Beyond the first session: unraveling immersion’s dual effects on user retention in high-participation online fitness videos
Notice bibliographique
Résumé
Purpose This study aims to investigate the impact of immersion on user retention within high-participation online fitness contexts, where users are required to concurrently process visual instructions and execute physical movements. This dual-task requirement introduces additional complexity to user retention. Design/methodology/approach Using a BERT-based classifier and manual content coding, we analyzed user comments and video content from 550 Douyin (internationally known as TikTok) fitness videos. We investigated the direct influence of immersion on users’ intention to continue exercising by following creators’ fitness videos (ICEFV) and examined its moderating effect on the relationship between values of fitness videos (namely, fitness video-influenced fitness outcomes, entertainment, and co-participation experience) and ICEFV. Findings Immersion significantly enhances ICEFV. Furthermore, immersion positively moderates the relationship between fitness video-influenced fitness outcomes and ICEFV, but does not moderate the effects of entertainment and co-participation experience on ICEFV. Originality/value This study contributes to the literature on user retention in high-participation contexts by revealing a technology-driven dual pathway. We demonstrate that immersion not only directly fosters continued participation but also amplifies the impact of fitness outcomes on continued participation. By focusing on how immersion influences user retention beyond traditional content and influencer paradigms, our findings provide actionable insights for enhancing user participation in competitive online fitness markets.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».