Audience segmentation approach to conservation messaging for transforming the exotic pet trade
Notice bibliographique
Résumé
Abstract Advancing transformative change for sustainability requires population‐wide behavior change. Yet, many behavioral interventions tackling environmental problems only examine average effects on the aggregate, overlooking the heterogeneous effects in a population. We developed and preregistered a novel audience segmentation approach to test the diverse impact of conservation messaging on reducing demand for exotic pets (private action ‐ i.e., desire to own exotic pets or visit wildlife entertainment places) and fostering citizen engagement for system‐wide change (civic action ‐ e.g., signing a petition or participating in a protest against the exotic pet trade). Through an online survey with US participants (n = 2953), we identified 4 population segments (early adopters, early majority, late majority, and laggards), representing varying levels of commitment to wildlife conservation and then randomly assigned each segment to one of 3 messaging conditions. Messages highlighting negative consequences of the exotic pet trade and the power of collective action for system change effectively promoted private action among all segments except early adopters (ηp2 = 0.005). Among civic actions, only the collective action message motivated early adopters and the early majority to sign petitions (φC = 0.193 and φC = 0.097, respectively). Furthermore, the 4 segments showed distinct reasoning for action and inaction on wildlife conservation, with certain relational values, such as care, serving as both motivations and barriers to action. These findings highlight the need for targeted behavioral interventions across diverse populations.
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 | 0,010 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
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 ».