Mobile Advertising in Distracted Environments: Exploring the Impact of Distractions on Dual-Task Interference
Notice bibliographique
Résumé
It is increasingly common for consumers to engage with various tasks on their personal devices amid other distractions such as watching television at home, shopping at malls, or attending concerts. While this split in attention poses challenges, it also opens valuable opportunities for advertisers to strategically push targeted advertisements based on information about the user’s environment. Across a series of controlled lab experiments using a custom app developed for this study, we demonstrate how marketers can optimize pop-up advertising on consumers’ personal devices within distraction-filled environments. In doing so, we extend traditional insights from dual-task interference studies that have previously focused on corresponding tasks in isolation, without considering any stimuli from the environment. Our results indicate that, in the presence of additional stimuli from the environment, a facilitating relationship exists between the attention paid to a task and the effectiveness of pop-up advertisements interrupting the task. However, this relationship is moderated by the extent of attention diffusion from the environment. As the distance between the task and the environment increases, consumer attention to the task is more diffused, resulting in poorer encoding of the pop-up advertisements. Critically, optimizing the content and timing of pop-up advertisements to the environmental content can significantly improve their effectiveness. Our results have important implications for helping marketers develop actionable strategies for mobile advertising in distraction-filled environments.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».