Understanding customers’ intentions to use AI-enabled services in online fashion stores – a longitudinal study
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 Artificial intelligence (AI) services are vital in enhancing customer experience and purchase intentions in the international online fashion retail sector. This study explores customers’ intentions to use AI-enabled services, focusing on transaction utility, trust and product uniqueness across the customer journey in the context of international online fashion stores. This study also assesses how privacy moderates customer intentions. Design/methodology/approach This study adopted a longitudinal research design and purposive sampling technique to collect a total of 566 participants. The final data were analyzed using IBM SPSS Amos version 21 software. Findings The study highlights the significance of transaction utility, trust and product uniqueness in AI integration across the customer journey (pre-purchase, during purchase and post-purchase stages). Most of the direct relationships are significant, except the relationship between the during purchase and post-purchase stages. With a few exceptions, AI integration commonly does not mediate the relationship between antecedents and intention to use AI-enabled services. Privacy moderates AI integration in post-purchase, during purchase and intention to use AI-enabled services, except in the pre-purchase stage. Originality/value This study bridges important gaps in the literature by integrating AI-enabled services and customer behavior, contributing to a broader knowledge of customer interactions in global e-commerce fashion stores. The study examines multiple attributes that impact intention, such as transaction utility, trust, product uniqueness, AI integration in three stages of purchases (pre-purchase, during purchase and post-purchase) and privacy, using three major theories: mental accounting theory, trust commitment theory and commodity theory.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle