Electroencephalography (EEG) - Based Neuromarketing: Predicting Favourable and Unfavourable Consumer Reactions Using ML Techniques
Notice bibliographique
Résumé
Neuromarketing is an emerging field that combines neuroscience with marketing to gain insights into unconscious consumer behaviour. Traditional methods like surveys often fail to capture real-time emotional and cognitive responses. To address this gap, this study employs EEG signal analysis to predict favourable and unfavourable consumer reactions to advertisements and products. The theoretical foundation is based on the dual-process theory, which distinguishes between fast, emotional decision-making (System 1), and slow, rational thinking (System 2). EEG markers such as alpha, beta, and theta bands are used to assess attention, engagement, and decision conflict. EEG data was collected using a single-channel Neurosky Mindwave headset from 14 participants aged 18–22. A total of 80 ads were shown, categorised by product and design type. Subject-dependent and subject-independent analyses were conducted. In the SD study, Naïve Bayes and SVM classifiers achieved a maximum accuracy of 0.62. In the SI analysis, SVM showed strong performance across product and gender-based classification. A deep learning model also produced comparable accuracy. These findings demonstrate the potential of EEG-based neuromarketing to provide deeper insights into consumer behaviour, with possible implications for both commercial and clinical applications.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».