MétaCan
Menu
Retour à la cohorte
Enregistrement W4403740956 · doi:10.1016/j.omega.2024.103218

Effect of counterfeits and fake reviews in markets for credence goods

2024· article· en· W4403740956 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.
fundUn bailleur canadien est enregistré sur le travail.

Notice bibliographique

RevueOmega · 2024
Typearticle
Langueen
DomaineComputer Science
ThématiqueSpam and Phishing Detection
Établissements canadiensWestern UniversityUniversity of Winnipeg
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésCredenceCredence goodCommerceBusinessAdvertisingEconomicsInformation asymmetryComputer scienceFinance

Résumé

récupéré en direct d'OpenAlex

• A competition between authentic seller and deceptive counterfeiter, with savvy and novice customers. • Sellers decide if acquire fake reviews to influence product endorsement and mislead customers. • In equilibrium, authentic seller does not acquire fake reviews, while counterfeiter may do so. • Amount of fake reviews is decreasing in the proportion of savvy consumers. • Option to acquire fake reviews may benefit both sellers but always hurts consumers. Counterfeits are a persistent problem in online marketplaces, in particular regarding credence goods (e.g., nutritional supplements), as their qualities are difficult or impossible to evaluate even after consumption. Concerned about product quality, customers frequently rely on external signals, such as product badges based on ratings. However, even product ratings are not foolproof as unethical sellers may acquire fake positive reviews to exploit product ratings and badge systems. To analyze the impact fake reviews have on credence goods, we consider a two-stage competition between an authentic seller and a deceptive counterfeiter. The market consists of two types of consumers: savvy customers, who understand that endorsement badges are product-dependent and not seller-dependent, and novice customers, who mistakenly believe product badges testify to a seller's authenticity. In the first stage, both sellers simultaneously decide on whether to acquire fake reviews, which partially influences if the product receives an endorsement badge. In the second stage, both sellers simultaneously set their prices and customers make purchasing decisions. Our results indicate that, in equilibrium, the authentic seller does not acquire fake reviews, while the counterfeiter may do so to mislead customers. Moreover, the amount of fake reviews is decreasing in the fraction of savvy consumers, suggesting that online platforms can combat fake reviews by, for instance, clearly highlighting that badges are product-dependent. We also find that having the option to acquire fake reviews may benefit both sellers but always hurts consumers, emphasizing the need for regulation to protect consumers.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,981
Score d'incertitude au seuil0,182

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,293
Écart entre enseignants0,279 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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