مقاله انگلیسی با ترجمه استفاده از توییت‌های مبتنی بر مکان برای ارزیابی قابلیت اطمینان رتبه‌بندی های آنلاین

سلام دوست من ، توی این پست براتون یه مقاله انگلیسی جدید با ترجمه که در دسته مقالات مدیریت هست، منتشر کردیم. این مقاله یه مقاله ISI و علمی پژوهشی هست که توی پایگاه الزویر در سال ۲۰۱۹ منتشر شده. فایل انگلیسی ۸  صفحه PDF و فایل ترجمه ۲۴ صفحه WORD و قابل ویرایشه، مثل همیشه مقاله انگلیسی رو می تونید رایگان دانلود کنید. بخش هایی از ترجمه هم براتون رایگان گذاشتم که قبل از خرید ، کیفیت ترجمه رو بررسی کنید. از کیفیت ترجمه هم نگم براتون که مثل همیشه عالییییه. برای خرید ترجمه کامل مقاله روی گزینه خرید و دانلود آنی ترجمه کلیک کنید بعد از پرداخت لینک دانلود بهتون نشون داده میشه، به ایمیلتونم ارسال میشه. اگر سوالی بود می تونید زیر این پست کامنت بزارید سریع جوابتونو میدم.

عنوان کامل فارسی:

تبلیغات دروغ یا تهمت؟ استفاده از توییت‌های مبتنی بر مکان برای ارزیابی قابلیت اطمینان رتبه‌بندی های آنلاین

عنوان کامل انگلیسی:

False advertising or slander? Using location based tweets to assess online rating-reliability

کد محصول: M1609

سال نشر: ۲۰۱۹

نام ناشر (پایگاه داده): الزویر

نام مجله: Journal of Business Research

نوع مقاله: علمی پژوهشی (Research articles)

فرضیه: دارد

متغیر: ندارد

مدل مفهومی: ندارد

پرسشنامه: ضمیمه نشده

تعداد صفحه انگلیسی: ۸ صفحه PDF

تعداد صفحه ترجمه فارسی:   ۲۴ صفحه WORD

قیمت فایل ترجمه شده:  ۶۳۰۰۰ تومان

برای دانلود رایگان مقاله انگلیسی بر روی دکمه ذیل کلیک نمایید

وضعیت ترجمه: این مقاله به صورت کامل ترجمه شده برای خرید ترجمه کامل مقاله بر روی دکمه ذیل کلیک نمایید (لینک دانلود بلافاصله بعد از خرید نمایش داده می شود)

مقالات مرتبط با این موضوع: برای مشاهده سایر مقالات مرتبط با این موضوع (با ترجمه و بدون ترجمه)  بر روی دکمه ذیل کلیک نمایید

چکیده فارسی

نظرات آنلاین در طیف گسترده ای از کسب و کارها، از کالاهای فیزیکی گرفته تا خدمات، منتشر می شوند. فراگیر بودن نظرات و اهمیتی که مشتریان بالقوه به آنها داده اند، بررسی اعتبار آنها را بسیار حائز اهمیت می کند. در حالی که نظرات خوب می تواند شهرت شرکت ها را تقویت کند، نظرات بد می تواند باعث نابودی آنها شود. از آنجایی که نظرات آنلاین ناشناس هستند، مواردی از تبلیغات گمراه کننده و تهمت ناروا وجود دارد که می تواند سردرگمی ایجاد کند. در این مقاله، نویسندگان دلایلی برای سوگیری رتبه‌بندی آنلاین ارائه کرده و روشی برای اندازه‌گیری آن نشان می‌دهند. نویسندگان توییت‌های آگاه از مکان مصرف‌کننده را از مکان‌های کسب‌وکار استخراج می‌کنند تا امتیاز لذت بخش بودن یک مکان را به تصویر بکشند و امتیازات لذت بخشی را با رتبه‌بندی Yelp مقایسه کنند تا تعیین کنند که یک مکان کسب و کار چقدر بیش از حد یا کمتر از حد ارزشگذاری شده است. داده های Foursquare و توئیتر استخراج شده تا با استفاده از فرهنگ لغتی به نام هنجارهای احساسی برای کلمات انگلیسی (ANEW)، امتیاز احساس را از توییت های آگاه از مکان ثبت کنند. در نهایت سوگیری های رتبه بندی در شهرها یافت می شود و انواع مختلف رستوران ها و پیامدهای مدیریتی و سیاستی مورد بحث قرار می گیرد.

کلمات کلیدی: کلان داده ها، توییت های آگاه از مکان، داده کاوی، خط مشی عمومی، تبلیغات دهان به دهان الکترونیکی، رتبه بندی آنلاین

۱.مقدمه

سال ۲۰۱۳ شاهد پایان یک تحقیق پنهانی یک ساله به نام “عملیات حریم پاک” بود که پس از آن ۱۹ شرکت در نیویورک پذیرفتند که از ارسال نظرات آنلاین نادرست برای مشاغل خودداری کنند و بیش از ۳۵۰۰۰۰ دلار جریمه پرداخت کردند (اشنایدرمن، ۲۰۱۳). این رویداد، شغل ارسال  نظرات نادرست مصرف‌کننده را آشکار کرد، که بر انتظارات مصرف‌کنندگان و شهرت کسب و کارها تأثیر می‌گذارد. امروزه اکثریت بزرگی از مصرف کنندگان  قبل از تصمیم گیری برای خرید چه برای خرید یک محصول یا یک خدمات ، وب سایت های نظرات آنلاین را می خوانند،. به طور مشابه، هر سازمانی که به یک مصرف کننده محصولی می فروشد یا به آن خدمات می دهد، انتظار دارد که به صورت آنلاین درباره آن اظهارنظر شود. نظرات خوب برای کسب‌وکارها به نقاط افتخار تبدیل شده‌اند و اغلب به‌عنوان نشان‌هایی مشابه مدال افتخار نمایش داده می‌شوند. هتل‌ها و رستوران‌هایی که توسط سایت مسافرتی «Tripadvisor» یا «Yelp» رتبه‌بندی بالایی دریافت کرده‌اند، با افتخار یک برچسب در خارج از مکان‌های تجاری خود قرار می‌دهند که محبوبیت آنها را نشان می‌دهد. این وب‌سایت‌ها همچنین لوگوهای رایگانی را در اختیار کسب‌وکارها قرار می‌دهند که مشتریان تازه وارد را در مورد قابل اعتماد بودن یک کسب‌وکار متقاعد می‌کنند و آنها را تشویق می‌کنند تا مکان جدیدی را امتحان کنند. بنابراین، امتیاز و لوگو به عنوان مهر تایید، نماد اعتماد و قابلیت اطمینان عمل می کند…

۲.۳. جمع آوری و آماده سازی داده ها

در مرحله اول، داده‌هایی را از بخش پذیرش رستوران‌های شش منطقه در ایالات متحده استخراج کردیم  از جمله پارک مرکزی در نیویورک (NY)، میدان هاروارد در کمبریج (MA)، دفتر توییتر مارکت استریت در سانفرانسیسکو (CA)، کاپیتول هیل در سیاتل (WA)، ایستگاه یونیون در شیکاگو (IL) و ایستگاه اتحادیه در واشنگتن دی سی. این نواحی خاص به دلیل حجم بالای نظراتی که از آنها در foursquare ایجاد می‌شود، انتخاب شدند. ما از آوریل تا ژوئیه داده ها را پیگیری کردیم. این داده‌ها به ما اجازه می‌دهند تا فیلدهایی مانند نام رستوران، محتوای توییت و زمان ورود و توییت را استخراج کنیم. بیش از بیست و پنج هزار توییت مورد تجزیه و تحلیل قرار گرفت که توسط تقریباً ۱۴۰۰۰ کاربر ارسال شده بود. هر توییت به کلمات تشکیل دهنده خود تقسیم شد و کلمات بر اساس گویه های مقیاس Anew بررسی شدند. وقتی کلمه ای شناسایی شد، یک مقدارِ لذتِ عددی به آن کلمه اختصاص دادیم. در پایان پردازش، ما یک شاخص لذت عددی متوسط برای هر توییت داشتیم. این فرآیند برای تمام بیست و پنج هزار توییت تکرار شد (شکل ۱)…

۵.محدودیت ها و تحقیقات آتی

  این مطالعه دارای محدودیت هایی است که باید توسط خوانندگان در نظر گرفته شود. اول، مجموعه داده‌ها تنها در یک دوره سه ماهه جمع‌آوری شد، که ممکن است نمایانگر تمام اثرات فصلی یا آب‌وهوایی بر روی خلق و خو و احساسات نباشد. دوم، داده‌های جمع‌آوری‌شده فقط از ایالات متحده و در داخل آن از برخی مناطق توریستی شناخته شده بود. این کار برای اطمینان از حداقل حجم توییت ها در یک بازه زمانی کوتاه انجام شد. پردازش فقط به زبان انگلیسی انجام شد. ما همچنین مجبور شدیم تمام توییت‌هایی را که به زبان‌های خارجی بودند در طول پردازش داده‌ها حذف کنیم، بنابراین ممکن است برخی از بینش‌های اضافی را از دست بدهیم. تنوع منطقه ای و فرهنگی نیز به طور بالقوه می تواند اثرات را تغییر دهد. سوم برای توضیح الگوهای منطقه ای خلق و خوی ناشی از توییت ها باید عوامل محیطی دیگری نیز در نظر گرفته شوند. عواملی مانند در لحظه بودن و خودجوش بودن، آلودگی محلی، تراکم ترافیک و محیط شهری می‌توانند بر احساسات توییت‌شده تأثیر بگذارند. چهارم، به دلیل ماهیت ناخواسته توییت‌ها، اطمینان از جریان ثابت داده‌ها برای محققان دشوار است. به عنوان مثال، بسیاری از مصرف کنندگان بودند که پذیرش شده اند ، اما اصلا توییت نکردند. این ممکن است به این دلیل باشد که بسیاری از مصرف کنندگان وجود دارند که علاقه ای به فناوری ندارند، یا کسانی که درونگرا تر هستند، ممکن است به یک اندازه مایل به توییت برای تجربه خدمات خوب و بد نباشند، که منجر به شکل دیگری از سوگیری می شود. در نهایت، توییت‌های آگاه از موقعیت مکانی استفاده شده در این تحقیق  از Foursquare منتشر شده بود. از آنجایی که در دسترس بودن داده ها به حفظ ارتباط Foursquare با توییتر از طریق API آنها بستگی دارد، توانایی انجام این نوع تجزیه و تحلیل به دسترسی مداوم به داده های Foursquare بستگی دارد. هر بار که Foursquare دستورالعمل های توسعه دهنده خود را به روز می کند، ارتباط کد داده کاوی را از بخش جمع آوری داده ها قطع می کند. اگر Foursquare خط مشی در دسترس بودن داده های خود را تغییر دهد یا از کار بیفتد، توانایی انجام این نوع تجزیه و تحلیل به خطر می افتد…

فرضیات

گزاره ۱. مکان‌های جغرافیایی با تراکم بیشتر رستوران‌ها ، سوگیری بیشتری را در رتبه‌بندی آنلاین نشان می‌دهند.

گزاره ۲. زیرمجموعه‌های کسب‌وکار که انتظارات حسی را برمی‌انگیزند، سوگیری بیشتری را در رتبه‌بندی آنلاین نشان می‌دهند.

Abstract

Online reviews have diffused into a large variety of businesses, ranging from physical goods to services. The ubiquity of the reviews and the importance given to them by potential customers makes examining their validity extremely important. While good reviews can boost companies’ business, bad reviews can spell their doom. Since online reviews are anonymous, there are cases of both false advertising and slander that can create conflict. In this paper authors provide reasons for online rating bias and demonstrate a way to measure it. Authors mine consumer’s location aware tweets from business locations to capture a location’s pleasure score and compare the pleasure scores to Yelp ratings to determine how overrated or underrated the venue is. Foursquare and Twitter are mined to extract an emotion score from the location aware tweets using a dictionary called the Affective Norms for English Words (ANEW). Rating biases are found across cities and different types of restaurants and managerial and policy implications discussed.

Keywords: Big data, Location aware tweets, Data mining, Public policy, Electronic WOM, Online ratings

۱.Introduction

۲۰۱۳ was witness to the conclusion of a year-long undercover investigation called “Operation Clean Turf” after which 19 companies in New York agreed to stop posting false online reviews for businesses and paid more than $350,000 in fines and penalties (Schneiderman, 2013). The incident brought to light the business of false consumer reviews, which affects consumer expectations and business reputations. Today the large majority of consumers read review websites before making purchase decisions, whether it be for buying a product or a service. Similarly, every organization that sells to or serves a consumer, expects to be reviewed online. Good reviews have become points of pride for businesses and are often displayed as badges similar to marks of honor. Hotels and restaurants that are rated highly by travel site “Tripadvisor” or “Yelp” proudly put a sticker outside their business locations demonstrating their popularity. These websites also give out free stickers to businesses which convince first time customers of the trustworthiness of a business, and encourage them to try out a new place. The rating score and sticker thus serve as a seal of approval, a symbol of trust and reliability.