Right on cue? Category‐switching in online marketplaces
Notice bibliographique
Résumé
Abstract Research Summary When and why do producers change the categorization of their offerings? Prior categorization research assumes that producers engage in ongoing efforts to proactively optimize their categorical positioning, but this assumption may not hold for many producers due to their limited attentional capacity. Our theoretical account instead highlights the role of expectation violation cues—salient pieces of information indicating a violation of audience expectations—as triggers that can lead producers to revise their category choice. Our longitudinal study of 84,667 Airbnb hosts' categorization choices finds that negative customer reviews—an important form of expectation violation cue—significantly increase the likelihood of category‐switching, particularly in categories with heterogeneous expectations. Our study suggests that many producers might be less proactive about their category choices than previous research assumed. Managerial Summary How businesses categorize their products and services influences their commercial success; yet, there exists very limited understanding of when, why, and how businesses revise their category choices. Our study, which tracked the category choices of over 80,000 Airbnb hosts over time, reveals that Airbnb hosts most commonly switch categories after receiving negative customer reviews, particularly when a review indicates that the accommodation did not meet customer expectations and if the previously chosen category lacks a clearly defined set of expected features. When switching categories, hosts tend to choose categories that are relatively similar to their prior choices and that seem to accommodate a wide variety of offerings. These patterns suggest that many businesses might be less proactive about their category choices than previous research assumed.
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 | 0,002 | 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 | 0,001 | 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 ».