Bayesian Network-based Modeling of Consumer Behavioral Decision Making Processes in Digital Economy Platforms
Notice bibliographique
Résumé
In order to more comprehensively study the influencing role mechanism of consumer behavioral decision-making process in the digital economy platform and explore the influencing factors of consumer behavioral decision-making, this paper constructs a model of consumer behavioral decision-making process based on Bayesian network.With the help of Netica software to construct the Bayesian network topology, using EM algorithm to learn the parameters of the Bayesian network model, and proposed to use the Bayesian network to carry out sensitivity analysis and probabilistic inference, and formulate the corresponding Bayesian network model framework.Subsequently, the influencing factors of channel search willingness and purchase willingness and their relationships in the consumer behavioral decision-making process in the digital economy platform environment are analyzed.The structural equation model is introduced, the measurement equation and structural subequation calculation methods are determined, and the sample data are collected by means of questionnaires to carry out the test and analysis of the model of consumer behavioral decision-making process.The CR value of each variable in the model of this paper is higher than 0.7, and the AVE values are all greater than 0.5, and the model performs well in terms of intrinsic quality.The exogenous latent variables such as perceived benefits, channel trust, and transfer costs have a significant positive effect relationship on the endogenous latent variables such as search behavior and purchase intention (P<0.05).
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 | 0,004 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».