Studying the Impact of Virtual Influencers on Consumers' Intention to Purchase
Notice bibliographique
Résumé
In an online environment, popular human-like and anime-like entities are autonomously controlled and generated by computers.These Virtual Influencers (VIs) aim to connect customers with new products and assist companies in expanding their market share.With this emerging trend, this thesis endeavors to provide marketers with insights into the factors that induce intentions to purchase in followers, persuading them to purchase products introduced by virtual influencers.This domain remains under-researched.To achieve this objective, drawing from the Elaboration Likelihood Model (ELM) a research model is developed.To validate this model, a Likert Scalebased questionnaire was crafted and distributed to 300 participants who follow a popular virtual influencer on Instagram (Lil Miquela).The collected data have been analyzed using the SmartPLS-4 application to assess the validity of the hypotheses and see how they affect followers' purchasing behavior.This study focuses on identifying the key factors that could elicit feelings and interests in consumers to purchase products presented by virtual influencers.The findings of this research offer both theoretical and practical implications.From an academic viewpoint, studying this domain could illuminate aspects of consumer psychology and the ramifications of AI advancement in management.From a business perspective, it aims to determine the rationality of investing in human-like virtual influencers.Moreover, this project seeks to offer marketing managers useful clues for finding highly effective factors that could create purchasing intentions in their customers.
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 | 0,002 | 0,009 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».