Article de recherche

Comment les caractéristiques des célébrités virtuelles influencent l’intention d’achat : tester le cadre stimulus-organisme-réponse avec la modélisation par équations structurelles

857 vues

⸱

DOI :

10.3791/70685

⸱

3 mars 2026

 , 
1Seoul Business School, aSSIST University, 2Department of Management Information Systems, Dong-A University

Dans cet article

Résumé

Dans le contexte de l’expérience virtuelle des célébrités, la qualité du contenu est la plus forte source de satisfaction ; La satisfaction, à son tour, augmente indirectement l’intention d’achat via la fidélité. La personnalisation renforce le lien satisfaction-fidélité, les entreprises devraient donc privilégier le contenu virtuel de célébrités émotionnel, cohérent et narratif, ainsi que des programmes de fidélité personnalisés.

Résumé

Ces dernières années, des entreprises ont commencé à introduire des célébrités virtuelles pour promouvoir leurs produits et marques sur divers canaux médias. Cette recherche utilise le cadre stimulus-organisme-réponse (SOR) pour étudier empiriquement comment les facteurs d’attractivité des célébrités virtuelles, tels que l’apparence, la voix et la qualité du contenu, peuvent influencer la satisfaction des consommateurs, la fidélité et l’intention d’achat. La modélisation structurelle par équations par moindres carrés partiels (PLS-SEM) a été utilisée pour tester les hypothèses à partir d’un échantillon de 249 participants ayant vécu des expériences virtuelles de célébrités. Les résultats indiquent que la qualité du contenu est le principal indicateur de la satisfaction des utilisateurs et que la satisfaction influence indirectement l’intention d’achat par la fidélité. De plus, la personnalisation modère la relation satisfaction-fidélité, suggérant que des expériences personnalisées amélioreraient l’engagement des célébrités virtuelles et des fans. Les résultats indiquent que les entreprises envisageant des campagnes de célébrités virtuelles devraient se concentrer davantage sur un contenu émotionnel et cohérent avec la narration plutôt que sur le réalisme visuel. De plus, des investissements dans des programmes de fidélisation et des solutions d’engagement personnalisés sont nécessaires pour transformer la satisfaction des consommateurs en comportements durables.

Introduction

L’endossement de célébrités reste largement utilisé, et les entreprises adoptent de plus en plus des célébrités virtuelles sur les canaux de médiasnumériques 1. Les avancées en IA et dans les technologies associées ont diversifié les formes de célébrités virtuelles et amélioré la scalabilité et l’interaction2.

Les célébrités virtuelles sont des hybrides de personnages virtuels et de célébritéstraditionnelles 3 et sont définies ici comme des personas créées numériquement qui obtiennent reconnaissance publique et attachement durable grâce à des interactions narrativesrécurrentes 3,4. Cette étude se concentre sur les célébrités virtuelles audiovisuelles dans le marketing digital destiné aux consommateurs. Bien que les entreprises s’en appuient de plus en plus pour influencer le comportementdes consommateurs 5, les recherches ont accordé une attention limitée à la manière dont les expériences de célébrités virtuelles se traduisent par satisfaction, fidélité et intention d’achat.

Des travaux antérieurs ont examiné les perspectives comportementales, cognitives etaffectives 4, en mettant l’accent sur la crédibilité et l’authenticité 6,7, l’authenticitéperçue 8, la divulgationde l’identité 9, la qualité de l’information10 et les réponsesémotionnelles 11. Les études ont également mis en avant des indices d’attractivité tels que l’apparence, la voix et la qualité ducontenu 12, mais elles n’expliquent souvent pas comment ces facteurs influencent les résultats pourles consommateurs 13,14. En conséquence, les évaluations favorables ne se traduisent pas systématiquement par une intention d’achat, et les preuves sur la relation satisfaction–achat restent mitigées.

Pour combler cet écart, cette étude examine comment l’apparence, la voix et la qualité du contenu influencent la satisfaction, la fidélité et l’intention d’achat, tout en testant la personnalisation en tant quemodérateur 15,16 utilisant le cadre SOR.

Cette étude contribue en conceptualisant l’attractivité des célébrités virtuelles comme apparence, voix etcontenu 17, clarifiant la loyauté comme mécanisme clé reliant la satisfaction à l’intentiond’achat 18,19, et identifiant la personnalisation comme amplificateur de la relation satisfaction–loyauté 20.

Cadre stimulus-organisme-réponse (SOR)
Le cadre SOR explique comment les stimuli environnementaux influencent les états internes et les réponsescomportementales 21 à travers une séquence de stimuli (S), d’états organiques (O) et de réponses (R). Il a été largement utilisé dans des contextes tels que le Métavers, le jeu vidéo, la vente au détail, la publicité, le commerce électronique et l’endorsement decélébrités 22,23,24,25,26,27,28. Cependant, bien que le SOR structure les relations entre attributs, évaluations et résultats de célébrités virtuelles, il n’explique pas entièrement comment les évaluations deviennent des intentions comportementales. Ainsi, cette étude intègre le marketing relationnel et la théorie de laloyauté 29 pour clarifier le mécanisme satisfaction–fidélité–intention d’achat.

Les réactions des consommateurs aux célébrités virtuelles sont de plus en plus influencées par des indices expérientiels tels que l’attractivité audiovisuelle et l’engagement ducontenu 4,30. L’apparence et la voix influencent les premières impressions, tandis que la qualité du contenu maintient l’engagement émotionnel etnarratif 14,31. Bien que ces facteurs favorisent des évaluations positives, des recherches antérieures montrent que les perceptions favorables seules ne peuvent pas influencer l’intention d’achat. Les constructions relationnelles telles que la loyauté et l’engagement semblent transformer les expériences positives en intentionscomportementales 32,33. En conséquence, l’apparence, la voix et la qualité du contenu sont modélisées comme des stimuli ; la satisfaction et la loyauté en tant qu’états organiques ; et l’intention d’achat comme réponse comportementale. La loyauté est conceptualisée comme un engagement psychologique, et l’intention d’achat comme le résultat conatif.

Soutien de célébrités
L’endossement de célébrités est une stratégie marketing largement utilisée34 dans laquelle des individus reconnus font la promotion de produits ou de services35. Son utilisation s’est étendue à l’échellemondiale 1, 36, 37, notamment avec l’essor des influenceurs sur les réseauxsociaux. Les influenceurs générés par ordinateur sont apparus comme des alternatives aux soutiens humains37, opérant principalement via des plateformesnumériques 38.

Des recherches approfondies ont examiné l’efficacité desendorsements 39,40, proposant des modèles tels que la crédibilité de la source41, signifiantle transfert 35, l’attractivité de sourceétendue 42, l’adéquation marque-célébrité43, et les effets de transfertde procédé 44. Ces cadres mettent l’accent sur la crédibilité, l’attractivité, le transfert symbolique de signification et la congruencede la marque 45, fournissant une base pour comprendre les mécanismes d’approbation dans les contextes virtuels.

Célébrité virtuelle
Des études récentes examinent les influenceurs générés par IA, les VTubers et les ambassadeurs virtuels de marque dans des environnementsnumériques, mettant l’accent sur l’interaction, la personnalisation et l’authenticité. La théorie de la richesse des médias suggère que des médias plus riches améliorent l’efficacité de lacommunication 47, et les personnages virtuels illustrent cette richesse grâce à des interactions immersives etmultisensorielles 48, influençant les réponses émotionnelles et sociales49.

Bien que « célébrité virtuelle » englobe divers personasnumériques 50, cette étude se concentre sur des célébrités virtuelles audiovisuelles visuellement incarnées, avec des identités stables et un contenu récurrent. Des recherches antérieures présentent leur influence à travers des perspectives comportementales, cognitives etaffectives 4. La recherche comportementale examine les comportements d’engagement et d’achat32,51 ; La recherche cognitive met en avant la crédibilité,l’authenticité 8, la divulgation d’identité 9,52 et la qualité de l’information10 ; La recherche affective met l’accent sur les attitudesémotionnelles 11.

Caractéristiques des célébrités virtuelles
S’appuyant sur la théorie de la crédibilité des sources, les recherches ont examiné l’anthropomorphisme, l’attractivité, la fiabilité, l’expertise et l’interaction parasociale dans des contextesvirtuels 1,32,53. L’anthropomorphisme influence positivement les réponses desconsommateurs 54,55 et s’aligne avec le paradigme56 de Computers Are Social Actors, étendu aux agentsmédias 57, chatbots58 et influenceurs virtuels. Cependant, les célébrités virtuelles varient enréalisme 4, et la théorie de la vallée étrange suggère que des représentations quasi humaines peuvent susciter unmalaise 59.

Les avancées technologiques ont orienté les célébrités virtuelles vers des agents dynamiques et générateurs de contenu, augmentant l’importance d’attributs expérientiels tels que la qualité du contenu et l’expressivité vocale. La recherche a examiné la voix synthétique14, l’apparencefaciale 13, la congruence apparence–voix 60, l’attractivitéaudiovisuelle 30, et les réponses aux visages généréspar ordinateur 61.

Cette étude conceptualise l’attractivité des célébrités virtuelles à travers l’apparence, la voix et le contenu. L’attractivité physique influence l’évaluationsociale 62, conforme à l’effethalo 62, et devrait augmenter la satisfaction. La qualité du contenu représente la dimension narrative et expérientielle de la production de célébrités virtuelles et est conceptuellement distincte de la qualité du service63, 64, 65.

Satisfaction
La satisfaction reflète l’évaluation cognitive et émotionnelle des consommateurs quant à la conformité des expériences66,67 et est façonnée par la performance perçue par rapport auxattentes 68,69. Elle a été largement étudiée dans des contextes enligne 70 et est centrale dans l’évaluationde performance 71. L’attractivité influence la satisfaction dans les établissementsde service 72,73, et l’attractivité vocale a montré des effets similaires74. En conséquence, l’apparence, la voix et la qualité du contenu sont censées façonner la satisfaction dans les contextes de célébrités virtuelles.

En conséquence, les hypothèses suivantes sont proposées :
H1 : L’attractivité visuelle des célébrités virtuelles influence positivement la satisfaction des consommateurs.
H2 : L’attractivité vocale des célébrités virtuelles influence positivement la satisfaction des consommateurs.
H3 : La qualité du contenu des célébrités virtuelles influence positivement la satisfaction des consommateurs.

Loyauté
Dans cette étude, la loyauté est conceptualisée comme une loyauté attitudinale, reflétant l’engagement psychologique et le lien d’un consommateur avec la célébrité virtuelle plutôt que le comportement réelréel 19,33. La loyauté représente la volonté de maintenir la relation malgréles obstacles 75 et a été largement examinée comme résultat de la satisfaction dans les contextesen ligne 67,76,tourisme 77, et VTuber dans les contextesd’approbation 33. En conséquence, l’hypothèse suivante est proposée :
H4 : La satisfaction des consommateurs envers les célébrités virtuelles influence positivement la fidélité envers ces célébrités.

Intention d’achat sur les produits et services recommandés par des célébrités virtuelles
L’intention d’achat reflète la probabilité et la préparation du consommateur à acheter un produit ouun service 67,78,79 et est influencée par des facteurs tels que la satisfaction, la confiance, la loyauté et le plaisir78. Il a été démontré que la fidélité prédit fortement l’intentiond’achat 80. Dans les contextes de célébrités virtuelles, la recherche a examiné les effets de l’intention d’achat 8,52 et le rôle médiateur de la satisfaction entre l’attractivité et l’intentiond’achat 81,82. En conséquence, les hypothèses suivantes sont proposées :
H5a : La satisfaction des consommateurs influence positivement l’intention d’achat de manière indirecte à travers la fidélité.
H5b : La relation directe entre satisfaction et intention d’achat n’est pas significative lorsque la fidélité est incluse dans le modèle.
H6 : La fidélité des consommateurs envers les célébrités virtuelles influence positivement l’intention d’achat.

Personnalisation (service personnalisé)
L’interactivité trouve son origine en sociologie et fait référence à la communication basée sur les relations83, souvent rendue possible grâce à la technologie84. L’IA a renforcé le marketing interactif grâce à des servicespersonnalisés 46, faisant de la personnalisation un élément central de l’efficacité du marketingdigital 85. La personnalisation consiste à adapter le contenu ou l’interaction aux individus pour améliorer les résultats86 et soutenir l’engagement et la co-créationde valeur 87. Les avancées dans le big data et les traces numériques permettent aux entreprises de personnaliser la communication en utilisant des historiques comportementaux et des informations utilisateurauto-divulguées 88,89,90.

Des études antérieures montrent que la personnalisation modère des relations clés telles que la qualité–satisfaction91, la confiance–satisfaction 16, et l’adoption de la technologie dans le cadre des préoccupations deconfidentialité 92, ainsi que d’autres voies relationnelles 24,25,26,27. Dans cette étude, la personnalisation est traitée comme un modérateur contextuel façonnant la manière dont la satisfaction et la fidélité se traduisent en résultats liés à l’achat. Les hypothèses suivantes sont proposées :
H7a : La personnalisation perçue renforce la relation entre satisfaction et loyauté.
H7b : La personnalisation perçue renforce la relation entre satisfaction et intention d’achat.
H7c : La personnalisation perçue renforce la relation entre la fidélité et l’intention d’achat.

Modèle de recherche conceptuel
La Figure 1 présente le modèle conceptuel fondé sur le cadre stimulus–organisme–réponse : l’apparence, la voix et le contenu (stimuli) influencent la satisfaction et la loyauté (organisme), l’intention d’achat (réponse) découlant principalement de la loyauté. La personnalisation renforce la relation satisfaction–loyauté et est modélisée comme modérateur de chemins structurels sélectionnés.

figure-introduction-1
Figure 1 : Modèle de recherche basé sur le cadre stimulus–organisme–réponse. Modèle conceptuel illustrant les relations entre les attributs des célébrités virtuelles (apparence, voix et qualité du contenu) en tant que stimuli, variables organismiques (satisfaction et fidélité) et résultats comportementaux (intention d’achat). La personnalisation est modélisée comme un modérateur de la relation satisfaction–loyauté. Les effets indirects liés à la loyauté sont représentés. Note. CAA = Attractivité caractéristique de l’apparence ; CVA = Attractivité vocale caractéristique ; CCA = Attractivité caractéristique du contenu ; LO = loyauté ; PE = Personnalisation ; PI = Intention d’achat ; SA = Satisfaction. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

L’étude a bénéficié d’une exemption d’examen éthique complet selon les directives institutionnelles de risque minimal, car elle impliquait une enquête anonyme en ligne sans aucune information personnelle identifiable recueillie. Un formulaire de consentement éclairé décrivant l’objet de l’étude, la participation volontaire, l’anonymat et l’utilisation des données a été présenté au début de l’enquête, et seuls les participants consentants ont poursuivi.

1. Détermination de la taille de l’échantillon

L’échantillon final (N = 249) a été déterminé sur la base des exigences statistiques de puissance pour le PLS–MEB. Le nombre maximal de prédicteurs pour un seul construct endogène était de six (trois caractéristiques de célébrité virtuelle et trois variables de contrôle pour la satisfaction ; satisfaction, terme d’interaction et contrôles pour la fidélité). L’analyse de puissance a indiqué que détecter une taille d’effet moyenne (f2 = 0,15) à α = 0,05 et 0,80 de puissance nécessitait environ 97 observations. La taille de l’échantillon atteinte dépassait ce seuil, garantissant une puissance suffisante pour des analyses structurelles, de médiation et de modération.

2. Recrutement et sélection des participants

Les participants ont été recrutés via un panel de recherche en ligne utilisant un échantillonnage non probabiliste intentionnel afin de garantir une expérience préalable avec des célébrités virtuelles. L’éligibilité était limitée aux personnes âgées de 18 ans ou plus. Les éléments de dépistage et de contrôle d’attention ont été inclus, et les réponses invalides ont été exclues. La collecte des données s’est conclue une fois la taille cible de l’échantillon atteinte.

3. Définition standardisée et instructions d’enquête

Les participants ont reçu une définition standardisée des célébrités virtuelles comme des personas audiovisuels créés numériquement avec une identité visuelle stable, une voix et un contenu narratif récurrent. Ils ont été invités à répondre en fonction de leurs expériences réelles.

4. Développement et administration des instruments de topographie

Les échelles de mesure validées ont été adaptées au contexte de la célébrité virtuelle (Tableau 1) où tous les constructs ont été mesurés à l’aide d’échelles de Likert à 7 points (1 = fortement en désaccord ; 7 = fortement d’accord). Le questionnaire comprenait des sections sur l’apparence, la voix, la qualité du contenu, la satisfaction, la fidélité, la personnalisation, l’intention d’achat et la démographie. Les contrôles de la plateforme empêchaient les soumissions en double.

Tableau 1 : Éléments de mesure et sources. Les éléments de mesure utilisés pour chaque construction incluent l’attractivité de l’apparence, l’attractivité vocale, la qualité du contenu, la satisfaction, la fidélité, la personnalisation et l’intention d’achat. Des sources d’adaptation à l’échelle sont fournies. Veuillez cliquer ici pour télécharger ce tableau.

5. Préparation et nettoyage des données

Les données étaient exportées au format CSV. Les réponses incomplètes, échecs de sélection et échecs au contrôle d’attention ont été supprimées. Le jeu de données nettoyé a été importé dans le logiciel PLS–SEM pour analyse.

6. Évaluation des modèles de mesure et structurels

Tous les constructs étaient spécifiés comme réfléchissants. La fiabilité a été évaluée à l’aide de la fiabilité alpha et composite de Cronbach (≥ 0,70). La validité convergente a été évaluée à l’aide de l’EVA (≥ 0,50), et la validité discriminante a été évaluée selon le critère de Fornell–Larcker et HTMT (< 0,90).

Les trajectoires structurelles étaient spécifiées selon le modèle conceptuel. La multicolinéarité a été évaluée à l’aide du facteur d’inflation de la variance (VIF) < 5,0. Le bootstrapping avec 5 000 sous-échantillons a généré des coefficients de chemin, des valeurs t, des valeurs p, des intervalles de confiance à 95 % et des tailles d’effet (f2).

  1. Analyse de la médiation
    La médiation séquentielle (attributs virtuels de célébrités → satisfaction → fidélité → intention d’achat) a été testée à l’aide d’effets indirects bootstrappés (5 000 sous-échantillons) avec des intervalles de confiance à 95 %.
  2. Analyse de la modération
    Les termes d’interaction testaient les effets modérateurs de la personnalisation. Le bootstrap a estimé les coefficients de modération et les tailles d’effet, et les graphiques d’interaction ont illustré les effets conditionnels.
  3. Pertinence prédictive
    La performance prédictive a été évaluée à l’aide de procédures bandées et/ou hors échantillon. Les valeurs de Q2_predict, RMSE et MAE ont été comparées à un modèle de benchmark linéaire. La pertinence prédictive était prise en charge lorsque les erreurs Q2_predict > 0 et PLS étaient inférieures au benchmark.
  4. Rapports et vérification
    Tous les résultats de fiabilité, validité, structurels, médiation, modération et prédictifs ont été compilés pour le rapport. Les résultats étaient recoupés avec les résultats logiciels afin d’assurer la précision et la cohérence.

7. Dépannage et modifications

Si les échecs de sélection étaient élevés, les critères d’éligibilité et les instructions étaient affinés. Si la fiabilité (CR < 0,70) ou l’AVE (< 0,50) tombaient en dessous des seuils, les indicateurs de mauvaise performance étaient supprimés tout en maintenant la cohérence théorique. Les questions de multicolinéarité (VIF au-dessus des limites) ont été traitées en réévaluant les spécifications des constructions. Si les effets de médiation ou de modération étaient non significatifs, la taille de l’échantillon ou l’opérationnalisation a été réévaluée. Le bootstrapping a utilisé 5 000 sous-échantillons pour garantir des estimations stables.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

Le tableau 2 résume les caractéristiques démographiques de l’échantillon final (N = 249), notamment le genre, l’âge, le niveau d’éducation et la fréquence d’interactions avec des célébrités virtuelles. L’échantillon a montré une représentation équilibrée par le genre (52,6 % de femmes) et était principalement composé d’adultes jeunes à d’âge moyen avec un niveau d’éducation relativement élevé. La fréquence d’engagement était concentrée dans la fourchette hebdomadaire-men...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

Cette étude examine comment les caractéristiques des célébrités virtuelles influencent la satisfaction, la fidélité et l’intention d’achat dans un cadre SOR, avec la personnalisation en tant que modérateur. Trois enseignements clés émergent : la qualité du contenu est le moteur le plus fort de satisfaction par rapport à l’apparence et à la voix ; La satisfaction influence l’intention d’achat uniquement indirectement via la loyauté (médiation indirecte uniquement) ; et la personnalisation...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

Les auteurs déclarent ne pas exister de conflit d’intérêts.

Remerciements

Ce travail a été financé par des financements de recherche de l’Université aSSIST.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
Version Qualtrics
: N/A		Qualtrics, LLCN/ALe codage des sondages, https://www.qualtrics.com/
Prolifique
Version : N/D		ProlifiqueN/AFournisseur de panneaux d’enquête en ligne, https://www.prolific.com/
SmartPLS
Version : 4.0.1		SmartPLS GmbHN/AAnalyse PLS-SEM, https ://www.smartpls.com/
ChatGPT
Version : 5.2		OpenAIN/AAméliorer la lisibilité et la correction grammaticale, https://www.chatgpt.com/

Références

  1. Erdogan, B. Z. Celebrity endorsement: A literature review. J Mark Manag. 15 (4), 291-314 (1999).
  2. Yu, J., Dickinger, A., So, K. K. F., Egger, R. Artificial intelligence–generated virtual influencer: Examining the effects of emotional display on user engagement. J Retail Consum Serv. 76, 103560(2024).
  3. Hoang, T. D., Su, Y. Virtual Celebrities and Consumers: A Blended Reality: How Virtual Celebrities are Consumed in the East and West. [Master’s Thesis]. , Copenhagen Business School. Copenhagen, Denmark. (2019).
  4. Yan, J., Xia, S., Jiang, A., Lin, Z. The effect of different types of virtual influencers on consumers’ emotional attachment. J Bus Res. 177, 114646(2024).
  5. Bowen, J. T., Chen, S. L. The relationship between customer loyalty and customer satisfaction. Int J Contem Hosp Manag. 13 (5), 213-217 (2001).
  6. De Brito Silva, M. J., De Oliveira Ramos Delfino, L., Alves Cerqueira, K., De Oliveira Campos, P. Avatar marketing: A study on the engagement and authenticity of virtual influencers on instagram. Soc Netw Anal Min. 12 (1), 130(2022).
  7. Chaihanchanchai, P., Anantachart, S., Ruangthanakorn, N. Unlocking the persuasive power of virtual influencer on brand trust and purchase intention: A parallel mediation of source credibility. J Mark Commun. 32 (3), 1-23 (2024).
  8. Lee, H., Shin, M., Yang, J., Chock, T. M. Virtual influencers vs. Human influencers in the context of influencer marketing: The moderating role of machine heuristic on perceived authenticity of influencers. Int J Hum Comput Interact. 41 (10), 1-18 (2024).
  9. Muniz, F., Stewart, K., Magalhães, L. Are they humans or are they robots? The effect of virtual influencer disclosure on brand trust. J Consum Behav. 23 (3), 1234-1250 (2024).
  10. Engström, J. Virtual influencers: Antecedents and typologizing. The SAGE Handbook of Social Media Marketing. , Sage. London. 276-292 (2022).
  11. Na, Y., Kim, Y., Lee, D. Investigating the effect of self–congruity on attitudes toward virtual influencers: Mediating the effect of emotional attachment. Int J Hum Comput Interact. 40 (18), 5534-5547 (2024).
  12. Stevenage, S. V., Neil, G. J., Hamlin, I. When the face fits: Recognition of celebrities from matching and mismatching faces and voices. Memory. 22 (3), 284-294 (2014).
  13. Suk, H., Laine, T. H. Influence of avatar facial appearance on users’ perceived embodiment and presence in immersive virtual reality. Electronics. 12 (3), 583(2023).
  14. Higgins, D., Zibrek, K., Cabral, J., Egan, D., Mcdonnell, R. Sympathy for the digital: Influence of synthetic voice on affinity, social presence and empathy for photorealistic virtual humans. Comput Graph. 104, 116-128 (2022).
  15. Anggraini, J. D., Adiwijaya, M., Herjanto, H. The moderating role of personalization on attitude–emotion–behavior (aeb) model. Indones Manag Account Res. 23 (2), 137-156 (2024).
  16. Hassan, N., Abdelraouf, M., El–Shihy, D. The moderating role of personalized recommendations in the trust–satisfaction–loyalty relationship: An empirical study of AI–driven e-commerce. Future Bus J. 11 (1), 66(2025).
  17. Gao, Y., et al. Trust in virtual agents: Exploring the role of stylization and voice. IEEE Trans Vis Comput Graph. 31 (5), 3623-3633 (2025).
  18. Vinoi, N., Shankar, A., Abdullah Alzeiby, E., Gupta, P., Agarwal, V. Unveiling customer intentions: Exploring factors driving engagement with hospitality virtual influencers. J Hosp Mark Manag. 34 (3), 325-354 (2025).
  19. Liu, C., Zhang, Y., Zhang, J. The impact of self–congruity and virtual interactivity on online celebrity brand equity and fans’ purchase intention. J Prod Brand Manag. 29 (6), 783-801 (2020).
  20. Honora, A., Wang, K. –Y., Chih, W. –H. Gaining customer engagement in social media recovery: The moderating roles of timeliness and personalization. Internet Res. 34 (6), 1963-1991 (2024).
  21. Mehrabian, A., Russell, J. A. The basic emotional impact of environments. Percept Mot Skills. 38 (1), 283-291 (1974).
  22. Abumalloh, R. A., Halabi, O., Nilashi, M. The relationship between technology trust and behavioral intention to use metaverse in baby monitoring systems’ design: Stimulus–organism–response (sor) theory. Entertain Comput. 52, 100833(2025).
  23. Ting, M. P., Min, C. D. What drives user churn in serious games? An empirical examination of the TAM, SOR theory, and game quality in Chinese cultural heritage games. Entertain Comput. 52, 100758(2025).
  24. Su, Y., Teo, P. C. A literature review on the impact of SOR theory on the retail industry and its applicability in studying blockchain technology's influence on consumer loyalty. Int J Acad Res Bus Soc Sci. 15 (3), 142-165 (2025).
  25. Li, X., Liu, Z., Chen, Y., Ren, A. Consumer avoidance toward message stream advertising on mobile social media: A stimulus–organism–response perspective. Information Technology & People. 38 (1), 23-47 (2025).
  26. Chang, H. H., Eckman, M., Yan, R. N. Application of the stimulus–organism–response model to the retail environment: The role of hedonic motivation in impulse buying behavior. Int Rev Retail Distrib Consum Res. 21 (3), 233-249 (2011).
  27. Kalam, A., Goi, C. L., Tiong, Y. Y. The effects of celebrity endorser on consumer advocacy behavior through the customization and entertainment intention–a multivariate analysis. Young Consum. 26 (1), 1-35 (2025).
  28. Zhou, T., Ma, X. Examining generative AI user continuance intention based on the SOR model. Aslib J Inf Manag. , (2025).
  29. Hussain, M., Javed, A., Khan, S. H., Yasir, M. Pillars of customer retention in the services sector: Understanding the role of relationship marketing, customer satisfaction, and customer loyalty. J Knowl Econ. 16 (1), 2047-2067 (2025).
  30. Akhtar, N., Siddiqi, U. I., Gugnani, R., Islam, T., Attri, R. The potency of audiovisual attractiveness and influencer marketing: The road to customer behavioral engagement. J Retail Consum Serv. 79, 103807(2024).
  31. Thielsch, M. T., Hirschfeld, G. Facets of website content. Hum Comput Interact. 34 (4), 279-327 (2019).
  32. Kim, H., Park, M. Virtual influencers’ attractiveness effect on purchase intention: A moderated mediation model of the product–endorser fit with the brand. Comput Hum Behav. 143, 107703(2023).
  33. The impact of VTuber endorsements on consumer satisfaction and brand loyalty in digital marketing. Hsu, K. K., Hung, W. –H. Proc Int Conf Electron Bus. (ICEB 2024), Zhuhai, China, , (2024).
  34. Shah, Z., Olya, H., Monkhouse, L. L. Developing strategies for international celebrity branding: A comparative analysis between Western and South Asian cultures. Int Mark Rev. 40 (1), 102-126 (2023).
  35. Mccracken, G. Who is the celebrity endorser? Cultural foundations of the endorsement process. J Consum Res. 16 (3), 310-321 (1989).
  36. Jun, M., Han, J., Zhou, Z., Eisingerich, A. B. When is celebrity endorsement effective? Exploring the role of celebrity endorsers in enhancing key brand associations. J Bus Res. 164, 113951(2023).
  37. Ozdemir, O., Kolfal, B., Messinger, P. R., Rizvi, S. Human or virtual: How influencer type shapes brand attitudes. Comput Hum Behav. 145, 107771(2023).
  38. Schouten, A. P., Janssen, L., Verspaget, M. Leveraged marketing communications. Ch. 12, 208-231 (2021).
  39. Khan, S., Sookhai, S. Reviewing the impact of country–of–origin on consumer purchase intention: The role of celebrity endorsement in existing literature. J Manag SMEs. 18 (2), 897-918 (2025).
  40. Schimmelpfennig, C., Hunt, J. B. Fifty years of celebrity endorser research: Support for a comprehensive celebrity endorsement strategy framework. Psychol Mark. 37 (3), 488-505 (2020).
  41. Hovland, C. I., Weiss, W. The influence of source credibility on communication effectiveness. Public Opin Q. 15 (4), 635-650 (1951).
  42. Frank, B., Mitsumoto, S. An extended source attractiveness model: The advertising effectiveness of distinct athlete endorser attractiveness types and its contextual variation. Eur Sport Manag Q. 23 (4), 1091-1114 (2023).
  43. Thomas, T., Johnson, J. The impact of celebrity expertise on advertising effectiveness: The mediating role of celebrity brand fit. Vision. 21 (4), 367-374 (2017).
  44. Chan, K., Fan, F. Perception of advertisements with celebrity endorsement among mature consumers. J Mark Commun. 28 (2), 115-131 (2022).
  45. Arora, N., Prashar, S., Tata, S. V., Parsad, C. Measuring personality congruency effects on consumer brand intentions in celebrity–endorsed brands. J Consum Mark. 38 (3), 251-261 (2021).
  46. Gao, Y., Liu, H. Artificial intelligence–enabled personalization in interactive marketing: A customer journey perspective. J Res Interact Mark. 17 (5), 663-680 (2023).
  47. Daft, R. L., Lengel, R. H. Organizational information requirements, media richness and structural design. Manage Sci. 32 (5), 554-571 (1986).
  48. Boyd, D. E., Koles, B. An introduction to the special issue “Virtual reality in marketing”: Definition, theory and practice. J Bus Res. 100, 441-444 (2019).
  49. Chen, H., Lou, C., Wang, Y., Lee, Y. Social virtual influencer effectiveness: Environmental factor and source trust. Soc Mark Q. , 15245004251342800(2025).
  50. Shen, Z. Shall brands create their own virtual influencers? A comprehensive study of 33 virtual influencers on instagram. Humanit Soc Sci Commun. 11 (1), 1-14 (2024).
  51. Lee, J., Kim, H. The moderating role of homophily and need for uniqueness in the relationship between anthropomorphism of virtual influencer and intention to imitate and word of mouth. Int J Hum Comput Interact. 41 (5), 1-12 (2025).
  52. Lim, R. E., Lee, S. Y. ”You are a virtual influencer!”: Understanding the impact of origin disclosure and emotional narratives on parasocial relationships and virtual influencer credibility. Comput Hum Behav. 148, 107897(2023).
  53. Kuo, Y. –H., Le, S. B. H. Authenticity meets aesthetics: Physical attractiveness as the equalizer for virtual and human influencers. Asia Pac Manag Rev. 30 (2), 100359(2025).
  54. Epley, N., Waytz, A., Cacioppo, J. T. On seeing human: A three–factor theory of anthropomorphism. Psychol Rev. 114 (4), 864(2007).
  55. Dabiran, E., Farivar, S., Wang, F., Grant, G. Virtually human: Anthropomorphism in virtual influencer marketing. J Retail Consum Serv. 79, 103797(2024).
  56. Nass, C., Steuer, J., Tauber, E. R. Proceedings of the SIGCHI Conference on Human Factors in Computing Systems. (CHI ’94). ACM. , 72-78 (1994).
  57. Gambino, A., Fox, J., Ratan, R. A. Building a stronger casa: Extending the computers are social actors paradigm. Hum Mach Commun. 1, 71-85 (2020).
  58. Gu, C., Zhang, Y., Zeng, L. Exploring the mechanism of sustained consumer trust in ai chatbots after service failures: A perspective based on attribution and casa theories. Humanit Soc Sci Commun. 11 (1), 1-12 (2024).
  59. Mori, M. The uncanny valley. Energy. 7 (4), 33-35 (1970).
  60. Alimardani, M., De Roode, R., Vaitonyte, J., Louwerse, M. M. Proceedings of the ACM International Conference on Intelligent Virtual Agents. (IVA ’24). , Glasgow, United Kingdom. 1-7 (2024).
  61. Miller, E. J., Foo, Y. Z., Mewton, P., Dawel, A. How do people respond to computer–generated versus human faces? A systematic review and meta–analyses. Comput Hum Behav Rep. 10, 100283(2023).
  62. Dion, K., Berscheid, E., Walster, E. What is beautiful is good. J Pers Soc Psychol. 24 (3), 285(1972).
  63. Bíziková, V., Psotová, E. Visitor profile of enological tourism in Slovakia: Implications of the regional analysis of the demand for wine–themed experience stay. J Infrastruct Policy Dev. 8 (11), 8072(2024).
  64. Lampropoulos, G. Combining artificial intelligence with augmented reality and virtual reality in education: Current trends and future perspectives. Multimodal Technol Interact. 9 (2), 11(2025).
  65. Sumi, R. S., Kabir, G. Satisfaction of e-learners with electronic learning service quality using the SERVQUAL model. J Open Innov Technol Mark Complex. 7 (4), 227(2021).
  66. Giese, J. L., Cote, J. A. Defining consumer satisfaction. Acad Mark Sci Rev. 1 (1), 1-22 (2000).
  67. Hellier, P. K., Geursen, G. M., Carr, R. A., Rickard, J. A. Customer repurchase intention: A general structural equation model. Eur J Mark. 37 (11/12), 1762-1800 (2003).
  68. Suchánek, P., Králová, M. Customer satisfaction and different evaluation of it by companies. Econ Res. 31 (1), 1330-1350 (2018).
  69. Gajewska, T., Zimon, D., Kaczor, G., Madzík, P. The impact of the level of customer satisfaction on the quality of e-commerce services. Int J Prod Perform Manag. 69 (4), 666-684 (2020).
  70. Hill, N., Brierley, J. How to Measure Customer Satisfaction. , Routledge. London. (2017).
  71. Grigoroudis, E., Siskos, Y. Customer Satisfaction Evaluation: Methods for Measuring and Implementing Service Quality. , Springer. New York. (2009).
  72. Söderlund, M., Julander, C. –R. Physical attractiveness of the service worker in the moment of truth and its effects on customer satisfaction. J Retail Consum Serv. 16 (3), 216-226 (2009).
  73. Koernig, S. K., Page, A. L. What if your dentist looked like Tom Cruise? Applying the match-up hypothesis to a service encounter. Psychol Mark. 19 (1), 91-110 (2002).
  74. Hey Alexa … Examining Factors Influencing the Educational Use of AI-Enabled Voice Assistants During the COVID-19 Pandemic. Rohan, R., Pal, D., Funilkul, S. in 15th International Conference on Knowledge and Smart Technology (KST), , 1-6 (2023).
  75. Oliver, R. L. Satisfaction: A Behavioral Perspective on the Consumer. , 2nd ed, Routledge. New York. (2014).
  76. Ariff, M. S. M., Yun, L. O., Zakuan, N., Ismail, K. The impacts of service quality and customer satisfaction on customer loyalty in internet banking. Procedia Soc Behav Sci. 81, 469-473 (2013).
  77. Nieves–Pavón, S., López–Mosquera, N., Jiménez–Naranjo, H. The factors influencing STD through SOR theory. J Retail Consum Serv. 75, 103533(2023).
  78. Dutta, B. Exploring the factors of consumer repurchase intention in online shopping. Int J Comput Sci Inf Secur. 14 (12), 520(2016).
  79. Seiders, K., Voss, G. B., Grewal, D., Godfrey, A. L. Do satisfied customers buy more? Examining moderating influences in a retailing context. J Mark. 69 (4), 26-43 (2005).
  80. Malik, M. E., et al. Importance of brand awareness and brand loyalty in assessing purchase intentions of consumer. Int J Bus Soc Sci. 4 (5), 167-171 (2013).
  81. Kim, H. –R., Yang, H. –M. The mediating effect of life satisfaction on relation between perceived physical attractiveness and health–promoting lifestyle in korean adults. Int J Environ Res Public Health. 18 (15), 7784(2021).
  82. Zhang, Y., He, J., Li, J. The role of flow experience in virtual influencer marketing: Insights into aesthetic, entertainment and parasocial influences on purchase intention. J Fash Mark Manag. 29 (6), 1109-1129 (2025).
  83. Blumer, H. Symbolic Interactionism: Perspective and Method. , University of California Press. Berkeley, CA. (1986).
  84. Quiring, O., Schweiger, W. Interactivity: A review of the concept and a framework for analysis. Communications - J Comm Res. 33 (2), 147-167 (2008).
  85. Casaca, J. A., Miguel, L. P. The influence of personalization on consumer satisfaction: Trends and challenges. Data-Driven Marketing for Strategic Success. , 256-292 (2024).
  86. Modersitzki, N., Phan, L. V., Mcdonald, S., Wright, A. G., Renner, K. –H. Personality psychology is getting personal: Advancing the field through personalization. Eur J Pers. 39 (1), 08902070251316915(2025).
  87. Manser Payne, E. H., Dahl, A. J., Peltier, J. Digital servitization value co–creation framework for ai services: A research agenda for digital transformation in financial service ecosystems. J Res Interact Mark. 15 (2), 200-222 (2021).
  88. Winter, S., Maslowska, E., Vos, A. L. The effects of trait–based personalization in social media advertising. Comput Hum Behav. 114, 106525(2021).
  89. Dijkstra, A. The psychology of tailoring-ingredients in computer-tailored persuasion. Soc Pers Psychol Compass. 2 (2), 765-784 (2008).
  90. Lee, J., Kim, C., Lee, K. C. Exploring the personalization–intrusiveness–intention framework to evaluate the effects of personalization in social media. Int J Inf Manag. 66, 102532(2022).
  91. Trivedi, J. P., Trivedi, H. Investigating the factors that make a fashion app successful: The moderating role of personalization. J Internet Commer. 17 (2), 170-187 (2018).
  92. Scortzaru, A. The moderating effect of personalization on the influence of consumer privacy concerns on mobile technology adoption. , Capella University. (2022).
  93. Henseler, J., Ringle, C. M., Sarstedt, M. A new criterion for assessing discriminant validity in variance–based structural equation modeling. J Acad Mark Sci. 43, 115-135 (2015).
  94. Hair, J. F., Ringle, C. M., Sarstedt, M. PLS–SEM: Indeed a silver bullet. J Mark Theory Pract. 19 (2), 139-152 (2011).
  95. Chin, W. W. Pls–graph user’s guide. 15, CT Bauer College of Business, University of Houston, USA. 1-16 (2001).
  96. Henseler, J., Hubona, G., Ray, P. A. Using PLS path modeling in new technology research: Updated guidelines. Ind Manag Data Syst. 116 (1), 2-20 (2016).
  97. Hair, J. F., Risher, J. J., Sarstedt, M., Ringle, C. M. When to use and how to report the results of PLS–SEM. Eur Bus Rev. 31 (1), 2-24 (2019).
  98. Shmueli, G., Ray, S., Estrada, J. M. V., Chatla, S. B. The elephant in the room: Predictive performance of PLS models. J Bus Res. 69 (10), 4552-4564 (2016).
  99. Cohen, J., Cohen, P., West, S. G., Aiken, L. S. Applied multiple regression/correlation analysis for the behavioral sciences. , Routledge. (2013).
  100. Sipos, D. The effects of AI–powered personalization on consumer trust, satisfaction, and purchase intent. Eur J Appl Sci Eng Technol. 3 (2), 14-24 (2025).
  101. Yao, Y., Meng, D., Wei, X. Empirical analysis of influencer attributes and social satisfaction effects on purchase intentions in Chinese social media. Sci Rep. 15 (1), 18860(2025).
  102. Rakovic, M. Comparative analysis of human and virtual influencers: The mediating role of perceived attractiveness and parasocial interaction in purchase intentions. , Tilburg University Tilburg. The Netherlands. (2023).
  103. Kong, H., Fang, H. Research on the effectiveness of virtual endorsers: A study based on the match-up hypothesis and source credibility model. Sustainability. 16 (5), 1761(2024).
  104. Huang, X., Chandra, A., Depaolo, C., Cribbs, J., Simmons, L. Measuring transactional distance in web-based learning environments: An initial instrument development. Open Learn. 30 (2), 106-126 (2015).
  105. Kim, C., Costello, F. J., Lee, J., Lee, K. C. Metaverse-based distance learning as a transactional distance mitigator and memory retrieval stimulant. Inf Process Manag. 62 (1), 103957(2025).
  106. Thielsch, M. T., Hirschfeld, G. Facets of website content. Hum Comput Interact. 34 (4), 279-327 (2019).
  107. Davlembayeva, D., Chari, S., Papagiannidis, S. Virtual influencers in consumer behaviour: A social influence theory perspective. Br J Manag. 36 (1), 202-222 (2025).
  108. Wang, Q., Long, S., Zeng, Y., Tang, L., Wang, Y. The creative behavior of virtual idol fans: A psychological perspective based on moa theory. Front Psychol. 14, 1290790(2023).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE

Demander une autorisation

Mots-clés

Qualit du contenuSatisfaction du consommateurFid lit du clientEffets de la personnalisationAnalyse de m diationPerformance pr dictive

Articles connexes