La générativité comme stratégie de positionnement chez les consommateurs seniors est-elle efficace ?
Bibliographic record
Abstract
Bien que les consommateurs de moins de 50 ans soient plus génératifs que les plus de 50 ans, cet article montre que les personnes de plus de 50 ans sont sensibles aux publicités génératives. Sur la base d’une expérimentation qui inclut deux produits (polo et montre), cette recherche montre la pertinence d’une stratégie de positionnement génératif pour des produits ciblant une clientèle vieillissante. Toutefois, les résultats diffèrent en fonction des produits. Dans le cas du polo positionné comme génératif, plus les répondants ont une générativité communautaire et agentique élevée, plus leur attitude et leur intention d’achat vis-à-vis du message et du produit sont positives. Sous un autre angle, dans le cas d’une montre positionnée générative, plus les individus ont une forte générativité communautaire plus ils montrent une attitude positive envers le message et le produit, mais cela n’influence pas leur intention d’achat. Dans le contexte du marché de la montre, la générativité agentique des individus n’influence aucune variable. L’article présente également un portrait sociodémographique des consommateurs génératifs seniors ainsi que des stratégies managériales qui permettent de positionner un produit comme génératif.
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 | 0.003 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 0.002 |
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".