Artykuł badawczy

Jak cechy wirtualnej celebryty wpływają na intencję zakupu: testowanie ram bodziec-organizm-odpowiedź za pomocą modelowania równań strukturalnych

DOI:

10.3791/70685

⸱

3 marca 2026

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

W tym artykule

Podsumowanie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

W kontekście wirtualnego doświadczenia celebrytów jakość treści najbardziej napędza satysfakcję; Satysfakcja z kolei pośrednio zwiększa intencję zakupową poprzez lojalność. Personalizacja wzmacnia związek satysfakcjonujące-lojalności, dlatego firmy powinny priorytetowo traktować emocjonalne, spójne narracyjne treści wirtualnych celebrytów oraz spersonalizowane programy lojalnościowe.

Streszczenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

W ostatnich latach firmy zaczęły wprowadzać wirtualnych celebrytów, aby promować swoje produkty i marki w różnych kanałach medialnych. Niniejsze badania wykorzystują ramy bodziec-organizm-reakcja (SOR) do empirycznego badania, jak czynniki atrakcyjności wirtualnych celebrytów, takie jak wygląd, głos i jakość treści, mogą wpływać na satysfakcję konsumentów, lojalność i intencję zakupową. Do testowania hipotez na podstawie próby 249 uczestników, którzy uczestniczyli w wirtualnych doświadczeniach celebryckich, zastosowano modelowanie strukturalne metodą najmniejszych kwadratów (PLS-SEM). Wyniki wskazują, że jakość treści jest najsilniejszym czynnikiem predyktora satysfakcji użytkownika, a satysfakcja pośrednio wpływa na intencję zakupu poprzez lojalność. Ponadto personalizacja łagodzi relację satysfakcjonująco-lojalności, sugerując, że spersonalizowane doświadczenia zwiększają zaangażowanie wirtualnych celebrytów i fanów. Wyniki wskazują, że firmy rozważające wirtualne kampanie celebrytów powinny bardziej skupić się na treściach wywołujących emocje i spójnych narracji niż na realizmie wizualnym. Ponadto niezbędne są inwestycje w programy budowania lojalności oraz rozwiązania do spersonalizowanego zaangażowania, aby przekształcić satysfakcję konsumentów w trwałe zachowania.

Wprowadzenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Reklama celebrytów pozostaje powszechnie stosowana, a firmy coraz częściej wdrażają wirtualnych celebrytów w kanałach mediów cyfrowych1. Postępy w AI i powiązanych technologiach zdywersyfikowały wirtualne formy celebrytów oraz poprawiły skalowalność i interakcję2.

Wirtualne gwiazdy są hybrydami wirtualnych postaci i tradycyjnych celebrytów3 i są tu definiowane jako cyfrowo stworzone persony, które osiągają publiczne uznanie i trwałe przywiązanie poprzez powtarzające się interakcje narracyjne 3,4. Niniejsze badanie koncentruje się na audiowizualnych wirtualnych celebrytach w marketingu cyfrowym skierowanym do konsumentów. Chociaż firmy coraz częściej polegają na nich w celu wpływania na zachowania konsumentów5, badania poświęcają ograniczoną uwagę temu, jak wirtualne doświadczenia celebrytów przekładają się na satysfakcję, lojalność i intencje zakupowe.

Wcześniejsze badania dotyczyły perspektyw behawioralnych, poznawczych i afektywnych4, kładąc nacisk na wiarygodność i autentyczność 6,7, postrzeganą autentyczność8, ujawnienie tożsamości9, jakość informacji10 oraz reakcje emocjonalne11. Badania podkreślały również sygnały atrakcyjności, takie jak wygląd, głos i jakość treści12, jednak często nie wyjaśniają, jak te czynniki wpływają na wyniki konsumenckie13,14. W rezultacie pozytywne oceny nie przekładają się konsekwentnie na intencję zakupu, a dowody na relację satysfakcja–zakup pozostają mieszane.

Aby wypełnić tę lukę, badanie analizuje, jak wygląd, głos i jakość treści kształtują satysfakcję, lojalność i intencję zakupu, jednocześnie testując personalizację jako moderator15,16 za pomocą ram SOR.

Badanie to przyczynia się do konceptualizacji atrakcyjności wirtualnej celebryty jako wyglądu, głosu i treści17, wyjaśniając lojalność jako kluczowy mechanizm łączący satysfakcję z intencją zakupu18,19 oraz identyfikując personalizację jako wzmacniacz relacji satysfakcjonujący–lojalnościowy20.

Ramy bodziec-organizm-odpowiedź (SOR)
Ramy SOR wyjaśniają, jak bodźce środowiskowe wpływają na stany wewnętrzne i reakcje behawioralne21 poprzez sekwencję bodźców (S), stanów organizmów (O) i odpowiedzi (R). Jest szeroko stosowane w takich kontekstach jak Metaverse, gry, handel detaliczny, reklama, e-commerce oraz rekomendacja celebrytów 22,23,24,25,26,27,28. Jednak choć SOR strukturuje relacje między atrybutami, ocenami i wynikami wirtualnych celebrytów, nie wyjaśnia w pełni, jak oceny stają się intencjami behawioralnymi. Dlatego badanie integruje marketing relacji i teorię lojalności29, aby wyjaśnić mechanizm satysfakcji–lojalności–zamiaru zakupu.

Reakcje konsumentów na wirtualne celebryty są coraz częściej kształtowane przez doświadczeniowe sygnały, takie jak atrakcyjność audiowizualna i zaangażowanie w treści 4,30. Wygląd i głos wpływają na pierwsze wrażenia, natomiast jakość treści utrzymuje zaangażowanie emocjonalne i narracyjne14,31. Chociaż te czynniki sprzyjają pozytywnym ocenom, wcześniejsze badania pokazują, że same pozytywne postrzegania mogą nie wpływać na intencję zakupu. Konstrukty relacji, takie jak lojalność i zaangażowanie, zdają się przekształcać pozytywne doświadczenia w intencje behawioralne32,33. W związku z tym wygląd, głos i jakość treści są modelowane jako bodźce; satysfakcję i lojalność jako stany organizmów; a intencję zakupu jako reakcję behawioralną. Lojalność jest pojmowana jako zaangażowanie psychologiczne, a intencja zakupu jako skutek koatywny.

Rekomendacja celebrytów
Celebrytowskie rekomendowanie to szeroko stosowana strategia marketingowa34, w której uznane osoby promują produkty lub usługi35. Jego użycie wzrosło globalnieo 1,36,37, szczególnie wraz ze wzrostem liczby influencerów w mediach społecznościowych37. Influencerzy generowani komputerowo pojawili się jako alternatywa dla ludzkich rekomendantów37, działając głównie za pośrednictwem platform cyfrowych38.

Szeroko zakrojone badania analizowały skuteczność poparcia39,40, proponując modele takie jak wiarygodność źródła41, czyli transfer35, atrakcyjność rozszerzonego źródła42, dopasowanie marki celebryty43 oraz efekty transferu procesu44. Te ramy kładą nacisk na wiarygodność, atrakcyjność, symboliczne przekazywanie znaczenia oraz zgodność marki45, zapewniając podstawę do zrozumienia mechanizmów poparcia w kontekstach wirtualnych.

Wirtualna gwiazda
Najnowsze badania analizują influencerów generowanych przez AI, VTuberów oraz wirtualnych ambasadorów marki w środowiskach cyfrowych, kładąc nacisk na interakcję, personalizację i autentyczność. Teoria bogactwa mediów sugeruje, że bogatsze media zwiększają skuteczność komunikacji47, a postacie wirtualne są przykładem takiego bogactwa poprzez immersyjne, wielozmysłowe interakcje48, wpływając na reakcje emocjonalne i społeczne49.

Chociaż "wirtualna gwiazda" obejmuje różne cyfrowe persony50, to badanie koncentruje się na wizualnie ucieleśnionych audiowizualnych wirtualnych celebrytach o stabilnych tożsamościach i powtarzających się treściach. Wcześniejsze badania przedstawiają ich wpływ z perspektywy behawioralnej, poznawczej i afektywnej4. Badania behawioralne analizują zaangażowanie i zachowania zakupowe32,51; Badania poznawcze podkreślają wiarygodność, autentyczność8, ujawnianie tożsamości 9,52 oraz jakość informacji10; Badania afektywne kładą nacisk na postawy emocjonalne11.

Cechy wirtualnej gwiazdy
Opierając się na teorii wiarygodności źródeł, badania analizowały antropomorfizm, atrakcyjność, wiarygodność, doświadczenie oraz interakcje paraspołeczne w kontekstach wirtualnych 1,32,53. Antropomorfizm pozytywnie wpływa na reakcje konsumentów54,55 i wpisuje się w paradygmat Komputery są aktorami społecznymi56, rozszerzony na agentów medialnych57, chatboty58 oraz wirtualnych influencerów. Jednak wirtualne gwiazdy różnią się realizmem4, a teoria doliny niesamowitości sugeruje, że przedstawienia bliskie ludziom mogą wywoływać dyskomfort59.

Postęp technologiczny przesunął wirtualnych celebrytów w dynamicznych, generujących treści agentów, zwiększając znaczenie cech doświadczeń, takich jak jakość treści i ekspresyjność głosu. Badania obejmowały syntetyczny głos14, wyglądtwarzy 13, zgodność wyglądu i głosu60, atrakcyjność audiowizualną30 oraz reakcje na twarze generowane komputerowo61.

Niniejsze badanie konceptualizuje atrakcyjność wirtualnej celebrytki poprzez wygląd, głos i treść. Atrakcyjność fizyczna wpływa na ocenę społeczną62, zgodnie z efektem halo62, i oczekuje się, że zwiększa satysfakcję. Jakość treści reprezentuje narracyjny i doświadczalny wymiar wirtualnych celebrytów i koncepcyjnie różni się od jakości usług 63,64,65.

Satysfakcja
Satysfakcja odzwierciedla ocenę poznawczą i emocjonalną konsumentów, czy doświadczenia spełniają oczekiwania66,67 i jest kształtowana przez postrzegane wyniki w porównaniu do oczekiwań68,69. Był szeroko badany w kontekstach online70 i jest centralny dla oceny wydajności71. Atrakcyjność wpływa na satysfakcję w środowiskach usługowych72,73, a atrakcyjność głosu wykazuje podobne efekty74. W związku z tym wygląd, głos i jakość treści mają kształtować satysfakcję w wirtualnych kontekstach celebrytów.

W związku z tym proponuje się następujące hipotezy:
H1: Atrakcyjność wirtualnych celebrytów pozytywnie wpływa na satysfakcję konsumentów.
H2: Atrakcyjność głosu wirtualnych celebrytów pozytywnie wpływa na satysfakcję konsumentów.
H3: Jakość treści wirtualnych celebrytów pozytywnie wpływa na satysfakcję konsumentów.

Lojalność
W tym badaniu lojalność jest pojmowana jako lojalność postawowa, odzwierciedlająca psychologiczne zaangażowanie i więź konsumenta z wirtualną gwiazdą, a nie rzeczywiste powtarzające się zachowania19,33. Lojalność oznacza gotowość do utrzymania relacji pomimo barier75 i była szeroko badana jako wynik satysfakcji w środowiskach online67,76, turystyka77 oraz konteksty rekomendacji VTuber33. W związku z tym proponuje się następującą hipotezę:
H4: Satysfakcja konsumentów z wirtualnych celebrytów pozytywnie wpływa na lojalność wobec wirtualnych celebrytów.

Intencja zakupu na towary i usługi promowane przez wirtualnych celebrytów
Intencja zakupowa odzwierciedla prawdopodobieństwo i gotowość konsumenta do zakupu produktu lub usługi 67,78,79 i jest kształtowana przez czynniki takie jak satysfakcja, zaufanie, lojalność i przyjemność 78. Wykazano, że lojalność silnie przewiduje intencję zakupu80. W kontekstach wirtualnych celebrytów badania analizowały efekty intencji zakupu 8,52 oraz rolę pośredniczącą między atrakcyjnością a intencją zakupu81,82. W związku z tym proponuje się następujące hipotezy:
H5a: Satysfakcja konsumentów pozytywnie wpływa na intencje zakupowe pośrednio poprzez lojalność.
H5b: Bezpośredni związek między satysfakcją a intencją zakupową jest nieistotny, gdy w modelu uwzględnia się lojalność.
H6: Lojalność konsumentów wobec wirtualnych celebrytów pozytywnie wpływa na intencje zakupowe.

Personalizacja (usługa spersonalizowana)
Interaktywność wywodzi się z socjologii i odnosi się do komunikacji opartej na relacjach83, często umożliwianej przez technologię84. AI wzmocniła marketing interaktywny poprzez spersonalizowane usługi46, czyniąc personalizację kluczową dla efektywności marketingu cyfrowego85. Personalizacja polega na dostosowywaniu treści lub interakcji do osób indywidualnych, aby poprawić wyniki86 oraz wspierać zaangażowanie i współtworzenie wartości87. Postępy w big data i cyfrowych śladach umożliwiają firmom personalizację komunikacji, wykorzystując historię zachowań oraz samodzielnie ujawnione informacje użytkownika 88,89,90.

Wcześniejsze badania pokazują, że personalizacja moderuje kluczowe relacje, takie jak jakość i satysfakcja91, zaufanie–satysfakcja16 oraz adopcja technologii w ramach ochrony prywatności92, a także inne ścieżki relacyjne 24,25,26,27. W tym badaniu personalizacja traktowana jest jako kontekstowy moderator kształtujący sposób, w jaki satysfakcja i lojalność przekładają się na wyniki związane z zakupem. Proponowane są następujące hipotezy:
H7a: Postrzegana personalizacja wzmacnia relację między satysfakcją a lojalnością.
H7b: Postrzegana personalizacja wzmacnia relację między satysfakcją a intencją zakupu.
H7c: Postrzegana personalizacja wzmacnia związek między lojalnością a intencją zakupową.

Model badawczy konceptualny
Rysunek 1 przedstawia model koncepcyjny oparty na ramach bodziec–organizm–odpowiedź: wygląd, głos i treść (bodźce) wpływają na satysfakcję i lojalność (organizm), przy czym intencja zakupu (reakcja) wynika przede wszystkim z lojalności. Personalizacja wzmacnia relację satysfakcjonująco-lojalnościową i jest modelowana jako moderator wybranych ścieżek strukturalnych.

figure-introduction-1
Rysunek 1: Model badawczy oparty na ramach bodziec–organizm–odpowiedź. Model koncepcyjny ilustrujący relacje między atrybutami wirtualnej celebrytki (wygląd, głos i jakość treści) jako bodźcami, zmiennymi organizmicznymi (satysfakcja i lojalność) oraz wynikami behawioralnymi (intencją zakupu). Personalizacja jest modelowana jako moderator relacji satysfakcjonująco-lojalności. Przedstawione są pośrednie skutki lojalności. Uwaga. CAA = Charakterystyczny wygląd, atrakcyjność; CVA = Charakterystyczna atrakcyjność głosu; CCA = atrakcyjność treści charakterystycznej; LO = lojalność; PE = personalizacja; PI = intencja zakupu; SA = Satysfakcja. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Badanie kwalifikowało się do zwolnienia z pełnej oceny etycznej zgodnie z instytucjonalnymi wytycznymi o minimalnym ryzyku, ponieważ obejmowało anonimową ankietę online bez zebranych danych osobowych. Na początku ankiety przedstawiono formularz informowanej zgody opisujący cel badania, dobrowolny udział, anonimowość oraz wykorzystanie danych, a do badania przystąpili tylko uczestnicy za zgodą.

1. Określenie wielkości próby

Ostateczna próba (N = 249) została wyznaczona na podstawie wymagań statystycznych dotyczących mocy dla PLS–SEM. Maksymalna liczba predyktorów dla pojedynczej endogennej konstrukcji wynosiła sześć (trzy cechy wirtualnej celebryty i trzy zmienne kontrolne dla satysfakcji; satysfakcja, składnik interakcji oraz kontrola lojalności). Analiza mocy wykazała, że wykrycie średniego efektu (f 2 = 0,15) przy α = 0,05 i 0,80 mocy wymagało około 97 obserwacji. Osiągnięta wielkość próby przekroczyła ten próg, zapewniając odpowiednią moc do analiz strukturalnych, mediacyjnych i moderacyjnych.

2. Rekrutacja i selekcja uczestników

Uczestnicy zostali zrekrutowani za pośrednictwem panelu badawczego online, stosując celowe próbkowanie nieprawdopodobne, aby zapewnić wcześniejsze doświadczenie z wirtualnymi celebrytami. Uprawnienia były ograniczone do osób w wieku 18 lat lub starszych. Uwzględniono zadania przesiewowe i sprawdzające uwagę, a nieprawidłowe odpowiedzi wykluczono. Zbieranie danych zakończono po osiągnięciu docelowej wielkości próby.

3. Ustandaryzowane instrukcje definicji i pomiarów

Uczestnicy otrzymali ustandaryzowaną definicję wirtualnych celebrytów jako cyfrowo stworzonych audiowizualnych person, które mają stabilną tożsamość wizualną, głos i powtarzające się treści narracyjne. Zostali poinstruowani, by odpowiadać na podstawie swoich rzeczywistych doświadczeń.

4. Rozwój i administracja instrumentów pomiarowych

Zweryfikowane skale pomiarowe zostały dostosowane do kontekstu wirtualnych celebrytów (Tabela 1), gdzie wszystkie konstrukty mierzono za pomocą 7-punktowych skal Likerta (1 = zdecydowanie się nie zgadzam; 7 = zdecydowanie się zgadzam). Kwestionariusz zawierał sekcje dotyczące wyglądu, głosu, jakości treści, satysfakcji, lojalności, personalizacji, zamiaru zakupu oraz demografii. Kontrola platformy zapobiegała duplikatowi zgłoszeń.

Tabela 1: Elementy pomiarowe i źródła. Elementy pomiarowe stosowane dla każdego konstruktu obejmują atrakcyjność wyglądu, atrakcyjność głosu, jakość treści, satysfakcję, lojalność, personalizację oraz intencję zakupową. Dostępne są źródła adaptacji skali. Prosimy kliknąć tutaj, aby pobrać tę tabelę.

5. Przygotowanie i czyszczenie danych

Dane były eksportowane w formacie CSV. Usunięto niepełne, nieudane testy i nieudane odpowiedzi na sprawdzanie uwagi. Wyczyszczony zbiór danych został zaimportowany do oprogramowania PLS–SEM do analizy.

6. Pomiary i ocena modeli strukturalnych

Wszystkie konstrukcje zostały określone jako refleksyjne. Niezawodność oceniano na podstawie alfa i złożonej wiarygodności Cronbacha (≥ 0,70). Ważność zbieżności oceniono za pomocą AVE (≥ 0,50), a trafność dyskryminantną za pomocą kryterium Fornella–Larckera oraz HTMT (< 0,90).

Ścieżki strukturalne zostały określone zgodnie z modelem koncepcyjnym. Multikoliniearność oceniono za pomocą współczynnika wariancji inflacji (VIF) < 5,0. Bootstrapowanie z 5 000 podpróbek generowało współczynniki ścieżki, wartości t, wartości p, 95% przedziały ufności oraz rozmiary efektów (f2).

  1. Analiza mediacji
    Sekwencyjna mediacja (wirtualne atrybuty celebrytów → satysfakcja → lojalność → intencja zakupu) była testowana przy użyciu efektów pośrednich bootstrapped (5 000 podpróbek) z 95% przedziałami ufności.
  2. Analiza moderacji
    Terminy interakcji testowały moderujące działanie personalizacji. Bootstrapowanie szacowało współczynniki moderacji i rozmiary efektów oraz wykresy interakcji ilustrowały efekty warunkowe.
  3. Znaczenie predykcyjne
    Wyniki predykcyjne oceniano za pomocą procedur z opaską na oczy i/lub poza próbą. Q2_predict wartości RMSE i MAE zostały porównane z liniowym modelem benchmark. Trafność predykcyjna była potwierdzona, gdy błędy Q2_predict > 0 i PLS były niższe niż w benchmarku.
  4. Raportowanie i weryfikacja
    Wszystkie wyniki wiarygodności, trafności, struktury, mediacji, moderacji i predykcji zostały zebrane do raportowania. Wyniki były porównywane z wynikami oprogramowania, aby zapewnić dokładność i spójność.

7. Rozwiązywanie problemów i modyfikacje

Jeśli niepowodzenia w testach były wysokie, kryteria kwalifikacyjne i instrukcje były doprecyzowane. Jeśli niezawodność (CR < 0,70) lub AVE (< 0,50) spadały poniżej progów, słabo działające wskaźniki były usuwane, zachowując teoretyczną spójność. Problemy z wielokoliniearnością (VIF powyżej limitów) zostały rozwiązane poprzez ponowną ocenę specyfikacji konstrukcji. Jeśli efekty mediacji lub umiarkowania nie były istotne, ponownie oceniano wielkość próby lub operacjonalizację. Bootstrapowanie wykorzystało 5 000 podpróbek, aby zapewnić stabilne szacunki.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Tabela 2 podsumowuje cechy demograficzne końcowej próby (N = 249), w tym płeć, wiek, poziom wykształcenia oraz częstotliwość kontaktu z wirtualnymi celebrytami. Próba wykazała zrównoważoną reprezentację płci (52,6% kobiet) i składała się głównie z młodych i średniowiecznych dorosłych o stosunkowo wysokim poziomie wykształcenia. Częstotliwość zaangażowania koncentrowała się w przedziale tygodniowo-miesięcznym, z mniejszą liczbą użytkowników dziennie. Gdy była uwzględniona jako zmienna kontrolna, częstotli...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Badanie to analizuje, jak cechy wirtualnej celebryty wpływają na satysfakcję, lojalność i intencję zakupową w ramach SOR, przy czym personalizacja jest moderatorem. Pojawiają się trzy kluczowe wnioski: jakość treści jest najsilniejszym czynnikiem satysfakcji w odniesieniu do wyglądu i głosu; satysfakcja wpływa na intencję zakupu tylko pośrednio poprzez lojalność (pośrednia mediacja); Personalizacja wzmacnia relację satysfakcjonująco-lojalności, ale nie wpływa bezpośrednio na intencje zakupu.

Z...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy deklarują brak konfliktu interesów.

Podziękowania

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Prace te były wspierane przez badania z Uniwersytetu aSSIST.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Wersja Qualtrics
: Brak		Qualtrics, LLCNie maKodowanie ankietowe, https://www.qualtrics.com/
Wersja płodna
: Nie ma		PłodnyNie maDostawca internetowych ankiet, https://www.prolific.com/
SmartPLS
Wersja: 4.0.1		SmartPLS GmbHNie maAnaliza PLS-SEM,https://www.smartpls.com/
ChatGPT
Wersja: 5.2		OpenAINie maPoprawa czytelności i sprawdzania gramatyki, https://www.chatgpt.com/

Bibliografia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  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).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Jako tre cisatysfakcja konsumentalojalno klientaefekty personalizacjianaliza mediacjiwydajno predykcyjna

Powiązane artykuły