Crossing the innovation chasm: when and how to deploy service robots and facilitate customer adoption at restaurants
Notice bibliographique
Résumé
Purpose This research aims to investigate when and how restaurants can cross the innovation chasm in adopting service robots in both front-of-house and back-of-house operations. Specifically, it explores customer responses to varying levels of robot deployment, ranging from fully human-operated to fully automated services, across different restaurant types based on cuisine and thematic elements. Design/methodology/approach It employs two experiments to evaluate customer perceptions of authenticity, quality, fit and patronage intention under different service configurations. These configurations are examined within the context of local cuisine restaurants, fast-food establishments and futuristic-themed dining settings. The research sample consists of adults from the United States, ranging in age from 18 to 83. Multivariate analysis of variance (MANOVA) was conducted to analyze the data. Findings The results reveal that local cuisine restaurants receive higher ratings in authenticity, quality, fit and patronage intention with fully human-operated services. In contrast, fast-food and futuristic-themed restaurants achieve comparable fit evaluations across human-operated, robot-involved and fully automated service configurations. Within futuristic-themed contexts, human-operated and robot-involved services receive comparable ratings for authenticity and patronage intention. However, when robots are responsible for cooking or when service is fully automated, human-operated services are perceived as higher in quality, with some advantage also observed in authenticity and patronage intention. Practical implications The findings guide restaurant operators in optimizing service robot integration strategies to align with customer expectations across diverse dining contexts. Social implications The research sheds light on the evolving interplay between technology and human interaction in dining, contributing to broader discussions on automation’s societal impact. Originality/value This research addresses the gap in understanding when and how to deploy service robots to facilitate customer adoption. It provides insights into optimal deployment levels to bridge the ‘innovation chasm’ in service robot adoption across different restaurant contexts.
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 | 0,005 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».