Effect of Web Channel Richness and Web Information Richness On Satisfaction and Learning: A Study of Simple and Complex Products
Bibliographic record
Abstract
Le présent article traite de la question suivante : Quels sont les effets de la richesse de l’information contenue sur un site web et de la richesse technique d’un site web sur la satisfaction des usagers et sur leur apprentissage des produits ? En nous basant sur la littérature en communications et en marketing, nous faisons l’hypothèse que les effets de la richesse d’un site web dépendent de la complexité du produit vendu. Deux cent sept professionnels, gestionnaires, et étudiants ont visité 22 pages web vendant soit des produits complexes ou simples. Les résultats indiquent que la satisfaction des individus qui ont visité les sites web vendant des produits complexes était influencée à la fois par la richesse de l’information et par la richesse technique des sites. L’apprentissage du produit dépendait de la richesse de l’information contenue sur les sites web. Contrairement aux attentes, la richesse d’un site web a également influencé significativement la satisfaction et l’apprentissage lorsque les individus ont visité des sites web vendant des produits simples. La satisfaction était influencée à la fois par la richesse de l’information et par la richesse technique, alors que l’apprentissage était influencé uniquement par la richesse de l’information. L’article contribue à la littérature en proposant les concepts de richesse de l’information et richesse technique de sites web, qui peuvent servir de bases théoriques pour les recherches futures sur le commerce électronique. L’article contribue également à la pratique en démontrant l’importance relative des deux types de richesse et aidant ainsi les gestionnaires et les spécialistes en technologies de l’information à mieux concevoir les sites web.
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 | 0.000 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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".