Instagram et TikTok influencent-ils les comportements d'achat en ligne?
Bibliographic record
Abstract
Certains réseaux sociaux (RS), comme Instagram et TikTok, sont basés exclusivement sur le partage de photos ou de vidéos. Les utilisateurs de ces RS sont exposés à du contenu visuel pouvant modifier leurs comportements d’achat en ligne, notamment par la publicité et le contenu partagé par les personnalités publiques. L’objectif de l’étude est de vérifier si l’utilisation d’Instagram ou de TikTok permet de prédire les comportements d’achat en ligne. Via un questionnaire en ligne, 406 utilisateurs d’Instagram ou de TikTok, majoritairement de sexe féminin (83,3%), étudiants (75,1%) et tous âgés de 18 ans et plus (M = 26,4 ans), ont répondu à des questions concernant leurs habitudes d’utilisation des RS, leurs comportements d’achat en ligne ainsi que leur niveau de matérialisme, d’image de soi, d’anxiété et de dépression. Les résultats issus de régressions linéaires ne permettent pas de prédire de manière statistiquement significative les comportements d’achat en ligne. L’hypothèse de l’étude voulant que l’utilisation des RS puisse prédire les comportements d’achat en ligne n’est donc pas confirmée. Les modèles de régressions linéaires indiquent que les covariables de matérialisme, de revenu, d’image de soi et d’anxiété prédisent de manière statistiquement significative (p < 0,05) les comportements d’achat en ligne, malgré le peu de variance expliquée dans chaque modèle (R2 < 0,05). Ces résultats peuvent s’expliquer par la présence d’une relation plus complexe entre l’utilisation des RS et les comportements d’achat en ligne. Certaines variables externes aux modèles pourraient mieux expliquer le lien entre RS et comportements d’achat en ligne.
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 | 0.002 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.018 | 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".