Examining consumers' continuance and sharing intention toward food delivery apps
Notice bibliographique
Résumé
Purpose A food delivery app (FDA) is a technological advancement connecting restaurants and consumers, making it possible to deliver food home conveniently. The current study seeks to identify the factors affecting consumers' continuance intention and sharing intention toward the FDA in the USA and Canada using an integrated framework built using trust transfer theory and a variety of constructs. Design/methodology/approach The authors collected data/inputs from 476 respondents in the USA and Canada who had used FDAs in the past and analyzed them using the structural equation modeling technique. Findings The results indicate that trust in FDA, trust in the user community and commitment affect continuance intention and sharing intention. Interestingly, trust in the seller does not influence commitment, continuance intention and sharing intention. Additionally, the trust disposition and reputation of the FDA play an important role in building trust in FDA. Research limitations/implications The present study combines the trust transfer theory with various important constructs such as commitment, trust disposition and reputation of the FDA to build an integrated framework to elucidate the continuance intention and sharing intention toward FDAs. Practical implications This study facilitates the FDA providers to understand how trust disposition, the reputation of the FDA and trust in the Internet build trust among FDA consumers. The study also helps them to fine-tune their trust-building strategy by considering several trust targets. It further enables them to appreciate how commitment results in continuance intention and sharing intention toward FDA. Originality/value It is an original study investigating the role of various constructs and trust transfer theory in shaping the consumers' continuance intention and sharing intention toward the FDA.
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 | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».