Đánh giá trực tuyến giả mạo và những ảnh hưởng đối với hoạt động thương mại điện tử
DOI:
https://doi.org/10.62831/202502018Từ khóa:
mua sắm trực tuyến đánh giá trực tuyến đánh giá trực tuyến giả mạoTải xuống
Đã Xuất bản
Số
Chuyên mục
Cách trích dẫn
Tóm tắt
Tham khảo các đánh giá trực tuyến trước khi mua sắm trên các nền tảng thương mại điện tử đã trở thành một hoạt động không thể thiếu của người tiêu dùng trên internet bởi tính hữu ích của nó. Nhận thấy tầm quan trọng của đánh giá trực tuyến, không ít cá nhân và tổ chức đã thực hiện những đánh giá giả mạo, phản ánh sai sự thật về sản phẩm, dịch vụ. Chính vì thế, người tiêu dùng hiện nay đang mất dần niềm tin vào đánh giá trực tuyến hoặc phải đầu tư nhiều thời gian hơn để phân tích các đánh giá này. Từ những bài báo, báo cáo thu thập được, nhóm tác giả đã hệ thống hóa và làm rõ khái niệm, thực trạng và những ảnh hưởng của đánh giá trực tuyến giả mạo đối với hoạt động thương mại điện tử. Từ đó, nhóm tác giả cũng nêu ra một vài khuyến nghị cho người dùng trực tuyến về việc nhận biết và phát hiện những đánh giá giả mạo để bảo vệ bản thân trong quá trình mua sắm trên các nền tảng thương mại điện tử.
Tài liệu tham khảo
Abu Hammad et al., (2013), An Approach for Detecting Spam in Arabic Opinion Reviews, Doctoral Dissertation, Islamic University of Gaza, Gaza, Palestine.
Akerlof & George A., (1970), The market for “lemons”: quality uncertainty and the market mechanism, Q. J. Econ. 84 (3), 488-500. https://doi.org/10.2307/1879431. August 1970.
DOI: https://doi.org/10.2307/1879431
https://doi.org/10.2307/1879431. August 1970.">
Algur et al., (2010), Conceptual level similarity measure based review spam detection, International Conference on Signal and Image Processing. IEEE, 416-423.
DOI: https://doi.org/10.1109/ICSIP.2010.5697509
Cardoso et al., (2018), Towards automatic filtering of fake reviews, Neurocomputing 309, 106–116.
DOI: https://doi.org/10.1016/j.neucom.2018.04.074
Crawford et al., (2015), Survey of review spam detection using machine learning techniques, Journal of Big Data 2
DOI: https://doi.org/10.1186/s40537-015-0029-9
DePaulo et al., (1996), Lying in everyday life. J. Pers. Soc. Psychol. 70 (5), 979, 1996.
DOI: https://doi.org/10.1037//0022-3514.70.5.979
Floridi et al., (2020), GPT-3: its nature, scope, limits, and consequences. Minds Mach.
DOI: https://doi.org/10.2139/ssrn.3827044
Filieri & Raffaele, (2016). What makes an online consumer review trustworthy? Ann. Tourism Res, 46-64.
DOI: https://doi.org/10.1016/j.annals.2015.12.019
Gobi, N., Rathinavelu, A., (2019), Analyzing cloud based reviews for product ranking using feature based clustering algorithm, Cluster Comput. 22 (3), 6977–6984.
DOI: https://doi.org/10.1007/s10586-018-1996-3
He et al., (2021), The Market for Fake Reviews, Social Science Research Network, Rochester, NY.
Ismagilova et al., (2020), The effect of characteristics of source credibility on consumer behaviour: a meta- analysis, J. Retailing Consum. Serv. 53
DOI: https://doi.org/10.1016/j.jretconser.2019.01.005
Jindal et al., (2008), Opinion spam and analysis, International Conference on Web Search and Data Mining, 219-230.
DOI: https://doi.org/10.1145/1341531.1341560
Lee et al., (2016), Capturing word choice patterns with LDA for fake review detection in sentiment analysis. International Conference on Web Intelligence, NY, USA.
DOI: https://doi.org/10.1145/2912845.2912868
Luca & Michael, (2011), Reviews, reputation, and revenue: the case of Yelp.Com, SSRN Journal.
DOI: https://doi.org/10.2139/ssrn.1928601
M. Anderson and A. Smith, (2016), Online Shopping and ECommerce, Pew Research Center.
Mukherjee et al., (2013), What yelp fake review filter might be doing?, International AAAI Conference on Web and Social Media.
Munzel et al., (2014), Creators, multipliers, and lurkers: who contributes and who benefits at online review sites, Journal of Service Management.
DOI: https://doi.org/10.2139/ssrn.2307117
Ott et al., (2011), Finding deceptive opinion spam by any stretch of the imagination, arXiv preprint arXiv:1107.4557.
P. Hajek et al., (2020), Fake consumer review detection using deep neural networks integrating word embeddings and emotion mining, Neural Comput. Appl., vol. 32, no. 23, pp. 17259–17274.
DOI: https://doi.org/10.1007/s00521-020-04757-2
Plotkina et al., (2020), Illusions of truth—experimental insights into human and algorithmic detections of fake online reviews, J. Bus. Res. 109 (March 2020), 511–523.
DOI: https://doi.org/10.1016/j.jbusres.2018.12.009
Sun et al., (2013), Synthetic review spamming and defense, International Conference on World Wide Web Companion, 9. Rio de Janeiro, Brazil.
Shivagangadhar et al.,( 2015). Fraud detection in online reviews using machine learning techniques. Int. J. Comput. Eng. Res. 5 (5), 52-56.
Reviewmeta.com, “Amazon Flooded with Millions of Fake Reviews in 2019,” Reviewmeta.com. 2019. Accessed: Aug. 23, 2022. [Online]. Available: https://reviewmeta.com/blog/amazonflooded-with-millions-of-fake-reviews-in-2019/
https://reviewmeta.com/blog/amazonflooded-with-millions-of-fake-reviews-in-2019/">
