Does language concreteness influence consumers’ perceived deception in online reviews?
Notice bibliographique
Résumé
Purpose Although online reviews have become a key source of information for consumer purchasing decisions, little is known about how the concreteness of language used in these reviews influences perceptions of deception. This study aims to address this important gap by drawing on psycholinguistic research and Language Expectancy Theory to examine how and when the concreteness of online reviews (abstract vs concrete) impacts consumers’ perceived deception. Design/methodology/approach Two scenario-based experiments were conducted to examine how the concreteness of online reviews (abstract vs concrete) influences consumers’ perceptions of deception, considering the mediating role of psychological distance to online reviews and the moderating effects of Machiavellianism (Mach) and reviewer identity disclosure. Findings Online reviews that include concrete language lead to lower perceived deception by reducing consumers’ psychological distance from the review. For consumers with higher levels of Mach, online reviews written in abstract (vs concrete) language result in higher perceived deception via psychological distance, while for consumers with lower Mach, online reviews written in concrete (vs abstract) language result in higher perceived deception via psychological distance. Research limitations/implications To the best of the authors’ knowledge, this study is one of the first to highlight the relevance of linguistic style (i.e. concrete review vs abstract review) on consumers’ perceived deception toward online reviews in the context of e-commerce. Practical implications The framework enables managers of online retailing platforms to identify the most effective strategies to decrease consumers’ perceived deception via the appropriate utilize of linguistic styles of online reviews. Originality/value This study contributes to both theory and practice by deepening knowledge of how and when the concreteness of online reviews (abstract vs concrete) affects consumers’ perceived deception and by helping managers of online retailing platforms make the most effective\ strategies for reducing consumers’ perceived deception toward online reviews during online shopping.
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 | 0,022 | 0,017 |
| 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 ».