Can anthropomorphism bring better persuasiveness? An empirical study on online health risk information
Notice bibliographique
Résumé
Purpose Anthropomorphism presents a promising strategy for improving information presentation in online health communication. Although showing significant potential, its underlying mechanisms and boundary conditions remain underexplored and warrant further research. This study, therefore, aims to investigate how anthropomorphic cues in online health risk information influence information persuasiveness, specifically examining the underlying mechanisms and boundary conditions. Design/methodology/approach Three experiments (Experiment 1: N = 198; Experiment 2: N = 118; Experiment 3: N = 146) were conducted to examine the impact of anthropomorphism on information persuasiveness, explore pertinent psychological mechanisms and investigate the moderating role of narrative perspective. Findings Anthropomorphic cues were found to enhance the persuasiveness of online health risk information by increasing perceived severity and vulnerability, and by reducing psychological reactance. Furthermore, narrative perspective was shown to moderate the relationships between anthropomorphic cues and both perceived severity and vulnerability. Practical implications Guidance is provided to health information providers on the effective application of anthropomorphic strategies in disseminating online health risk information. In addition, the study highlights the importance of selecting appropriate narrative perspectives that align with the specific characteristics of different diseases in health persuasion. Originality/value This study advances the understanding of anthropomorphic health risk information in online settings by demonstrating its efficacy in mitigating psychological reactance. The findings show that narrative perspectives of injurants versus victims moderate the influence of anthropomorphic health risk information on individuals’ perceived severity and vulnerability.
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 | 0,008 | 0,057 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 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 ».