Roles of barriers and gender in explaining consumers' chatbot resistance in banking: a fuzzy approach
Notice bibliographique
Résumé
Purpose This study strives to better understand resistance to chatbots in the banking sector. To achieve this, it proposes a model based on the paradigm of resistance to innovation and the complexity theory. In addition, it explores the role of gender in relation to chatbot resistance. Design/methodology/approach Data are collected in France using a snowball sampling technique. The sample is composed of 385 participants. FsQCA is used to identify all possible combinations of usage, value, risk, tradition and image barriers, as well as two gender conditions that predict resistance to chatbots. Findings The results reveal that the sample provides four possible solutions/combinations that may explain resistance to chatbots. These are: (i) a combination of usage, value, risk and tradition barriers, (ii) a combination of value, risk, tradition and image barriers, (iii) a combination of usage, value, risk and image barriers, along with the male gender and (iv) a combination of usage, value, tradition and image barriers, along with the female gender. Research limitations/implications This study provides valuable and straightforward theoretical and managerial implications. The proposed solutions suggest a deep understanding of chatbot resistance. Chatbot developers and marketers can highly benefit from these findings to enhance user acceptance. Originality/value In this study, barriers are envisioned within the larger context of innovation resistance. The interactions among barriers causing resistance to chatbots are examined through the lens of the complexity theory, while the data analysis employs the fsQCA approach. Furthermore, this study sheds light on the role of gender in explaining chatbot resistance in the banking sector.
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 | 0,007 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».