Quantifying the Emotional Value of Goods and Services: Values of Hate and Love and Everything in between
Notice bibliographique
Résumé
Conventional economic analysis treats goods and services as bundles of functional attributes whose value is revealed by prices and choices. Yet real-world demand is pervasively shaped by feelings—joy, disgust, pride, nostalgia, envy, comfort, belonging. This paper formalizes emotional value as a measurable component of consumer welfare, distinct from (but interacting with) functional utility and monetary cost. Building on affective science, neuro-economics, marketing, and information systems, I propose a composite Emotional Value Index (EVI) that integrates (i) self-report psychometrics, (ii) linguistic and behavioral traces, (iii) psychophysiology (e.g., HRV, EDA, pupil and gaze), (iv) neural evidence, and (v) digital footprints (search, clickstreams, reviews). The paper details measurement, validation, and computation of EVI, including methods to infer affect from online data rather than questionnaires alone. I illustrate applications for platform firms (Google/YouTube, Amazon, Apple, Netflix), discuss how love (positive valence, high identity alignment) and hate (negative valence, high arousal/identity threat) sit at opposite poles of an effect space, and show how EVI can slot into cost–benefit analysis, hedonic pricing, discrete-choice models, and computable general equilibrium. I conclude with a governance blueprint (privacy law, dark-pattern avoidance, differential privacy) for ethically harnessing emotion. The approach reframes “value” to include how goods make us feel, not just what they do. Key empirical and theoretical anchors are cited at the end
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 | 0,008 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».