Booking hotels online: can scarcity messages mitigate the effect of a mediocre aggregated eWOM valence?
Notice bibliographique
Résumé
Purpose This paper aims to examine the interplay of scarcity message type and aggregated electronic word-of-mouth (eWOM) valence in influencing consumer intentions in response to online hotel price promotions. Design/methodology/approach Two experimental studies were conducted, manipulating scarcity message type (limited-quantity vs. limited-time) and aggregated eWOM valence (positive vs. mediocre). Study 1 focused on budget hotels and Study 2 on midscale hotels. Data came from Amazon Mechanical Turk. Findings A positive aggregated eWOM valence always inspired greater confidence than a mediocre one. For midscale hotels, limited-quantity scarcity messages were more effective. However, the type of scarcity did not matter for budget hotels. Moreover, limited-quantity cues consistently worked better than limited-time cues in the mediocre aggregated eWOM valence condition. Practical implications A positive aggregated eWOM valence is obviously preferred to a mediocre one. That said, if a hotel ends up with a mediocre aggregated eWOM valence, it should use limited-quantity scarcity messages to tilt the balance in its favor. Originality/value This work responds to the call for research on the effect of online scarcity messages in tandem with eWOM. Also, it is the earliest attempt to reveal how scarcity messages fare differently for various hotel categories.
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 | 0,016 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».