Artificial Intelligence Applications Used in On-line Retail in China and Their Relationship to Customer Satisfaction and Loyalty
Notice bibliographique
Résumé
Artificial Intelligence is the creation of intelligent computers and smart computer algorithms that help machines understand human intelligence (IBM Cloud Education, 2021). Artificial Intelligence is created by analyzing behavior and patterns of big data. Artificial intelligence has existed since the 1950s (Song et al, 2019) but during recent times application of AI in various sectors like healthcare, business, entertainment, education, weather, and geology has picked up momentum. To cite a few well-known examples of Artificial Intelligence technology that are used by almost everyone in our day-to-day activities are advanced Google searches, YouTube recommendations, and Alexa (Song et al, 2019). The advent of technology has brought about innovation and transformation to every aspect of the business world, including the retail industry. The shift in the retail sector becomes obvious when big brick-and-mortar retailers scale down their physical shops and gradually move part of their business online. Consumer attitudes toward online shopping can vary based on demographics, perceived risk, perceived ease of use, and perceived usefulness. Demographic characteristics can further be classified as sex, age, educational qualification, household income, and relationship status, to name a few. In this study, the aim is to identify artificial intelligence applications and their use in online retail by Chinese consumers. A model has been developed to test the relationships between artificial intelligence applications used for online shopping and customer satisfaction and loyalty.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».