The effect of e-WOM on purchase intention in e-commerce in Indonesia through the expansion of the information adoption model
Notice bibliographique
Résumé
Technological advancements in Indonesia have been on the rise, and the advent of technology has brought about significant changes in various aspects of society. The integration of technology into human life has greatly enhanced various activities, making information exchange and communication more accessible. As we observe the continuous evolution of technology, it has created new business prospects for companies to harness the power of the internet in providing online shopping services that connect consumers, service providers, and intermediary traders. E-commerce has emerged as a vital platform supporting commercial transactions via the internet. Prior to making a purchase, consumers frequently turn to social media for product reviews, where electronic word of mouth enables users to share their product-buying experiences. This study seeks to investigate the impact of user-generated information through electronic word of mouth on purchase intentions within the e-commerce landscape of Indonesia, utilizing the Information Acceptance Model (IACM). Employing a causal descriptive research approach, this study targeted e-commerce users in Indonesia, with 155 respondents participating. Data collection was carried out through Google Forms, and the collected data was analyzed using SmartPLS 3. Hypothetical testing included t-tests, p-tests, and path coefficient assessments. The study's findings revealed that variables such as information quantity, information needs, attitudes toward information, information usability, and information adoption all play a significant role in influencing purchase intentions, while information quality and information credibility had no discernible impact on purchase intentions.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 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 ».