Les facteurs déterminants de l'intention d'achat en ligne : cas des maghrébins immigrés au Canada
Bibliographic record
Abstract
L'achat à partir d'internet représente une des plus importantes tendances marquant les dernières années surtout au Canada. Le volume de ventes enregistrées laisse prévoir un grand potentiel dans le marché québécois en particulier. Cependant malgré l'usage de plus en plus croissant d'internet pour des activités de détail, peu de recherches se sont intéressé aux groupe ethniques qui composent le Québec, et à connaitre les facteurs qui poussent les consommateurs d'une culture d'origine différente à acheter en ligne. Cette étude pose cette problématique, et tente d'y apporter des éléments de réponses. Elle présente deux objectifs. Premièrement, un modèle théorique est élaboré pour expliquer les intentions d'achat à partir d'internet, et ce en se basant principalement sur le modèle de Triandis (1979). Deuxièmement, ce modèle est testé théoriquement par un sondage en ligne sur 120 répondants magrébins résidant au Canada, et plus spécifiquement dans les villes suivantes : Montréal, Repentigny, Laval et Gatineau. Partant de la revue de littérature, nous avons générés 7 hypothèses de recherche qui expliquent le lien entre l'intention d'achat en ligne et les principaux facteurs explicatifs. Nous avons introduit trois nouvelles variables au modèle théorique de Triandis, qui sont : le niveau d'acculturation, le risque perçu et la durée de résidence au pays. Les résultats de cette étude nous ont permis d'identifier un modèle explicatif économique qui fait ressortir les principaux facteurs qui influencent significativement l'intention de nos consommateurs maghrébins pour faire des achats en ligne. Il s'agit d'un modèle à deux variables (attitude et expérience d'achat) et qui nous permet d'expliquer 42.2% de la variance totale. L'étude se propose d'apporter aux responsables marketing des éléments de décision permettant d'identifier les stratégies marketing les mieux adaptées au contexte du marché multiethnique, afin répondre aux besoins spécifiques de cette population. \n______________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : Achat en ligne, commerce électronique, intention d'achat, culture, acculturation
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.002 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".