Kuluttajien suhtautuminen mobiilimainontaan – sitoutumista vai välttelyä?
Notice bibliographique
Résumé
Mobiilimarkkinoinnin määrä on kasvanut huomattavasti kuluttajien ajankäytön siirtyessä yhä enemmän mobiiliin, ja sen on todettu olevan tehokas keino mainostaa. Mobiilimarkkinointi pitää sisällään maksetun mobiilimainonnan, johon tässä tutkielmassa syvennytään tarkemmin. Kuluttajien on arveltu suhtautuvan mobiilimainontaan positiivisemmin kuin muuhun mainontaan, sillä se on hyvin kohdennettua ja sijaintitiedot ovat hyödynnettävissä. Tosin mobiilimainonnan lisääntyminen ja sen sulautuminen muuhun mobiilisisältöön voi synnyttää kuluttajissa kielteistä reagointia ja jopa mobiilimainonnan välttelyä. Tässä tutkimuksessa tarkoitus on selvittää, miten kuluttajat suhtautuvat mobiilimainontaan. Tutkimuskysymykset ovat: Miten ja mistä syistä kuluttajat välttävät mobiilimainontaa, sekä miten ja mistä syistä kuluttajat sitoutuvat mobiilimainontaan. Asiaa lähestytään mainonnan sitoutumisen ja mainonnan välttelyn teorioiden kautta. Tutkimus kontribuoi mobiilimainonnan kirjallisuuteen tarjoamalla näkökulman, joka mahdollistaa vastakkaisen ja moniulotteisen ymmärryksen saamisen sitoutumisen ja välttelyn tekijöistä mobiilimainonnassa. Empiirinen osa tutkimuksessa sisältää kahdeksan diginatiivi-sukupolvea edustavan kuluttajan haastattelun ja selvittää heidän taipumuksiaan vältellä ja sitoutua mobiilimainontaan. Tutkimusmateriaali analysoidaan kvalitatiivista sisältöanalyysiä hyödyntäen. Tutkimuksen tulokset osoittavat, että välttelyyn ja sitoutumiseen vaikuttavat useat erilaiset tekijät. Jos mobiilimainonta on luotettavaa, asiantuntevaa, tarjoilee ajanvietettä tai etuja, kuluttajien sitoutuminen mainontaan on todennäköisempää. Jos mobiilimainos nähdään epäaitona tai mainos keskeyttää kuluttajan tekemisen, mainos ei sitouta yhtä helposti. Sitoutumiskäyttäytyminen ilmenee esimerkiksi mainoksen jakamisena tai mainostettavan tuotteen ostona. Välttelykäyttäytymiseen kuuluu negatiivisen tiedon levittäminen tai mobiilimainoksen pois painaminen. Tutkielman havaintojen mukaan välttelykäyttäytyminen on melko alhaista sitoutumiseen verrattuna.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,003 |
| Communication savante | 0,008 | 0,005 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,048 | 0,026 |
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 ».