How prevalent are suggestive brand names and Distinctive Assets? An AI-human approach
Notice bibliographique
Résumé
Despite the concept of a suggestive brand name existing for over one hundred years (Viehoever, 1920), the prevalence of suggestive versus non-suggestive brand names has not been documented. Previously, to do so extensively would have taken considerable time and money. We now show that artificial intelligence can replace manual coding with increased accuracy. We found the coding performances of Chat GPT-4 are 34% more accurate than GPT-3.5 and 44% more accurate than human coders. Systematically expanding our research to over 4,600 brands from consumer goods, services, and durables in major English-speaking markets (United Kingdom, United States, and Australia), we find that overall, slightly more than a quarter of all brand names are suggestive - ranging from 10% of durables to 56% of service brands. Further, we expand the suggestiveness research to non-brand name elements of almost 600 Distinctive Assets (e.g., colours, logos) across consumer goods, services, durables, and retailers (in the same three countries), finding that two in five are suggestive. The brand name and Distinctive Asset prevalence distributions are positively skewed, with most categories falling beneath the respective averages. Furthermore, regarding performance, on average, suggestive Distinctive Assets display lower levels of Fame and Uniqueness than non-suggestive Distinctive Assets.
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 | 0,011 | 0,067 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,008 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,009 |
| Communication savante | 0,008 | 0,009 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».