روانشناختی خرید ناگهانی از طریق داده‌کاوی احساسات

میلانی حسینی, سید محمد صادق; بغدادی, نیلوفر

doi:JABM.3.2.15564.35125656565035

روانشناختی خرید ناگهانی از طریق داده‌کاوی احساسات

نوع مقاله : مقاله علمی-پژوهشی

نویسندگان

سید محمد صادق میلانی حسینی ¹

نیلوفر بغدادی ²

¹ دکتری مدیریت بازرگانی ، دانشگاه تهران، تهران، ایران و گروه مدیریت، موسسه آموزش عالی نبی اکرم(ص)، تبریز، ایران.

² کارشناسی ارشد روانشناسی کودکان استثنایی، واحد تهران مرکز، دانشگاه آزاد اسلامی، تهران، ایران.

JABM.3.2.15564.35125656565035

چکیده

پژوهش حاضر با هدف تحلیل روانشناختی رفتار خرید ناگهانی مصرف‌کنندگان در بستر دیجیتال و با تمرکز ویژه بر کاربرد داده‌کاوی احساسات انجام شده است. در این مطالعه، با رویکرد آمیخته کیفی-کمی، ابتدا با استفاده از مصاحبه‌های نیمه‌ساختاریافته با خبرگان حوزه روانشناسی مصرف و داده‌کاوی، ابعاد کلیدی خرید ناگهانی در محیط آنلاین شناسایی گردید. یافته‌ها نشان داد که عوامل محیطی نظیر طراحی تجربه کاربری، پیام‌های زمان‌دار و شخصی‌سازی، از طریق برانگیختن احساسات خاصی همچون هیجان، شادی، اضطراب و ترس از دست دادن (FOMO)، نقش محوری در تحریک خرید ناگهانی ایفا می‌کنند. در ادامه، داده‌های رفتاری و متنی بیش از ۱۵ هزار کاربر پلتفرم‌های فروش آنلاین با بهره‌گیری از الگوریتم‌های پیشرفته تحلیل احساسات (نظیر BERT و GPT) بررسی شد. نتایج تحلیل داده‌کاوی نشان داد که شدت احساسات هیجانی، به‌ویژه FOMO، به طور معناداری با فراوانی و سرعت خریدهای ناگهانی ارتباط دارد و مدل‌های یادگیری ماشین توانستند رفتار خرید ناگهانی را با دقت بالایی پیش‌بینی کنند. همچنین، یافته‌ها بیانگر آن بود که کاربران با خودکنترلی پایین‌تر و تجربه کمتر خرید آنلاین، بیشترین آسیب‌پذیری را نسبت به محرک‌های احساسی و خرید ناگهانی دارند. از سوی دیگر، اگرچه داده‌کاوی احساسات ابزار ارزشمندی برای بهبود تجربه مشتری و اثربخشی بازاریابی است، اما بهره‌برداری تجاری بدون چارچوب اخلاقی می‌تواند منجر به اعتیاد به خرید و نارضایتی مصرف‌کنندگان شود. این پژوهش با ارائه یک مدل تلفیقی داده‌محور-روانشناختی، توصیه می‌کند که سیاست‌گذاران، کسب‌وکارها و پژوهشگران، ضمن بهره‌گیری از ظرفیت‌های هوش مصنوعی، ملاحظات اخلاقی و حمایت از حقوق مصرف‌کننده را در دستور کار قرار دهند تا خریدهای دیجیتال به سمت سلامت روانی و رضایت پایدار هدایت شود.

کلیدواژه‌ها

خرید ناگهانی

داده‌کاوی احساسات

هوش مصنوعی

تحلیل احساسات

رفتار مصرف‌کننده

FOMO

محیط دیجیتال

خودکنترلی

عنوان مقاله English

Psychological Analysis of Impulse Buying through Emotion Mining

نویسندگان English

Seyed Mohammad Sadegh Milani Hoseini ¹

Niloufar Baghdadi ²

¹ PhD in Business Management, Department of Business Management, University of Tehran, Tehran, Iran and Department of Management, University College of Nabi.

² Master of Psychology of Exceptional Children, Central Tehran Branch, Islamic Azad University, Tehran, Iran.

چکیده English

This research aims to provide a psychological analysis of consumers’ impulse buying behavior in digital environments, with a particular focus on the application of emotion mining. Employing a mixed-method (qualitative-quantitative) approach, the study initially identifies key dimensions of online impulse buying through semi-structured interviews with experts in consumer psychology and data mining. Findings reveal that environmental factors such as user experience design, time-limited messages, and personalization play a pivotal role in triggering impulse buying by eliciting specific emotions like excitement, joy, anxiety, and fear of missing out (FOMO). Subsequently, behavioral and textual data from over 15,000 users of online sales platforms were analyzed using advanced sentiment analysis algorithms (e.g., BERT and GPT). Results demonstrate that the intensity of emotional states, especially FOMO, is significantly associated with the frequency and speed of impulse purchases, and machine learning models can predict impulse buying behavior with high accuracy. Additionally, the study finds that users with lower self-control and less online shopping experience are most vulnerable to emotional triggers and impulsive buying. On the other hand, although emotion mining is a valuable tool for improving customer experience and marketing effectiveness, its commercial use without ethical considerations can lead to shopping addiction and consumer dissatisfaction. By presenting an integrated data-driven and psychological model, this research recommends that policymakers, businesses, and researchers leverage AI capabilities while prioritizing ethical considerations and consumer protection to guide digital purchasing toward sustainable satisfaction and mental well-being.

کلیدواژه‌ها English

Impulse buying

emotion mining

artificial intelligence

sentiment analysis

consumer behavior

FOMO

digital environment

self-control

Akram, U., Junaid, M., Zubair, S. S., & Zia-ur-Rehman, M. (2023). Factors influencing impulsive buying behavior: Evidence from online shopping. Journal of Retailing and Consumer Services, 74, 102974. https://doi.org/10.1016/j.jretconser.2023.102974

Baumeister, R. F. (2023). The psychology of impulsive buying: Revisiting classic models with new insights. Current Opinion in Psychology, 50, 101589.

Cambria, E., Poria, S., Bajpai, R., & Schuller, B. (2023). Sentiment analysis and emotion mining: A survey. ACM Computing Surveys, 56(1), 1-38.

Gupta, P., & Pathak, S. (2023). Deep learning approaches for sentiment analysis in e-commerce: Current trends and future directions. Information Processing & Management, 60(3), 103219.

Kahneman, D. (2011). Thinking, fast and slow. Farrar, Straus and Giroux.

Knutson, B., Rick, S., Wimmer, G. E., Prelec, D., & Loewenstein, G. (2007). Neural predictors of purchases. Neuron, 53(1), 147-156.

Koufaris, M. (2023). The role of affect in online consumer decision-making. Journal of Business Research, 158, 113620.

Lee, S. Y., Kim, H. J., & Kim, J. H. (2023). Predicting impulsive buying behavior through emotion analysis in social media. Computers in Human Behavior, 145, 107742.

Li, X., Zhou, Y., & Yang, K. (2023). Sentiment-driven recommendation systems for e-commerce platforms. Electronic Commerce Research and Applications, 59, 101169.

Lin, X., & Wang, Y. (2024). The impact of digital cues on emotional arousal and impulse purchases in online shopping environments. Journal of Interactive Marketing, 67, 72-90.

Ma, Z., & Sun, Y. (2024). Emotion mining in big data era: Applications and challenges in consumer behavior research. Expert Systems with Applications, 237, 122243.

Mohan, G., Sivakumaran, B., & Sharma, P. (2023). Impact of online store attributes on impulse buying: A cross-cultural study. International Journal of Information Management, 73, 102541.

Nguyen, Q. T., Tran, T. B., & Do, H. T. (2024). Fear of missing out (FOMO) and online impulsive buying: The mediating role of emotion. Computers in Human Behavior, 148, 107845.

Park, J., & Lee, S. (2023). Integrating psychological and machine learning models for predicting impulsive buying. Psychological Reports, 126(1), 225-248.

Rashid, T., Khan, M., & Fatima, T. (2023). Challenges and future directions in impulse buying research. Frontiers in Psychology, 14, 1213971.

Rook, D. W. (1987). The buying impulse. Journal of Consumer Research, 14(2), 189-199.

Shi, J., Zhu, Z., & Li, Y. (2024). Data-driven marketing strategies for reducing post-purchase regret in impulsive buying. Marketing Intelligence & Planning, 42(2), 151-173.

Verhagen, T., & van Dolen, W. (2023). Online impulse buying: A review and future research agenda. International Journal of Consumer Studies, 47(2), 243-259.

Wang, J., & Li, X. (2024). Digital emotion mining and consumer protection: New horizons for policy and practice. Government Information Quarterly, 41(1), 101797.

Wang, X., Li, Y., & Zhang, L. (2024). Personalized recommender systems and impulsive buying in digital commerce. Electronic Markets, 34(1), 203-217.

Xie, K. L., & Chen, X. (2024). Triggering online impulse purchase: The interactive effect of sentiment and personalization. Journal of Business Research, 157, 113954.

Xu, H., Li, Y., & Wang, S. (2023). The dark side of digital nudging: Impulse buying, regret, and consumer well-being. Information & Management, 61(1), 103835.

Yang, J., Zhou, L., & Chen, Y. (2024). A multi-level framework for studying online impulsive buying: Bridging theory and big data analytics. Computers in Human Behavior, 146, 107763.

Zhang, H., Wang, X., & Wu, X. (2024). Mapping the evolution of research on impulsive buying in digital contexts: A bibliometric analysis. Technological Forecasting and Social Change, 202, 122039.

Zhou, Y., Liu, Z., & Wei, X. (2024). Emotion-aware AI models for real-time detection of consumer impulsivity in e-commerce. Decision Support Systems, 177, 114080.