【chatgpt消费者偏好】是什么驱动了游客持续旅游意愿?推文分享—2024-07-08

今天推文的主题是【chatgpt&消费者意愿】

第一篇:文章主要研究了什么因素驱动旅游者继续使用ChatGPT进行旅行服务,并从`人类拟态`的角度探讨了`旅游者对ChatGPT的感知和使用意图`。第二篇:本文探讨了`ChatGPT-4`在生成针对`TripAdvisor`上发布的客户评论或投诉的`管理响应方面`的应用。第三篇:`AI方言`的引入如何影响消费者对AI系统的信任、满意度和忠诚度。第四篇:探讨了`ChatGPT和现有的人工智能(AI)推荐系![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/f5abcaaf1d9b409499fce6d038bd1595.png#pic_center)
统对消费者选择`的影响,并研究`品牌意识`如何调节这种影响。第五篇:研究主要探讨了ChatGPT提供的个性化旅行推荐的`相关性、可信度、实用性和智能性`如何影响旅行者对其的信任度和行为意图。

一、是什么驱动了游客持续:使用ChatGPT进行旅游服务的意愿?刺激-机体-反应视角

1、研究背景

本文探讨了人工智能技术,特别是ChatGPT在旅游服务业中的应用。随着自然语言处理(NLP)技术的不断发展,ChatGPT等高级语言模型的出现,为旅游服务业带来了革命性的变化,能够提供从处理订单到提供定制化建议等多种服务。

2、研究问题

文章主要研究了什么因素驱动旅游者继续使用ChatGPT进行旅行服务,并从人类拟态的角度探讨了旅游者对ChatGPT的感知和使用意图

3、研究思路

研究采用了刺激-有机体-反应模型来分析影响创新技术采纳的因素,并探讨了人类拟态特征如何影响旅游者的认知有机体,进而影响他们的行为反应。

4、理论基础

SOR模型源自环境心理学,提出环境刺激会影响个体的认知、情绪和行为。在本文中,SOR模型用于分析人类拟态特征(刺激)如何影响旅游者对ChatGPT的信任和态度(有机体),最终影响其满意度和继续使用意图(反应)。

5、理论模型

模型中提出的变量包括感知的温暖沟通速度感知的能力(刺激)ChatGPT信任对ChatGPT的态度(有机体),以及满意度和继续使用意图(反应)

6、研究假设

研究提出了多个假设,包括感知的温暖、沟通速度和感知的能力正向影响旅游者对ChatGPT的信任和态度;信任和态度正向影响满意度和继续使用意图;技术焦虑负向调节满意度与继续使用意图之间的关系。

7、研究对象与数据收集

研究对象为越南热门旅游目的地的606名使用ChatGPT进行旅行服务的参与者。数据通过系统抽样法在2023年6月15日至7月30日间收集。

8、实证过程

研究通过问卷调查收集数据,使用五点李克特量表评估各项指标。数据收集后,运用SmartPLS 4.0软件进行PLS-SEM分析,以测试假设并评估模型的拟合度。

9、研究结论

​ 研究发现,感知的温暖、沟通速度和感知的能力通过影响旅游者对ChatGPT的信任和态度,进而正向影响其满意度和继续使用意图。技术焦虑则在满意度和继续使用意图之间起到负向调节作用。研究结果为旅游和酒店业利用ChatGPT提供了理论指导和实践建议。


二、休斯顿,我们有一个问题!:ChatGPT在响应客户投诉中的使用

在这里插入图片描述

1、研究背景

服务业,尤其是酒店业,由于服务的无形性、异质性和易逝性,容易出现服务失败,这可能对企业的存续和增长构成威胁。在线旅游机构(OTAs)如TripAdvisor、Booking.com等,使得客户越来越倾向于通过这些平台进行假日预订、分享体验和投诉。这些在线评论和管理层的响应对潜在客户的决策有显著影响。

2、研究问题

本文探讨了ChatGPT-4在生成针对TripAdvisor上发布的客户评论或投诉的管理响应方面的应用。研究问题集中在ChatGPT-4生成的管理响应是否满足高效和有效的管理响应要求。

3、研究思路

研究通过收集TripAdvisor上的客户投诉和酒店管理的响应,使用ChatGPT-4生成相应的管理响应,然后通过行业专家评估这些响应的有效性

4、理论基础

研究基于服务恢复模型的六个维度和三种正义维度,这些维度常用于评估客户投诉后期望得到的服务恢复。服务恢复模型包括及时性、便利性、补偿、道歉、可信度和关注性正义理论涉及分配正义、程序正义和互动正义

5、理论模型

理论模型将服务恢复的六个维度与三种正义维度相匹配,以评估管理响应的有效性。变量提出基于先前研究,其中分配正义与补偿相关,程序正义与及时性和便利性相关,互

6、研究方法

采用便利抽样,邀请40位行业专家(包括旅游和酒店学术专家以及五星级酒店经理)基于服务恢复模型和正义维度对ChatGPT-4生成的响应和酒店实际响应进行评估。

7、研究对象与数据收集

研究对象为TripAdvisor上的客户投诉和酒店管理的响应。数据收集包括从TripAdvisor选择客户投诉和酒店响应,以及ChatGPT-4生成的响应。

8、实验过程

实验过程包括使用ChatGPT-4生成管理响应,并通过调查问卷形式让专家对这些响应进行评分。专家根据服务恢复的六个维度和三种正义维度对响应进行评估。

9、研究结论

​ 研究发现ChatGPT-4生成的管理响应在所有评估维度上得分显著高于酒店实际的管理响应。ChatGPT-4的响应质量极高,能够在几秒钟内生成,并且几乎不需要任何努力。此外,ChatGPT-4能够根据客户投诉的严重程度生成不同程度的补偿,这对于服务失败和恢复文献具有重要意义。

10、局限性

​ 研究的局限性包括样本量相对较小,只针对TripAdvisor上的欧洲五星级酒店的客户投诉和响应。此外,研究没有考虑跨文化因素,未来研究可以探索ChatGPT在不同文化背景下的应用,以及在更广泛的服务和制造业中的潜在用途。研究还指出,ChatGPT可能因其实时和动态的特性而对同一提示生成不同的响应,这可能影响AI响应的一致性


三、说你的语言:人工智能系统中方言融合的心理影响

1、研究背景

  • 随着人工智能(AI)系统的普及和采用率的上升,本文提出了一个有前景的建议:使用AI方言来增强AI的感知度。文章深入探讨了个性化AI方言如何增强用户对温暖、能力和真实性的感知,强调了拟人化在加强对AI系统的信任、满意度和忠诚度中的关键作用。

2、研究问题

  • 本文探讨的主要问题是AI方言的引入如何影响消费者对AI系统的信任、满意度和忠诚度

3、研究思路

  • 文章提出了一个综合的研究框架,用于探索AI方言引入的潜在机制和结果,并讨论了这些影响可能如何根据AI模态(文本、语音和视频)、行业采用和用户人口统计学的不同而变化。

4、理论基础

  • 文章基于拟人化理论该理论认为将人类特征归因于聊天机器人和其他技术可以定制以适应个别用户的偏好和需求的互动。此外,还考虑了温暖和能力这两个与AI拟人化相关的构建,它们分别捕捉了与感知意图和感知能力相关的特征。

5、理论模型

  • 理论模型提出了AI方言引入可能通过影响用户对AI的温暖、能力和真实性的感知来影响信任、满意度和忠诚度。模型中提出的变量包括AI方言、拟人化、温暖、能力、真实性、信任、满意度和忠诚度,以及它们之间的关系。


四、比较研究ChatGPT推荐和AI推荐系统对考虑集形成的影响

1、研究背景

本文探讨了ChatGPT和现有的人工智能(AI)推荐系统对消费者选择的影响,并研究品牌意识如何调节这种影响。ChatGPT是一种基于GPT架构的大型语言模型,能够基于学习数据创造内容,与仅分析和推断数据的现有AI不同。ChatGPT因其能够理解人类问题并提供适当答案的交互性能力而受到广泛关注。

2、研究问题

  • 现有AI推荐系统和ChatGPT推荐对消费者选择的影响是否存在差异
  • AI推荐系统和ChatGPT推荐的性能如何影响信任转移效应
  • 品牌意识的高低是否影响AI推荐系统和ChatGPT推荐的性能对信任转移效应的影响;
  • 品牌意识在推荐系统性能和消费者选择过程中的调节作用

3、研究思路

研究采用了实证比较调查的方法,通过结构方程模型和PROCESS宏进行分析,以比较ChatGPT和现有AI推荐系统在信任转移效应、品牌意识的调节效应以及在品牌意识不同水平下的串行中介效应。

4、理论基础

研究基于消费者决策过程理论信任转移效应理论,以及品牌意识对消费者选择的影响。信任转移效应指在面对未知实体(目标)时,对来源的信任转移到目标上。品牌意识与消费者在购买情境中回忆品牌的能力相关,影响购买决策。

5、理论模型

模型包括以下变量:感知绩效(PP)、对推荐系统的信任(TR)、对推荐产品的信任(TP)、品牌意识(BA)和采纳考虑集的意图(IC)。

6、研究方法

采用在线问卷调查的方式,通过Amazon Mechanical Turk (MTurk) 招募471名参与者,使用2×1(Amazon vs. BingChat)的被试内设计进行四项研究。

7、实证过程

研究分为四部分,逐步分析了Amazon和BingChat的影响、信任转移效应、品牌意识的调节效应以及串行中介效应。数据经过预筛选,排除不诚实回应,最终443份有效问卷用于分析。

8、研究结论

研究发现ChatGPT和现有AI推荐系统通过TR和TP影响消费者从感知绩效到采纳考虑集的意图。ChatGPT在PP对TR的影响以及IC的平均水平上高于现有AI推荐系统。品牌意识的高低显著影响了TP,但在高水平品牌意识的情况下,调节效应不显著。

9、局限性

研究限于ChatGPT刚推出九个月后的情况,可能存在初期兴趣和期望的偏差。研究只涉及ChatGPT,可能不适用于其他类型的生成性AI。此外,研究没有将参与者按专业知识水平分类,也没有考虑不同国家消费者的文化差异。


五、旅客对ChatGPT提供的个性化旅游推荐的信任的前因和后果

1、研究背景

本文研究背景基于自然语言处理(NLP)技术的进步,特别是对话代理(如ChatGPT)的发展,它们能够理解并生成类似人类的语言。ChatGPT作为一种高级语言模型,能够生成逻辑性强、适合上下文的回应,并且具有实时性、可定制性和适应性。ChatGPT在旅游和酒店业中的应用,特别是在提供个性化旅行推荐方面,引起了研究者的兴趣。

2、研究问题

研究主要探讨了ChatGPT提供的个性化旅行推荐的相关性、可信度、实用性和智能性如何影响旅行者对其的信任度和行为意图。

3、研究思路

研究通过两个阶段进行:

  • 首先是通过Prolific平台进行的初步理论研究,以测试旅行者对于ChatGPT提供个性化旅行推荐的直观信念;

在这里插入图片描述

  • 其次是基于Amazon MTurk收集的更广泛的调查数据进行的实证研究。

4、理论基础

本文采用了Affordance-Actualization(A-A)理论框架,该理论最初由Gibson在1986年提出,用于描述对象在行动潜力方面的特性而非其物理属性。在信息系统中,affordance定义为技术对象为特定用户群体提供的行动可能性Actualization是指个体如何感知并利用这些可能性来实现目标的过程

5、理论模型

模型基于Choi和Rifon(2002)的广告可信度模型,提出个性化推荐的四个属性——相关性、可信度、实用性和智能性——作为affordances,导致信任作为actualization和行为意图。

6、研究假设

  • H1: 个性化旅行推荐的相关性显著正向影响旅行者的信任。
  • H2: 个性化旅行推荐的可信度显著正向影响旅行者的信任。
  • H3: 个性化旅行推荐的实用性显著正向影响旅行者的信任。
  • H4: 个性化旅行推荐的智能性显著正向影响旅行者的信任。
  • H5: 旅行者对ChatGPT个性化旅行推荐的信任显著正向影响其行为意图。

7、研究方法

研究采用了部分最小二乘结构方程建模(PLS-SEM)来检验构建之间的关系,选择了这种方法是因为数据的非正态分布和研究的探索性质。

8、研究对象与数据收集

研究对象为18岁以上、过去六个月至少旅行过两次的用户。数据通过Amazon MTurk收集,要求参与者具有至少95%的人智验证,以确保数据质量。

9、实证过程

实验分为两个阶段:首先是理论研究,通过展示旅行者与ChatGPT互动的视频来收集102名参与者的直观信念;其次是大规模调查研究,基于344名参与者的数据进行分析。

10、研究结论

​ 研究发现ChatGPT个性化旅行推荐的相关性、可信度、实用性和智能性显著正向影响旅行者对其的感知信任。此外,感知信任显著正向影响行为意图,即信任可以显著提高旅行者采纳ChatGPT推荐的可能性。

11、局限性

​ 研究的局限性包括样本可能对ChatGPT有新鲜感而产生偏见,数据来源单一(Amazon MTurk),以及可能存在其他影响用户对ChatGPT推荐系统信任的因素未被考虑。未来的研究可以探索更多影响因素,如个人隐私和数据安全感知、文化差异等。


希望大家都能在自己的领域twinkling~

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/diannao/43347.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

速盾:cdn防御cc

CDN(Content Delivery Network)是指在分布式网络中分布服务器群,通过就近访问用户、提供快速可靠的内容传输与加速服务。而CC(Challenge Collapsar)攻击则是一种常见的网络攻击手段,通过发送大量的请求来超…

基于门控循环单元 GRU 实现股票单变量时间序列预测(PyTorch版)

前言 系列专栏:【深度学习:算法项目实战】✨︎ 涉及医疗健康、财经金融、商业零售、食品饮料、运动健身、交通运输、环境科学、社交媒体以及文本和图像处理等诸多领域,讨论了各种复杂的深度神经网络思想,如卷积神经网络、循环神经网络、生成对…

GEE代码实例教程详解:地形分析

简介 在本篇博客中,我们将使用Google Earth Engine (GEE) 对特定区域内的地形进行分析。我们将使用SRTM(Shuttle Radar Topography Mission)数据集获取高程信息,并计算坡度、坡向等地形属性。此外,我们还将使用ALOS&a…

# 昇思25天学习打卡营第10天 | 使用静态图加速

昇思25天学习打卡营第10天 | 使用静态图加速 文章目录 昇思25天学习打卡营第10天 | 使用静态图加速动态图的开启方式静态图的开启方式基于全局context的开启方式基于修饰器的开启方式 总结打卡 AI编译框架分为两种运行模式: 动态图模式: 计算图的构建和计…

读人工智能全传07智能体

1. 布鲁克斯革命 1.1. 随着科学认知的发展,有时候旧有科学体系会面临全盘崩溃的危机,新的科学体系诞生,取代传统的、既定的科学体系,这就意味着科学的范式将发生变化 1.2. 澳大利亚机器人学家罗德尼布鲁克斯(Rodney Brooks)&…

DS1302实时时钟芯片_读写时间实现电子钟功能

一、前言 1.1 功能说明 本项目以STC90C51单片机为核心,结合DS1302实时时钟芯片和IIC协议的OLED显示屏,设计了一款功能丰富、操作简便的电子时钟。 【1】项目目标 实现高精度的时间显示,包括时、分、秒。提供按键调整时间的功能&#xff0…

fatal error: NvInfer.h: No such file or directory 的参考解决方法

文章目录 写在前面一、问题描述二、解决方法参考链接 写在前面 自己的测试环境&#xff1a; Ubuntu20.04 一、问题描述 编译调用 tensorrt 的程序时&#xff0c;出现如下报错&#xff1a; fatal error: NvInfer.h: No such file or directory7 | #include <NvInfer.h>…

sublime使用

快速格式化&#xff1a;control command j&#xff08;前提是安装了Pretty JSON 插件&#xff09; 选中多行编辑&#xff1a;option command直接移动bar选中 多光标编辑功能对所有行进行相同的操作。以下是一些常用的方法&#xff1a; 1. 使用鼠标和键盘选择多行 按住 Ctrl&am…

[Java]Swing版坦克大战小游戏项目开发(1)——new出一个窗口

highlight: xcode theme: vuepress 前言 本系列文章带领 Java 初学者学习使用 Java 语言结合 Swing 技术以及设计模式开发一款经典小游戏——坦克大战。通过这个小游戏&#xff0c;你可以学会很多实用的设计模式思想&#xff0c;并且提高你的编码水平。 熟悉Frame Frame 类是 J…

【java计算机毕设】基于java的奶茶店管理系统的设计与实现MySQL ssm JSP maven项目代码源码+文档

目录 1项目功能 2项目介绍 3项目地址 1项目功能 【java计算机毕设】奶茶店管理系统java MySQL ssm JSP maven项目源码代码万字文档 小组设计 2项目介绍 系统功能&#xff1a; 奶茶店管理系统包括管理员、用户俩种角色。 管理员功能包括个人中心模块用于修改个人信息和密码、…

如何在 Ubuntu 14.04 上安装和配置 Syncthing 来同步目录

前些天发现了一个巨牛的人工智能学习网站&#xff0c;通俗易懂&#xff0c;风趣幽默&#xff0c;忍不住分享一下给大家。点击跳转到网站。 介绍 有许多程序可以在不同计算机之间同步文件。Syncthing 是一个引人注目的新选择&#xff0c;它跨平台、完全开源、非常灵活且易于使…

UDP通讯实现

服务器端&#xff1a; 1.获取套接字 int fd;fdsocket(AF_INET,SOCK_DGRAM,0);if(fd<0){perror("socket");exit(0);} #include <sys/types.h> #include <sys/socket.h> int socket(int domain, int type, int protocol); -domain: 指定通信域&…

Elasticsearch 面试题指南

Elasticsearch 面试题指南 本文档提供了一份详细的 Elasticsearch 面试题指南&#xff0c;涵盖了 Elasticsearch 的核心概念、架构、配置、操作和实际应用场景等方面的内容。希望通过这份指南能够帮助你在 Elasticsearch 面试中取得成功。 目录 Elasticsearch 基础知识 什么…

Retrofit框架源码深度剖析【Android热门框架分析第二弹】

Android热门框架解析&#xff0c;你确定不来看看吗&#xff1f; OkHttp框架源码深度剖析【Android热门框架分析第一弹】 Retrofit框架源码深度剖析【Android热门框架分析第二弹】 什么是Retrofit&#xff1f; 准确来说&#xff0c;Retrofit 是一个 RESTful 的 HTTP 网络请求…

网络编程:数据包的封装----libnet库

使用libnet库封装数据包 安装库sudo apt-get install libnet-dev 1、数据包内存初始化 libnet_t *libnet_init(int injection_type, char *device, char *err_buf) 2、构造数据包&#xff0c; 由应用层UDP/TCP到MAC层的顺序构造 封装udp数据包的函数 libnet_ptag_t libnet_bui…

Miniconda的常见用法——以Isaacgym为例

1. ubuntu24.04安装minicondda mkdir -p ~/miniconda3 wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh -O ~/miniconda3/miniconda.sh解释下这段代码 bash ~/miniconda3/miniconda.sh -b -u -p ~/miniconda3~/miniconda3/miniconda.sh: 指向Mi…

java中Function、Consumer和Supplier是函数式接口吗?

是的&#xff0c;在Java中&#xff0c;Function、Consumer 和 Supplier 都是函数式接口&#xff0c;它们都是Java 8引入的java.util.function包中的一部分。这些接口为Lambda表达式提供了类型支持&#xff0c;允许以更简洁的方式表示方法引用和匿名内部类。 Function<T, R&g…

SHARPNESS-AWARE MINIMIZATION FOR EFFICIENTLY IMPROVING GENERALIZATION--论文笔记

论文笔记 资料 1.代码地址 https://github.com/google-research/sam https://github.com/davda54/sam 2.论文地址 https://arxiv.org/abs/2010.01412 3.数据集地址 论文摘要的翻译 在当今严重过度参数化的模型中&#xff0c;训练损失的值很难保证模型的泛化能力。事实上…

代码随想录算法训练营第三十天|62.不同路径、63. 不同路径 II

62.不同路径 一个机器人位于一个 m x n 网格的左上角 &#xff08;起始点在下图中标记为 “Start” &#xff09;。 机器人每次只能向下或者向右移动一步。机器人试图达到网格的右下角&#xff08;在下图中标记为 “Finish” &#xff09;。 问总共有多少条不同的路径&#xff…

软设之生成器模式

生成器模式的意图是:将一个复杂的类表示与其构造分离&#xff0c;使得相同的构建过程能够得出不同的表示 Builder:抽象建造者&#xff0c;为创建一个产品对象各个部件指定抽象接口&#xff0c;把产品的生产过程分解为不同的步骤&#xff0c;从而使具体建造者在具体的建造步骤上…