Exploring the effects of consumers’ trust : a predictive model for satisfying buyers’ expectations based on sellers’ behaviour in the marketplace
Notice bibliographique
Résumé
In recent years, Consumer-to-Consumer (C2C) marketplaces have become very popular among \nInternet users. However, compared to traditional Business-to-Consumer (B2C) stores, most \nmodern C2C marketplaces are reported to be associated with stronger negative sentiments \namong consumers. On the other hand, these negative sentiments are a result of sellers’ inability \nto meet buyers’ expectations. These negative emotions are also linked to the low trust \nrelationship among sellers and buyers in C2C marketplaces. The growth of these negative \nemotions might jeopardize buyers’ decisions to opt for C2C marketplaces in their future \npurchase intentions. \nIn the present study, the concept of trust is explained in a situation characterised by the \nfollowing aspects: One party (the trustor) is willing to rely on the actions of another party (the \ntrustee) in a situation in the future to meet his/her expectations. Based on the buyer’s and \nseller’s behaviour in the C2C marketplace, we were able to quantify the trust emotion found in \ntext. We also performed text mining on Airbnb, a rich source of data in C2C interactions, to \nquantify the trust level in host descriptions of offered facilities. Specifically, the research \nquestions addressed the possibility to infer trust from C2C interactions on Airbnb, as well as \nwhether it is possible to infer trust from emotions such as joy and fear. The data are acquired \nfrom Ashville, and Boston in the USA, Vancouver in Canada and Manchester in the UK. In \nline with our expectations, the results of the analysis demonstrate that negative guest feedback \nin Airbnb reviews is stronger when the description of the host’s property expresses the emotion \nof joy only. Conversely, negative guest sentiments in reviews are the weakest when the host \nsentiment expressed in Airbnb listings is mixed and expresses different balanced emotions \n(e.g., joy and fear).
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 | 0,003 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».