UNIVERSITEIT GENT FACULTEIT POLITIEKE EN SOCIALE WETENSCHAPPEN
DE HERORIËNTATIE VAN CAPTCHA’S NAAR ADVERTENTIEMIDDELEN: EEN EFFECTIVITEITSSTUDIE VAN EEN NIEUW FORMAT VOOR ONLINE ADVERTEREN.
Wetenschappelijke verhandeling aantal woorden: 16.464
FRISINE HEYVAERT
MASTERPROEF COMMUNICATIEWETENSCHAPPEN afstudeerrichting NIEUWE MEDIA EN MAATSCHAPPIJ
PROMOTOR: PROF. DR. G. VERLEYE COMMISSARIS: K. VAN GEIT
ACADEMIEJAAR 2014 – 2015
2
3
4
Abstract Deze masterproef probeert een bijdrage te leveren aan het debat over creatieve en alternatieve reclameformats voor online adverteren. Een CAPTCHA-advertentie is zo een recent alternatief. Het incorporeert een advertentie in een klassieke CAPTCHA-toepassing. Een CAPTCHA is een afbeelding van verwrongen tekst waarbij men gevraagd wordt om deze tekst te herhalen. Deze techniek wordt gebruikt om computers van mensen te onderscheiden bij bijvoorbeeld online registraties. Om de effectiviteit van dit alternatief format te meten baseren we ons op het ‘limited capacity model’ van Lang (2000) Dit model deelt het verwerken van een reclameboodschap door de hersenen op in verschillende deelprocessen. Drie eenvoudige meetinstrumenten geven aan hoe grondig een element van een advertentie deze verschillende deelprocessen heeft ondergaan: de free recall (vrije herinnering van de advertentie), de aided recall (geholpen herinnering) en de recognition (herkenning in een lijst). Er wordt een semi-experimenteel onderzoek opgezet waaraan 316 proefpersonen deelnemen. Zij worden gevraagd een vliegticket te boeken op een website waarop telkens twee advertenties te zien zijn: een CAPTCHA- en banneradvertentie geselecteerd uit drie productcategorieën. In de vragenlijst wordt gepeild naar de grondigheid van de cognitieve verwerking van beide advertenties. Een uitgebreide statistische analyse van de resultaten toont aan dat de verwerking van de merknaam en reclameboodschap door het brein significant grondiger gebeurt voor CAPTCHA-advertenties dan voor banners. Zowel de free recall, aided recall en recognition rate liggen hoger bij de CAPTCHA-advertentie. Ten tweede wordt een significant verband gevonden tussen productklasse involvement en de merknaamherkenning van de CAPTCHA-advertentie. Het onderzoek beschrijft ook enkele andere interessante beïnvloedende factoren, zoals geslacht en leeftijd, op de verwerking van CAPTCHAadvertenties en maakt enkele aanbevelingen voor toekomstig onderzoek over het format.
5
Dankwoord Deze masterproef was niet tot stand kunnen komen zonder de hulp en het enthousiasme van een aantal personen. Via deze weg zou ik dan ook graag mijn dankbaarheid aan hen uitdrukken. Eerst en vooral wil ik mijn promotor prof. dr. G. Verleye bedanken voor de hulp bij het afbaken van het onderwerp en de opbouw van het onderzoekontwerp. Zijn tips en richtlijnen waren steeds zeer waardevol bij het maken van keuzes. Daarnaast waren enkele elementen uit het empirisch onderzoek nooit tot stand gekomen de bijdrage van twee personen: Niels voor het ontwikkelen en programmeren van de website die van cruciaal belang was voor het onderzoek. En Wouter voor de betrouwbare vertaling van de gebruikte meetschalen. Tevens ben ik de vele deelnemers dankbaar voor de participatie aan mijn onderzoek en het leveren van de nodige data. Enkelen onder hen verdienen extra dank voor het doorsturen van en motiveren van andere mensen tot deelname aan mijn onderzoek. Mijn ouders dienen zeker ook vermeld te worden voor de vele mogelijkheden die ze mij bieden en de financiële en materiele zonder welke ik nooit had kunnen studeren. Mijn vriend Thibault verdient een gouden medaille voor zijn onvoorwaardelijke mentale ondersteuning, motivatie en voor het blijven geloven in de goede uitkomst, ook wanneer ik het zelf even niet meer zag zitten. Ik kon bij hem terecht om mijn ideeën af te toetsen en verkreeg steeds goede raad en hulp wanneer nodig. Ten laatste richt ik mij naar alle andere vrienden en familie die nog niet vermeld werden voor hun eeuwige interesse in mijn onderwerp en de mogelijkheid om over mijn ideeën en bedenkingen te discussiëren.
6
Inhoud Inleiding ..................................................................................................................................... 9 1
Literatuurstudie ................................................................................................................ 11 1.1
Het informatieverwerkingsparadigma ....................................................................... 11
1.1.1
Link met reclameverwerkingsmodellen ............................................................. 11
1.1.2
De verwerking van informatie door het menselijk brein .................................... 13
1.1.3
Toepassing op reclameboodschappen: het limited capacity model van Lang.... 15
1.2
Het begrip involvement ............................................................................................. 17
1.2.1
Verschillende typologieën van involvement ...................................................... 18
1.2.2
Hiërarchische of dynamische relatie? ................................................................ 21
1.3
Alternatief format voor online adverteren? ............................................................... 22
1.3.1 1.4 2
Besluit en hypothesen ................................................................................................ 24
Methodologie ................................................................................................................... 26 2.1
Onderzoeksopzet ....................................................................................................... 26
2.2
Stimuli ....................................................................................................................... 26
2.2.1
Algemene overwegingen bij de stimuli keuze ................................................... 26
2.2.2
De productklassen .............................................................................................. 28
2.2.3
De advertenties ................................................................................................... 29
2.3
3
CAPTCHA-advertentie ...................................................................................... 22
Andere gebruikte materialen ..................................................................................... 30
2.3.1
Website ............................................................................................................... 30
2.3.2
Gekozen meetinstrumenten ................................................................................ 31
2.4
Procedure ................................................................................................................... 32
2.5
Steekproef .................................................................................................................. 33
Resultaten ......................................................................................................................... 35 3.1
Dataverwerking ......................................................................................................... 35 7
4
3.1.1
Free recall ........................................................................................................... 35
3.1.2
Aided recall ........................................................................................................ 35
3.1.3
Recognition merknaam en boodschap ................................................................ 35
3.1.4
Personal Involvement Inventory ........................................................................ 36
3.1.5
I-PANAS-SF ...................................................................................................... 37
3.2
Hypothese 1 en 2 ....................................................................................................... 37
3.3
Hypothese 3 ............................................................................................................... 40
3.4
Hypothese 4 ............................................................................................................... 43
Bespreking ........................................................................................................................ 45 4.1
Bespreking van de resultaten ..................................................................................... 45
4.2
Beperkingen van het onderzoek ................................................................................ 49
5
Conclusie .......................................................................................................................... 51
6
Literatuurlijst .................................................................................................................... 53
7
Bijlagen ............................................................................................................................ 57 Bijlage 1: Stimuli ................................................................................................................. 57 Bijlage 2: SPSS-output ......................................................................................................... 59 Bijlage 3: Enquête ................................................................................................................ 97
8
Inleiding
De hedendaagse consument wordt overladen met reclameboodschappen. Een aanzienlijk deel consumenten vindt dit storend. Dit is zeker ook het geval voor de online omgeving. Verscheidene academici (Cho & Cheon, 2004; McCoy, Everard, Polak & Galletta, 2007) hebben al onderzoek gedaan naar de oorsprong van dit irritatiegevoel, diens beïnvloedende factoren en de gevolgen ervan. Daartegenover staan de groeicijfers die de IAB Europe jaar na jaar rapporteert. Hun recentste rapport, Europe AdEx benchmark 2013 (IAB Europe, 2014, p.8-9), beschrijft hoe sinds de start van hun opmeting in 2006 de uitgaven aan online adverteren gegroeid zijn van 6,6 biljoen euro naar 27,3 biljoen euro in 2013. Dit komt neer op een samengestelde jaarlijks groeipercentage van 22,5%. Ondanks de irritatie van consumenten aan reclame op het web kent de online advertentiemarkt een groeiend belang in Europa. Al in 1998 beseften adverteerders en “web managers” dat het internet veel creatieve mogelijkheden biedt voor de reclamemarkt en ook op deze wijze moet aangewend worden (Leong, Huang & Stanners; 1998). Het is dus van economisch belang dat er steeds verder gezocht wordt naar alternatieve reclamevormen om adverteerders middelen aan te bieden om de consumenten effectiever te kunnen bereiken. De academische wereld kan een rol spelen bij het exploreren van de vele mogelijkheden die het internet biedt. In haar literatuuroverzicht concludeert Ha (2008, p. 43) dat onderzoekers een beter begrip moeten ontwikkelen van de verscheidene online reclameformats en hun effectiviteit. De type-in ad is zo een nieuw reclameformat (http://www.solvemedia.com). Dit format is gebaseerd op de klassieke CAPTCHA-toepassing om mensen van computers te kunnen onderscheiden op het web (Carnegie Mellon University, n.d.). Hierbij wordt een advertentie afgebeeld en tegelijk een vraag over een bepaald kenmerk van het merk of product gesteld. De consument moet hierop antwoorden om verder te kunnen surfen. De geforceerde verwerking van een inhoudelijk aspect van de reclameboodschap zou leiden tot een hogere herinnering van de advertentie (http://www.solvemedia.com). Het is de doelstelling van deze masterproef om dieper in te gaan op dit fenomeen van CAPTCHA-advertenties en diens effectiviteit ten aanzien van het meer bekende bannerformat. In verscheidene werken (Haley, 2012; Krugman, 1965 & 1966) wordt het concept involvement van de consument aangehaald als een sterk beïnvloedende factor van 9
effectiviteit. In het licht van deze bevindingen formuleren we de centrale vraag van deze masterproef als volgt: kunnen we aan de hand van wetenschappelijk onderzoek nagaan of type-in advertenties effectiever zijn dan banner advertenties op het web? Een tweede onderzoeksvraag luidt: kunnen we een verband detecteren tussen de mate van involvement en effectiviteit van de reclamevorm? In het eerste deel van dit werk schetsen we aan de hand van een grondige literatuurstudie een beeld van de bestaande kennis over reclame effectiviteit en verwerking. Tevens bespreken we het involvement idee. Om deze literatuurstudie af te sluiten zullen we een overzicht trachten te geven van de huidige kennis over hoe CAPTCHA’s als een nieuw format voor online adverteren kunnen dienen. Na de literatuurstudie zetten we de methodologie van dit onderzoek uiteen. In het derde luik analyseren we de gevonden resultaten. Vervolgens bespreken we de gevonden resultaten en beperkingen van dit onderzoek. In het slot van dit werkstuk beantwoorden we de centraal gestelde onderzoeksvragen, geven we een conclusie over het onderwerp en aanbevelingen voor verder onderzoek.
10
1 Literatuurstudie 1.1 Het informatieverwerkingsparadigma Lachman, et al. schrijven in 1979 hun boek “Cognitive psychology and information processing:
an
introduction”,
een
uitgebreid
verzamelwerk
over
het
informatieverwerkingsparadigma. Dit paradigma kadert zich binnen de cognitieve psychologie, maar is beïnvloed door vele ander stromingen en wetenschapsgebieden: het neobehaviorisme,
computerwetenschap,
linguïstiek,
verbaal
leren
en
human-
en
communication engineering (Lachman et al., 1979, p. 115-116). In volgende korte bespreking van het kernidee volgens Lachman et al. (1979, p.88-129) worden enkele van deze invloeden duidelijk. De mens is een informatieverwerker. Net als computersystemen kunnen wij stimuli die ons gepresenteerd worden omzetten in output aan de hand van een systeem en hiermee wordt meer kennis verworven. Dit systeem zit vervat in ons brein en produceert associaties of linken tussen input en output. Waar het neobehaviorisme deze relatie als noodzakelijk geconditioneerd beschouwt, weerlegt het informatieverwerkingsparadigma deze assumptie en oordeelt dat de associaties die het brein maakt veelzijdiger zijn. Ze kunnen verschillend van aard en betekenis zijn. Zo kan ons brein relaties leggen op basis van gelijkenissen, tegenstellingen, maar ook relationele acties zoals die tussen water en drinken. Onderzoek binnen dit paradigma focust zicht op het verklaren en verstaan van het mentale proces dat plaatsvindt tussen input en output (Lachman et al., 1979, p. 121-123). Voor we dieper ingaan op hoe het informatieverwerkingsparadigma deze mentale processen presenteert bespreken we eerst de relevantie van dit paradigma voor ons onderzoek. 1.1.1
Link met reclameverwerkingsmodellen
Wanneer we kijken naar de bestaande literatuur over reclameverwerking merken we dat heel wat auteurs al getracht hebben de verscheidene modellen en theorieën over hoe reclameboodschappen verwerkt worden door de consument in te delen (Vakratsas & Ambler, 1999; Ha, 2008; Vyncke, 2011, Rodgers & Thorson, 2012). In zijn literatuuroverzicht concludeert Vyncke (2011) dat het “Elaboriation Likelihood Model” van Petty en Cacioppo (1986) momenteel één van de meest correcte visies is over hoe reclameboodschappen verwerkt worden door de consument.
11
In al deze literatuurstudies merken we een belangrijke gelijkenis op. Al de bestaande modellen en theorieën gaan uit van dezelfde primaire stap. Vooraleer attitudes, opinies, intenties, enz. … kunnen ontstaan in hoofde van de consument, moet er eerst een blootstelling aan de advertentie plaatsvinden. Er is dus sprake van een input en een (of meerdere) output variabele(n). Petty en Cacioppo (1986) benoemen de inputvariabele als de gepresenteerde advertentie zelf. Ook Vakratsas en Ambler (1999, p. 26-27) vermelden de advertentie als input variabele in hun framework over hoe reclame werkt. Toch blijkt dat aandacht van de consument voor de advertentie geen vanzelfsprekende stap is. In zijn “Standard Social Science Model” (SSSM) schrijft Vyncke (2011) dat die input onder invloed van factoren als persoonlijke ervaring, massacommunicatie en interpersoonlijke communicatie gefilterd wordt. De consument, of meer bepaald het menselijk brein, kan namelijk niet alles tegelijk verwerken. Du Plessis (1994, p. 84) stelt dat de aandacht die een persoon kan geven beperkt en selectief is. Ook andere academici (Bezjian-Avery, Calder & Iacobucci, 1998; Cho & Cheon, 2004; McCoy et al., 2007; Yaveroglu & Donthu, 2008) erkennen dat het niet eenvoudig is om als adverteerder op het internet de aandacht van de consument te trekken. In de vermelde modellen wordt een filter vlak na de advertentie-input geplaatst om een verklaring aan deze aandachts- of selectiefactor te bieden (Petty & Cacioppo, 1981; Vakratsas & Ambler, 1999; Vyncke, 2011). Een andere visie op deze input- en filtervariabele vinden we bij Rodgers en Thorson (2001). Zij formuleren een geïntrigeerd model over de werking van interactief adverteren op het web. “The interactive advertising model” of IAM (Rodgers & Thorson, 2001) legt de focus op de indeling van de elementen en factoren van reclameverwerking op basis van wie deze kan controleren (zie figuur 1). Rodgers & Thorson (2001) bedoelen hiermee dat bepaalde delen van het reclameverwerkingsproces door de consument gecontroleerd kunnen worden en andere door de adverteerder. We geven een voorbeeld relevant aan ons eigen onderzoek: een adverteerder kan bijvoorbeeld geen directe invloed uitoefenen op de mate waarin de consumenten hun advertentie zullen opmerken. Ze kunnen wel proberen via indirecte weg deze kans te vergroten door bijvoorbeeld het advertentie type en/of format aan te passen aan het targetpubliek. Dit onderscheid is een belangrijk inzicht voor reclamemakers: zo kunnen ze beter aanvoelen op welke vlakken ze invloed kunnen uitoefenen en op welke niet.
12
Fig. 1: The Interactive Advertising Model (IAM) (Rodgers & Thorson, 2000, p.45)
In deze masterproef hechtten we vooral belang aan het eerste deel van dit model. Dit deel is door de consument gecontroleerd en bevat de volgende elementen: gebruiksmotieven of modus en het informatieverwerkingsproces. Het is in deze laatste groep dat Rodgers en Thorson (2001, p. 47) de factoren aandacht, geheugen en attitude onderverdelen. Zo kunnen ze effectiever hun (financiële) middelen inzetten. We kunnen hieruit enkele conclusies trekken. Ten eerste bevestigen Rodgers en Thorson (2001) dat de aandacht van de consument geen eenduidig begrip is. Er kan niet zomaar verondersteld worden dat een individu de advertentie zal zien én verwerken. Deze verwerking van informatie staat in een wederkerig beïnvloedende relatie met de gebruiksmotieven en modus. Ten tweede kunnen we stellen dat aandacht een cognitief hulpmiddel is van de consument, net als geheugen en attitude. Deze hulpmiddelen helpen de consument bij de verwerking van de vele reclameboodschappen waar ze mee in contact komen (Rodgers & Thorson, 2001). Het informatieverwerkingsparadigma kan dus inzicht leveren in de mentale processen die aan de basis liggen van de opmerking en verwerking van reclameboodschappen. 1.1.2
De verwerking van informatie door het menselijk brein
Vooraleer we het informatieverwerkingsparadigma in detail bekijken lichtten we kort de twee soorten geheugens toe die ons brein omvat. Lachman et al. (1979, p. 210-219) bespreken het 13
onderscheid tussen het episodische en semantisch geheugen, dat in 1972 door Tulving geïntroduceerd werd. Het semantisch geheugen bevat de algemene kennis van symbolen, concepten en de regels en methodes om deze te manipuleren zoals de kennis van onze moedertaal. Het episodisch geheugen echter omvat de ervaringen van een persoon uit diens verleden. Wetenschappers die het episodisch geheugen bestuderen kijken naar de manier waarop het menselijk brein informatie opneemt uit situaties die zich voordoen. Hoe het brein dit opslaat in zijn geheugen en achteraf weer ophaalt (Tulving, 1972; Lachman et al., 1979, p. 210-219). In deze masterproef focussen we ons op het episodisch geheugen. Dit omdat we willen onderzoeken of er een verschil is in herinnering van een advertentie afhankelijk van het gebruikte format (cfr. §1.3) en of de mate van involvement met een bepaalde productklasse (cfr. §1.2) hier een invloed op uitoefent. Bijgevolg zijn we niet geïnteresseerd in de algemene kennis die een individu heeft over reclameformats maar wel in hoe het episodisch geheugen aangeboden advertenties verwerkt en opslaat. We bespreken eerst heel kort de basis die hiervoor gelegd is in 1986 door Atkinson en Shiffrin en de geleverde bedenkingen hierop (Lachman et al. 1979, p. 210-297). Vervolgens bekijken we een informatieverwerkingsmodel dat zich specifiek op advertenties afstemt (Lang, 2000). Het multi-opslagmodel en zijn beperkingen In 1968 introduceren Atkinson en Shiffrin (1968) het idee dat het episodisch geheugen uit drie opslagruimten bestaat: zintuigelijke opslag, korte termijn geheugen en lange termijn geheugen. Hun visie in het kort gaat als volgt. Informatie uit onze omgeving wordt geregistreerd door onze zintuigen en onmiddellijk opgeslagen in ons zintuigelijke opslagruimte. Deze opslag omvat een volledige representatie van de stimuli in onze omgeving. De hoeveelheid informatie die hierin terecht komt is immens en zeer vluchtig van aard. We vergeten snel alle details van een gebeurtenis. De persoon zelf is zich niet bewust van zijn zintuigelijke opslag. Afhankelijk van waarop het individu zijn aandacht richt zal bepaalde input doorstromen naar het korte termijn geheugen. Dit korte termijn geheugen is een “working memory”. Informatie uit het zintuigelijke en lange termijn geheugen worden hierin bewust verwerkt door het individu, zodoende deze een reactie kan formuleren op de (veranderende) informatie uit zijn omgeving. De capaciteit van het korte termijn geheugen is beperkt. Van zodra aandacht verschoven wordt naar nieuwe elementen begint informatie te vervliegen. Het lange termijn geheugen daarentegen houdt informatie voor lange termijn vast 14
en is onbeperkt in capaciteit. Opslag vanuit het korte termijn naar het lange termijn geheugen gebeurt bewust doordat de persoon linken legt tussen nieuwe informatie en eerder opgeslagen informatie in het lange termijn geheugen. Dit kan ook onbewust en/of rechtstreeks uit het zintuigelijk geheugen maar hiervoor konden de twee auteurs geen verklaring geven (Atkinson & Shiffrin, 1968). Dit model lijkt veel te kunnen verklaren maar Lachman et al. (1979, p.257-297) wijzen erop dat het omwille van een aantal tekortkomingen (deels) verworpen is. Eerst en vooral bleek het model te rigide in vergelijking met de werkelijkheid. De verschillende soorten opslag leken veel flexibeler te zijn dan voorgesteld. Bijvoorbeeld op het vlak van opslagcapaciteit en hoe informatie gecodeerd werd (Lachman et al., 1979, p.265-271). Toch is dit model zeer belangrijk geweest voor de verdere ontwikkeling van het informatieverwerkingsparadigma. Vooral het idee van de aanwezigheid van een zintuigelijke “buffer” waarin input tijdelijk, onbewust en volledig opgeslagen wordt alsook de constatering dat het menselijk brein een beperkte capaciteit heeft om al deze omgevingsinput te verwerken zijn niet verworpen (Lachman et al., 1979, p. 272). In de volgende paragraaf bespreken we een recenter model dat reclameverwerking verklaart aan de hand van het informatieverwerkingsparadigma (Lang, 2000). 1.1.3
Toepassing op reclameboodschappen: het limited capacity model van Lang
In 2000 stelt Lang haar “limited capacity model of mediated message processing” voor en past zo de ideeën van het informatieverwerkingsparadigma toe op de verwerking van gemedieerde boodschappen door de mens. Het model vertrekt van twee basisassumpties (Lang, 2000, p.47). De eerste assumptie stelt dat mensen informatieverwerkers zijn; ze ontvangen stimuli uit hun omgeving en voeren er mentale processen op uit om ze uiteindelijk te kunnen reproduceren. Ten tweede gaat Lang (2000) ervan uit dat de mogelijkheden van de mens om de informatie uit zijn omgeving te verwerken beperkt is. We kunnen maar enkele stimuli of opgeroepen herinneringen tegelijkertijd verwerken. Lang (2000, p. 47-50) motiveert dat er drie deelprocessen te onderscheiden zijn wanneer stimuli verwerkt worden tot mentale representaties. We merken op dat deze drie deelprocessen niet gelijkgesteld kunnen worden met de drie soorten geheugens die in de oudere multi-opslagmodellen vermeldt worden (cf. 1.1.2). Het gaat namelijk niet over verschillende soorten geheugens maar over de processen die in het brein plaatsvinden bij de verwerking van nieuwe informatie uit de omgeving. 15
Deelprocessen in het limited capacity model Lang (2000, p. 47-50) bespreekt hoe het eerste deelproces de informatie uit de omgeving codeert. Onze zingtuigen nemen de informatie uit onze omgeving op en die worden tijdelijk bewaard in een zintuigelijke opslagruimte. De codering van zintuigelijke input is een complex proces en is nooit volledig noch exact. Zoals reeds vermeld is de mens beperkt in zijn verwerkingscapaciteit en wordt er geselecteerd welke elementen verwerkt worden en welke niet. Deze selectie kan gecontroleerd zijn, afhankelijk van het doel van de persoon, of ongecontroleerd wanneer de advertentie zelf een bepaalde interesse opwekt bij het individu zonder dat die zich er bewust naar richtte (Lang, 2000, p. 48-49). Hier zien we een link met het concept van betrokkenheid dat verder in deze literatuurstudie besproken zal worden (cfr. §1.2). Vervolgens moet deze informatie opgeslagen worden in het geheugen. Dit opslaan is het tweede deelproces. Lang (2000, p. 49-50) legt uit dat wanneer het individu bewust nadenkt over de input de gerelateerde coderingen in ons actief geheugen terechtkomen en geassocieerd worden met voorgaande kennis die we ophalen uit het langetermijngeheugen. Dit laatste, het terug ophalen van eerder opgeslagen informatie uit het langetermijngeheugen naar het actieve geheugen is volgens Lang (2000, p. 50) het derde deelproces van de mentale verwerking. Wanneer we over nieuwe input nadenken in ons actief geheugen gaan we tegelijkertijd op zoek naar elementen in ons lange termijn geheugen waarmee we het kunnen linken. Hoe meer we nadenken over een bepaald element, hoe meer associaties we leggen met bestaande kennis en hoe beter de nieuwe informatie opgeslagen zal worden (Lang, 2000, p. 50). Lang (2000) biedt hiermee een model aan waarmee we kunnen nagaan hoe goed een bepaald element van een advertentie gecodeerd, verwerkt en opgeslagen is. Meten van de deelprocessen Volgens Lang (2000, p. 55-57) is het mogelijk om aan de hand van haar model te onderzoeken in welke mate een persoon een reclameboodschap verwerkt heeft. Met ander woorden: we kunnen vanuit dit informatieverwerkingsperspectief nagaan hoeveel iemand van een advertentie onthoudt. Dit is mogelijk omdat de mate waarin iemand zich een advertentie of delen hiervan kan herinneren het gevolg is van hoe grondig die verschillende elementen van de advertentie verwerkt zijn (Lang, 2000, p. 56). Aan de hand van drie simpele meetinstrumenten kunnen we nagaan hoe grondig een element van een advertentie de verschillende deelprocessen heeft ondergaan. De eerste die vermeldt wordt is “recognition”. 16
Dit meet of een bepaald element is gecodeerd. Hierbij wordt het element dat gezocht wordt weergegeven aan de hand van vele hints en moet het slechts herkend worden uit een lijst van bijvoorbeeld merknamen. Een tweede meting is de “cued recall”, ook wel “aided recall” genoemd, waarbij het te herinneren element aan de hand van één enkele hint weergegeven wordt. Dit geeft de mate aan waarin een element is verwerkt en opgeslagen. De derde en laatste is “free recall”; het geeft weer hoe goed een persoon een element, zonder hints, kan ophalen uit zijn geheugen (Lang, 2000, p. 56) Lang (2000) biedt ons dus een model dat zowel theoretisch verklaart hoe een reclameboodschap verwerkt wordt door het menselijk brein, als een methodologisch kader geeft om dit proces te meten. We merken wel op dat het model van Lang (2000) geen volledige verklaring is voor reclame effectiviteit en zijn vele beïnvloedende factoren maar dat het een deel uitmaakt van dit groter geheel (cfr. §1.1.1). Langs model (2000) doet hier geen afbreuk aan en wijst zelfs op het belang van externe factoren. Het beschrijft hoe selectie van de delen input, die gecodeerd zullen worden, afhankelijk kan zijn van de doelen van de kijker of de betrokkenheid die hij heeft tot een bepaald element (Lang, 2000, p. 48).
1.2 Het begrip involvement In de jaren 1960 wordt het involvement begrip voor het eerst vermeld door Krugman (1965, 1966). Hij definieert involvement als ‘the number of “connections,” conscious bridging experiences or personal references per minute, that the subject makes between the content of the persuasive stimulus and the content of his own life’ (Krugman, 1966, p. 584). Involvement slaat dus op de linken en associaties die een persoon legt tussen de advertentie en zijn eigen leefwereld. Hoe meer associaties de persoon legt tussen zichzelf en een object hoe hoger diens involvement tot dat object zal zijn. Belangrijk in Krugmans definitie van involvement is dat deze connecties bewust gelegd worden. De persoon dient zich eerst bewust te zijn van de advertentie in zijn omgeving. We kunnen hieruit afleiden dat volgens Krugman (1965, 1966) er eerst aandacht voor de reclameboodschap moet zijn en erna pas de mate van involvement invloed kan uitoefenen op het overtuigingsproces. Haley (2012) ziet het andersom. In het hoofdstuk dat hij schrijft in “Advertising Theory” (Rodgers & Thorson, 2012, p. 120-131) bekijkt hij involvement als ‘one of the earlier concepts formulated to explain why individuals may pay attention to advertising’ (Haley, 2012, p. 120). Volgens Haley (2012. p. 120-131) is involvement is dus een modererende factor die niet noodzakelijk pas na, maar ook al tijdens of zelfs voordat de aandacht op een advertentie gericht wordt, aanwezig is. 17
In zijn eerste werken heeft Krugman (1965, 1966) enkele belangrijke opmerking gemaakt. Er werd volgens hem in de academische wereld nog onvoldoende onderzoek naar de situatie van low involvement gedaan. Volgens hem is televisie een medium die een lage betrokkenheid tot advertenties bij de kijker voortbrengt. Hij introduceert het idee dat involvement ook afhankelijk kan zijn van het gebruikte communicatiekanaal of medium. Naast de reclameboodschap en het aangeboden product zijn er dus meerdere dimensies aan een reclameboodschap waartoe consumenten zich betrokken kunnen voelen. Hij toont aan dat deze verschillende vormen met elkaar kunnen interageren en invloed uitoefenen op de mate van betrokkenheid met een advertentie. Zo vindt hij dat betrokkenheid met een advertentie hoger neigt te zijn voor high involving producten die getoond wordt in een magazine dan voor high involving producten die op tv geadverteerd worden. Voor low involving producten blijkt er geen significant verschil te zijn tussen de beide media (Krugman, 1966). 1.2.1
Verschillende typologieën van involvement
De literatuur over involvement is vandaag de dag zeer uitgebreid en gevarieerd. In navolging van Krugman is er sinds de jaren 1960 veel onderzoek gevoerd naar de verschillende factoren die involvement beïnvloeden en welke effecten deze hebben op de effectiviteit van reclameboodschappen (Haley, 2012; Kim, Haley & Koo, 2009; Day, Stafford & Camacho, 1995). In volgende secties trachten we een beknopt overzicht te geven van de bestaande bevindingen. Kim et al.(2009) opteren in hun literatuuroverzicht voor de volgende opdeling. Langs de ene kant klasseren zij auteurs die een opsomming van verschillende soorten involvement maken. Een tweede groep auteurs typeert zich doordat zij involvement classificeren als een dichotomie1. Verscheidene vormen van involvement Krugman (1965, 1966) introduceerde reeds in de jaren 1960 enkele vormen van involvement. Hij constateert dat het niveau van involvement van de kijker met de advertentie afhankelijk kan zijn van het geadverteerde product zelf en de context waarin de advertentie aangeboden wordt. In het teken van context involvement heeft hij meer specifiek onderzoek gevoerd naar verschillen op basis van het gebruikte medium. Zo constateert hij dat er verschillen zijn tussen de mate van involvement met reclame op televisie of in een tijdschrift. Een magazine is
1
Dichotomie of te indeling (http://www.vandale.be)<;
in
tweeën.
Synoniem:
tweedeling.
Gevonden
in
de
Van
Dale
18
volgens hem een high involving medium en televisie een low involving medium (Krugman, 1966, p.596). Zaichkowsky (1985, p. 342) omschrijft involvement als “a person's perceived relevance of the advertisement based on inherent needs, values, and interests”. Zij onderscheidt drie types van involvement: involvement met betrekking tot de advertentie, het product en de aankoopsitutatie. Zelf construeerde zij twee unidimensionele schalen om involvement te meten. De Personal Involvement Inventory (PII) en de PII for advertising (PIIA) (Zaichkowsky, 1985, 1994). In hun literatuurstudie onderscheiden Day et al. (1995) geen drie, maar vijf verschillende types
involvement.
Zij
spreken
over
involvement
met
betrekking
tot
activiteiten/issues/interesses, reclame, producten, diensten en aankoopbeslissingen. Bovenstaande typologieën zijn gebaseerd op de verschillende dimensies van advertenties waartoe een consument zich veel of weinig geassocieerd kan voelen. Zo kan involvement verschillen op basis van het geëtaleerde product of productklasse. Bijvoorbeeld, iemand die in de cosmeticasector werkt kan een hoger involvement niveau vertonen ten aanzien van advertenties voor oogschaduw dan iemand die in de bouwsector werkt. Er zijn echter ook minder duidelijke dimensies die van belang kunnen zijn, zoals de context waarin de advertentie gebracht wordt. Krugman (1966) toonde, zoals eerder vermeld, al aan dat het involvement niveau van een medium verschillend kan zijn. Gallagher, Foster & Parsons (2001) zijn hier niet mee akkoord. Zij constateren dat niet het medium maar eerder de boodschap en presentatie van de advertentie aan de basis liggen van de verschillende reacties op reclame tussen verschillende personen (Gallagher et al., 2001, p. 69). Twee tegenstrijdige meningen die er beiden niet in slagen “de waarheid” volledig te omschrijven. Danaher (2003) biedt hier mogelijks een verklaring voor. Hij argumenteert dat het medium zelf niet zozeer de mate van involvement bepaalt maar eerder de redenen voor gebruik door het individu. Involvement kan zo verschillen naargelang een persoon eerder doelgerichte of exploratieve redenen heeft voor het gebruik van een bepaald medium. Hij verdeelt involvement dus op in een dichotomie en zal daarom verder besproken worden in het tweede luik van deze opdeling volgens Kim et al. (2009). Daarin bekijken we enkele wetenschappelijke werken die involvement dichotomizeren.
19
Tweedelige kijk op involvement Hierboven vermelden we al een eerste auteur, Danaher (2003), die involvement omschrijft als een dichotomie. Hij constateert dat doelgericht browsen leidt tot lagere recall en recognition dan exploratief browsen. Met doelgericht kijk- of gebruiksgedrag bedoelt hij bijvoorbeeld iemand die naar een live voetbalmatch kijkt en bijgevolg minder aandacht blijkt te hebben voor andere perifere elementen, zoals banneradvertenties. Met exploratief gedrag bedoelt hij niet zozeer dat er geen doel is maar dat de persoon zich zeer onderzoekend opstelt. Denk maar aan zoekertjessites, die staan vol informatie. Iemand die op zoek is naar een tweedehands meubelstuk is geneigd meer diepgaand en langer te browsen op dergelijke sites en heeft meer kans om aandacht te besteden aan advertenties in de zijlijn (Danaher, 2003). In de literatuur wordt er ook gesproken over de opdeling in rationele en emotionele involvement (Park & Young, 1986) of cognitieve en affectieve involvement (Laurent & Kopferer, 1985). Beide opdelingen verwijzen naar hetzelfde concept onder een andere benaming. Kim et al. vatten deze gedeelde betekenis samen: ‘affective involvement or emotional involvement is related to the states of feelings or emotions caused by the interactions with a certain object, whereas cognitive involvement or rational involvement is related to the states of rationale used for informational processing during interaction with an object’ (Kim et al., 2009, p.68). Houston & Rothschild (1978) leveren een andere belangrijke tweedeling van het involvement concept. Zij argumenteren dat er een eerder tijdelijke vorm van involvement bestaat, “situational involvement” genaamd. Afhankelijk van een bepaalde context of periode in de tijd
kan
involvement
aankoopbeslissingen
of
verschillen.
Het
gebruikssituaties
gaat van
hier een
dan
vooral
product.
over Een
specifieke voorbeeld:
aankoopbeslissingen betreffende babyproducten, zoals babyvoeding en luiers, kunnen “highly involving” zijn voor gezinnen met pasgeboren baby’s. Wanneer de baby opgroeit, en dus zulke producten niet meer nodig heeft, is het waarschijnlijk dat deze betrokkenheid zal dalen. Daarnaast beschrijven Houston & Rothschild (1978, p. 184-185) een meer langdurige vorm van betrokkenheid die de sterkte van een vooraf aanwezige relatie met het object of de actie reflecteert. “Enduring involvement”. Dit kan bijvoorbeeld betrokkenheid met een bepaalde productklasse zijn, maar ook met bekende persoon. Iemand die zijn hele leven lang al een hoge interesse heeft voor een beroemde acteur zal zich meer betrokken voelen tot een advertentie waarin deze acteur voorkomt dan iemand die deze acteur niet kent (Haley, 2012, 20
p.124). Denk maar aan het merk Nespresso (http://www.nestle-nespresso.com), dat beroep doet op George Clooney als merkambassadeur om hun product te promoten. De meest gekende en eenvoudige tweedeling van involvement is waarschijnlijk de opdeling in intensiteit. We kunnen hoge en lage involvement onderscheiden (Krugman, 1965, 1966; Zaichkowsky, 1985). We concluderen uit de literatuur dat die nooit alleen voorkomen. Een persoon kan een hoge of lage betrokkenheid hebben op het vlak van het geadverteerde product of de productklasse, maar in dezelfde situatie een lage emotionele involvement hebben ten aanzien van de gekozen esthetische elementen in de advertentie. Uit deze constateringen lijkt het waarschijnlijk dat al deze verschillende vormen involvement niet los staan van elkaar maar eerder met elkaar in relatie staan. 1.2.2
Hiërarchische of dynamische relatie?
Een eerste bevestiging van deze onderlinge relatie tussen verschillende vormen van involvement vinden we terug bij Day et al. (1995). In hun literatuuronderzoek constateren ze dat er twee types involvement zijn, langdurige en situationele en vijf verschillende objecten van involvement. Namelijk activiteiten, interesses of onderwerpen, producten, services, advertenties en aankopen/beslissingen. Day et al. (1995, p. 70) argumenteren dat deze laatste vijf in een hiërarchische relatie met elkaar staan, van een algemene tot zeer specifieke objecten van involvement. We verduidelijken dit met een voorbeeld. Involvement met een bepaald onderwerp, zoals milieubewustzijn, kan leiden tot involvement met de productklasse van milieuorganisaties. Vervolgens kan dit aanleiding geven tot involvement met specifieke advertenties over milieuorganisaties of producten die milieuvriendelijk beweren te zijn. Tevens argumenteren ze dat algemene (activiteiten, onderwerpen, interesses) involvement en product of productklasse involvement eerder langdurige zijn van aard. Service, aankoopbeslissing en advertentie involvement zijn eerder situationeel van aard (Day et al., 1995, p. 70-72). Kim et al. (2009) stellen deze hiërarchische classificatie in vraag. In hun onderzoek naar de rol van involvement in product en bedrijfsadvertenties vinden ze dat de hiërarchie van involvement ook omgekeerd kan voorkomen. Involvement met één bepaalde advertentie kan aan de basis liggen van de ontwikkeling van een meer algemene interesse in een bepaald product of merk. Dit bleek vooral waar te zijn voor bedrijven die voor het individu vooraf onbekend waren (Kim et al., 2009, p. 75-77).
21
1.3 Alternatief format voor online adverteren? De online advertentiemarkt lijkt veel minder onderhevig aan veranderingen in de macroeconomische omgeving dan de gehele reclamesector (IAB, 2014, p. 10-11). De cijfers van 2013 zijn indrukwekkend. Zonder online adverteren zou de volledige reclamesector in Europa gedaald zijn met 8,3%, maar door de groei van online adverteren met ruim 11%, blijft deze daling beperkt tot slechts 2,9% (IAB, 2014, p. 10). Volgens het IAB-rapport (2014, p. 11-12) heeft dit te maken met het feit dat online reclame veel voordeliger is voor adverteerders. Er wordt namelijk gebruik gemaakt van kostmodellen die prestatie gebaseerd zijn. Het bestaan van de “data-driven targeting”-techniek en de automatisering van dit proces zorgen ervoor dat online adverteren meer waarde voor zijn geld oplevert. Ook kunnen we zeggen dat er een toenemend bereik is ten opzichte van offline media: zo worden sociale media recent ingezet om consumenten relevante reclame te kunnen tonen en ook de markt voor mobiel adverteren is zich volop aan het ontwikkelen (IAB, 2014, p.11-12). Dit zijn allemaal redenen die de stelling van Leong et al. (1998) bevestigen. Zij (Leong et al, 1998) stellen dat het uiterst interessant kan zijn om steeds nieuwe en creatieve formats voor online adverteren te onderzoeken en ontwikkelen. Ook Ha (2008) stelt dat er nood is aan meer academisch onderzoek naar de mogelijkheden van nieuwe en creatieve reclameformats. In de praktijk zien we een brede waaier aan bedrijven die eigen creatieve formats voor online adverteren aanbieden (www.solvemedia.com, http://nlpcaptcha.in, http://areyouahuman.com, http://www.minteye.com). Eén van die creatieve ideeën is het gebruik van CAPTCHA’s als advertenties op het web. Desondanks is er bitterweinig literatuur te vinden over hoe een dergelijke CAPTCHA-format voor adverteren een meerwaarde kan leveren. 1.3.1
CAPTCHA-advertentie
CAPTCHA staat voor “Completely Automated Public Turing Test to Tell Computers and Humans Apart” (http://www.captcha.net). von Ahn, Blum, en Langford (2004) leggen uit wat dit wil zeggen: CAPTCHA’s zijn de afbeeldingen van verwrongen tekst die vragen aan de gebruiker om te herhalen wat er geschreven staat, vaak aan het eind van invulformulieren op het web. Ze maken het mogelijk om computers te onderscheiden van mensen, zodat enkel echte mensen zich kunnen registreren voor – bijvoorbeeld – een e-mailaccount. Computers zouden hier namelijk non-stop op kunnen registreren en misbruik van maken (von Ahn et al., 2004, p. 57-58).
22
Fig. 2: voorbeeld van een CAPTCHA. (http://www.captcha.net).
Enkele eigenschappen van CAPTCHA’s kunnen een meerwaarde bieden voor adverteerders op het internet. Ten eerste kunnen CAPTCHA’s gebaseerd worden op een brede waaier aan zintuigelijke waarneembare vormen; ze kunnen zowel visueel als auditief zijn (von Ahn et al., 2004). Dit laat toe om zowel visuele, auditieve en zelfs audiovisuele advertenties af te beelden (Aggarwal, 2013). Ten tweede vereisen CAPTCHA’s van de gebruiker dat ze antwoorden op een bepaalde vraag om verder te kunnen gaan met wat ze bezig waren (Carnegie Mellon University). Wanneer een CAPTCHA-advertentie vereist om een vraag over het afgebeelde merk of andere elementen van de advertentie te beantwoorden forceert het hiermee eigenlijk een verwerking van de inhoud van de advertentie. De gebruiker moet het antwoord gaan opzoeken in de advertentie en juist aangeven om verder te kunnen surfen. Deze geforceerde aandacht kan er tevens voor zorgen dat de gebruiker langer blootgesteld is aan de advertentie waardoor er een hogere kans is dat deze zal verwerkt worden door de gebruiker. Bijgevolg kan er door deze langere blootstelling een hogere kans ontstaan dat de merknaam of het product herinnerd wordt (Lang, 2000; Cho, 2001; Danaher, 2003). Een onderzoek uitgevoerd door de Warthon School2 (Pierson & Niedermeier, 2010) in samenwerking met Solvemedia, bevestigt deze redenering. CAPTCHA-advertenties leiden tot een stijging van 111% voor merk herinnering (brand recall) en tot 12 maal meer herinnering van de boodschap (message recall) in vergelijking met banneradvertenties (Pierson & Niedermeier, 2010). Toch zijn we voorzichtig met deze percentages omdat het een samenwerking met een commercieel bedrijf is en we in hun white paper heel weinig analytische informatie terugvinden over hoe deze cijfers tot stand kwamen. Pierson & Niedermeier (2010) merken op dat deze cijfers slechts een eerste indicatie zijn van dit fenomeen en er verder onderzoek vereist is om de exacte impact ervan te kunnen begrijpen. Ten laatste merken we op dat CAPTCHA’s al verscheidene toepassingen kennen op het web en zo een bestaand maar ongebruikt platform voor adverteren en het bereiken van consumenten biedt (http://www.captcha.net).
2
Wharton School, University of Pensylvania
23
De voorgaande paragraaf keek naar de potentiële meerwaarde die een op CAPTCHA gebaseerde advertentie kan hebben, daarnaast bespreken we een bezorgdheid. Meerdere auteurs (Cho & Cheon, 2004; McCoy et al., 2007) erkennen de groeiende ergernis van de consument aan de aanwezigheid van reclame op het web. We kunnen ons dus afvragen of deze geforceerde blootstelling aan een CAPTCHA-advertentie niet tot meer irritatie zal leiden. Verassend genoeg blijkt dit niet noodzakelijk het geval te zijn. In het onderzoek van Pierson en Niedermeier (2010) werden geen significante verschillen gevonden in gebruiksplezier tussen de groepen die een CAPTCHA-advertentie zagen en de groepen die een gewone statische advertentie te zien kregen.
1.4 Besluit en hypothesen Aan de hand van de literatuur kunnen we hypothesen opstellen die helpen bij het beantwoorden van de centrale onderzoeksvragen. Een eerste besluit dat we trekken uit de literatuur betreft de relevantie van CAPTCHA-format voor adverteren. De pionierswerken van Pierson & Niedermeier (2010) en Aggarwal (2013) suggereren dat CAPTCHAadvertenties effectiever kunnen zijn in creëren van merknaam herinnering door de consumenten. Dit doordat een langere blootstelling gecreëerd wordt. Het “limited capacity model of mediated message processing” van Lang (2000) biedt een verklaring voor hoe die herinnering tot stand komt. Ze legt uit hoe aandacht voor advertenties werkt en omgezet wordt naar de effectieve verwerking ervan door het brein. Ze biedt drie meetinstrumenten aan om de grondigheid van de deelprocessen van die verwerking te meten: free recall, aided recall en recognition. Aan de hand hiervan kunnen we ons eerste vermoeden i.v.m. CAPTCHAadverteren opstellen. H1: Verwerking van de merknaam door het brein is grondiger voor CAPTCHA advertenties dan voor banners. Daarnaast zagen we dat CAPTCHA-advertenties door het stellen van een vraag over de inhoud een gedwongen aandacht voor die inhoud creëren en de verwerking ervan potentieel versterken. We vermoeden daardoor dat meer gedetailleerde elementen, zoals de boodschap, bij een CAPTCHA-advertentie beter zullen opgenomen worden door het brein dan bij een banner. H2: Verwerking van de boodschap van de advertentie is grondiger voor CAPTCHAadvertenties dan voor banneradvertenties. 24
De tweede onderzoeksvraag richt zich op een eventuele invloed van involvement bij deze verwerking. Lang (2000) bespreekt dat dit een rol speelt voor de aandacht en verwerking van informatie. Iemand met meer interesse in een bepaald product is meer geneigd advertenties ervan op te merken. Ook ander onderzoek (cfr. §1.2) heeft al aangetoond dat de mate van involvement van de consument een impact heeft op de effectiviteit van reclame. In het kader van het model van Lang (2000) kunnen we vermoeden dat een hogere involvement er toe kan leiden dat een advertentie meer opgemerkt wordt en bijgevolg beter verwerkt zal worden. We kunnen ons afvragen of er een versterkend effect voorkomt wanneer een high involvement groep een CAPTCHA-ad ziet i.p.v. een banner. H3: Consumenten met een hoge involvement tot de afgebeelde productklasse in CAPTCHA-advertenties verwerken de advertentie grondiger dan wanneer een product van dezelfde productklasse geadverteerd wordt in bannervorm. Ten slotte kunnen we controleren of gemoedstoestand, geslacht en leeftijd een invloed uitoefenen op de verwerking van de advertenties door de hersenen. H4: Het geslacht, de leeftijd en de gemoedstoestand van de consument heeft geen invloed op de verwerking van de advertenties door de hersenen.
25
2 Methodologie In dit deel van deze masterproef bespreken we de opzet van het onderzoek. Vervolgens verduidelijken we de keuze van de stimuli en de overwegingen die hierbij gemaakt werden. Daarnaast bespreken we de andere gebruikte materialen uit het onderzoek. Hieronder verstaan we de methode om de stimuli toe te dienen alsook de gekozen bevragingstechnieken en meetschalen om de impact na te gaan. Ten laatste bespreken we de steekproef en hoe de respondenten benaderd werden. In de verschillende paragrafen van dit deel wordt herhaaldelijk aandacht gegeven aan de genomen voorzorgen om de interne en externe validiteit van de dataverzameling te vrijwaren.
2.1 Onderzoeksopzet Om de hypothesen te kunnen beantwoorden werd gebruik gemaakt van een semiexperimenteel onderzoek met negen groepen. De participanten werden ad random aan deze negen condities toegewezen. Allen werden zij aan dezelfde website blootgesteld waarop één CAPTCHA- en één banneradvertentie te zien was. De advertenties werden geselecteerd uit drie
productcategorieën.
Dit
leidt
tot
negen
(3x3)
verschillende,
mogelijke
stimuluscombinaties. De participanten werden onmiddellijk na de blootstelling aan de stimuli bevraagd om de impact ervan te meten.
2.2 Stimuli De toegediende stimuli betroffen één CAPTCHA- en één banneradvertentie. Dit onderscheid zal het mogelijk maken om eventuele verschillen in effectiviteit tussen de beide formats bloot te leggen. In dit stuk bespreken we allereerst de gemaakte overwegingen en voorzorgen bij de keuze van de advertenties. Daarna zullen we kort de fysieke eigenschappen van de CAPTCHA- en banneradvertenties bespreken. 2.2.1
Algemene overwegingen bij de stimuli keuze
De keuze van de gebruikte advertenties was een heel proces. In de verschillende stappen van dit proces werd steeds rekening gehouden met het uiteindelijke doel van het onderzoek: een zo realistisch mogelijke situatie creëren. Deze realismegraad is belangrijk om de vergelijkbaarheid van de resultaten met de realiteit te vrijwaren. Alle gekozen advertenties worden in de bijlages opgenomen (cfr. bijlage 1). In wat volgt bespreken we de gemaakte overwegingen bij de selectie van de stimuli. 26
Realisme van de advertenties Ten eerste stelde zich de vraag of reële of fictieve advertenties gebruikt zullen worden. Een voordeel voor fictieve advertenties is dat ze volledig nieuw zijn en dus met zekerheid door niemand al gekend zijn. Een nadeel is dat het niet eenvoudig is zelf meerdere advertenties te produceren en tegelijkertijd een hoog realisme te behouden. Voor het onderzoek is het heel belangrijk dat de stimuli er zo realistisch mogelijk uitzien om de relevantie van de resultaten voor de praktijk te vrijwaren. Daarom werd het gebruik van bestaande advertenties verkozen boven zelf advertenties genereren. We merken hierbij op dat alle advertenties binnen hetzelfde format dezelfde afmetingen en inhoudelijke vorm dienden te hebben. Er werden lichte aanpassingen aan de advertenties gemaakt om deze gelijkheid te verkrijgen. Deze aanpassingen waren zo licht van aard dat ze geen afbreuk deden aan het realisme niveau van de advertenties. De verdere bespreking van deze fysieke en inhoudelijke vormvereisten en de hiervoor gemaakte aanpassingen gebeurt in § 2.2.3. Verstaanbaarheid van de advertenties De keuze voor bestaande advertenties brengt een volgende overweging met zich mee. We moeten namelijk beslissen uit welke markt de advertenties geselecteerd zullen worden. Hierbij houden we in eerste instantie rekening met de moedertaal van de doelgroep (Vlaanderen): het Nederlands. Dit aspect is belangrijk om zeker te kunnen zijn dat alle respondenten evenveel kans hebben de advertenties goed te kunnen “lezen” en begrijpen. Gezien de grootte leeftijdsspreiding (cfr. § 2.5) kunnen we er niet van uitgaan dat iedereen bijvoorbeeld de Engelse of Franse taal evengoed beheerst. Omdat het Nederlands de moedertaal van de doelgroep is gaan we er vanuit dat deze wel voor iedereen even goed verstaanbaar is. Dit verkleint de keuze al tot twee opties: advertenties uit de Nederlandse of Vlaamse markt. We merken hier wel bij op dat één gekozen banner volgende slogan bevat: “All you can tweet, post & what’s app”. We aanvaardden deze wel vanwege de algemene kennis van deze begrippen bij het doelpubliek van deze advertentie. Ook in de Nederlandse taal spreekt men over tweeten, posten en het gebruik van what’s app zonder deze termen te vertalen. Familiariteit met de advertenties Een volgende overweging betreft de familiariteit van de participanten met de stimuli. Wanneer we advertenties uit de Vlaamse markt selecteren is het mogelijk dat een substantieel deel van de participanten de gekozen advertenties al eens eerder gezien heeft of al bekend is 27
met het merk. In de literatuur noemt men dit fenomeen familiariteit. Meerdere auteurs (Dahlen, 2001; Romaniuk & Wight, 2009) hebben aangetoond dat het al dan niet familiair zijn met advertenties of merken een impact heeft op de effectiviteit van internetadvertenties. Omdat deze studie zich focust op de mogelijke invloeden van formatkeuze (CAPTCHA versus banner) en het niveau van involvement willen we dit familiariteitseffect uitsluiten. We gaan onze advertenties daarom niet in de Vlaamse maar wel in de Nederlandse markt zoeken. Het voordeel van Nederlandse advertenties is dat de gebruikte taal (Nederlands) voor iedereen even verstaanbaar is en het toch om producten en merken gaat die de Vlaamse populatie normaliter nog niet gezien heeft. Toch sluit de keuze van de Nederlandse markt het familiariteitseffect niet volledig uit. Vlaanderen en Nederland kennen namelijk een geografische nabijheid. Daarom werd deze familiariteit in de enquête dubbel gecontroleerd. In het sociaal-demografische gedeelte vroegen we naar het land waarin ze wonen (België, Nederland of andere) en bij de aided recall-vraag van zowel de banner en CAPTCHA vroegen we de respondenten of ze de advertentie al eerder gezien hadden (vóór het invullen van de enquête). Personen die Nederland aangaven als verblijfplaats of één van de advertenties al kenden werden als mogelijks vertekende data-input beschouwd en bijgevolg verwijderd uit de dataset (cfr. § 2.5). 2.2.2
De productklassen
Aan de hand van de literatuurstudie besloten we ons te focussen op involvement ten aanzien van productklasse. Om de impact hiervan betrouwbaar te kunnen meten hebben we nood aan een gelijkmatige spreiding over lage, neutrale en hoge involvement scores. We hebben hiervoor in de eerste plaats voldoende deelnemers nodig. Daarbovenop moet er voldoende mogelijkheid gecreëerd worden voor de participanten om te variëren op deze involvement schaal. Daarom kozen we voor advertenties uit drie verschillende productcategorieën: kazen, mobiele telefonie en job websites. Deze categorieën werden geselecteerd voor een paar redenen. Eerst en vooral zijn dit vrij algemene productklassen. We bedoelen hiermee dat ze veelvoorkomend en gekend zijn onder het doelpubliek. We bedoelen hier niet mee dat ze voor de meeste mensen neutrale involving categorieën zijn. Omgekeerd zijn het geen productklassen die nichemarkten aanspreken. Dit zou er toe kunnen leiden dat er geen evenwichtige spreiding is over de involvement niveaus. Zo een onevenwichtige spreiding zou problematisch zijn voor de mogelijkheid om betrouwbare statistische uitspraken te kunnen doen. Ten tweede kunnen er vanwege hun algemeen karakter veel bestaande advertenties gevonden worden. Dit vergemakkelijkt het zoekproces naar advertenties die aan alle criteria 28
voldoen. Uiteindelijk werd voor elk van de drie productcategorieën één CAPTCHA- en één banneradvertentie geselecteerd. 2.2.3
De advertenties
Elke advertentie ongeacht het format (CAPTCHA of banner) en de productklasse bestaat uit dezelfde inhoudelijke elementen. Allereerst is er een duidelijke afbeelding van de merknaam in tekstvorm. Dus enkel de afbeelding van het logo was niet voldoende om geselecteerd te worden. Tevens is er in elke advertentie een product afgebeeld dat duidelijk toebehoort aan één van de drie gekozen productklassen. Ten slotte heeft elke geselecteerde advertentie een boodschap in de vorm van een slogan. Deze elementen (merknaam, productklasse en boodschap) ordenen zich van zeer kort en algemeen (merknaam) naar veel uitgebreider en gedetailleerder (boodschap). Deze extra nuance maakt het mogelijk om samen met het meetmodel van Lang (2000) onderzoek te doen naar zowel het niveau van verwerking als naar de hoeveelheid details die verwerkt zijn door het menselijk brein. Dat deze vormvereisten voor de beide formats gelijk zijn maakt het mogelijk om vergelijkende analyses te doen op deze elementen. Naast de inhoudelijke criteria zijn er ook fysieke vormvereisten waaraan de advertenties moesten voldoen. Deze fysieke vormvereisten verschillen wel tussen de beide formats (banner en CAPTCHA). Zo zijn alle banneradvertenties rechthoekig van vorm met 40mm breedte op 146 mm hoogte. De CAPTCHA-advertenties zijn 61mm breed en 50mm hoog, op het eerste zicht eerder vierkant. Deze groottes zijn vergelijkbaar met de realiteit. De gelijkheid in grootte is belangrijk opdat geen grootte effecten zouden kunnen optreden. Grotere advertenties worden namelijk makkelijker opgemerkt (Rodgers & Thorson, 2000, p. 49). Het CAPTCHA-format Voor dit onderzoek werd een basisvorm van een CAPTCHA-advertentie gesimuleerd. Deze werd opgebouwd uit twee delen. Het eerste deel betreft de advertentie zelf. Hiervoor kozen we voor visuele advertenties waar zowel tekst als afbeelding in verwerkt werden. Net als voor de banneradvertenties werd bij de selectie van deze CAPTCHA-advertenties rekening gehouden met de al vermelde fysieke en inhoudelijke vormvereisten. Het tweede deel van het format omvat een vraag over de afgebeelde advertentie. Het correcte antwoord op deze vraag was in alle gevallen de kernboodschap van de advertentie. Bijvoorbeeld: de advertentie van het merk Kees luidde de boodschap “Goed voor je cholesterol”. De vraag luidde dan: “Kazen
29
van Kees zijn goed voor je … ?”. De andere twee CAPTCHA-advertenties en hun bijhorende vragen zijn terug te vinden in bijlage 1.
2.3 Andere gebruikte materialen 2.3.1
Website
Voor het toedienen van de stimuli aan de participanten werd een website ontwikkeld. Voor het bouwen ervan werd de hulp van een student burgerlijk ingenieur in de computerwetenschappen ingeroepen om deze zo realistisch mogelijk te laten lijken. We kozen voor een boekingssite voor vliegtuigtickets. De site bestond uit twee pagina’s. De eerste pagina (zie figuur 3) bestaat uit een invulscherm waarop de gegevens – vertrek, bestemming, data en aantal reizigers – voor de boeking ingevuld moesten worden. Tevens werden hierop de beide stimuli afgebeeld.
Fig. 3: Website voor het toedienen van de stimuli
Na het doorklikken en fictief boeken van de vluchten kwam de respondent op de bevestigingspagina van de site terecht. Hierop werd de respondent verzocht terug te keren naar de survey en werd hem een uniek rangnummer toegewezen dat ingevuld diende te worden in het eerste vak van de nabevraging. Al deze rangnummers en de bijhorende informatie, opgegeven op de eerste webpagina, werden opgeslagen in een aparte databank. De beantwoording van de vraag was niet geforceerd. Hierdoor kunnen we achteraf nagaan hoe
30
goed de respondenten de bedoeling van de CAPTCHA-advertentie onmiddellijk begrepen. Dit kan ons een indicatie geven over de complexiteit van het format. 2.3.2
Gekozen meetinstrumenten
Het surveygedeelte van het onderzoek bestond uit verschillende delen. Het verloop van deze vragenlijst zal verder onder “procedure” besproken worden (cfr. § 2.4). Hier lichten we de gekozen meetinstrumenten toe per hypothese. De volledige vragenlijst is te vinden in bijlage 3. Hypothese 1 en 2: verwerkingsgraad Om een antwoord te kunnen bieden op deze hypothesen maken we gebruik van het meetmodel van Lang (2000). Free recall van de merknaam meten we door de respondent zonder enige hints te vragen welke merknamen hij zich nog kan herinneren. Voor aided recall werd een geblurde versie van de advertentie getoond. Deze bestond uit de oorspronkelijke advertentie waarvan de afbeeldingen van het product, de merknaam en de slogan verwijderd was. De deelnemers werden dan gevraagd of ze zich de merknaam van die advertentie herinneren. Deze vraag werd eenmaal voor elk format (banner en CAPTCHA) gesteld. Ten slotte werd de recognition van merknaam en reclameboodschap bevraagd voor beide formats. Dit werd gedaan door het aanbieden van een lijst met meerdere mogelijke opties. De juiste merknaam (of boodschap) stond hiertussen. Er werd gevraagd aan de respondent om de merknaam (of boodschap) in het gegeven lijstje aan te duiden. Hypothese 3: invloed van involvement Met deze hypothesen willen we nagaan of er een verschil is in de mate waarin productklasse involvement een effect uitoefent op de herinnering van de banneradvertentie en CAPTCHAadvertentie. Hiervoor wordt per advertentie het involvement niveau van de respondent met de afgebeelde productklasse gemeten. Dit doen we aan de hand van de “Personal Involvement Inventory”-schaal van Zaichkowsky (1985). Dit is een unidimensionele schaal opgebouwd uit twintig semantisch differentiële items. Deze items worden gescoord op een zevenpuntenschaal. De totale involvement score is de som van deze itemscores en varieert van laag (20) naar hoog (140). De hulp van een master in vertaler-tolk Engels aan de Mercator Hogeschool werd ingeroepen om de schaal getrouw te vertalen van het Engels naar het Nederlands. Dit is belangrijk omdat de schaal op het eerste gevoel beantwoord dient te worden en een vertaling die hier geen rekening mee houdt kan tot vertekende resultaten 31
leiden. De schaal in het Engels laten was geen optie omdat de bevraagde leeftijdsgroepen zo uiteenlopend waren. Er kon niet van iedereen in de steekproef verwacht worden dat ze een zelfde kennis van het Engels bezitten, daarom werd gekozen voor een zorgvuldige vertaling door een kenner. We delen de respondenten in drie groepen in: hoog, neutraal en lage involvement ten aanzien van de productklasse. Hypothese 4: Controle voor PANAS en sociaal-demografische gegevens Om uit te sluiten dat de algemene gemoedstoestand van de respondent een effect uitoefent op de mate van herinnering gebruiken we de korte versie van de positieve en negatieve affect schaal (I-PANAS-SF) van Thompson (2007). Dit is een 5-punt Likert schaal bestaande uit 10items die internationaal toepasbaar is. Ook hier werd de schaal vertaald naar het Engels door dezelfde kenner om vertekende resultaten door verschillende kennisniveaus van het Engelse uit te sluiten. Als allerlaatste werden enkele sociaal-demografische gegevens gevraagd; zoals geslacht, geboortejaar, student/werkend om een inzicht in de representativiteit van de steekproef te krijgen en om te controleren dat deze elementen geen invloed uitoefenen op de resultaten. Ook vroegen we of de respondenten in België of Nederland wonen. Zo kunnen we achteraf de personen met Nederlandse identiteit uit de dataset halen om vertekeningen van de data te vermijden (cfr. § 2.5).
2.4 Procedure Het onderzoek startte via een link in de uitnodiging. Het onderzoek verliep dus online en vanuit de plaats waar de respondent zich op dat moment bevond. Deze niet-gecontroleerde fysieke setting van het onderzoek bepaalt het semi-experimenteel karakter. We kozen hiervoor bewust omdat in de realiteit deze setting ook niet gecontroleerd kan worden door adverteerders. De participanten kregen eerst een inleiding te lezen waarna ze toegewezen werden aan één van de negen condities. Onmiddellijk daarna werden ze doorverwezen (via link) naar de website waar de stimuli toegediend werden. Alle respondenten, onafhankelijk van de conditiegroep waartoe ze behoorden, kregen vóór het zien van de site de taak om via de aangeboden link een vlucht te boeken. Er werd dus nóch in de inleiding nóch in de taakbeschrijving vermelding gemaakt van de advertenties of het doel van het onderzoek. Zo kunnen we vermijden dat respondenten meer aandacht geven aan de advertenties dan ze in het echte leven zouden doen. Nadat de respondent het verkregen nummer ingegeven heeft in de 32
enquête startte de bevraging. Hierin werd gepeild naar de mate waarin de respondenten zich de verschillende specificaties van de advertenties herinneren. Deze bevraging was opgedeeld in vier delen. In het eerste deel werd de free recall van de merknaam getest. Het tweede deel betrof twee identiek opgestelde secties. Eén voor de afgebeelde banneradvertentie en één voor de CAPTCHA-advertentie. Om te voorkomen dat één van beide systematisch beter of slechter scoort door de volgorde waarin ze bevraagd worden, werd de volgorde automatisch gerandomiseerd door de Qualtrics software. In elke sectie werd gepeild naar hoe goed de respondent zich de advertentie, het merk, de productklasse en de slogan herinnerd in die volgorde. In het derde deel werd involvement gemeten door middel van de PII-schaal van Zaichkowsky (1985). Als laatste werden enkele sociaal-demografische gegevens bevraagd. Hiermee was de vragenlijst voltooid.
2.5 Steekproef Om voldoende diversiteit te creëren binnen de verschillende groepen was het nodig om een groot aantal respondenten te verzamelen. De uitnodigingen voor het onderzoek werden via familie, vrienden en sociale media verspreid. Om deelname aan (en verder verspreiden van) mijn onderzoek te stimuleren werd er een wedstrijd gekoppeld aan de deelname. Iedereen die de vragenlijst volledig invulde en zijn e-mailadres opgaf kon kans maken op één van de drie Fnac-bonnen van tien euro. Tevens kon één persoon die mij hielp om de vragenlijst te verspreiden een Fnac-bon winnen van 20 euro. Die persoon werd geloot uit alle personen die opgegeven werden door de respondenten als doorverwijzingspersoon naar de enquête. Beide lotingen werden uitgevoerd na het afsluiten van de online enquête. Alle deelnemers die in aanmerking kwamen voor de prijzen kregen een uniek rangnummer toegewezen. Aan de hand van de ASELECTTUSSEN-functie in Microsoft Excel werden de winnaars geloot. Uiteindelijk werkten 383 personen het onderzoek volledig af. Na het uitvoeren van de data cleaning bleven er 316 bruikbare data entries over. Deelnemers werden verwijderd uit de dataset om verschillende redenen in volgende volgorde. Allereerst werden 5 entries verwijderd omdat de feedback code voorzien door de website niet ingevuld werd. Daarna bleef nog 1 pilot test over in de dataset. Deze werd ook verwijderd. Vervolgens waren er nog 24 deelnemers die aangaven de website bij het starten van de vragenlijst niet gesloten te hebben. Daarna werden 2 niet-Belgen uitgefilterd. Ten slotte waren er nog 35 personen die aangaven één of beide afgebeelde advertenties eerder gezien te hebben. In totaal zijn dit 67 deelnemers die we als mogelijks vertekende input beschouwen en bijgevolg uit de dataset 33
filteren steunende op het voorzichtigheidsprincipe. Elke startende deelnemer werd door middel van de Qualtrics software ad random aan één van de negen stimulus condities toegewezen. Na de data cleaning blijft volgende verdeling tussen de condities over.
Banner
CAPTCHA
Frequentie
%
1
Maaslander
Kees
36
11,4
2
Jobbird
Kees
16
5,1
3
Hi
Kees
41
13,0
4
Maaslander
Nu.nl
29
9,2
5
Jobbird
Nu.nl
27
8,5
6
Hi
Nu.nl
40
12,7
7
Maaslander
Simyo
41
13,0
8
Jobbird
Simyo
42
13,3
9
Hi
Simyo
44
13,9
316
100,0
Stimuluscode
Total
/
Tabel 1: Verdeling deelnemers over de stimulicombinaties
Van de geldige deelnemers is 38.6% man en 61.4% vrouw. 23.1% studeert en 74.1% werkt. De overige 2.8% was werkloos, werkzoekend of op pensioen. Alle deelnemers waren tussen de 15 en 72 jaar oud. De gemiddelde leeftijd van de deelnemers bedraagt 38.76 jaar met een standaard afwijking van 13.55 jaar.
34
3 Resultaten Vooraleer de hypothesen getest kunnen worden moet de data voorbereid worden. Hieronder zullen we eerst deze gemaakte voorbereidingen uiteenzetten en vervolgens de resultaten van de analyse per hypothese bespreken.
3.1 Dataverwerking 3.1.1
Free recall
De free recall werd bevroeg door de respondent vrij (zonder enige hint) merknamen te laten opsommen die hij/zij zicht herinnerde na het verlaten van de website. Dit was een gemeenschappelijk vraag. Er werd niet afzonderlijk naar de merknamen van de CAPTCHAen de banner gevraagd. Er werden twee nieuwe variabele aangemaakt die aangeven of de respondent de merknaam van de CAPTCHA- en de banneradvertentie respectievelijk opnoemden. Omdat de vraag open in te vullen was waren er veel verschillende antwoorden. Daarom baseren we ons op enkele objectieve criteria om te bepalen welke antwoorden aanvaard zullen worden en welke niet. Alle antwoorden die de merknamen correct spelden werden aanvaard. Die kregen waarde “1” in de corresponderende variabele. Hierbij werd geen rekening gehouden met gebruik van hoofdletters. Daarnaast werden spellingsfouten beperkt toegelaten zolang de klank niet veranderde. Bijvoorbeeld: wanneer voor het merk Kees “cees” ingevuld werd, aanvaardden we dit, maar “bees” werd niet aanvaard en kreeg waarde 0. Waarde 1 staat hierbij voor wel en 0 voor geen vrije herinnering van de merknaam. 3.1.2
Aided recall
Deze vraag kende net zoals free recall een open antwoordmogelijkheid. Indien de respondenten aangaven de geblurde versie van de advertentie te herkennen werd hen gevraagd of ze zich het merk nog herinnerden. Hier werden dezelfde criteria toegepast: correcte spelling tenzij er geen afbreuk aan de klank gedaan werd en geen hoofdlettergevoeligheid. De nieuwe variabelen “aided recall CAPTCHA” en “aided recall banner” kenden dezelfde waardenindeling: 1 voor wel en 0 voor geen gehinte herinnering van de merknaam. 3.1.3
Recognition merknaam en boodschap
Zowel voor merknaam als boodschap was de recognition vraag opgebouwd als een multiplechoice vraag. Met meerder foute, één juiste en een “andere” optie. Wanneer het juiste merk of boodschap aangeduid werd kreeg de respondent de 1-waarde en in alle andere gevallen de 035
waarde. Er werden dus vier nieuwe variabelen gecodeerd, recognition van de merknaam en boodschap voor de CAPTCHA- en banneradvertentie, met als nieuwe waarden 0 voor geen herkenning en 1 voor wel herkenning. 3.1.4
Personal Involvement Inventory
Voordat we elke respondent een waarde voor het involvement-construct kunnen toekennen moeten er in eerste instantie tien items herschaald worden die in omgekeerde logica weergegeven werden in de schaal. Vervolgens kijken we naar de betrouwbaarheid van het involvement-construct. Zaichkowsky (1985) heeft aangetoond dat de Engelse versie van de schaal universeel toepasbaar is maar in ons onderzoek hebben we er toch voor gekozen een vertaling naar het Nederlands uit te voeren. Een betrouwbaarheidsanalyse aan de hand van de Cronbach’s Alpha toets toont aan dat het involvement-construct voor de beide gemeten condities intern betrouwbaar is. Cronbach’s bedraagt voor beide tests 0.976. Dit is hoger dan de noodzakelijke 0.700 waarde. Wanneer we kijken naar de correlatie tussen specifieke items en de rest van de schaal zien we dat voor beide metingen van het construct alle items hoger scoren dan de noodzakelijke 0.300 (zie bijlage 2). Item 16 (mondain – fascinerend) geeft in beide metingen een verhoogde Cronbach’s Alpha bij verwijdering van het item, voor zowel banner als CAPTCHA. In de meting gerelateerd aan de CAPTCHA-advertentie geeft ook item 2 (niet van belang voor mij – van belang voor mij) een evenwaardige stijging in interne samenhang van de schaal met Cronbach’s och besluiten we deze items niet te verwijderen. Dit omdat dit verschil slechts heel miniem is en alle drie de items scoren ruim voldoende hoog op correlatie met de rest van de schaal (0.587, 0.634 en 0.690). Bovendien willen we geen afbreuk doen aan de schaal en diens toepassing zoals ze opgesteld werd door Zaichkowsky (1985). De uiteindelijke score op het involvement-construct wordt berekend als de som van de aparte scores per item. Dit levert scores op tussen 20 en 140. Om de verdeling over laag, neutraal en hoog te kunnen maken werden de kwartielen bepaald zoals door Zaichkowsky (1985) uitgelegd. De laagste 25% van de scores werden als laag beschouwd en de hoogste 25% als hoog. Alles daartussen (50%) werd als neutraal beschouwd.
36
Fig. 4: Boxplot voor involvementscores
3.1.5
I-PANAS-SF
Net als de PII werd de PANAS-schaal naar het Nederlands vertaald. We testen de interne betrouwbaarheid van de schaal aan de hand van een Cronbach’s Alpha toets. Voor positive affect (PA) vinden we Cronbach’s Deze waarde is te laag. Want om intern betrouwbaar te zijn moet deze waarde minimaal 0.700 zijn. Voor negative affect geeft Cronbach’s Alpha-toets een waarde van 0.719. Dit is maar net voldoende om aanvaard te worden. Wanneer we kijken naar de correlatie tussen specifieke items en de rest van de schaal zien we dat alle items (net) hoger scoren dan de noodzakelijke 0.300. Eén item (vijandig) geeft aanleiding tot een hogere Cronbach’s lpha (wanneer verwijderd uit de schaal. Dit item heeft ook maar net voldoende correlatie met de rest van de schaal (r = 0.309). Omwille van de interne onbetrouwbaarheid van het PA-deel en de slechts net voldoende Cronbach’s Alpha waarde voor NA-deel in combinatie met de slechte waarden van één van diens items beslissen we om de PANAS-schaal niet te gebruiken in de analyses. Zo proberen we te vermijden dat er foutieve resultaten ontstaan door deze schaal.
3.2 Hypothese 1 en 2 H1: Verwerking van de merknaam door het brein is grondiger voor CAPTCHA advertenties dan voor banners. H2: Verwerking van de boodschap van de advertentie is grondiger voor CAPTCHAadvertenties dan voor banneradvertenties. In de eerste hypothese willen we nagaan of er een verschil is in free recall, aided recall en recognition van de merknaam tussen het CAPTCHA- en bannerformat. Voor de tweede 37
hypothese gaan we na of er een verschil is in recognition van de boodschap tussen het CAPTCHA- en bannerformat. Voor beide hypothesen kan dezelfde test gebruikt worden. Daarom zullen we ze hier samen bespreken. Voor beide hypotheses zijn zowel de afhankelijke variabelen (free recall, aided recall en recognition) en de onafhankelijke variabele (format) nominaal met twee categorieën: respectievelijk CAPTCHA/banner en 0/1 voor de afhankelijke variabelen. In de onderstaande figuur worden de waarden voor die metingen weergegeven. 50% 45% 40% 35% 30% 25%
CAPTCHA
20%
banner
15%
10% 5% 0% Free recall
Aided recall
Recognition merknaam
Recognition boodschap
Fig. 5: Percentages free recall, aided recall en recognition: CAPTCHA vs. banner.
De grafiek toont voor elke afhankelijke variabele hoeveel procent van de totale steekproef 1 scoorde op de corresponderende variabelen voor de beide formats. Op het eerste zicht lijken deze verschillen substantieel. De relevantie van deze verschillen moet echter bewezen worden met een statische analyse. Omdat het hier gaat om gekoppelde paren (elke respondent zag zowel een CAPTCHA- als banneradvertentie) en nominale variabelen wordt er gebruik gemaakt van de McNemar test. Hiermee kunnen we bepalen of de waargenomen verschillen tussen deze CAPTCHA en banner percentages voor de vier verschillende afhankelijke variabelen statistisch significant zijn. De McNemar test verzamelt bewijzen tegen de nulhypothese (percentagebanner = percentageCAPTCHA) om de alternatieve hypothese (percentagebanner
percentageCAPTCHA ) te
kunnen aanvaarden. Om deze test te kunnen uitvoeren moet aan twee voorwaarden voldaan zijn. De steekproef moet ad random samengesteld zijn en er is minstens één afhankelijke, dichotome variabele waarvan de categorieën wederzijds uitsluitend zijn. Deze voorwaarden
38
zijn voldaan. De voorwaarde dat er meer dan 26 gemeten paren aanwezig zijn, namelijk 316, is ook voldaan. Hierdoor is het mogelijk voor de SPSS-software om door middel van een continuïteitscorrectie een Chi-kwadraat waarde te berekenen. Voor free recall toont de McNemar test met continuïteitscorrectie aan dat het verschil in de percentages vrije herinnering van de merknaam voor de CAPTCHA- (29.7%) en banneradvertenties (2.2%) statistisch significant is, 2(1) = 79.527, p < 0.0005. We kunnen de nulhypothese
verwerpen
en
de
alternatieve
hypothese
aannemen
binnen
het
betrouwbaarheidsinterval van 95%. Voor aided recall toont de McNemar test met continuïteitscorrectie aan dat het verschil in de percentages geholpen herinnering van de merknaam voor de CAPTCHA- (18.7%) en banneradvertenties (1.9%) statistisch significant is, 2(1) = 45.831, p < 0.0005. We kunnen de nulhypothese
verwerpen
en
de
alternatieve
hypothese
aannemen
binnen
het
betrouwbaarheidsinterval van 95%. Voor recognition merknaam toont de McNemar test met continuïteitscorrectie aan dat het verschil in de percentages herkenning van de merknaam voor de CAPTCHA- (45.3%) en banneradvertenties (10.4%) statistisch significant is, 2(1) = 86.094, p < 0.0005. We kunnen de nulhypothese verwerpen en de alternatieve hypothese aannemen binnen het betrouwbaarheidsinterval van 95%. Voor recognition boodschap toont de McNemar test met continuïteitscorrectie aan dat het verschil in de percentages herkenning van de boodschap voor de CAPTCHA- (29.7%) en banneradvertenties (2.2%) statistisch significant is, 2(1) = 40.878, p < 0.0005. We kunnen de nulhypothese
verwerpen
en
de
alternatieve
hypothese
aannemen
binnen
het
betrouwbaarheidsinterval van 95%. We zien dat de verschillen op alle afhankelijke variabelen (free recall, aided recall, recognition merk en boodschap) tussen de beide formats statistisch significant zijn en niet aan het toeval kunnen toegeschreven worden. Het is relevant voor deze hypothesen om na te gaan of er een verschil is in de afhankelijke variabelen voor de participanten die twee verschillende productcategorieën gezien hebben (groep 2, 3, 4, 6, 7 en 8) en diegenen die twee dezelfde productcategorieën zagen (groep 1, 5 en 9) in de CAPTCHA- en banneradvertentie. Een nieuwe variabele werd hiervoor aangemaakt (catgroep) met waarde 1 voor de groep met dezelfde en waarde 2 voor de groep 39
met verschillende productcategorieën. We voeren een Chi-kwadraat toets voor associatie uit om een eventueel verband tussen deze variabele en de afhankelijke variabelen te bewijzen of weerleggen. Voor alle vier de afhankelijke variabelen voor de banneradvertentie vinden we geen significant verband. De toets voor recognition van de merknaam en boodschap van de banneradvertentie levert volgende waarden op: respectievelijk 2(1) = 0.208, p = 0.648 en 2(1) = 0.183, p = 0.669. De Pearson’s Chi-kwadraat waarde kan niet geïnterpreteerd worden voor free recall en aided recall van de merknaam van de banneradvertentie (respectievelijk 2(1) = 0.259 en 2(1) = 0.807) omdat meer dan 20% van de cellen een verwachte cel inhoud van minder dan vijf hebben. We voeren daarom een Fisher Exact test uit. Die toont ook geen significante verschillen aan: voor free recall is de p-waarde = 0.692 en voor aided recall is de p-waarde = 0.668. Voor de afhankelijke variabelen voor de CAPTCHA-advertentie vinden we drie van de vier keer geen significant verband. Namelijk voor free recall (2(1) = 0.093, p = 0.761), aided recall (2(1) = 0.852, p = 0.364) en recognition van de boodschap (2(1) = 2.665, p = 0.103. In de kruistabel zien we voor merknaam recognition (CAPTCHA) een lagere geobserveerde cel inhoud (39) dan verwacht (48.4) voor groep 1 en een hogere geobserveerde cel inhoud (104) dan verwacht (94.6) voor groep 2. In de steekproef herkent 36.4% van participanten die twee dezelfde productcategorieën zagen de merknaam en 49.8% van de participanten die twee verschillende productcategorieën zagen. De Chi-kwadraattoets toont aan dat deze verschillen significant zijn, 2(1) = 5.062, p = 0.024. De Cramer’s Vwaarde (0.127) geeft aan dat het om zwak verband gaat.
3.3 Hypothese 3 H3: Consumenten met een hoge involvement tot de afgebeelde productklasse in CAPTCHAadvertenties verwerken de advertentie grondiger dan wanneer een product van dezelfde productklasse geadverteerd wordt in bannervorm. Om een antwoord te geven op deze hypothese gaan we na of er samenhang is tussen involvement en de verwerking van de advertentie voor elk format afzonderlijk. Hiervoor maken we gebruik van kruistabellen en de Chi-kwadraattoets voor associatie.
40
Banneradvertentie 16% 14% 12% 10% 8%
Lage involvement Neutrale involvement
6%
Hoge involvement 4% 2% 0% Free recall
Aided recall
Recognition merknaam
Recognition boodschap
Fig. 6: Percentages free recall, aided recall en recognition voor de banneradvertentie: lage vs. neutrale vs. hoge involvement.
Voor de banneradvertentie zien we dat free recall van de merknaam slechts lichtjes varieert tussen de involvement niveaus. Van de participanten in de lage involvement groep herinnert 1.2% zich de merknaam. Voor de neutrale groep bedraagt dit percentage 3.2% en voor de hoge involvement groep 1.3%. Deze verschillen lijken op het eerste zicht miniem en irrelevant. Om dit vermoeden te testen werd een Chi-kwadraat toets voor associatie uitgevoerd tussen free recall en involvement. De verkregen waarden ((2) = 1.394, p = 0.498) kunnen niet geïnterpreteerd worden omdat niet aan alle voorwaarden voldaan is: 50% van de cellen hebben een verwachte cel inhoud van minder dan vijf. Ook de aided recall van de merknaam varieert slechts lichtjes tussen de involvement niveaus. In de lage involvement groep herinnert 0.0% van zich de merknaam na het zien van de hint. In de neutrale groep bedraagt dit percentage 3.2% en in de hoge involvement groep 1.3%. Ook deze verschillen lijken op het eerste zicht miniem en irrelevant. Om dit vermoeden te testen werd een Chi-kwadraat toets voor associatie uitgevoerd tussen free recall en involvement. De verkregen waarden ( = 3.167, p = 0.205) kunnen niet geïnterpreteerd worden omdat niet aan alle voorwaarden voldaan is. 50% van de cellen hebben een verwachte cel inhoud van minder dan vijf. Voor de recognition van de merknaam zien we een iets grotere variatie tussen de involvement niveaus. Van de participanten in de lage involvement groep herkent 4.9% de 41
merknaam in het lijstje. Voor de neutrale groep bedraagt dit percentage 13.5% en voor de hoge involvement groep 10.1%. Een Chi-kwadraat toets voor associatie toonde aan dat er geen verband is tussen de herkenning van de merknaam en het involvement niveau. De gerapporteerde verschillen zijn niet significant, = 4.153, p = 0.125. Alle cellen hadden een verwachte cel inhoud groter dan vijf. Net zoals bij free recall en aided recall varieert het percentage, dat de boodschap herkennen (recognition boodschap) vrij licht tussen de drie involvement niveaus. Van de participanten in de lage involvement groep herkent 3.7% de boodschap in het lijstje. Voor de neutrale groep bedraagt dit percentage 3.2% en voor de hoge involvement groep 7.6%. Een Chi-kwadraat toets voor associatie werd uitgevoerd. De verkregen waarden ( = 2.523, p = 0.283) kunnen niet geïnterpreteerd worden omdat niet aan alle voorwaarden voldaan is: 33,3% van de cellen hebben een verwachte cel inhoud van minder dan vijf. CAPTCHA-advertentie 60% 50% 40% 30%
Lage involvement Neutrale involvement
20%
Hoge involvement
10% 0% Free recall
Aided recall
Recognition merknaam
Recognition boodschap
Fig. 7: Percentages free recall, aided recall en recognition voor de banneradvertentie: lage vs. neutrale vs. hoge involvement.
In de kruistabel voor involvement en free recall van de CAPTCHA-advertenties zien we hogere procenten en lijkt er meer variatie te zijn. Van de participanten met een laag involvement niveau herinnert 20.0% zich de merknaam. Voor de neutrale involvement groep bedraagt dit percentage 32.7% en voor de hoge involvement groep 33.8%. Een Chi-kwadraat toets voor associatie werd uitgevoerd. Alle verwachte cel inhouden waren groter dan vijf. Er
42
is geen statistisch significant verband tussen free recall van de merknaam en involvement, 2(2) = 4.898, p = 0.086. In de kruistabel voor involvement en aided recall van de CAPTCHA-advertenties zien we volgende percentages. Van de participanten met een laag involvement niveau herinnert 11.3% zich de merknaam na het zien van de geblurde advertentie. Voor de neutrale involvement groep bedraagt dit percentage 19.9% en voor de hoge involvement groep 23.8%. Een Chikwadraat toets voor associatie werd uitgevoerd. Alle verwachte cel inhouden waren groter dan vijf. Er is geen statistisch significant verband tussen aided recall van de merknaam en involvement, 2(2) = 4.409, p = 0.110. De kruistabel voor involvement en merknaam recognition van de CAPTCHA-advertenties geeft volgende procenten. Van de participanten met een laag involvement niveau herkent 31.3% de merknaam in het lijstje. Voor de neutrale involvement groep bedraagt dit percentage 48.1% en voor de hoge involvement groep 53.8%. Een Chi-kwadraat toets voor associatie werd uitgevoerd. Alle cellen hadden een verwachte cel inhoud groter dan vijf. Er is wel een statistisch significant verband tussen merknaam recognition en involvement, 2(2) = 9.165, p = 0.010. De Cramer’s V toets geeft aan dat het om een tamelijk zwak verband gaat, V = 0.170. In de kruistabel voor involvement en boodschap recognition van de CAPTCHA-advertenties zien we volgende waarden. Van de participanten met een laag involvement niveau herkent 15.0% de boodschap in het lijstje. Voor de neutrale involvement groep bedraagt dit percentage 21.8% en voor de hoge involvement groep 30.0%. Een Chi-kwadraat toets voor associatie werd uitgevoerd. Alle verwachte cel inhouden waren groter dan vijf. Er werd geen statistisch significant verband gevonden tussen boodschap recognition en involvement, 2(2) = 5.242, p = 0.073.
3.4 Hypothese 4 H4: Het geslacht, de leeftijd en de gemoedstoestand van de consument heeft geen invloed op de verwerking van de advertenties door het brein. Omdat de vertaalde versie van de I-PANAS-SF schaal intern onbetrouwbaar bevonden werd kunnen we niet nagaan of er een verband is tussen gemoedstoestand en de afhankelijke variabelen. 43
Om na te gaan of er een verband is tussen geslacht en de afhankelijke variabelen werd een Chi-kwadraattoets voor associatie uitgevoerd. De test toont aan dat er geen significante verschillen zijn tussen mannen en vrouwen voor alle afhankelijke variabelen van de banneradvertentie. Voor free recall en aided recall is niet aan alle voorwaarden voldaan: meer dan 20% van de verwachte cel inhouden zijn lager dan vijf. We voeren daarom een Fisher Exact test uit. Die toont geen significante verschillen aan tussen mannen en vrouwen: de pwaarde voor free recall is 0.436 en voor aided recall is de p-waarde = 0.680. Voor recognition van de merknaam en boodschap is wel aan de voorwaarden voldaan en interpreteren we de Pearson Chi-kwadraat toets. Deze geeft voor beide afhankelijke variabelen geen significant verband met geslacht: respectievelijk 2(1) = 0.432, p = 0.511 en 2(1) = 0.112, p = 0.738. Voor de afhankelijke variabelen van de CAPTCHA-advertentie vinden we drie van de vier keer geen significant verband met de geslachtvariabele. Namelijk voor free recall (2(1) = 0.879, p = 0.349), aided recall (2(1) = 0.053, p = 0.817) en merknaam recognition (2(1) = 0.002, p = 0.961). In de kruistabel zien we voor boodschap recognition een lagere geobserveerde cel inhoud (18) dan verwacht (27) voor de mannen en een hogere geobserveerde cel inhoud (52) dan verwacht (43) voor de vrouwen. In de steekproef herkent 14.8% van de mannen en 26.8% van de vrouwen de boodschap. De Chi-kwadraattoets toont aan dat dit verschil significant is, 2(1) = 6.307, p = 0.012. De Cramer’s V-waarde (V = 0.141) geeft aan dat het om zwak verband gaat tussen geslacht en boodschap recognition. Om na te gaan of er een verband is tussen leeftijd en de afhankelijke variabelen werd een Chikwadraattoets voor associatie uitgevoerd. De participanten werden opgedeeld in twee leeftijdscategorieën: jonger dan 45 en ouder dan 45 jaar. We beperken ons tot twee leeftijdscategorieën omdat we zo de Fisher Exact toets kunnen toepassen wanneer niet alle voorwaarden voldaan zijn. Dit is het geval voor free recall en aided recall: meer dan 20% van de verwachte cel inhouden zijn lager dan vijf. De Fisher Exact test toont dat er geen significant verband is tussen de variabelen: de p-waarde voor free recall is gelijk aan 0.446 en voor aided recall is de p-waarde gelijk aan 1.000. Voor recognition van de merknaam en boodschap is wel aan de voorwaarden voldaan en interpreteren we de Pearson Chi-kwadraat waarde. Deze geeft voor beide afhankelijke variabelen geen significant verband met leeftijdscategorie: respectievelijk 2(1) = 0.015, p = 0.902 en 2(1) = 0.037, p = 0.847. De test toont dus aan dat er geen significante verschillen zijn tussen de twee leeftijdscategorieën en alle afhankelijke variabelen van de banneradvertentie. Voor de afhankelijke variabelen van de CAPTCHA-advertentie vinden we drie van de vier keer geen significant verband met 44
leeftijdscategorie. Namelijk voor free recall (2(1) = 2.248, p = 0.134), merknaam recognition (2(1) = 0.566, p = 0.452) en boodschap recognition (2(1) = 0.058, p = 0.810). In de kruistabel zien we voor aided recall een hogere geobserveerde cel inhoud (42) dan verwacht (35.2) voor de participanten jonger dan 45 jaar en een lagere geobserveerde cel inhoud (17) dan verwacht (23.8) voor de participanten ouder dan 45 jaar. In de steekproef herinnert 22.6% van de jongere groep en 13.5% van de oudere groep de merknaam na het zien van een hint. De Chi-kwadraattoets toont aan dat dit verschil significant is, 2(1) = 4.046, p = 0.044. De Cramer’s V-waarde (-0.114) geeft aan dat het om een zwak negatief verband gaat tussen leeftijd en boodschap recognition.
4 Bespreking 4.1 Bespreking van de resultaten In de data-analyse van dit onderzoek zien we grote verschillen tussen de percentages participanten die zich de merknaam van de CAPTCHA- en banneradvertenties herinneren en herkennen. Free recall van de CAPTCHA-advertenties is 13.5 keer groter dan van de banneradvertenties. De aided recall is 9.8 keer groter en recognition van de merknaam is 4.4 keer groter voor het CAPTCHA-format dan de banners. De uitgevoerde analyses tonen aan dat deze verschillen niet toevallig zijn. Er is een significant verschil tussen het CAPTCHA- en bannerformat voor de metingen voor de grondigheid van de verwerking door het brein (Lang, 2000). Deze bevindingen bevestigen de eerste hypothese: merknaam van een advertentie wordt inderdaad meer herinnerd en herkend door de consument wanneer het een CAPTCHAadvertentie betreft in plaats van een banner. We maken hierbij een opmerking. We zien dat aided recall van de merknaam zowel voor de CAPTCHA- als banneradvertentie lager ligt dan de free recall. Dit lijkt in eerste instantie raar. De aided recall meting stelt namelijk dezelfde vraag als free recall maar dan met een hint om het terugvinden van de merknaam in het geheugen te vergemakkelijken. In dat licht lijken onze resultaten abnormaal. Langs (2000) model toont echter aan dat dit niet noodzakelijk waar is. Ze wijst erop dat de drie deelprocessen van informatieverwerking, die gemeten kunnen worden door free recall, aided recall en recognition, simultaan plaatsvinden in het brein. Ze zijn continu en iteratief in plaats van lineair (Lang, 2000). Steunend op deze kennis kunnen we een mogelijke verklaring geven. Zo kan het zijn dat sommige participanten de merknaam wel degelijk gecodeerd en opgeslagen hebben in hun brein maar dat ze de context 45
van de merknaam niet actief verwerkt hebben. In zo een geval zijn er geen of heel weinig linken ontstaan in het geheugen tussen de merknaam en de andere elementen van de advertentie. Het kan dus zijn dat die participanten zich de merknaam wel kunnen herinneren zonder hulp. Maar wanneer hen gevraagd worden of ze het merk van een geblurde advertentie herinneren kunnen ze de link niet leggen tussen de hint en het gezochte merk omdat die link in het brein niet opgeslagen is. De herkenning van de boodschap is voor CAPTCHA-advertenties vijf maal groter dan voor de banners. De analyse heeft aangetoond dat dit verschil significant is en er een duidelijk verband is tussen het format en boodschap recognition. Deze bevindingen ondersteunen hypothese twee: de verwerking van de boodschap van de advertentie gebeurt inderdaad grondiger voor CAPTCHA-advertenties dan voor banners. Doordat de CAPTCHAadvertentie de gebruiker dwingt een vraag te beantwoorden over deze boodschap ontstaat in het brein van de gebruiker een gedwongen verwerking. Deze extra verwerking leidt ertoe dat de boodschap meer kans heeft om opgeslagen en achteraf terug opgehaald te worden. Na de eerste twee hypothesen werd een extra analyse uitgevoerd. We wilden hierbij nagaan of er een verschil is in herinnering en/of herkenning van de merknaam/boodschap tussen participanten die twee verschillende productcategorieën en zij die twee dezelfde productcategorieën te zien kregen. De tests tonen aan dat dit slechts voor één van de metingen het geval was, namelijk recognition van de merknaam voor de CAPTCHA-advertentie. In de groep die twee verschillende productcategorieën zag herkende 49.8% de merknaam in tegenstelling tot 36.4% van de groep die twee dezelfde productcategorieën zag. Wanneer de CAPTCHA-en banneradvertentie dezelfde productcategorie afbeeldden merken we een daling in de herkenning van de merknaam van de CAPTCHA-advertentie ten aanzien van de situatie waarin twee verschillende productcategorieën geadverteerd worden. De herkenning van de merknaam van de banner verandert niet tussen deze twee situaties. Analyse toonde aan dat het slechts een zwakke samenhang betreft. De verklaring voor deze bevinding kan het onderwerp vormen voor verder onderzoek. In de analyse naar het eventuele verband tussen involvement niveau en de verschillende meetinstrumenten voor informatieverwerking ondervinden we enkele problemen. Vooral in het geval van de banneradvertentie. Er zijn slechts een laag aantal participanten die positief scoren op free recall, aided recall en boodschap recognition van de banner en tegelijkertijd een hoge of lage involvement score hebben. Dit zorgt ervoor dat bepaalde voorwaarden voor 46
statistische analyse niet voldaan zijn en we geen statistische uitspraken kunnen doen over deze potentiële relaties. Voor merknaam recognition van de banneradvertentie zijn de aantallen wel groot genoeg in alle involvement categorieën. Statistische analyse toont hier aan dat er geen verband is tussen deze twee variabele. In tegenstelling tot de banners doen er zich voor het analyseren van de relatie tussen het involvement niveau voor de afgebeelde productklasse in het CAPTCHA-format en de verschillende meetinstrumenten voor informatieverwerking geen problemen met de voorwaarden voor. Zo zien we dat er voor free recall, aided recall en boodschap recognition geen significant verband is met het involvement niveau. De verschillen tussen personen met hoge, neutrale en lage involvement voor deze metingen zijn toevallig. Enkel voor merknaam recognition is er een zwak verband waar te nemen met productklasse involvement. Om te kunnen testen of er een versterkend effect bestaat van involvement en het format ten aanzien van de afhankelijke variabelen hebben we nood aan één variabele voor format. Met “CAPTCHA” en “banner” als waarden. Door de opzet van het onderzoek is het niet mogelijk om een dergelijke onafhankelijke variabele te creëren. Er werd namelijk gewerkt met gekoppelde paren: elke participant kreeg één CAPTCHA- en één banneradvertentie te zien. Hierdoor kunnen we hypothese 3 niet volledig beantwoorden. We merken wel een interessant verschil op tussen de CAPTCHA- en banneradvertentie voor merknaam recognition. Dit is de enige afhankelijke variabele voor de banneradvertentie die die statistisch interpreteerbaar is en dus tot een zeker niveau vergeleken kan worden met dezelfde meting voor de CAPTCHAadvertentie. We zien dat er voor de banneradvertentie geen verband is tussen involvement en merknaam recognition. Maar voor de CAPTCHA-advertentie is er tussen deze twee variabelen wel een verband. Recognition is een goede indicator voor de mate waarin het menselijk brein de stimuli opgemerkt en gecodeerd heeft (Lang, 2000). De waargenomen verschillen kunnen dus ook uitdrukt worden als een stijging van het aantal participanten die de merknaam van de CAPTCHA-advertentie opmerkt en codeert naargelang het involvement niveau stijgt. Van de participanten met een laag involvement niveau codeerde 31.3% de merknaam van de CAPTCHA-advertentie, 48.1% van de neutrale groep en 53,8% van de participanten met een hoog involvement niveau. Tussen lage en neutrale involvement is dit een stijging van 53.6% en een stijging van 12% tussen neutrale en hoge involvement. Het verschil is dus het grootst voor de overgang van het lage naar het neutrale involvement niveau. Ondanks dat we geen statistische test kunnen uitvoeren voor en uitspraak doen over een potentiele covariantie tussen het format en het involvement niveau zien we dit verschil in 47
significantie (voor CAPTCHA wel en voor banner niet) als een extra vermoeden voor het bestaan van deze twee factoren. We besluiten dat het een potentieel interessant verschil is dat in de toekomst verder onderzocht kan worden. Academici die geïnteresseerd zijn in het onderzoeken van deze relatie doen er goed aan om de dataverzameling zo te organiseren dat hiervoor wel een analyse mogelijk is. Men zal er op moeten letten dat niet alle respondenten een CAPTCHA- én een banneradvertentie te zien krijgen (geen gekoppelde paren). Bovendien moet men er op letten dat er voldoende personen in alle drie de groepen zitten zodat er zich geen problemen met interpreteerbaarheid van de analyses voordoet. Dit kan door een grotere steekproef of door bewuste selectie van de participanten op basis van hun involvement niveau ten aanzien van een bepaalde productklasse. Ten slotte testten we voor potentiële invloed van geslacht en leeftijd op de resultaten. Uit de analyses blijkt dat, net als bij productklasse involvement, er geen verbanden zijn voor beide onafhankelijke variabelen met de afhankelijke variabelen voor de banner advertentie. De verwerking van de banneradvertentie door het brein wordt dus niet beïnvloedt door het geslacht of de leeftijd van de deelnemers. Voor de CAPTCHA-advertentie zien we wel een paar verbanden met deze factoren. Ten eerste zien we een redelijk zwak verband tussen geslacht en boodschap recognition. 26.8% van de vrouwen herkennen de boodschap tegenover maar 14.8% van de mannen. Het lijkt er dus op dat vrouwen meer geneigd zijn de boodschap van de CAPTCHA-advertentie op te merken en grondiger te coderen in hun brein. We kunnen hier niet met zekerheid een verklaren voor bieden. Mogelijks hebben de vrouwen de opdracht van de CAPTCHA-advertentie “braver” uitgevoerd dan de mannen en dus zo meer aandacht aan de boodschap besteedt. Ten tweede is er een (zwak) verband tussen de leeftijdscategorie en aided recall van de merknaam. Binnen de groep participanten jonger dan 45 jaar herinnert 22.6% zich de merknaam na het zien van de geblurde versie tegenover 13.5% van de oudere groep (ouder dan 45 jaar). Het lijkt er dus op dat de jongere groep de merknaam van de CAPTCHA-advertentie grondiger verwerkt en gelinkt heeft aan bestaande kennis in hun geheugen dan de oudere groep. Ook voor dit verband kunnen we aan de hand van het gevoerde onderzoek geen sluitende verklaring geven. Het valt ons in de bespreking van de resultaten op dat wanneer er verbanden optreden dit steeds enkel het geval is voor de CAPTCHA-advertentie. Zo is er wel een verband tussen geslacht en boodschap recognition, tussen de leeftijdscategorie en aided recall van de merknaam en tussen het involvement niveau en de merknaam recognition voor de CAPTCHA-advertentie maar niet voor de banneradvertentie. Ondanks dat het steeds om een 48
redelijk zwak verband gaat doen deze bevindingen vermoeden dat er nog veel interessant onderzoek gedaan kan worden naar de factoren die een verband hebben met de effectiviteit van het CAPTCHA-format.
4.2 Beperkingen van het onderzoek Tijdens de analyse werden we meermaals geconfronteerd met de onmogelijkheid om de Chikwadraat tests voor associatie te interpreteren omdat er te veel cellen waren met een verwachte cel inhoud lager dan vijf. Wanneer de corresponderende kruistabellen geen 2x2 vorm hebben kunnen we niet terug vallen op de Fisher Exact toets om uitspraken over significantie te maken. Voor de analyses naar samenhang tussen de afhankelijke variabelen en geslacht, leeftijd en categorie groep was dit dus wel mogelijk. Het grootste probleem deed zich voor bij de analyse van de derde hypothese: de kruistabellen hadden hier 3x2 vorm. Voor de banneradvertenties merken we heel lage percentages voor alle vier de afhankelijke variabelen. Enkel bij de merknaam recognition leverde dit geen probleem op. Bij free recall en aided recall kunnen deze lage percentages deels te wijten zijn aan de moeilijkheidsgraad die eigen is aan die vraag. De boodschap van een advertentie is een detailelement en daarom is recognition van de boodschap ook moeilijker dan dezelfde meting voor de merknaam. Een tweede probleem deed zich eveneens voor bij de analyse van hypothese drie. De opzet van het onderzoek bestond eruit dat elke deelnemer zowel een banner als een CAPTCHAadvertentie te zien kreeg. Daarom moeten we, wanneer we vergelijkende toetsen willen uitvoeren tussen het CAPTCHA- en bannerformat, rekening houden met het feit dat het hier om gekoppelde paren gaat en geen twee onafhankelijke steekproeven. Bovendien was het om dezelfde reden nodig het involvement-construct voor de banner en CAPTCHA-advertentie apart te ondervragen. Zes van de negen groepen deelnemers zag namelijk twee verschillende productcategorieën. Door PII tweemaal te bevragen konden we de juiste productklasse vermelden in de beschrijving van de schaal en achteraf correct linken met de geziene stimuli. Ook alle andere metingen resulteerden hierdoor in twee afhankelijke variabelen per respondent. We hadden dus twee involvement scores en vier sets van twee afhankelijke variabelen (free recall, aided recall, merknaam recognition en boodschap recognition). Hierdoor waren de mogelijke statistische tests beperkt. Het was wel mogelijk om voor het CAPTCHA- en bannerformat apart te kijken of er een verband is tussen het involvement niveau en de afhankelijke variabelen. Het was echter niet mogelijk om een eventueel versterkend effect van involvement en format na te gaan. Dit zorgde er voor dat we niet in 49
staat waren een volledig antwoord te formuleren op de derde hypothese en bijgevolg de tweede onderzoeksvraag. Academici die deze concepten in de toekomst willen onderzoeken kunnen best een onderzoeksopzet met (enkel) gekoppelde paren vermijden. Werken met controle groepen: bijvoorbeeld één zonder advertenties, één met een banneradvertentie en één met CAPTCHAadvertentie. Zo wordt het probleem van dubbele afhankelijke variabelen vermeden. Tevens is er dan maar één involvement score per deelnemer. Bovendien is het belangrijk een voldoende grote steekproef te hebben om niet-interpreteerbaarheid van analyses te vermijden. 316 deelnemers bleek in dit onderzoek niet voor alle analyses voldoende te zijn. Ten slotte merken we op dat de keuze van de afhankelijke variabele als een dichotome nominale variabele de mogelijke statistische tests verkleinde. Dit was niet noodzakelijk een probleem maar wordt best in overweging genomen bij het opzetten van nieuw onderzoek rond dit onderwerp.
50
5 Conclusie In de academische literatuur rond online adverteren bestaat er een stijgende vraag naar meer onderzoek dat zich richt op de creatieve mogelijkheden en voordelen van alternatieve reclameformats op het web (Ha, 2008; Leong et al., 1998). Dit werk probeert een bijdrage te leveren aan dit debat door te kijken naar en het onderzoeken van de mogelijkheden van een CAPTCHA-format voor online adverteren. Om effectiviteit te meten focusten we ons op de cognitieve kant van reclameverwerking door het brein: aandacht verkrijgen van de consument, opslaan en terug kunnen ophalen van de informatie uit het geheugen. Aan de hand van het model van Lang (2000) kozen we de meetinstrumenten waarmee we de grondigheid van deze informatieverwerking door het brein en meer bepaald de deelprocessen hiervan kunnen meten: free recall, aided recall en recognition. Uit ons onderzoek blijkt dat het CAPTCHA-format beter scoort op alle drie deze meetinstrumenten zowel voor de merknaam als de boodschap. Free recall van merknaam was 13.5 keer groter voor de CAPTCHA-advertentie dan voor de banneradvertentie. De merknaam aided recall is 9.8 keer groter en recognition van de merknaam is 4.4 keer groter voor het CAPTCHA-format dan de banners. Boodschap recognition was voor CAPTCHAadvertenties vijf maal groter dan voor de banners. Het CAPTCHA-format is dus in staat meer opgemerkt door, opgeslagen in en terug opgehaald te worden uit het geheugen dan het meer klassieke bannerformat. We concluderen dat het CAPTCHA-format inderdaad een effectiever alternatief is voor online adverteren dan het meer klassieke bannerformat. Deze conclusie sluit aan bij de bevindingen van Pierson & Niedermeier (2010) en de suggesties van Aggarwal (2013). Wanneer we keken naar de rol van productklasse involvement deden er zich enkele statistische problemen voor. Hierdoor kunnen we slechts deels antwoorden op de tweede onderzoeksvraag. Er kan namelijk een vergelijking gemaakt worden van de samenhangtoets voor involvement niveau en merknaam recognition voor CAPTCHA- en banneradvertenties apart. In de steekproef was er wel een invloed van involvement niveau op de herkenning van de merknaam, terwijl voor dezelfde meting er geen verband werd gevonden voor het bannerformat. Merknaam recognition is een indicator voor de mate waarin de merknaam al dan niet bewust opgemerkt en gecodeerd is door het brein. We concluderen dat het niveau van de productklasse involvement wel een invloed uitoefent op de grondigheid van het eerste deelproces van informatieverwerking volgens Lang (2000) voor het CAPTCHA-format en 51
niet voor de banners. Dit is een interessante bevinding en kan door onderzoekers in de toekomst verder onderzocht worden. Naast het beantwoorden van de centrale onderzoeksvragen komen er uit de analyses en bespreking nieuwe vragen en potentieel interessante onderzoeksmogelijkheden naar boven. Zo bleek er een verband te zijn tussen het zien van twee dezelfde of verschillende productcategorieën voor merknaam recognition. De herkenning van de merknaam voor het CAPTCHA–format lag lager dan verwacht voor de eerste groep en hoger voor de tweede groep. Wanneer we invloed van geslacht nagingen merkten we op dat vrouwen hoger scoorden op herkenning van de boodschap dan mannen voor de CAPTCHA-advertentie. Er was ook een verband tussen leeftijd en merknaam aided recall van de CAPTCHA-advertentie. Opvallend is dat er enkel een verband optrad voor de CAPTCHA-advertentie en niet voor de banners. Om een beter begrip te verkrijgen van het format en zijn beïnvloedende factoren kan de academische wereld in de toekomst meer onderzoek doen naar dit format en factoren, zoals geslacht en leeftijd. Ook andere indicatoren van reclame effectiviteit zoals aankoopgedrag, perceptie, attitude, etc. kunnen interessant zijn om een vollediger begrip op te bouwen.
52
6 Literatuurlijst Aggarwal, S. (2013). Animated captchas and games for advertising. In Proceedings of the 22nd international conference on World Wide Web companion (pp. 1167–1174). Are you a human. (n.d.). Geraadpleegd op 15 december 2014 op het World Wide Web: http://www.areyouahuman.com Atkinson, R. C., & Shiffrin, R. M. (1968). Human memory: a proposed system and its control processes. Psychology of Learning and Motivation, 2, 89-195. Bearden, W. O., & Netemeyer, R. G. (2011). Handbook of marketing scales : multi-item measures for marketing and consumer behavior research. (3rd ed). Thousand Oaks (Calif.): Sage. Belch, E. G., & Belch, E. M. (2012). Advertising and promotion: an integrated marketing communications perspective (9th ed.). New York: McGraw-Hill. Bezjian-Avery, A., Calder, B., & Iacobucci, D. (1998). New media interactive advertising vs. traditional advertising. Journal of Advertising Research, 38(4), 23-32. Bruner, G. C. I., & Hensel, P. J. (1998). Marketing scales handbook. Volume II : a compilation of multi-item measures for consumer behavior & advertising. Chicago, I.L.: American Marketing Association. Carnegie Mellon University (n.d.). CAPTCHA: Telling Humans and Computers Apart Automatically. Geraadpleegd op 1 juni 2014 op het World Wide Web: http://www.captcha.net/ Cho, C.-H. (2001). Different forced-exposure levels to banner advertisements. Journal of Advertising Research, 41(4), 45-56. Cho, C.-H., & Cheon, H. J. (2004). Why do people avoid advertising on the internet? Journal of Advertising, 33(4), 89-97. Dahlen, M. (2001). Banner advertisements through a new lens. Journal of Advertising Research, 41(4), 23-30. Danaher, P. J. (2003). Factors affecting online advertising recall: a study of students. Journal of Advertising Research,43(3), 252-267. Day, E., Stafford, M. R., & Camacho, A. (1995). Opportunities for involvement research: a scale- development approach. Journal of Advertising, 24(3), 69-75. Du Plessis, E. (1994). Recognition versus recall. Journal of Advertising Research, 34(3), 7591.
53
Franzen, G., Goessens, C., Hoogerbrugge, M., Schuring, R. J., & Vogel, M. (1998). Merken & reclame: hoe reclame-effectiviteit brand equity beïnvloedt. Deventer: Kluwer Bedrijfsinformatie. Gallagher, K., Foster, K. D., & Parsons, J. (2001). The medium is not the message: advertising effectiveness and content evaluation in print and on the web. Journal of Advertising Research, 41(4), 57-70. Ha, L. (2008). Online advertising research in advertising journals: a review. Journal of Current Issues & Research in Advertising, 30(1), 31-48. Haley, E. (2012). Involvement. In S. Rodgers & E. Thorson (Eds.), Advertising theory (pp. 120-131). New York: Routledge. Houston, M. J., & Rothschild, M. L. (1978). Conceptual and methodological perspectives on involvement. In S. C. Jain (Ed.), Research frontiers in marketing: dialogues and directions (pp. 184-187). Chicago: American Marketing Association. IAB (2014). Europe AdEx Benchmark 2013. Geraadpleegd op 28 november 2014 op het World Wide Web: http://www.iabeurope.eu/news/adex-benchmark-2013-full-reportpublished Kim, J., & McMillan, S. J. (2008). Evaluation of internet advertising research: a bibliometric analysis of citations from key sources. Journal of Advertising, 37(1), 99-112. Kim, S., Haley, E., & Koo, G.-Y. (2009). Comparison of the paths from consumer involvement types to ad responses between corporate advertising and product advertising. Journal of Advertising, 38(3), 67–80. Krugman, H. E. (1965). The impact of television advertising: learning without involvement. Public Opinion Quarterly, 29(3), 349-356. Krugman, H. E. (1966). The measurement of advertising involvement. Public Opinion Quarterly, 30(4), 583-596. Lachman, R., Lachman, J. L., & Butterfield, E. C. (1979). Cognitive psychology and information processing. Hillsdale, N.J.: Erlbaum. Lang, A. (2000). The limited capacity model of mediated message processing. Journal of Communication, 50(1), 46–70. Laurent, G., & Kapferer, J. (1985). Measuring consumer involvement profiles. Journal of Marketing Research, 22, 41-53. Leong, E. K. F., Huang, X., & Stanners, P.-J. (1998). Comparing the effectiveness of the Web Site with traditional media. Journal of Advertising Research, 38(5), 44-51. McCoy, S., Everard, A., Polak, P., & Galletta, D. F. (2007). The effects of online advertising. Communications of the ACM, 50(3), 84-88.
54
Minteye. (n.d.). Geraadpleegd op 15 december 2014 op het World Wide Web: http://www.minteye.com Nespresso. (n.d.). Geraadpleegd op 9 november 2014 op het World Wide Web: http://nestlenespresso.com NLP CAPTCHA. (n.d.). Geraadpleegd op 15 december 2014 op het World Wide Web: http://www.nlpcaptcha.in Park, C. W., & Young, S. M. (1986). Consumer response to television commercials: the impact of involvement and background music on brand attitude formation. Journal of Marketing Research, 23, 11-24. Petty, R. E., & Cacioppo, J. T. (1986a). Communication and persuasion: central and peripheral routes to attitude change. New York: Springer. Petty, R. E., & Cacioppo, J. T. (1986b). The Elaboration Likelihood Model of persuasion. Advances in Experimental Social Psychology, 19, 123-205. Pierson, C., & Niedermeier, K. (2010). Exploring the impact of Type-ins on brand and message recall. Geraadpleegd op 1 juni 2014 op het World Wide Web: http://www.solvemedia.com/images/Wharton-SolveMedia-Research.pdf Rodgers, S., & Thorson, E. (2000). The interactive advertising model: how users perceive and process online ads. Journal of Interactive Advertising, 1(1), 42-61. Rodgers, S., & Thorson, E. (2012). Advertising Theory. (S. Rodgers & S. Thorson, Eds.) (p. 614). New York: Routledge. Romaniuk, J., & Wight, S. (2009). The influences of brand usage on response to advertising awareness measures. International Journal of Market Research, 51(2), 203-218. Solvemedia. (n.d.). Geraadpleegd op 1 juni 2014 op het World Wide Web: http://www.solvemedia.com Thompson, E. R. (2007). Development and validation of an internationally reliable short-form of the Positive and Negative Affect Schedule (PANAS). Journal of Cross-Cultural Psychology, 38(2), 227-242. Tulving, E. (1972). Episodic and semantic memory. In E. Tulving & W. Donaldson (Eds.), Organization of memory (pp. 381-402). New York: Academic press. Vakratsas, D., & Ambler, T. (1999). How advertising works: what do we really know? Journal of Marketing, 63(1), 26-43. Von Ahn, L., Blum, M., & Langford, J. (2004). Telling humans and computers apart automatically. Communications of the ACM, 47(2), 57-60. Vyncke, P. (2011). The heart and the mind. S.I.: University Press.
55
Yaveroglu, I., & Donthu, N. (2008). Advertising repetition and placement issues in on-line environments. Journal of Advertising, 37(2), 31-44. Zaichkowsky, J. L. (1985). Measuring the involvement construct. Journal of Consumer Research, 12(3), 341-352.
56
7 Bijlagen Bijlage 1: Stimuli Bijlage 1.a: CAPTCHA-advertenties, bijhorende vragen en geblurde versies
“Kazen van Kees zijn goed voor je …? (gebruik dezelfde schrijfwijze)”
“Op NU.nl kan je je organisatie en vacatures onder de aandacht brengen van hoeveel bezoekers? (gebruik dezelfde schrijfwijze)”
“Bij Simyo kan je kiezen uit internetbundels van 200 tot …. MB? (gebruik de zelfde schrijfwijze)”
57
Bijlage 1.b: banneradvertenties en geblurde versies
58
Bijlage 2: SPSS-output Bijlage 2.a: Beschrijvende analyses
Geslacht Statistics
Ik ben een ... N
Valid
316
Missing
0
Mean
1,61
Median
2,00
Std. Deviation
,488
Range
1
Minimum
1
Maximum
2
Ik ben een ... Cumulative Frequency Valid
Percent
Valid Percent
Percent
man
122
38,6
38,6
38,6
vrouw
194
61,4
61,4
100,0
Total
316
100,0
100,0
Leeftijd
Statistics Age N
Valid
312
Missing
4
Mean
38,7628
Median
40,0000
Std. Deviation
13,54787
Range
57,00
Minimum
15,00
Maximum
72,00
Woonplaats Statistics
Ik woon in ... -TEXT
Ik woon in ... -TEXT N Valid Missing
Cumulative
316 0
Frequency Valid
België
316
Percent 100,0
Valid Percent 100,0
Percent 100,0
59
Student vs. werkend vs. niet werkend Statistics
Duid aan wat op u het meest van toepassing is. N
Valid
316
Missing
0
Mean
2,71
Median
3,00
Minimum
1
Maximum
3 Duid aan wat op u het meest van toepassing is. Valid
Cumulative
Percent
Percent
Percent
9
2,8
2,8
2,8
73
23,1
23,1
25,9
ik werk
234
74,1
74,1
100,0
Total
316
100,0
100,0
Frequency Valid ik ben werkloos/werkzoekende ik ben student
Bijlage 2.b: Betrouwbaarheidsanalyse PII
Meting voor banneradvertentie Case Processing Summary N
Cases
Valid a
Excluded Total
Reliability Statistics %
Cronbach's
316
100,0
0
,0
316
100,0
Alpha
N of Items ,976
20
Item-Total Statistics Cronbach's
niet belangrijk:belangrijk
Scale Mean if
Scale Variance
Corrected Item-
Alpha if Item
Item Deleted
if Item Deleted
Total Correlation
Deleted
65,7057
741,148
,829
,975
65,9462
748,692
,704
,976
65,7848
744,715
,802
,975
66,2785
751,148
,793
,975
onnuttig:nuttig
65,5443
735,468
,854
,974
waardeloos:waardevol
65,7025
738,514
,867
,974
triviaal:fundamenteel
65,8924
753,277
,826
,975
niet van belang voor mij:van belang voor mij irrelevant:relevant betekent niets voor mij: betekent veel voor mij
60
niet voordelig: voordelig
65,6994
763,265
,691
,976
telt niet voor mij: telt voor mij
66,0949
743,458
,807
,975
66,1582
739,638
,850
,974
niet significant: significant
66,0570
749,013
,846
,974
overbodig:vitaal
65,9652
742,484
,872
,974
saai:interessant
66,0095
747,813
,818
,975
niet opwindend:opwindend
66,6108
767,800
,725
,976
onaantrekkelijk:aantrekkelijk
66,0886
755,916
,789
,975
mondain:fascinerend
65,9937
780,965
,587
,977
niet essentieel:essentieel
65,8766
740,483
,878
,974
niet wenselijk:wenselijk
65,8608
736,235
,889
,974
niet gewild:gewild
65,9051
740,162
,869
,974
onnodig:nodig
65,7627
734,417
,866
,974
ongeïnteresseerd:geïnteress eerd
Meting voor CAPTCHA-advertentie Case Processing Summary N
Cases
Valid a
Excluded Total
Reliability Statistics
% 316
100,0
0
,0
316
100,0
Cronbach's Alpha
N of Items ,976
20
Item-Total Statistics Cronbach's
niet belangrijk:belangrijk
Scale Mean if
Scale Variance
Corrected Item-
Alpha if Item
Item Deleted
if Item Deleted
Total Correlation
Deleted
66,4652
770,300
,841
,975
66,7690
784,743
,690
,977
66,6392
777,977
,847
,975
67,1582
783,010
,813
,975
onnuttig:nuttig
66,4177
768,066
,873
,975
waardeloos:waardevol
66,5854
776,466
,856
,975
triviaal:fundamenteel
66,6804
789,869
,801
,975
niet voordelig: voordelig
66,6392
802,631
,666
,976
telt niet voor mij: telt voor mij
66,8861
779,397
,829
,975
66,9905
773,133
,869
,975
niet significant: significant
66,8861
783,238
,858
,975
overbodig:vitaal
66,8418
780,769
,875
,975
saai:interessant
66,8987
782,694
,830
,975
niet van belang voor mij:van belang voor mij irrelevant:relevant betekent niets voor mij: betekent veel voor mij
ongeïnteresseerd:geïnteress eerd
61
niet opwindend:opwindend
67,5918
809,792
,665
,976
onaantrekkelijk:aantrekkelijk
67,0127
792,343
,784
,975
mondain:fascinerend
66,8956
815,719
,634
,977
niet essentieel:essentieel
66,7658
775,977
,879
,975
niet wenselijk:wenselijk
66,7025
771,206
,892
,974
niet gewild:gewild
66,8196
773,196
,874
,975
onnodig:nodig
66,5475
771,760
,844
,975
Verdeling involvement groepen a.d.h.v. kwartielen Statistics
N
Involvemnt_score
Involvemnt_score_
_banner
captcha
Valid
316
316
0
0
78,0000
76,5000
25
45,0000
46,0000
50
78,0000
76,5000
75
91,7500
93,0000
Missing Median Percentiles
Bijlage 2.c: Betrouwbaarheidsanalyse PANAS
Positive Affect Case Processing Summary N
Cases
Valid
316
100,0
0
,0
316
100,0
a
Excluded Total
Reliability Statistics
%
Cronbach's Alpha
N of Items ,696
5
Item-Total Statistics Corrected Item-
Cronbach's
Total
Alpha if Item
Correlation
Deleted
Alert
,427
,657
Geïnspireerd
,364
,683
Vastberaden
,444
,650
Aandachtig
,561
,598
Actief
,470
,638
62
Negative Affect Case Processing Summary N
Cases
Valid
% 316
100,0
0
,0
316
100,0
a
Excluded Total
Reliability Statistics Cronbach's Alpha
N of Items ,719
5
Item-Total Statistics Corrected Item-
Cronbach's
Total
Alpha if Item
Correlation
Deleted
Overstuur
,585
,629
Vijandig
,309
,733
Beschaamd
,478
,672
Nerveus
,476
,674
Bang
,552
,642
Bijlage 2.d: Analyses hypothese 1 en 2
Frequentietabellen Free_Recall_Capt Cumulative Frequency
Valid
Percent
Valid Percent
Percent
0
222
70,3
70,3
70,3
1
94
29,7
29,7
100,0
316
100,0
100,0
Total
Free_Recall_Bann Cumulative Frequency Valid
Percent
Valid Percent
Percent
0
309
97,8
97,8
97,8
1
7
2,2
2,2
100,0
316
100,0
100,0
Total
Aided_Recall_Capt Cumulative Frequency Valid
Percent
Valid Percent
Percent
0
257
81,3
81,3
81,3
1
59
18,7
18,7
100,0
316
100,0
100,0
Total
63
Aided_Recall_Bann Cumulative Frequency Valid
Percent
Valid Percent
Percent
0
310
98,1
98,1
98,1
1
6
1,9
1,9
100,0
316
100,0
100,0
Total
Recog_Capt_brand Cumulative Frequency Valid
Percent
Valid Percent
Percent
0
173
54,7
54,7
54,7
1
143
45,3
45,3
100,0
Total
316
100,0
100,0
Recog_Bann_brand Cumulative Frequency Valid
Percent
Valid Percent
Percent
0
283
89,6
89,6
89,6
1
33
10,4
10,4
100,0
316
100,0
100,0
Total
Recog_Capt_mess Cumulative Frequency Valid
Percent
Valid Percent
Percent
0
246
77,8
77,8
77,8
1
70
22,2
22,2
100,0
316
100,0
100,0
Total
Recog_Bann_mess Cumulative Frequency Valid
Valid Percent
Percent
0
302
95,6
95,6
95,6
1
14
4,4
4,4
100,0
316
100,0
100,0
Total
Percent
McNemar test
Free_Recall_Capt & Free_Recall_Bann
Recog_Capt_mess & Recog_Bann_mess
Free_Recall_Bann
Recog_Bann_mess
Free_Recall_Capt
0
1
Recog_Capt_mess
0
1
0
219
3
0
237
9
1
90
4
1
65
5
64
Recog_Capt_brand & Recog_Bann_brand
Aided_Recall_Capt & Aided_Recall_Bann
Recog_Bann_brand Recog_Capt_brand
0
Aided_Recall_Bann
1
Aided_Recall_Capt
0
159
14
1
124
19
0
1
0
254
3
1
56
3
a
Test Statistics
Free_Recall_Ca Aided_Recall_C pt &
apt &
Free_Recall_Ba
Aided_Recall_B
nn
ann
N
Recog_Capt_br
Recog_Capt_m
and &
ess &
Recog_Bann_br Recog_Bann_m and
ess
316
316
316
316
b
79,527
45,831
86,094
40,878
Asymp. Sig.
,000
,000
,000
,000
Chi-Square
Gelijke productklassen voor CAPTCHA & banner vs. verschillende Case Processing Summary Cases Valid N
catgroep * Free_Recall_Capt catgroep * Free_Recall_Bann catgroep * Aided_Recall_Capt catgroep * Aided_Recall_Bann catgroep * Recog_Capt_brand catgroep * Recog_Bann_brand catgroep * Recog_Capt_mess catgroep * Recog_Bann_mess
Missing
Percent
N
Total
Percent
N
Percent
316
100,0%
0
0,0%
316
100,0%
316
100,0%
0
0,0%
316
100,0%
316
100,0%
0
0,0%
316
100,0%
316
100,0%
0
0,0%
316
100,0%
316
100,0%
0
0,0%
316
100,0%
316
100,0%
0
0,0%
316
100,0%
316
100,0%
0
0,0%
316
100,0%
316
100,0%
0
0,0%
316
100,0%
65
Crosstab Free_Recall_Capt 0 catgroep
1,00
Count
33
107
75,2
31,8
107,0
% within catgroep
69,2%
30,8%
100,0%
% within Free_Recall_Capt
33,3%
35,1%
33,9%
% of Total
23,4%
10,4%
33,9%
148
61
209
146,8
62,2
209,0
% within catgroep
70,8%
29,2%
100,0%
% within Free_Recall_Capt
66,7%
64,9%
66,1%
% of Total
46,8%
19,3%
66,1%
222
94
316
222,0
94,0
316,0
70,3%
29,7%
100,0%
100,0%
100,0%
100,0%
70,3%
29,7%
100,0%
Count Expected Count
Total
Total
74
Expected Count
2,00
1
Count Expected Count % within catgroep % within Free_Recall_Capt % of Total
Chi-Square Tests
Value Pearson Chi-Square Continuity Correction Likelihood Ratio
Exact Sig. (2-
Exact Sig. (1-
sided)
sided)
sided)
df a
1
,761
,030
1
,862
,092
1
,761
,093 b
Asymp. Sig. (2-
Fisher's Exact Test
,795
Linear-by-Linear Association
,092
N of Valid Cases
316
1
,429
,761
a. 0 cells (0,0%) have expected count less than 5. The minimum expected count is 31,83. b. Computed only for a 2x2 table
Crosstab Free_Recall_Bann 0 catgroep
1,00
Count
Total
104
3
107
104,6
2,4
107,0
% within catgroep
97,2%
2,8%
100,0%
% within Free_Recall_Bann
33,7%
42,9%
33,9%
% of Total
32,9%
0,9%
33,9%
205
4
209
Expected Count
2,00
1
Count
66
Expected Count
Total
204,4
4,6
209,0
% within catgroep
98,1%
1,9%
100,0%
% within Free_Recall_Bann
66,3%
57,1%
66,1%
% of Total
64,9%
1,3%
66,1%
309
7
316
309,0
7,0
316,0
97,8%
2,2%
100,0%
100,0%
100,0%
100,0%
97,8%
2,2%
100,0%
Count Expected Count % within catgroep % within Free_Recall_Bann % of Total
Chi-Square Tests
Value Pearson Chi-Square Continuity Correction Likelihood Ratio
Exact Sig. (2-
Exact Sig. (1-
sided)
sided)
sided)
df a
1
,611
,011
1
,917
,250
1
,617
,259 b
Asymp. Sig. (2-
Fisher's Exact Test
,692
Linear-by-Linear Association
,258
N of Valid Cases
316
1
,442
,612
a. 2 cells (50,0%) have expected count less than 5. The minimum expected count is 2,37. b. Computed only for a 2x2 table
Crosstab Aided_Recall_Capt 0 catgroep
1,00
Count
17
107
87,0
20,0
107,0
% within catgroep
84,1%
15,9%
100,0%
% within Aided_Recall_Capt
35,0%
28,8%
33,9%
% of Total
28,5%
5,4%
33,9%
167
42
209
170,0
39,0
209,0
% within catgroep
79,9%
20,1%
100,0%
% within Aided_Recall_Capt
65,0%
71,2%
66,1%
% of Total
52,8%
13,3%
66,1%
257
59
316
257,0
59,0
316,0
81,3%
18,7%
100,0%
100,0%
100,0%
100,0%
81,3%
18,7%
100,0%
Count Expected Count
Total
Total
90
Expected Count
2,00
1
Count Expected Count % within catgroep % within Aided_Recall_Capt % of Total
67
Chi-Square Tests
Value Pearson Chi-Square Continuity Correction Likelihood Ratio
Exact Sig. (2-
Exact Sig. (1-
sided)
sided)
sided)
df a
1
,364
,571
1
,450
,843
1
,359
,825 b
Asymp. Sig. (2-
Fisher's Exact Test
,446
Linear-by-Linear Association
,823
N of Valid Cases
316
1
,226
,364
a. 0 cells (0,0%) have expected count less than 5. The minimum expected count is 19,98. b. Computed only for a 2x2 table
Crosstab Aided_Recall_Bann 0 catgroep
1,00
Count
1
107
105,0
2,0
107,0
% within catgroep
99,1%
0,9%
100,0%
% within Aided_Recall_Bann
34,2%
16,7%
33,9%
% of Total
33,5%
0,3%
33,9%
204
5
209
205,0
4,0
209,0
% within catgroep
97,6%
2,4%
100,0%
% within Aided_Recall_Bann
65,8%
83,3%
66,1%
% of Total
64,6%
1,6%
66,1%
310
6
316
310,0
6,0
316,0
98,1%
1,9%
100,0%
100,0%
100,0%
100,0%
98,1%
1,9%
100,0%
Count Expected Count
Total
Total
106
Expected Count
2,00
1
Count Expected Count % within catgroep % within Aided_Recall_Bann % of Total
Chi-Square Tests
Value Pearson Chi-Square Continuity Correction Likelihood Ratio
Exact Sig. (2-
Exact Sig. (1-
sided)
sided)
sided)
a
1
,369
,214
1
,643
,908
1
,341
,807 b
df
Asymp. Sig. (2-
Fisher's Exact Test
,668
Linear-by-Linear Association
,805
N of Valid Cases
316
1
,339
,370
a. 2 cells (50,0%) have expected count less than 5. The minimum expected count is 2,03.
68
b. Computed only for a 2x2 table
Crosstab Recog_Capt_brand 0 catgroep
1,00
Count
39
107
58,6
48,4
107,0
% within catgroep
63,6%
36,4%
100,0%
% within Recog_Capt_brand
39,3%
27,3%
33,9%
% of Total
21,5%
12,3%
33,9%
105
104
209
114,4
94,6
209,0
% within catgroep
50,2%
49,8%
100,0%
% within Recog_Capt_brand
60,7%
72,7%
66,1%
% of Total
33,2%
32,9%
66,1%
173
143
316
173,0
143,0
316,0
54,7%
45,3%
100,0%
100,0%
100,0%
100,0%
54,7%
45,3%
100,0%
Count Expected Count
Total
Total
68
Expected Count
2,00
1
Count Expected Count % within catgroep % within Recog_Capt_brand % of Total
Chi-Square Tests
Value Pearson Chi-Square Continuity Correction Likelihood Ratio
Exact Sig. (2-
Exact Sig. (1-
sided)
sided)
sided)
a
1
,024
4,539
1
,033
5,111
1
,024
5,062 b
df
Asymp. Sig. (2-
Fisher's Exact Test
,031
Linear-by-Linear Association
5,046
N of Valid Cases
1
,016
,025
316
a. 0 cells (0,0%) have expected count less than 5. The minimum expected count is 48,42. b. Computed only for a 2x2 table Symmetric Measures Value Nominal by Nominal
N of Valid Cases
Approx. Sig.
Phi
,127
,024
Cramer's V
,127
,024
316
69
Crosstab Recog_Bann_brand 0 catgroep
1,00
Count
% within Recog_Bann_brand % of Total 2,00
10
107
95,8
11,2
107,0
90,7%
9,3%
100,0%
34,3%
30,3%
33,9%
30,7%
3,2%
33,9%
186
23
209
187,2
21,8
209,0
89,0%
11,0%
100,0%
65,7%
69,7%
66,1%
58,9%
7,3%
66,1%
283
33
316
283,0
33,0
316,0
89,6%
10,4%
100,0%
100,0%
100,0%
100,0%
89,6%
10,4%
100,0%
Count Expected Count % within catgroep % within Recog_Bann_brand % of Total
Total
Count Expected Count % within catgroep % within Recog_Bann_brand % of Total
Total
97
Expected Count % within catgroep
1
Chi-Square Tests
Value Pearson Chi-Square Continuity Correction Likelihood Ratio
Exact Sig. (2-
Exact Sig. (1-
sided)
sided)
sided)
df a
1
,648
,069
1
,793
,212
1
,645
,208 b
Asymp. Sig. (2-
Fisher's Exact Test
,702
Linear-by-Linear Association
,208
N of Valid Cases
316
1
,403
,649
a. 0 cells (0,0%) have expected count less than 5. The minimum expected count is 11,17. b. Computed only for a 2x2 table
Crosstab Recog_Capt_mess 0 catgroep
1,00
Count
1
Total
89
18
107
83,3
23,7
107,0
% within catgroep
83,2%
16,8%
100,0%
% within Recog_Capt_mess
36,2%
25,7%
33,9%
Expected Count
70
% of Total 2,00
28,2%
5,7%
33,9%
157
52
209
162,7
46,3
209,0
% within catgroep
75,1%
24,9%
100,0%
% within Recog_Capt_mess
63,8%
74,3%
66,1%
% of Total
49,7%
16,5%
66,1%
246
70
316
246,0
70,0
316,0
77,8%
22,2%
100,0%
100,0%
100,0%
100,0%
77,8%
22,2%
100,0%
Count Expected Count
Total
Count Expected Count % within catgroep % within Recog_Capt_mess % of Total
Chi-Square Tests
Value Pearson Chi-Square Continuity Correction Likelihood Ratio
Exact Sig. (2-
Exact Sig. (1-
sided)
sided)
sided)
df a
1
,103
2,218
1
,136
2,757
1
,097
2,665 b
Asymp. Sig. (2-
Fisher's Exact Test
,116
Linear-by-Linear Association N of Valid Cases
2,656
1
,067
,103
316
a. 0 cells (0,0%) have expected count less than 5. The minimum expected count is 23,70. b. Computed only for a 2x2 table
Crosstab Recog_Bann_mess 0 catgroep
1,00
Count
4
107
102,3
4,7
107,0
% within catgroep
96,3%
3,7%
100,0%
% within Recog_Bann_mess
34,1%
28,6%
33,9%
% of Total
32,6%
1,3%
33,9%
199
10
209
199,7
9,3
209,0
% within catgroep
95,2%
4,8%
100,0%
% within Recog_Bann_mess
65,9%
71,4%
66,1%
% of Total
63,0%
3,2%
66,1%
302
14
316
Count Expected Count
Total
Total
103
Expected Count
2,00
1
Count
71
Expected Count % within catgroep % within Recog_Bann_mess % of Total
302,0
14,0
316,0
95,6%
4,4%
100,0%
100,0%
100,0%
100,0%
95,6%
4,4%
100,0%
Chi-Square Tests
Value Pearson Chi-Square Continuity Correction
df
Likelihood Ratio
Exact Sig. (2-
Exact Sig. (1-
sided)
sided)
sided)
a
1
,669
,019
1
,889
,188
1
,665
,183 b
Asymp. Sig. (2-
Fisher's Exact Test
,779
Linear-by-Linear Association
,182
N of Valid Cases
316
1
,457
,669
a. 1 cells (25,0%) have expected count less than 5. The minimum expected count is 4,74. b. Computed only for a 2x2 table
Bijlage 2.e: Analyses hypothese 3
Kruistabellen involvement *afhankelijke variabelen /Banner Case Processing Summary Cases Valid N
involv_catg_banner * Free_Recall_Bann involv_catg_banner * Aided_Recall_Bann involv_catg_banner * Recog_Bann_brand involv_catg_banner * Recog_Bann_mess
Missing
Percent
N
Total
Percent
N
Percent
316
100,0%
0
0,0%
316
100,0%
316
100,0%
0
0,0%
316
100,0%
316
100,0%
0
0,0%
316
100,0%
316
100,0%
0
0,0%
316
100,0%
Crosstab: involv_catg_banner*Free_Recall_Bann Free_Recall_Bann 0 involv_catg_banner
,00
Count Expected Count % within involv_catg_banner
1
Total
80
1
81
79,2
1,8
81,0
98,8%
1,2%
100,0%
72
% within Free_Recall_Bann % of Total 1,00
14,3%
25,6%
25,3%
0,3%
25,6%
151
5
156
152,5
3,5
156,0
96,8%
3,2%
100,0%
48,9%
71,4%
49,4%
47,8%
1,6%
49,4%
78
1
79
77,3
1,8
79,0
98,7%
1,3%
100,0%
25,2%
14,3%
25,0%
24,7%
0,3%
25,0%
309
7
316
309,0
7,0
316,0
97,8%
2,2%
100,0%
100,0%
100,0%
100,0%
97,8%
2,2%
100,0%
Count Expected Count % within involv_catg_banner % within Free_Recall_Bann % of Total
2,00
25,9%
Count Expected Count % within involv_catg_banner % within Free_Recall_Bann % of Total
Total
Count Expected Count % within involv_catg_banner % within Free_Recall_Bann % of Total Chi-Square Tests Asymp. Sig. (2Value
df
sided)
a
2
,498
1,437
2
,488
Linear-by-Linear Association
,001
1
,981
N of Valid Cases
316
Pearson Chi-Square
1,394
Likelihood Ratio
a. 3 cells (50,0%) have expected count less than 5. The minimum expected count is 1,75.
Crosstab: involv_catg_banner * Aided_Recall_Bann Aided_Recall_Bann 0 involv_catg_banner
,00
Count Expected Count
1
Total
81
0
81
79,5
1,5
81,0
73
1,00
% within involv_catg_banner
100,0%
0,0%
100,0%
% within Aided_Recall_Bann
26,1%
0,0%
25,6%
% of Total
25,6%
0,0%
25,6%
151
5
156
153,0
3,0
156,0
% within involv_catg_banner
96,8%
3,2%
100,0%
% within Aided_Recall_Bann
48,7%
83,3%
49,4%
% of Total
47,8%
1,6%
49,4%
78
1
79
77,5
1,5
79,0
% within involv_catg_banner
98,7%
1,3%
100,0%
% within Aided_Recall_Bann
25,2%
16,7%
25,0%
% of Total
24,7%
0,3%
25,0%
310
6
316
310,0
6,0
316,0
% within involv_catg_banner
98,1%
1,9%
100,0%
% within Aided_Recall_Bann
100,0%
100,0%
100,0%
98,1%
1,9%
100,0%
Count Expected Count
2,00
Count Expected Count
Total
Count Expected Count
% of Total Chi-Square Tests
Asymp. Sig. (2Value
df
sided)
a
2
,205
4,485
2
,106
Linear-by-Linear Association
,360
1
,548
N of Valid Cases
316
Pearson Chi-Square
3,167
Likelihood Ratio
a. 3 cells (50,0%) have expected count less than 5. The minimum expected count is 1,50.
Crosstab: involv_catg_banner * Recog_Bann_brand Recog_Bann_brand 0 involv_catg_banner
,00
Count Expected Count % within involv_catg_banner % within Recog_Bann_brand % of Total
1,00
Count Expected Count
1
Total
77
4
81
72,5
8,5
81,0
95,1%
4,9%
100,0%
27,2%
12,1%
25,6%
24,4%
1,3%
25,6%
135
21
156
139,7
16,3
156,0
74
% within involv_catg_banner
86,5%
13,5%
100,0%
47,7%
63,6%
49,4%
42,7%
6,6%
49,4%
71
8
79
70,8
8,3
79,0
89,9%
10,1%
100,0%
25,1%
24,2%
25,0%
22,5%
2,5%
25,0%
283
33
316
283,0
33,0
316,0
89,6%
10,4%
100,0%
100,0%
100,0%
100,0%
89,6%
10,4%
100,0%
% within Recog_Bann_brand % of Total 2,00
Count Expected Count % within involv_catg_banner % within Recog_Bann_brand % of Total
Total
Count Expected Count % within involv_catg_banner % within Recog_Bann_brand % of Total
Chi-Square Tests Asymp. Sig. (2Value
df
sided)
a
2
,125
Likelihood Ratio
4,610
2
,100
Linear-by-Linear Association
1,180
1
,277
Pearson Chi-Square
4,153
N of Valid Cases
316
a. 0 cells (,0%) have expected count less than 5. The minimum expected count is 8,25.
Crosstab: involv_catg_banner * Recog_Bann_mess Recog_Bann_mess 0 involv_catg_banner
,00
Count
Total
78
3
81
77,4
3,6
81,0
% within involv_catg_banner
96,3%
3,7%
100,0%
% within Recog_Bann_mess
25,8%
21,4%
25,6%
% of Total
24,7%
0,9%
25,6%
151
5
156
149,1
6,9
156,0
% within involv_catg_banner
96,8%
3,2%
100,0%
% within Recog_Bann_mess
50,0%
35,7%
49,4%
% of Total
47,8%
1,6%
49,4%
Expected Count
1,00
1
Count Expected Count
75
2,00
Count
73
6
79
75,5
3,5
79,0
% within involv_catg_banner
92,4%
7,6%
100,0%
% within Recog_Bann_mess
24,2%
42,9%
25,0%
% of Total
23,1%
1,9%
25,0%
302
14
316
302,0
14,0
316,0
% within involv_catg_banner
95,6%
4,4%
100,0%
% within Recog_Bann_mess
100,0%
100,0%
100,0%
95,6%
4,4%
100,0%
Expected Count
Total
Count Expected Count
% of Total Chi-Square Tests
Asymp. Sig. (2Value
df
sided)
a
2
,283
Likelihood Ratio
2,268
2
,322
Linear-by-Linear Association
1,404
1
,236
Pearson Chi-Square
2,523
N of Valid Cases
316
a. 2 cells (33,3%) have expected count less than 5. The minimum expected count is 3,50.
Kruistabellen involvement *afhankelijke variabelen / CAPTCHA Case Processing Summary Cases Valid N
involv_catg_captch * Free_Recall_Capt involv_catg_captch * Aided_Recall_Capt involv_catg_captch * Recog_Capt_brand involv_catg_captch * Recog_Capt_mess
Missing
Percent
N
Total
Percent
N
Percent
316
100,0%
0
0,0%
316
100,0%
316
100,0%
0
0,0%
316
100,0%
316
100,0%
0
0,0%
316
100,0%
316
100,0%
0
0,0%
316
100,0%
Crosstab: involv_catg_captch * Free_Recall_Capt Free_Recall_Capt 0 involv_catg_captch
,00
Count Expected Count
1
Total
64
16
80
56,2
23,8
80,0
76
1,00
% within involv_catg_captch
80,0%
20,0%
100,0%
% within Free_Recall_Capt
28,8%
17,0%
25,3%
% of Total
20,3%
5,1%
25,3%
105
51
156
109,6
46,4
156,0
% within involv_catg_captch
67,3%
32,7%
100,0%
% within Free_Recall_Capt
47,3%
54,3%
49,4%
% of Total
33,2%
16,1%
49,4%
53
27
80
56,2
23,8
80,0
% within involv_catg_captch
66,3%
33,8%
100,0%
% within Free_Recall_Capt
23,9%
28,7%
25,3%
% of Total
16,8%
8,5%
25,3%
222
94
316
222,0
94,0
316,0
% within involv_catg_captch
70,3%
29,7%
100,0%
% within Free_Recall_Capt
100,0%
100,0%
100,0%
70,3%
29,7%
100,0%
Count Expected Count
2,00
Count Expected Count
Total
Count Expected Count
% of Total Chi-Square Tests
Asymp. Sig. (2Value
df
sided)
a
2
,086
Likelihood Ratio
5,161
2
,076
Linear-by-Linear Association
3,607
1
,058
Pearson Chi-Square
4,898
N of Valid Cases
316
a. 0 cells (,0%) have expected count less than 5. The minimum expected count is 23,80. Crosstab: involv_catg_captch * Aided_Recall_Capt Aided_Recall_Capt 0 involv_catg_captch
,00
Count
Total
71
9
80
65,1
14,9
80,0
% within involv_catg_captch
88,8%
11,3%
100,0%
% within Aided_Recall_Capt
27,6%
15,3%
25,3%
% of Total
22,5%
2,8%
25,3%
125
31
156
126,9
29,1
156,0
80,1%
19,9%
100,0%
Expected Count
1,00
1
Count Expected Count % within involv_catg_captch
77
2,00
% within Aided_Recall_Capt
48,6%
52,5%
49,4%
% of Total
39,6%
9,8%
49,4%
61
19
80
65,1
14,9
80,0
% within involv_catg_captch
76,3%
23,8%
100,0%
% within Aided_Recall_Capt
23,7%
32,2%
25,3%
% of Total
19,3%
6,0%
25,3%
257
59
316
257,0
59,0
316,0
% within involv_catg_captch
81,3%
18,7%
100,0%
% within Aided_Recall_Capt
100,0%
100,0%
100,0%
81,3%
18,7%
100,0%
Count Expected Count
Total
Count Expected Count
% of Total Chi-Square Tests
Asymp. Sig. (2Value
df
sided)
a
2
,110
Likelihood Ratio
4,702
2
,095
Linear-by-Linear Association
4,103
1
,043
Pearson Chi-Square
4,409
N of Valid Cases
316
a. 0 cells (,0%) have expected count less than 5. The minimum expected count is 14,94.
Crosstab: involv_catg_captch * Recog_Capt_brand Recog_Capt_brand 0 involv_catg_captch
,00
Count
25
80
43,8
36,2
80,0
% within involv_catg_captch
68,8%
31,3%
100,0%
% within Recog_Capt_brand
31,8%
17,5%
25,3%
% of Total
17,4%
7,9%
25,3%
81
75
156
85,4
70,6
156,0
% within involv_catg_captch
51,9%
48,1%
100,0%
% within Recog_Capt_brand
46,8%
52,4%
49,4%
% of Total
25,6%
23,7%
49,4%
37
43
80
43,8
36,2
80,0
% within involv_catg_captch
46,3%
53,8%
100,0%
% within Recog_Capt_brand
21,4%
30,1%
25,3%
Count Expected Count
2,00
Total
55
Expected Count
1,00
1
Count Expected Count
78
% of Total Total
11,7%
13,6%
25,3%
173
143
316
173,0
143,0
316,0
% within involv_catg_captch
54,7%
45,3%
100,0%
% within Recog_Capt_brand
100,0%
100,0%
100,0%
54,7%
45,3%
100,0%
Count Expected Count
% of Total Chi-Square Tests
Asymp. Sig. (2Value
df
sided)
a
2
,010
Likelihood Ratio
9,359
2
,009
Linear-by-Linear Association
8,148
1
,004
Pearson Chi-Square
9,165
N of Valid Cases
316
a. 0 cells (,0%) have expected count less than 5. The minimum expected count is 36,20. Symmetric Measures Value Nominal by Nominal
Approx. Sig.
Phi
,170
,010
Cramer's V
,170
,010
N of Valid Cases
316
Crosstab: involv_catg_captch * Recog_Capt_mess Recog_Capt_mess 0 involv_catg_captch
,00
Count
12
80
62,3
17,7
80,0
% within involv_catg_captch
85,0%
15,0%
100,0%
% within Recog_Capt_mess
27,6%
17,1%
25,3%
% of Total
21,5%
3,8%
25,3%
122
34
156
121,4
34,6
156,0
% within involv_catg_captch
78,2%
21,8%
100,0%
% within Recog_Capt_mess
49,6%
48,6%
49,4%
% of Total
38,6%
10,8%
49,4%
56
24
80
62,3
17,7
80,0
% within involv_catg_captch
70,0%
30,0%
100,0%
% within Recog_Capt_mess
22,8%
34,3%
25,3%
% of Total
17,7%
7,6%
25,3%
Count Expected Count
2,00
Total
68
Expected Count
1,00
1
Count Expected Count
79
Total
Count
246
70
316
246,0
70,0
316,0
% within involv_catg_captch
77,8%
22,2%
100,0%
% within Recog_Capt_mess
100,0%
100,0%
100,0%
77,8%
22,2%
100,0%
Expected Count
% of Total Chi-Square Tests
Asymp. Sig. (2Value
df
sided)
a
2
,073
Likelihood Ratio
5,263
2
,072
Linear-by-Linear Association
5,202
1
,023
Pearson Chi-Square
N of Valid Cases
5,242
316
a. 0 cells (,0%) have expected count less than 5. The minimum expected count is 17,72.
80
Bijlage 2.f: Analyses hypothese 4
Geslacht Case Processing Summary Cases Valid N
Ik ben een ... * Free_Recall_Capt Ik ben een ... * Free_Recall_Bann Ik ben een ... * Aided_Recall_Capt Ik ben een ... * Aided_Recall_Bann Ik ben een ... * Recog_Capt_brand Ik ben een ... * Recog_Bann_brand Ik ben een ... * Recog_Capt_mess Ik ben een ... * Recog_Bann_mess
Missing
Percent
N
Total
Percent
N
Percent
316
100,0%
0
0,0%
316
100,0%
316
100,0%
0
0,0%
316
100,0%
316
100,0%
0
0,0%
316
100,0%
316
100,0%
0
0,0%
316
100,0%
316
100,0%
0
0,0%
316
100,0%
316
100,0%
0
0,0%
316
100,0%
316
100,0%
0
0,0%
316
100,0%
316
100,0%
0
0,0%
316
100,0%
Crosstab: Q17.1 Ik ben een ... * Free_Recall_Capt Free_Recall_Capt 0 Ik ben een ...
man
Count
40
122
85,7
36,3
122,0
% within Ik ben een ...
67,2%
32,8%
100,0%
% within Free_Recall_Capt
36,9%
42,6%
38,6%
% of Total
25,9%
12,7%
38,6%
140
54
194
136,3
57,7
194,0
% within Ik ben een ...
72,2%
27,8%
100,0%
% within Free_Recall_Capt
63,1%
57,4%
61,4%
% of Total
44,3%
17,1%
61,4%
222
94
316
222,0
94,0
316,0
70,3%
29,7%
100,0%
Count Expected Count
Total
Total
82
Expected Count
vrouw
1
Count Expected Count % within Ik ben een ...
81
% within Free_Recall_Capt % of Total
100,0%
100,0%
100,0%
70,3%
29,7%
100,0%
Chi-Square Tests
Value Pearson Chi-Square Continuity Correction Likelihood Ratio
Exact Sig. (2-
Exact Sig. (1-
sided)
sided)
sided)
a
1
,349
,658
1
,417
,873
1
,350
,879 b
df
Asymp. Sig. (2-
Fisher's Exact Test
,377
Linear-by-Linear Association
,876
N of Valid Cases
316
1
,208
,349
a. 0 cells (0,0%) have expected count less than 5. The minimum expected count is 36,29. b. Computed only for a 2x2 table
Crosstab: Q17.1 Ik ben een ... * Free_Recall_Bann Free_Recall_Bann 0 Ik ben een ...
man
Count
4
122
119,3
2,7
122,0
% within Ik ben een ...
96,7%
3,3%
100,0%
% within Free_Recall_Bann
38,2%
57,1%
38,6%
% of Total
37,3%
1,3%
38,6%
191
3
194
189,7
4,3
194,0
% within Ik ben een ...
98,5%
1,5%
100,0%
% within Free_Recall_Bann
61,8%
42,9%
61,4%
% of Total
60,4%
0,9%
61,4%
309
7
316
309,0
7,0
316,0
97,8%
2,2%
100,0%
100,0%
100,0%
100,0%
97,8%
2,2%
100,0%
Count Expected Count
Total
Total
118
Expected Count
vrouw
1
Count Expected Count % within Ik ben een ... % within Free_Recall_Bann % of Total
Chi-Square Tests
Value Pearson Chi-Square Continuity Correction Likelihood Ratio
Exact Sig. (2-
Exact Sig. (1-
sided)
sided)
sided)
a
1
,308
,392
1
,531
1,003
1
,316
1,038 b
df
Asymp. Sig. (2-
Fisher's Exact Test Linear-by-Linear Association
,436 1,034
1
,261
,309
82
N of Valid Cases
316
a. 2 cells (50,0%) have expected count less than 5. The minimum expected count is 2,70. b. Computed only for a 2x2 table Crosstab: Q17.1 Ik ben een ... * Aided_Recall_Capt
Aided_Recall_Capt 0 Ik ben een ...
man
vrouw
Total
Count
100
22
122
Expected Count
99,2
22,8
122,0
% within Ik ben een ...
82,0%
18,0%
100,0%
% within Aided_Recall_Capt
38,9%
37,3%
38,6%
% of Total
31,6%
7,0%
38,6%
157
37
194
157,8
36,2
194,0
% within Ik ben een ...
80,9%
19,1%
100,0%
% within Aided_Recall_Capt
61,1%
62,7%
61,4%
% of Total
49,7%
11,7%
61,4%
257
59
316
257,0
59,0
316,0
81,3%
18,7%
100,0%
100,0%
100,0%
100,0%
81,3%
18,7%
100,0%
Count Expected Count
Total
1
Count Expected Count % within Ik ben een ... % within Aided_Recall_Capt % of Total
Chi-Square Tests
Value Pearson Chi-Square Continuity Correction Likelihood Ratio
Exact Sig. (2-
Exact Sig. (1-
sided)
sided)
sided)
a
1
,817
,007
1
,934
,053
1
,817
,053 b
df
Asymp. Sig. (2-
Fisher's Exact Test
,883
Linear-by-Linear Association
,053
N of Valid Cases
316
1
,470
,818
a. 0 cells (0,0%) have expected count less than 5. The minimum expected count is 22,78. b. Computed only for a 2x2 table Crosstab: Q17.1 Ik ben een ... * Aided_Recall_Bann Aided_Recall_Bann 0 Ik ben een ...
man
Count Expected Count
1
Total
119
3
122
119,7
2,3
122,0
83
vrouw
% within Ik ben een ...
97,5%
2,5%
100,0%
% within Aided_Recall_Bann
38,4%
50,0%
38,6%
% of Total
37,7%
0,9%
38,6%
191
3
194
190,3
3,7
194,0
% within Ik ben een ...
98,5%
1,5%
100,0%
% within Aided_Recall_Bann
61,6%
50,0%
61,4%
% of Total
60,4%
0,9%
61,4%
310
6
316
310,0
6,0
316,0
98,1%
1,9%
100,0%
100,0%
100,0%
100,0%
98,1%
1,9%
100,0%
Count Expected Count
Total
Count Expected Count % within Ik ben een ... % within Aided_Recall_Bann % of Total
Chi-Square Tests
Value Pearson Chi-Square Continuity Correction Likelihood Ratio
Exact Sig. (2-
Exact Sig. (1-
sided)
sided)
sided)
a
1
,563
,024
1
,877
,326
1
,568
,335 b
df
Asymp. Sig. (2-
Fisher's Exact Test
,680
Linear-by-Linear Association
,334
N of Valid Cases
316
1
,427
,563
a. 2 cells (50,0%) have expected count less than 5. The minimum expected count is 2,32. b. Computed only for a 2x2 table Crosstab: Q17.1 Ik ben een ... * Recog_Capt_brand Recog_Capt_brand 0 Ik ben een ...
man
Count
55
122
66,8
55,2
122,0
% within Ik ben een ...
54,9%
45,1%
100,0%
% within Recog_Capt_brand
38,7%
38,5%
38,6%
% of Total
21,2%
17,4%
38,6%
106
88
194
106,2
87,8
194,0
% within Ik ben een ...
54,6%
45,4%
100,0%
% within Recog_Capt_brand
61,3%
61,5%
61,4%
% of Total
33,5%
27,8%
61,4%
173
143
316
Count Expected Count
Total
Total
67
Expected Count
vrouw
1
Count
84
Expected Count % within Ik ben een ... % within Recog_Capt_brand % of Total
173,0
143,0
316,0
54,7%
45,3%
100,0%
100,0%
100,0%
100,0%
54,7%
45,3%
100,0%
Chi-Square Tests
Value Pearson Chi-Square Continuity Correction Likelihood Ratio
Exact Sig. (2-
Exact Sig. (1-
sided)
sided)
sided)
a
1
,961
,000
1
1,000
,002
1
,961
,002 b
df
Asymp. Sig. (2-
Fisher's Exact Test
1,000
Linear-by-Linear Association
,002
N of Valid Cases
316
1
,527
,961
a. 0 cells (0,0%) have expected count less than 5. The minimum expected count is 55,21. b. Computed only for a 2x2 table
Crosstab: Q17.1 Ik ben een ... * Recog_Bann_brand Recog_Bann_brand 0 Ik ben een ...
man
Count Expected Count % within Ik ben een ... % within Recog_Bann_brand % of Total
vrouw
% within Ik ben een ... % within Recog_Bann_brand % of Total Total
11
122
109,3
12,7
122,0
91,0%
9,0%
100,0%
39,2%
33,3%
38,6%
35,1%
3,5%
38,6%
172
22
194
173,7
20,3
194,0
88,7%
11,3%
100,0%
60,8%
66,7%
61,4%
54,4%
7,0%
61,4%
283
33
316
283,0
33,0
316,0
89,6%
10,4%
100,0%
100,0%
100,0%
100,0%
89,6%
10,4%
100,0%
Count Expected Count % within Ik ben een ... % within Recog_Bann_brand % of Total
Total
111
Count Expected Count
1
Chi-Square Tests
Value
df
Asymp. Sig. (2-
Exact Sig. (2-
Exact Sig. (1-
sided)
sided)
sided)
85
Pearson Chi-Square Continuity Correction
a
1
,511
,220
1
,639
,440
1
,507
,432 b
Likelihood Ratio Fisher's Exact Test
,574
Linear-by-Linear Association
,431
N of Valid Cases
316
1
,323
,511
a. 0 cells (0,0%) have expected count less than 5. The minimum expected count is 12,74. b. Computed only for a 2x2 table
Crosstab: Q17.1 Ik ben een ... * Recog_Capt_mess Recog_Capt_mess 0 Ik ben een ...
man
vrouw
Total
Count
104
18
122
Expected Count
95,0
27,0
122,0
% within Ik ben een ...
85,2%
14,8%
100,0%
% within Recog_Capt_mess
42,3%
25,7%
38,6%
% of Total
32,9%
5,7%
38,6%
142
52
194
151,0
43,0
194,0
% within Ik ben een ...
73,2%
26,8%
100,0%
% within Recog_Capt_mess
57,7%
74,3%
61,4%
% of Total
44,9%
16,5%
61,4%
246
70
316
246,0
70,0
316,0
77,8%
22,2%
100,0%
100,0%
100,0%
100,0%
77,8%
22,2%
100,0%
Count Expected Count
Total
1
Count Expected Count % within Ik ben een ... % within Recog_Capt_mess % of Total
Chi-Square Tests
Value Pearson Chi-Square Continuity Correction Likelihood Ratio
Exact Sig. (2-
Exact Sig. (1-
sided)
sided)
sided)
a
1
,012
5,627
1
,018
6,577
1
,010
6,307 b
df
Asymp. Sig. (2-
Fisher's Exact Test Linear-by-Linear Association N of Valid Cases
,012 6,287
1
,008
,012
316
a. 0 cells (0,0%) have expected count less than 5. The minimum expected count is 27,03. b. Computed only for a 2x2 table
86
Symmetric Measures Value Nominal by Nominal
Approx. Sig.
Phi
,141
,012
Cramer's V
,141
,012
N of Valid Cases
316
Crosstab: Q17.1 Ik ben een ... * Recog_Bann_mess Recog_Bann_mess 0 Ik ben een ...
man
Count
6
122
116,6
5,4
122,0
% within Ik ben een ...
95,1%
4,9%
100,0%
% within Recog_Bann_mess
38,4%
42,9%
38,6%
% of Total
36,7%
1,9%
38,6%
186
8
194
185,4
8,6
194,0
% within Ik ben een ...
95,9%
4,1%
100,0%
% within Recog_Bann_mess
61,6%
57,1%
61,4%
% of Total
58,9%
2,5%
61,4%
302
14
316
302,0
14,0
316,0
95,6%
4,4%
100,0%
100,0%
100,0%
100,0%
95,6%
4,4%
100,0%
Count Expected Count
Total
Total
116
Expected Count
vrouw
1
Count Expected Count % within Ik ben een ... % within Recog_Bann_mess % of Total
Chi-Square Tests
Value Pearson Chi-Square Continuity Correction Likelihood Ratio
Exact Sig. (2-
Exact Sig. (1-
sided)
sided)
sided)
a
1
,738
,003
1
,957
,110
1
,740
,112 b
df
Asymp. Sig. (2-
Fisher's Exact Test
,783
Linear-by-Linear Association
,111
N of Valid Cases
316
1
,471
,739
a. 0 cells (0,0%) have expected count less than 5. The minimum expected count is 5,41. b. Computed only for a 2x2 table
87
Leeftijd Case Processing Summary Cases Valid N
Missing
Percent
N
Total
Percent
N
Percent
Lft_cat * Free_Recall_Capt
312
100,0%
0
0,0%
312
100,0%
Lft_cat * Free_Recall_Bann
312
100,0%
0
0,0%
312
100,0%
Lft_cat * Aided_Recall_Capt
312
100,0%
0
0,0%
312
100,0%
Lft_cat * Aided_Recall_Bann
312
100,0%
0
0,0%
312
100,0%
Lft_cat * Recog_Capt_brand
312
100,0%
0
0,0%
312
100,0%
312
100,0%
0
0,0%
312
100,0%
Lft_cat * Recog_Capt_mess
312
100,0%
0
0,0%
312
100,0%
Lft_cat * Recog_Bann_mess
312
100,0%
0
0,0%
312
100,0%
Lft_cat * Recog_Bann_brand
Crosstab: Lftcategorie * Free_Recall_Capt Free_Recall_Capt 0 Lft_cat
1
2
Total
Count
1
Total
124
62
186
Expected Count
130,0
56,0
186,0
% within Lft_cat
66,7%
33,3%
100,0%
% within Free_Recall_Capt
56,9%
66,0%
59,6%
% of Total
39,7%
19,9%
59,6%
94
32
126
Expected Count
88,0
38,0
126,0
% within Lft_cat
74,6%
25,4%
100,0%
% within Free_Recall_Capt
43,1%
34,0%
40,4%
% of Total
30,1%
10,3%
40,4%
218
94
312
Expected Count
218,0
94,0
312,0
% within Lft_cat
69,9%
30,1%
100,0%
100,0%
100,0%
100,0%
69,9%
30,1%
100,0%
Count
Count
% within Free_Recall_Capt % of Total
Chi-Square Tests
Value Pearson Chi-Square Continuity Correction Likelihood Ratio
Exact Sig. (2-
Exact Sig. (1-
sided)
sided)
sided)
a
1
,134
1,886
1
,170
2,275
1
,131
2,248 b
df
Asymp. Sig. (2-
88
Fisher's Exact Test
,166
N of Valid Cases
,084
312
a. 0 cells (0,0%) have expected count less than 5. The minimum expected count is 37,96. b. Computed only for a 2x2 table
Crosstab: Lftcategorie * Free_Recall_Bann Free_Recall_Bann 0 Lft_cat
1
2
Total
Count
1
Total
183
3
186
Expected Count
181,8
4,2
186,0
% within Lft_cat
98,4%
1,6%
100,0%
% within Free_Recall_Bann
60,0%
42,9%
59,6%
% of Total
58,7%
1,0%
59,6%
122
4
126
Expected Count
123,2
2,8
126,0
% within Lft_cat
96,8%
3,2%
100,0%
% within Free_Recall_Bann
40,0%
57,1%
40,4%
% of Total
39,1%
1,3%
40,4%
305
7
312
Expected Count
305,0
7,0
312,0
% within Lft_cat
97,8%
2,2%
100,0%
100,0%
100,0%
100,0%
97,8%
2,2%
100,0%
Count
Count
% within Free_Recall_Bann % of Total
Chi-Square Tests
Value Pearson Chi-Square Continuity Correction Likelihood Ratio
Exact Sig. (2-
Exact Sig. (1-
sided)
sided)
sided)
df a
1
,361
,275
1
,600
,815
1
,367
,835 b
Asymp. Sig. (2-
Fisher's Exact Test
,446
N of Valid Cases
,295
312
a. 2 cells (50,0%) have expected count less than 5. The minimum expected count is 2,83. b. Computed only for a 2x2 table
Crosstab: Lftcategorie * Aided_Recall_Capt Aided_Recall_Capt 0 Lft_cat
1
Count Expected Count
1
Total
144
42
186
150,8
35,2
186,0
89
2
Total
% within Lft_cat
77,4%
22,6%
100,0%
% within Aided_Recall_Capt
56,9%
71,2%
59,6%
% of Total
46,2%
13,5%
59,6%
109
17
126
Expected Count
102,2
23,8
126,0
% within Lft_cat
86,5%
13,5%
100,0%
% within Aided_Recall_Capt
43,1%
28,8%
40,4%
% of Total
34,9%
5,4%
40,4%
253
59
312
Expected Count
253,0
59,0
312,0
% within Lft_cat
81,1%
18,9%
100,0%
100,0%
100,0%
100,0%
81,1%
18,9%
100,0%
Count
Count
% within Aided_Recall_Capt % of Total
Chi-Square Tests
Value Pearson Chi-Square Continuity Correction Likelihood Ratio
Exact Sig. (2-
Exact Sig. (1-
sided)
sided)
sided)
df a
1
,044
3,475
1
,062
4,182
1
,041
4,046 b
Asymp. Sig. (2-
Fisher's Exact Test
,055
N of Valid Cases
,030
312
a. 0 cells (0,0%) have expected count less than 5. The minimum expected count is 23,83. b. Computed only for a 2x2 table Symmetric Measures Value Nominal by Nominal
Phi Cramer's V
N of Valid Cases
Approx. Sig.
-,114
,044
,114
,044
312
Crosstab: Lftcategorie * Aided_Recall_Bann Aided_Recall_Bann 0 Lft_cat
1
2
Count
1
Total
182
4
186
Expected Count
182,4
3,6
186,0
% within Lft_cat
97,8%
2,2%
100,0%
% within Aided_Recall_Bann
59,5%
66,7%
59,6%
% of Total
58,3%
1,3%
59,6%
124
2
126
123,6
2,4
126,0
Count Expected Count
90
Total
% within Lft_cat
98,4%
1,6%
100,0%
% within Aided_Recall_Bann
40,5%
33,3%
40,4%
% of Total
39,7%
0,6%
40,4%
306
6
312
Expected Count
306,0
6,0
312,0
% within Lft_cat
98,1%
1,9%
100,0%
100,0%
100,0%
100,0%
98,1%
1,9%
100,0%
Count
% within Aided_Recall_Bann % of Total
Chi-Square Tests
Value Pearson Chi-Square Continuity Correction Likelihood Ratio
Exact Sig. (2-
Exact Sig. (1-
sided)
sided)
sided)
df a
1
,722
,000
1
1,000
,129
1
,719
,126 b
Asymp. Sig. (2-
Fisher's Exact Test
1,000
N of Valid Cases
,536
312
a. 2 cells (50,0%) have expected count less than 5. The minimum expected count is 2,42. b. Computed only for a 2x2 table
Crosstab: Lftcategorie * Recog_Capt_brand Recog_Capt_brand 0 Lft_cat
1
2
Total
Count
1
Total
104
82
186
Expected Count
100,8
85,3
186,0
% within Lft_cat
55,9%
44,1%
100,0%
% within Recog_Capt_brand
61,5%
57,3%
59,6%
% of Total
33,3%
26,3%
59,6%
65
61
126
Expected Count
68,3
57,8
126,0
% within Lft_cat
51,6%
48,4%
100,0%
% within Recog_Capt_brand
38,5%
42,7%
40,4%
% of Total
20,8%
19,6%
40,4%
169
143
312
Expected Count
169,0
143,0
312,0
% within Lft_cat
54,2%
45,8%
100,0%
100,0%
100,0%
100,0%
54,2%
45,8%
100,0%
Count
Count
% within Recog_Capt_brand % of Total
91
Chi-Square Tests
Value Pearson Chi-Square Continuity Correction Likelihood Ratio
Exact Sig. (2-
Exact Sig. (1-
sided)
sided)
sided)
df a
1
,452
,406
1
,524
,566
1
,452
,566 b
Asymp. Sig. (2-
Fisher's Exact Test
,488
N of Valid Cases
,262
312
a. 0 cells (0,0%) have expected count less than 5. The minimum expected count is 57,75. b. Computed only for a 2x2 table
Crosstab: Lftcategorie * Recog_Bann_brand Recog_Bann_brand 0 Lft_cat
1
Count
20
186
Expected Count
166,3
19,7
186,0
% within Lft_cat
89,2%
10,8%
100,0%
59,5%
60,6%
59,6%
53,2%
6,4%
59,6%
113
13
126
Expected Count
112,7
13,3
126,0
% within Lft_cat
89,7%
10,3%
100,0%
40,5%
39,4%
40,4%
36,2%
4,2%
40,4%
279
33
312
Expected Count
279,0
33,0
312,0
% within Lft_cat
89,4%
10,6%
100,0%
100,0%
100,0%
100,0%
89,4%
10,6%
100,0%
Recog_Bann_brand % of Total Count
% within Recog_Bann_brand % of Total Total
Total
166
% within
2
1
Count
% within Recog_Bann_brand % of Total
Chi-Square Tests
Value Pearson Chi-Square Continuity Correction Likelihood Ratio
Exact Sig. (2-
Exact Sig. (1-
sided)
sided)
sided)
a
1
,902
,000
1
1,000
,015
1
,902
,015 b
df
Asymp. Sig. (2-
92
Fisher's Exact Test
1,000
N of Valid Cases
,530
312
a. 0 cells (0,0%) have expected count less than 5. The minimum expected count is 13,33. b. Computed only for a 2x2 table
Crosstab: Lftcategorie * Recog_Capt_mess Recog_Capt_mess 0 Lft_cat
1
2
Total
Count
1
Total
144
42
186
Expected Count
144,9
41,1
186,0
% within Lft_cat
77,4%
22,6%
100,0%
% within Recog_Capt_mess
59,3%
60,9%
59,6%
% of Total
46,2%
13,5%
59,6%
99
27
126
Expected Count
98,1
27,9
126,0
% within Lft_cat
78,6%
21,4%
100,0%
% within Recog_Capt_mess
40,7%
39,1%
40,4%
% of Total
31,7%
8,7%
40,4%
243
69
312
Expected Count
243,0
69,0
312,0
% within Lft_cat
77,9%
22,1%
100,0%
100,0%
100,0%
100,0%
77,9%
22,1%
100,0%
Count
Count
% within Recog_Capt_mess % of Total
Chi-Square Tests
Value Pearson Chi-Square Continuity Correction Likelihood Ratio
Exact Sig. (2-
Exact Sig. (1-
sided)
sided)
sided)
df a
1
,810
,010
1
,919
,058
1
,810
,058 b
Asymp. Sig. (2-
Fisher's Exact Test
,890
N of Valid Cases
,462
312
a. 0 cells (0,0%) have expected count less than 5. The minimum expected count is 27,87. b. Computed only for a 2x2 table
Crosstab: Lftcategorie * Recog_Bann_mess Recog_Bann_mess 0 Lft_cat
1
Count
1 178
Total 8
186
93
2
Total
Expected Count
177,7
8,3
186,0
% within Lft_cat
95,7%
4,3%
100,0%
% within Recog_Bann_mess
59,7%
57,1%
59,6%
% of Total
57,1%
2,6%
59,6%
120
6
126
Expected Count
120,3
5,7
126,0
% within Lft_cat
95,2%
4,8%
100,0%
% within Recog_Bann_mess
40,3%
42,9%
40,4%
% of Total
38,5%
1,9%
40,4%
298
14
312
Expected Count
298,0
14,0
312,0
% within Lft_cat
95,5%
4,5%
100,0%
100,0%
100,0%
100,0%
95,5%
4,5%
100,0%
Count
Count
% within Recog_Bann_mess % of Total
Chi-Square Tests
Value Pearson Chi-Square Continuity Correction Likelihood Ratio
Exact Sig. (1-
sided)
sided)
sided)
1
,847
,000
1
1,000
,037
1
,847
Fisher's Exact Test N of Valid Cases
Exact Sig. (2-
a
,037 b
df
Asymp. Sig. (2-
1,000
,527
312
a. 0 cells (0,0%) have expected count less than 5. The minimum expected count is 5,65. b. Computed only for a 2x2 table
94
Bijlage 3: Enquête
95
96
97
98
99
100
101
102
103
104
105
106
107
