Inherent Issues with User-Generated Star Ratings
Notice bibliographique
Résumé
User-generated ratings—“star ratings”—are among the most influential sources of information for consumers online. In this dissertation, I provide two arguments to suggest ratings may be a flawed source of information for consumers. Both demonstrate that ratings for products are highly context-dependent. Chapter 2 focuses on mental context, showing that ratings are created with respect to a frame of reference a specific product engenders, including expectations for quality/experience. Because different products can elicit different frames of reference, ratings are not comparable across alternatives. Chapter 3 then shows the similar influence of consumption context—raters’ physical context at the time of consumption—on ratings. Ratings are said to benefit consumers by conveying the value consumers receive by consuming a product. However, consumption experience is a function of both features intrinsic to the product and incidental aspects of consumption context. I find that consumption context can bias individual ratings, which is problematic if prospective consumers use ratings as a proxy for a product’s intrinsic quality. In both essays, my findings have implications for consumers and platforms. For consumers, I show that differences in ratings are often uninformative of product quality, making ratings a poor proxy for one’s future experience. For platforms, my results demonstrate the need to improve how ratings are created and later shown to consumers. All code, data, materials, and pre-registration documents can be found on OSF at: https://osf.io/5yr34/?view_only=20bbff1825c040ae8c4e4052475e0988
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 | 0,236 | 0,600 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,010 | 0,007 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,011 |
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 ».