Young adults’ acceptance of data-driven personalized advertising: Privacy and Trust Equilibrium (PATE) model
Notice bibliographique
Résumé
Purpose This study aims to examine young social media users’ differential acceptance of data-driven ad personalization depending on the types of personal data used, and to propose and test the Privacy and Trust Equilibrium (PATE) model, a new conceptual model developed to explain the intertwined nature of the competing influences of platform-related factors (privacy concern, trust, and privacy fatigue) on acceptance of ad personalization. Design/methodology/approach A survey of 440 Instagram users aged 18–24 in Australia was conducted to examine the relationships between the three factors of the PATE model and acceptance of ad personalization utilizing overt vs covert data collection methods. Findings This study shows the highest level of acceptance for personalization using overtly collected data and the lowest for covert data. The results also support the PATE model, revealing the competing dynamics of how the platform-related factors shape consumers’ acceptance of data-driven ad personalization. Privacy concern discourages Instagram users from accepting personalized ads, while trust encourages them. When the pushing influence of privacy concern and the pulling influence of trust form equilibrium, generating cognitive dissonance, privacy fatigue seems to play a significant role in resolving the dissonance, leading to increased acceptance. Originality/value This study advances the understanding of how concurrent push–pull-resigning factors affect young consumers’ acceptance of data-driven ad personalization practices, expanding the scope of research on data-driven personalized advertising and privacy.
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».