У цифровій економіці споживачі часто стикаються з величезною кількістю вибору продуктів, що призводить до втоми від прийняття рішень і зниження активності — явище, відоме як перевантаження під час прийняття рішень. Ця проблема особливо очевидна в соціальній комерції, де люди отримують рекомендації щодо продукту з різних джерел, у тому числі від людей, таких як сім’я, друзі, онлайн-спільноти, ключових лідерів думок (KOL) і фан-групи, а також від машинних систем, як-от пропозиції, створені ШІ. Системи рекомендацій, що об’єднують обидва вищезгадані джерела, широко реалізовані на таких платформах, як Spotify, Netflix, Facebook і Amazon, для персоналізації пропозицій щодо продуктів. Результати підкреслюють їхню комерційну значимість. Наприклад, приблизно 70% часу перегляду на YouTube керується алгоритмічними рекомендаціями (Ecarma, 2021), а 80% контенту, що транслюється на Netflix, базується на його системі рекомендацій (Mixson, 2025). За даними McKinsey (2023), 35% від загального обсягу продажів Amazon генерується через механізм рекомендацій. Хоча дослідження підтверджують вплив систем рекомендацій на поведінку споживачів (Adomavicius та ін., 2013, Adomavicius та ін., 2017), проблеми виникають, коли споживачі втрачають довіру до рекомендацій щодо машин і сприймають систему як схильну до помилок. Це явище, відоме як неприйняття алгоритму, спонукає споживачів уникати алгоритмічних порад, що може дорого коштувати маркетологам (Berger та ін., 2021, Райх та ін., 2023). Незважаючи на зростаючу залежність від систем рекомендацій, залишаються прогалини в розумінні того, як ефективність і достовірність джерел людини та машини в процесах переконання в соціальній комерції.
Незважаючи на те, що системи рекомендацій були широко вивчені в контексті електронної комерції, їхня ефективність у соціальній комерції залишається відкритим питанням. У цьому контексті компанії повинні вдосконалити свої стратегії рекомендацій, щоб зміцнити довіру користувачів і впливати на рішення про купівлю, узгоджуючи їх з чіткою динамікою соціальної комерції. Існуючу літературу з цієї теми можна розділити на три основні групи. По-перше, у попередніх дослідженнях розглядалися окремі джерела рекомендацій, наприклад рекомендації на основі машин і людей. У разі машинних рекомендацій користувачі в першу чергу оцінюють такі фактори, як довіра, передбачувана корисність, передбачувана якість технології, сприймана теплота, сприймана компетентність, якість персоналізації та тип продукту, коли вирішують, чи покладатися на пропозиції, керовані алгоритмом (наприклад, Jin and Zhang, 2025, Mishra et al., 2022, Flavian et al., 2022, Yi et al., 2022, Юн і Лі, 2021, Рі і Чой, 2020). Навпаки, у контексті рекомендацій людям дослідження виявили різні фактори впливу, включаючи сприйману довіру до джерела, типи референтних груп, механізми соціального впливу, тип продукту (наприклад, Zirena-Bejarano та Chavez Zirena, 2024, Fernandes та Panda, 2023, Goldberg та Kotze, 2022, Muda та Hamzah, 2021), які впливають на поведінку споживачів у прийнятті рішень. По-друге, порівняльні дослідження проаналізували відмінності між рекомендаціями для людей і машин. Ці дослідження показують, що ефективність цих джерел рекомендацій залежить від таких факторів, як тип продукту, довіра, інформаційний, емоційний вплив і характер джерела рекомендацій (наприклад, Gerlich, 2025, Belanche та ін., 2024, Yang та ін., 2024, Yalcin та ін., 2022, Wien і Peluso, 2021). По-третє, інший напрям досліджень застосовує теорії комунікації переконання, такі як модель правдоподібності розробки (ELM), щоб досліджувати ключові фактори, що впливають на ефективність рекомендацій. Ці дослідження показують, що як центральні сигнали, так і периферійні сигнали формують сприйняття користувачів, які, у свою чергу, підтверджують ефективність рекомендацій (наприклад, Чжан та ін., 2024; Qian та ін., 2024; Парк та ін., 2024, Мусавізаде та ін., 2022, Ахмад Різал та ін., 2022).
Незважаючи на ці цінні висновки, у поточних дослідженнях залишаються значні прогалини. Дослідження в першому потоці в основному зосереджені на рекомендаціях з одного джерела, таких як відгуки споживачів, думки експертів або машинно-генеровані пропозиції. Вони значною мірою не помітили, як механізми переконання відрізняються в різних типах рекомендацій (тобто, людина проти машини). У другому потоці, порівнюючи людські та машинні рекомендації, не враховуються ключові фактори, характерні для соціальної комерції, такі як роль соціальних взаємодій і контенту, створеного користувачами. Хоча в попередніх дослідженнях вивчався переконливий ефект рекомендацій людини проти машини, ми не маємо на меті припустити, що ця лінія дослідження залишається невивченою. Скоріше поточне дослідження підкреслює обмежене розуміння того, як ці механізми переконання діють саме в контексті соціальної комерції, яка характеризується динамічною соціальною взаємодією, впливом однолітків і контентом, створеним користувачами. Крім того, у машинних рекомендаціях споживачі можуть більше покладатися на «функціональну довіру» (наприклад, точність), а не на «соціальну довіру» (наприклад, репутацію того, хто рекомендує), що відрізняється від механізмів впливу міжособистісних рекомендацій. Нещодавні дослідження показали, що функціональні атрибути, такі як якість алгоритму, головним чином обумовлюють довіру до алгоритмічних рекомендацій (Yudhistira & Wang, 2025), тоді як реляційні сигнали, такі як доброзичливість, відіграють сильнішу роль у контексті людських рекомендацій (Langer та ін., 2023). І нарешті, хоча дослідницький потік на основі ELM виявив фактори, що впливають на шляхи рекомендацій, він значною мірою знехтував основними психологічними механізмами, що керують реакцією користувачів на рекомендації людей і машин у соціальній комерції. Оскільки соціальна комерція значною мірою покладається на соціальні мережі для підвищення обізнаності про продукт через взаємодію та вплив із вуст в уста, ці проблеми не можна ігнорувати. Для кращого розуміння їхнього відносного впливу на прийняття споживачем рішень у цьому контексті необхідно провести детальніше дослідження спільного впливу цих джерел рекомендацій.
Щоб усунути ці прогалини, це дослідження пропонує дослідницьку модель, яка зосереджується на процесах переконання різних джерел рекомендацій у соціальній комерції. Це дослідження має на меті дослідити, як людські та машинні рекомендації переконують користувачів за допомогою різних когнітивних і психологічних механізмів, зокрема в контексті, сформованому соціальними взаємодіями та контентом, створеним користувачами. Вивчаючи ці основні процеси, це дослідження прагне забезпечити більш чітке розуміння поведінки споживачів у соціальній комерції. Зокрема, він розглядатиме такі питання дослідження: (1) Які ключові фактори впливу на шлях переконання рекомендацій з різних джерел (людина чи машина)? (2) Як ці фактори впливають на прийняття користувачами рекомендацій шляхом переконання з різних джерел (людина чи машина)? (3) Чи може така зовнішня змінна, як насиченість медіа, вплинути на процес переконання, щоб підвищити визнання користувача? Завдяки цьому дослідженню ми прагнемо заповнити прогалини в існуючих дослідженнях і запропонувати компаніям корисну інформацію для оптимізації своїх стратегій рекомендацій у соціальній комерції, зрештою підвищуючи довіру користувачів і приймаючи рішення про покупку.
Це дослідження використовує ELM, щоб запропонувати фактори, що впливають на шляхи переконання, і емпірично демонструє вплив цих факторів на прийняття рекомендацій. Дослідження досліджуватиме як центральні, так і периферійні шляхи переконання. Центральний шлях розглядатиметься через логічні аргументи та корисність рекомендацій, тоді як периферійний маршрут буде зосереджений на впливі репутації, довіри та нормативних ознак. Цей подвійний аналіз допоможе визначити, як різні медіа-атрибути та зовнішні фактори спільно формують прийняття споживачем рішень у соціальній комерції. Дослідження також включає теорію насиченості медіа, щоб дослідити вплив сприйняття насиченості медіа на сприйняття переконання.
У той час як попередні дослідження переважно розглядали MRT як окрему структуру або попередник, що впливає на сприйняття користувачами та результати рішень, це дослідження пропонує нову концепцію: MRT функціонує як двомаршрутний підсилювач, вбудований в ELM. Зокрема, мультимедійна насиченість концептуалізується як ситуаційний фактор, який посилює прийняття користувачами центрального або периферійного маршруту обробки, залежно від джерела повідомлення та сигналів довіри. Для центрального маршруту мультимедіа пропонує яскраві підказки, які зменшують неоднозначність і допомагають користувачам розуміти й оцінювати складну інформацію про продукт, що веде до більшої деталізації та міцнішого сприйняття функціональної довіри. Для периферійного маршруту мультимедіа надає соціальні та емоційні підказки, які підтримують евристичну обробку, наприклад, вираз обличчя або взаємодія в режимі реального часу від того, хто рекомендує. Завдяки цій ролі MRT працює як інтегрований компонент у структурі ELM, посилюючи переконливий вплив як центральних, так і периферійних маршрутів. Нарешті, як фізичні, так і онлайн-підприємства зазвичай використовують кілька механізмів рекомендації продуктів. Менеджери повинні розуміти, чим споживачі відрізняються у прийнятті цих двох типів механізмів рекомендацій, щоб оптимізувати стратегії рекомендацій і покращити досвід користувачів. Отже, необхідно перевірити сповільнювальний вплив джерела рекомендацій на прийняття споживачами.
Це дослідження використовує часткові найменші квадрати (PLS) для оцінки емпіричної сили зв’язків у запропонованій моделі. З теоретичної точки зору це дослідження об’єднує ELM і теорію насиченості медіа, щоб виявити, як характеристики медіа впливають на процес переконання через центральні та периферійні шляхи. На практиці результати можуть забезпечити конкретне розуміння рекомендацій для платформ соціальної комерції, таких як оптимізація джерел рекомендацій і стратегій медіа-презентації для різних груп аудиторії, тим самим посилюючи вплив систем рекомендацій.
