Investigating the Effect of AI-Generated Customer Reviews on Purchase Intent and Perceived Authenticity in E-Commerce Environments
Notice bibliographique
Résumé
The fast emergence of generative artificial intelligence (AI) in online marketplaces has prompted critical inquiries about consumer perceptions of AI-authored content. Online reviews function as a leading factor that influences buying decisions, although there is limited understanding of how review origin (whether composed by humans or AI) affects authenticity perceptions and willingness to purchase, especially in developing markets where e-commerce trust remains low. This research investigated the effect of AI-generated customer reviews on purchase intent and perceived authenticity among Nigerian e-commerce users. The research employed a survey experiment using a simulated product page from AliExpress, as well as 300 participants between 25 and 40 years old, to examine direct, mediating, and moderating effects through a PLS-SEM model. The findings indicate that AI-generated reviews are regarded as less genuine than human-written reviews (β = −1.418, p < .001). In addition, the study found perceived authenticity to be a significant predictor of purchase intent (β = +0.766, p < .001) while completely mediating the connection between review source and intent (indirect β = −1.086, p < .01). Unexpectedly, platform trust did not moderate this relationship. The research results enhance marketing theory by using the Theory of Reasoned Action (TRA) and the Elaboration Likelihood Model (ELM) in AI environments to demonstrate that authenticity serves as a crucial cognitive factor in digital persuasion. From a practical perspective, the research indicates the need for both local and global e-commerce platforms to maintain clear review disclosure to customers, while Nigerian regulatory authorities need to create disclosure standards for consumer protection. Nevertheless, this study confirms that authenticity continues to be a fundamental element of trust and purchasing behaviour, even within a marketplace driven by AI.
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 | 0,009 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».