pillar

AI, Personalisierung & Recommender

AI, Personalisierung & Recommender beschreibt nicht einen einzelnen Conversion-Trick, sondern ein belegpflichtiges Wirkfeld: Recommender Trust, algorithmische Transparenz, AI Disclosure und Governance für Conversion. Für diese Seite zählen zuerst verifizierte Evidence Paths (0 Claims mit Studienbezug); danach werden Review-Kandidaten in eine Evidence-Fill-Queue einsortiert. Zentrale intern verlinkte Konzepte sind Automation Bias. Der Pillar bündelt 1 Konzepte, 2 Claims, 0 Use Cases und 0 Studienbezüge.

Markdown llms.txt llms.json

Was bedeutet dieses Prinzip für Conversion?

Visueller Evidence Graph

Sichtbar: 3 Nodes / 2 Kanten · Fokus: Consumers and Artificial Intelligence: An Experiential Perspective · Nachbarschaft: 2 Nodes · Tiefe 1 · Interaktionen: 0

Welche Claims sind verifiziert?

Automation Bias ist ein Review-Kandidat für Conversion-Audits und braucht vor einer Empfehlung ein konkretes Seitenmerkmal, eine Messgröße und einen Studienpfad. ist ein Review-Kandidat und wird erst nach direktem Claim-Study-Mapping als verifizierte Empfehlung ausgespielt.
Boundary Conditions für Automation Bias: Zielgruppe, Funnel-Stufe, Produktkategorie, Risiko, Messgröße und Umsetzungsqualität müssen vor dem Einsatz geprüft werden. ist ein Review-Kandidat und wird erst nach direktem Claim-Study-Mapping als verifizierte Empfehlung ausgespielt.

Welche Studien tragen die Evidenz?

Consumers and Artificial Intelligence: An Experiential Perspective:
APA-Quelle
Puntoni, S., Reczek, R. W., Giesler, M., & Botti, S. (2021). Consumers and Artificial Intelligence: An Experiential Perspective. Journal of Marketing. https://doi.org/10.1177/0022242920953847 Review/Framework zu Consumer Experience mit KI. Review/Framework zu Consumer Experience mit KI
Algorithm Appreciation: People Prefer Algorithmic To Human Judgment:
APA-Quelle
Logg, J. M., Minson, J. A., & Moore, D. A. (2019). Algorithm Appreciation: People Prefer Algorithmic To Human Judgment. Organizational Behavior and Human Decision Processes. https://doi.org/10.1016/j.obhdp.2018.12.005 Evidenz zur Bewertung algorithmischer Empfehlungen. Evidenz zur Bewertung algorithmischer Empfehlungen

Welche Konzepte sind evidence-ready?

- Automation Bias: Menschen übernehmen maschinelle Empfehlungen teils überkritiklos. Evidence-Fill-Status: 2 Evidence Paths, 4 Concept Relations.

Welche Evidence-Fill-Aufträge werden systematisch bearbeitet?

Automation Bias ist im Evidence-Fill: direkte Studien 0, verifizierte Claims 0. Review-Auftrag: Volltextstudie, Claim-Study-Mapping oder Grundlagenquelle prüfen.
APA-Quelle
Puntoni, S., Reczek, R. W., Giesler, M., & Botti, S. (2021). Consumers and Artificial Intelligence: An Experiential Perspective. Journal of Marketing. https://doi.org/10.1177/0022242920953847 Review/Framework zu Consumer Experience mit KI
APA-Quelle
Logg, J. M., Minson, J. A., & Moore, D. A. (2019). Algorithm Appreciation: People Prefer Algorithmic To Human Judgment. Organizational Behavior and Human Decision Processes. https://doi.org/10.1016/j.obhdp.2018.12.005 Evidenz zur Bewertung algorithmischer Empfehlungen
Automation Bias ist ein Review-Kandidat für Conversion-Audits und braucht vor einer Empfehlung ein konkretes Seitenmerkmal, eine Messgröße und einen Studienpfad. ist ein Review-Kandidat: Status Context Dependent, Evidenzgrad C, direkte Supporting Studies 0. Evidence-Fill-Auftrag: passende Volltextstudie prüfen und erst nach Claim-Study-Mapping als verifizierte Empfehlung nutzen.
Boundary Conditions für Automation Bias: Zielgruppe, Funnel-Stufe, Produktkategorie, Risiko, Messgröße und Umsetzungsqualität müssen vor dem Einsatz geprüft werden. ist ein Review-Kandidat: Status Context Dependent, Evidenzgrad C, direkte Supporting Studies 0. Evidence-Fill-Auftrag: passende Volltextstudie prüfen und erst nach Claim-Study-Mapping als verifizierte Empfehlung nutzen.

Wie wird das Prinzip praktisch angewendet?

Evidence-Fill Queue: Use Cases werden erst ausgespielt, wenn ein beobachtbares Seitenmerkmal und ein Evidence Path vorhanden sind.

Wie wird der Pillar im Audit verwendet?

Im Website-Audit wird dieser Pillar nur über beobachtbare Seitenmerkmale, verifizierte Claims, Studien-Findings und messbare Funnel-Metriken verwendet. Review-Kandidaten werden als Hypothesen behandelt und brauchen Test- oder Studienbezug, bevor sie als Empfehlung erscheinen.

FAQ

Was umfasst dieses Prinzip?

AI, Personalisierung & Recommender beschreibt nicht einen einzelnen Conversion-Trick, sondern ein belegpflichtiges Wirkfeld: [Recommender Trust](/konzepte/recommender-trust/), algorithmische Transparenz, AI Disclosure und Governance für Conversion. Für diese Seite zählen zuerst verifizierte [Evidence Paths](/datasets/concept-evidence-paths/) (0 [Claims](/claims/) mit [Studien](/studien/)bezug); danach werden Review-Kandidaten in eine Evidence-Fill-Queue einsortiert. Zentrale intern verlinkte [Konzepte](/konzepte/) sind [Automation Bias](/konzepte/automation-bias/). Der Pillar bündelt 1 Konzepte, 2 Claims, 0 [Use Cases](/use-cases/) und 0 Studienbezüge.

Welche Evidenz wird genutzt?

Die Seite nutzt Claims, Studien, Use Cases und Quellen aus dem SurrealDB Knowledge Graph der Conversion-Psychologie-Wissensbasis.

Ist die Ausgabe auf Deutsch verfügbar?

Ja. Alle menschenlesbaren Inhalte und Agent-Ausgaben sind standardmäßig deutsch.