Make it real with gen Z! The impact AR reality congruence on brand information sharing: Exploring a sequential mediation mechanism
Notice bibliographique
Résumé
Augmented reality (AR) has garnered considerable interest for its potential to motivate engagement and advance customer-brand interactions. This study explored the impact of reality congruence (RC) of AR-menus on brand information sharing (BIS) in fast-food restaurants, particularly among Generation Z (Gen Z), as well as the mediating effects of usefulness of AR menu (UAR) and brand positivity (BP) on this relationship. Media Richness Theory (MRT) was employed as the theoretical umbrella for developing the study model. To validate the research model, we employed structural equation modeling (PLS-SEM) with a sample of 209 respondents. The results demonstrate that reality congruence of AR menus is a relevant predictor of Gen Z members’ behavior in sharing information about the brand. Furthermore, this relationship was mediated by the UAR and BP. The findings also demonstrated that UAR and BP had a sequential mediating effect on the relationship between the RC of AR-menu and BIS. This revolutionary study revealed that RC of AR-menu in restaurants fosters positive behaviors in fast food settings. By highlighting AR's potential to create engaging dining experiences for Gen Z members, this study offers valuable insights for service businesses, marketing managers, and the hospitality industry. Addressing this gap in existing research emphasizes the importance of adopting innovative technologies to enhance Gen Z's customer experience and engagement in the restaurant industry.
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 | 0,003 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
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 ».