Customer’s social cognition in service recovery satisfaction with human vs robot agent
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose Service failures evoke negative customer emotions, which human agents respond to through emotional labor. In turn, customers empathize with the human agent, providing a satisfying service recovery experience. However, robot agents could replace human agents and replicate emotional labor strategies. This study addresses whether customers empathize with apologetic robot agents and how it would affect the service recovery experience. Design/methodology/approach Drawing on emotional labor, social cognition and justice theory, two online scenario-based experiments (N1 = 411; N2 = 253) were designed in which customers watched a video simulating an interaction with a human or a robot agent during a service recovery procedure. Findings Study 1 shows that robot agents handle emotionally driven service recovery interactions and prompt desirable postrecovery behaviors (e.g. brand loyalty). Study 2 identifies customers’ empathy and compassion as mediators, explaining the effect of normative empathic display on customers' perceptions of interactional justice and behavioral intentions. Practical implications Robot agents are reliable substitutes for human agents in handling service recovery procedures. Customers can empathize with robot agents, leading to satisfying service experiences. Originality/value This study demonstrates customers’ capacity to empathize with robot agents during a service recovery procedure. It is also the first application in service research of the EmpaToM experimental procedure from social neuroscience to explore the social cognition dynamic between customers and service agents at the service encounter.
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.
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 | 0,001 | 0,000 |
| 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 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| 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 découle