representations such as ratings and reviews play an important role in assisting users in making decisions in online environments. Prior information systems (IS) research has mostly focused on the role of extreme valence, i.e., the positivity/negativity of information, portrayed by such representations. Yet this bipolar approach discounts how the coexistence of positivity and negativity (i.e., ambivalence) or their absence (i.e., indifference) is formed and leads to distinct attentional processes and outcomes such as purchase decisions. We theorize how and why the valence of information projected through such representations may elicit mixed feelings and influence decision-making in online environments. We conducted four randomized controlled experiments, including an electroencephalography (EEG) study, to disentangle the influence of ambivalence and indifference on decision-making in an online shopping context. We found that ambivalence and indifference to online information distinctly influenced attention and purchase decisions relative to positivity and negativity. Our findings further suggest the inability of incumbent bipolar representations, such as the widely implemented star rating system, to capture the mixed feelings expressed in online content. We propose a bivariate intervention that overcomes the limitations of bipolar representations by not only discerning ambivalence from indifference but also amplifying purchase decisions for products with ambivalent information by at least 50%, compared to incumbent bipolar representations. Our findings advance ongoing research on the role of information valence in online environments and offer implications for practice.
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) | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».