Promoting crowdsourced new products: Competing co‐contributor attractiveness, similarity, and persuasion knowledge processes
Notice bibliographique
Résumé
Abstract Crowdsourcing has become an increasingly popular way for marketers to conceive of and design new products. Promoting these with “designed by consumers” claims has proven highly effective in boosting innovation appeal and market success. However, beyond the appeal of the perceived similarity between co‐contributors and customers (Dahl et al., 2015), little is known about the effectiveness of different communication strategies for crowdsourced products. Central to the current investigation is the crucial creative strategy decision about whether to show the co‐contributor in the advertisements and the persuasive role of the co‐contributor's level of physical attractiveness. The use of attractive sources is highly prevalent in standard advertisements and is known to have reliable positive effects in persuading consumers (Mello et al., 2020). In contrast, our research suggests that showing attractive co‐contributors in advertisements for crowdsourced products undermines their unique appeal and can even backfire. Through a series of qualitative and experimental studies, we found that this effect results from two mechanisms: (1) negative persuasion knowledge, where consumers question whether the attractive source is the genuine co‐contributor, and (2) disruption of the similarity appeal that typically makes crowdsourced products well‐received. These findings not only advance our understanding of the effectiveness of “designed by consumers” claims but also contribute significantly to the broader communication and persuasion literature. Importantly, our findings provide managers with actionable strategies for maximizing the commercial success of crowdsourced products.
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 | 0,005 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».