Acceptance of Health-Related User Generated Content Among Muslim Consumers: A Case of Senna Makki During COVID-19
Notice bibliographique
Résumé
Purpose The paper examines the information acceptance of health-related user-generated content (UGC) about the herbal remedy Senna Makki (a widely touted herbal treatment as per the Islamic traditions) by Muslim consumers during the COVID-19 health crisis. Grounded in the Information Acceptance (IACM), with a specific focus on the role of religiosity, this research explores how cognitive and religious factors shape the acceptance of Senna Makki UGC in the Pakistani context.Design and approach The paper is based on a quantitative research design (n = 390) following an established information-acceptance framework. The analysis used Partial Least Squares-Structural Equation Modeling (PLS-SEM), an established multivariate analysis technique.Findings Employing the Information Acceptance Model (IACM), the study found that the quality and credibility of information, as well as the attitudes toward the information, influenced the perceived usefulness of Senna Makki-related UGC among Muslim consumers. The need for information was not found to be a significant predictor. Religiosity was a significant predictor of acceptance of Senna Makki UGC, although it did not moderate the relationship between perceived usefulness of UGC and UGC acceptance.Originality There is limited research on health-related information acceptance, especially in any religious context. This research provides an impetus to explore the uptake of health information in the religious context.Limitations and areas of future research The study was conducted only in the context of Pakistan. Exploring the diversity of influence of religion in other Muslim consumer markets and other faiths is a potential area of further research.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».