Tính chân thực của livestreamer và ý định mua lại của khách hàng: Vai trò của niềm tin và chất lượng thông tin sản phẩm

Nguyễn Quế Lâm

Trường Đại học Kinh tế, Đại học Quốc gia Hà Nội

Email: [email protected]

Tóm tắt

Nghiên cứu đề xuất mô hình phân tích tác động của tính chân thực cảm nhận của người livestream đến ý định mua lại, thông qua vai trò trung gian của niềm tin vào người bán và vai trò điều tiết của chất lượng thông tin sản phẩm. Dựa trên mô hình xử lý thông tin theo lối tắt nhận thức và hệ thống (HSM), nghiên cứu lập luận rằng chất lượng thông tin cao có thể làm giảm mức độ phụ thuộc vào tính chân thực của người trình bày. Mô hình được minh họa bằng 560 quan sát và phân tích bằng SmartPLS 4, với bootstrap 5.000 lần, PLSpredict và CVPAT. Kết quả cho thấy tính chân thực có mối quan hệ tích cực với ý định mua lại cả trực tiếp và gián tiếp thông qua niềm tin vào người bán. Hệ số tương tác đạt -0,195, trong khi chỉ số trung gian có điều tiết đạt -0,122. Tác động gián tiếp giảm từ 0,343 khi chất lượng thông tin thấp xuống 0,100 khi chất lượng thông tin cao, nhưng vẫn duy trì giá trị dương, gợi ý cơ chế thay thế từng phần giữa hai tín hiệu. Mô hình giải thích 65,2% phương sai của ý định mua lại và cho kết quả dự báo tốt hơn mô hình tuyến tính đối chiếu. Nghiên cứu góp phần xác định điều kiện giới hạn tác động của tính chân thực trong quá trình hình thành niềm tin. Tuy nhiên, do dữ liệu được sinh và lựa chọn theo tiêu chí thống kê, các kết quả mới mang tính minh họa và cần được kiểm định bằng dữ liệu khảo sát độc lập.

Từ khóa: Livestream, tính chân thực, niềm tin người bán, chất lượng thông tin, ý định mua lại, trung gian có điều tiết

Abstract

This study proposes a model examining the effect of perceived livestreamer authenticity on repurchase intention, with seller trust as a mediating variable and product information quality as a moderating variable. Drawing on the Heuristic–Systematic Model (HSM), the study posits that high-quality product information may reduce consumers’ reliance on the authenticity of the presenter. The model is illustrated using 560 observations and analyzed with SmartPLS 4, employing 5,000 bootstrap resamples, PLSpredict, and CVPAT. The results indicate that perceived authenticity is positively associated with repurchase intention, both directly and indirectly through seller trust. The interaction coefficient is -0.195, while the index of moderated mediation is -0.122. The indirect effect decreases from 0.343 at low levels of information quality to 0.100 at high levels, while remaining positive, suggesting partial substitution between the two signals. The model explains 65.2% of the variance in repurchase intention and demonstrates better predictive performance than the benchmark linear model. This study contributes to identifying the boundary conditions under which perceived authenticity influences trust formation. However, because the data were generated and selected according to statistical criteria, the findings are illustrative and require validation using an independent survey sample.

Keywords: Livestream commerce, perceived authenticity, seller trust, product information quality, repurchase intention, moderated mediation

GIỚI THIỆU

Duy trì khách hàng trong livestream đòi hỏi chuyển tương tác thành động lực mua lại tại cùng cửa hàng (Phan và cộng sự, 2026). Trình diễn giúp đánh giá sản phẩm (Sun và cộng sự, 2019; Xu và cộng sự, 2020), trong khi niềm tin góp phần duy trì giao dịch (Wongkitrungrueng và Assarut, 2020; Zhang và cộng sự, 2022; He và Bernarte, 2026). Tuy nhiên, cơ chế phối hợp giữa tính chân thực của người livestream và chất lượng thông tin sản phẩm trong việc hình thành niềm tin và thúc đẩy mua lại vẫn chưa được làm rõ.

Tính chân thực phản ánh sự chân thành trong cách thể hiện bản thân (Azad Moghddam và Mortimer, 2025), còn chất lượng thông tin thể hiện mức độ hữu ích của nội dung đối với quyết định mua. Dù các nghiên cứu đã phân biệt tính chân thực với chuyên môn và độ chính xác (Moulard và cộng sự, 2015; Audrezet và cộng sự, 2020; Lee và Eastin, 2021), vai trò điều tiết của chất lượng thông tin trong mối quan hệ giữa tính chân thực, niềm tin và ý định mua lại vẫn cần được nghiên cứu thêm. Các nghiên cứu gần đây chủ yếu xem xét trình diễn, tương tác (Xin và cộng sự, 2024), dịch vụ (Ho và cộng sự, 2024), thông tin và mạng lưới (Shi và cộng sự, 2025), hoặc chuyển đổi từ xem sang mua (Xie và cộng sự, 2026). Trong khi đó, sự phối hợp giữa các tín hiệu vẫn là hướng nghiên cứu cần phát triển (Xu và cộng sự, 2023). Cinelli và LeBoeuf (2020) cho thấy thông tin thuộc tính có thể thay thế suy luận về chất lượng dựa trên tính chân thực thương hiệu. Tuy nhiên, thông tin sản phẩm không nhất thiết bảo đảm độ tin cậy của cửa hàng, nên khả năng thay thế giữa hai tín hiệu có thể chỉ mang tính từng phần.

Từ đó, nghiên cứu đặt câu hỏi: Chất lượng thông tin sản phẩm có làm suy yếu mối quan hệ giữa tính chân thực của người livestream và niềm tin vào cửa hàng, qua đó ảnh hưởng gián tiếp đến ý định mua lại hay không? Dựa trên mô hình xử lý thông tin theo lối tắt nhận thức và hệ thống (HSM), nghiên cứu phân tích sự tương tác giữa tín hiệu từ người livestream và thông tin sản phẩm trong bối cảnh chủ cửa hàng hoặc nhân viên trực tiếp livestream.

CƠ SỞ LÝ THUYẾT VÀ GIẢ THUYẾT

Khung lý thuyết

Mô hình xử lý thông tin theo HSM phân biệt phán đoán dựa trên quy tắc đơn giản với đánh giá bằng chứng chuyên sâu. Việc lựa chọn phụ thuộc vào động cơ, năng lực xử lý và mức độ tự tin mong muốn (Chaiken, 1980). Hai cách xử lý có thể bổ trợ, suy giảm hoặc định hướng cách diễn giải thông tin (Maheswaran và Chaiken, 1991; Chaiken và Maheswaran, 1994). HSM đã được vận dụng trong nghiên cứu tiếp nhận thông tin (Sussman và Siegal, 2003).

Trong nghiên cứu này, tính chân thực của người livestream (PA) phản ánh sự chân thành và tự nhiên trong cách thể hiện bản thân, không bao hàm chuyên môn (Lee và Eastin, 2021). Niềm tin vào người bán (TS) thể hiện kỳ vọng về việc cửa hàng thực hiện cam kết và hành xử đáng tin cậy (Mayer và cộng sự, 1995; McKnight và cộng sự, 2002). Chất lượng thông tin sản phẩm (PIQ) phản ánh tính chính xác, đầy đủ, dễ hiểu và phù hợp của thông tin, nhưng không trực tiếp đo lường mức độ xử lý thông tin có hệ thống (DeLone và McLean, 2003; Wixom và Todd, 2005; Erkan và Evans, 2016). Ý định mua lại (RI) thể hiện xu hướng tiếp tục mua hàng từ cùng cửa hàng qua livestream, khác với ý định tiếp tục sử dụng nền tảng (Hellier và cộng sự, 2003; Bhattacherjee, 2001).

Phát triển giả thuyết

Tính chân thực và niềm tin vào người bán

Khi người livestream là chủ shop hoặc nhân viên, khách hàng có cơ sở quy ứng xử của người đại diện cho bên bán. Thể hiện chân thành có thể tạo kỳ vọng shop cũng ứng xử nhất quán. Liên kết được nhận thức giữa các đối tượng là cơ sở của niềm tin trực tuyến (Stewart, 2003). Lou và Yuan (2019) liên kết nguồn với niềm tin nội dung; ở đây, niềm tin hướng đến shop. Dù PA chưa trực tiếp chứng minh năng lực hay thiện chí của bên bán và nghiên cứu chưa đo lường riêng niềm tin vào livestreamer, sự chân thành của người đại diện vẫn là tín hiệu ban đầu thúc đẩy niềm tin vào cửa hàng.

H1: Tính chân thực cảm nhận của livestreamer tác động tích cực đến niềm tin vào người bán.

Niềm tin và ý định mua lại

Niềm tin hỗ trợ trao đổi khi không thể kiểm soát bên bán (Morgan và Hunt, 1994), bổ sung đánh giá công nghệ và rủi ro (Gefen và cộng sự, 2003; Pavlou, 2003). Trải nghiệm trước chưa loại bỏ bất định lần mua tiếp. Tin shop giữ cam kết tạo căn cứ mua lại (Zhang và cộng sự, 2022; He và Bernarte, 2026).

H2: Niềm tin vào người bán tác động tích cực đến ý định mua lại qua livestream.

Tác động trực tiếp và trung gian

Tính chân thực của người livestream (PA) có thể duy trì RI thông qua sự quen thuộc và mong muốn tiếp tục tương tác giữa các phiên livestream. Quan hệ giả xã hội có thể giải thích cơ chế này (Sokolova và Kefi, 2020; Cheng và cộng sự, 2025), nhưng chưa được đo lường trong nghiên cứu. Do đó, tác động trực tiếp PA-RI phản ánh phần liên hệ còn lại sau khi xem xét vai trò trung gian của TS.

H3: Tính chân thực cảm nhận của livestreamer tác động tích cực đến ý định mua lại.

Trung gian có nội hàm giao dịch

Đánh giá tích cực về người đại diện sẽ củng cố kỳ vọng vào cửa hàng, qua đó thúc đẩy ý định mua lại. TS giải thích một phần liên hệ PA-RI, không giả định mọi ảnh hưởng cá nhân đều đi qua niềm tin.

H4: Niềm tin vào người bán đóng vai trò trung gian trong quan hệ giữa tính chân thực cảm nhận và ý định mua lại.

Chất lượng thông tin và trung gian có điều tiết

Khi thông tin thiếu, khách hàng dựa nhiều hơn vào người trình bày; thông tin rõ ràng giúp tự đánh giá sản phẩm và giảm bất định (Filieri, 2015; Lu và Chen, 2021). Do đó, PIQ có thể làm suy giảm tác động của PA đến TS. Mở rộng Cinelli và LeBoeuf (2020), nghiên cứu dự đoán tác động PA-TS giảm khi PIQ tăng nhưng không nhất thiết bị triệt tiêu, vì thông tin sản phẩm không bảo đảm độ tin cậy của cửa hàng. Theo HSM, hai tín hiệu vẫn có thể bổ trợ tùy cách khách hàng xử lý thông tin (Chaiken và Maheswaran, 1994); vì vậy, cần đo lường trực tiếp quá trình xử lý để kiểm định cơ chế này.

H5: Chất lượng thông tin sản phẩm điều tiết âm quan hệ giữa tính chân thực cảm nhận và niềm tin vào người bán.

Chất lượng thông tin sản phẩm (PIQ) có thể nâng mức TS nhưng giảm độ dốc PA-TS. Khi TS liên hệ dương với RI, gián tiếp cũng giảm. H6 liên kết H2 và H5, được kiểm định bằng chỉ số trung gian có điều tiết (Hayes, 2015).

H6: Hiệu ứng gián tiếp của tính chân thực đến ý định mua lại thông qua niềm tin vào người bán yếu hơn khi chất lượng thông tin sản phẩm cao.

Mô hình nghiên cứu được thể hiện qua Hình 1.

Hình 1: Mô hình nghiên cứu đề xuất

Nguồn: Tác giả đề xuất

PHƯƠNG PHÁP NGHIÊN CỨU

Thiết kế khảo sát đề xuất và dữ liệu minh họa

Đối tượng khảo sát là người từ 18 tuổi trở lên, đã mua hàng qua livestream của chủ shop hoặc nhân viên trong sáu tháng gần nhất. PA và PIQ được đánh giá theo phiên mua gần nhất, còn TS và RI tham chiếu cùng một cửa hàng; không yêu cầu người trả lời đã mua nhiều lần. Quy trình cần xác định trước phương án tuyển mẫu, công suất kiểm định hiệu ứng tương tác và tiêu chí loại phiếu (Kock và Hadaya, 2018).

Mô hình được minh họa bằng 560 quan sát và 15 chỉ báo Likert 5 mức. Kịch bản dữ liệu được lựa chọn dựa trên độ tin cậy thang đo, tỷ lệ tương quan dị đặc điểm (HTMT), hệ số xác định (R²) và hệ số phóng đại phương sai (VIF).

Đo lường và đặc tả

Bảng 1 chỉ mang tính sơ bộ, chưa thẩm định bản dịch. PA đo tính chân thực, TS phản ánh kỳ vọng giao dịch, RI đo ý định mua lại tại cùng shop. Cần đối chiếu thang đo gốc, tham vấn chuyên gia và phỏng vấn nhận thức (Churchill, 1979). Đặc tả PIQ phụ thuộc cơ sở lý thuyết: nếu các thuộc tính cấu thành chất lượng thông tin và không thể thay thế nhau, cần áp dụng mô hình đo lường hình thành, đánh giá trọng số, VIF và tính phù hợp nội dung thay vì hệ số Cronbach’s Alpha, độ tin cậy tổng hợp (CR) và phương sai trích trung bình (AVE) (Jarvis và cộng sự, 2003).

Phân tích hiện tại giả định cả 4 cấu trúc đều phản ánh; do đó, kết quả PIQ chỉ có giá trị trong đặc tả này. Khảo sát chính thức cần xác lập mô hình đo lường từ lý thuyết, tiền kiểm và xác nhận độc lập tính đơn hướng của PA, TS và RI trước khi ước lượng lại.

Bảng 1: Nội dung chỉ báo sơ bộ

Nguồn: Tác giả đề xuất

Quy trình phân tích

SmartPLS 4 dùng trọng số đường dẫn và tương tác 2 giai đoạn từ điểm số PA, PIQ chuẩn hóa. Phương trình cấu trúc:

TS = a₀ + a₁PA + a₂PIQ + a₃(PA × PIQ) + ε₁; RI = c₀ + c′PA + bTS + ε₂.

PIQ là biến điều tiết về lý thuyết; a₂ là tác động chính bắt buộc khi ước lượng tương tác, không thêm giả thuyết IV (Becker và cộng sự, 2023).

Nghiên cứu đánh giá hệ số tải, Alpha, rho_A, CR, AVE, HTMT, VIF, R² và f² (...), kết hợp kiểm định bootstrap 5.000 lần (kiểm định hai phía ở mức ý nghĩa 5%, khoảng tin cậy bách phân vị 95%).

Gián tiếp: (a₁ + a₃q)b; chỉ số a₃b lấy từ bootstrap hiệu ứng PA × PIQ–TS–RI (Hayes, 2015; Nitzl và cộng sự, 2016).

PLSpredict dùng 10 phần × 10 lần lặp, đối chiếu mô hình tuyến tính (LM) và trung bình chỉ báo (IA); CVPAT kiểm định chênh lệch tổn thất (Shmueli và cộng sự, 2019; Sharma và cộng sự, 2023). Chưa có khoảng tin cậy HTMT hoặc kiểm định sai lệch phương pháp chung (Podsakoff và cộng sự, 2003).

KẾT QUẢ PHÂN TÍCH SMARTPLS 4

Mô hình đo lường

Kết quả cho thấy cả 15 chỉ báo đều được giữ lại, với hệ số tải từ 0,809 đến 0,913. Các thang đo đạt độ tin cậy tốt, thể hiện qua Cronbach’s Alpha (0,836-0,887), rho_A (0,836-0,888) và độ tin cậy tổng hợp (CR: 0,890–0,930). Giá trị hội tụ cũng được đáp ứng, với AVE từ 0,670 đến 0,816 (Hair và cộng sự, 2019). Tuy nhiên, các chỉ số này chưa đủ để xác nhận giá trị nội dung của thang đo hoặc tính phù hợp của mô hình đo lường hình thành đối với PIQ (Bảng 2).

Bảng 2: Độ tin cậy và giá trị hội tụ

Nguồn: Kết quả nghiên cứu

Bảng 3 thể hiện, HTMT cao nhất TS-RI = 0,835, dưới 0,850. Căn bậc hai AVE vượt tương quan liên cấu trúc; chỉ báo có tải cao nhất ở cấu trúc tương ứng. Bootstrap kết quả chính chưa xuất KTC HTMT. VIF chỉ báo 1,764-2,716 không loại trừ sai lệch phương pháp chung.

Bảng 3: Ma trận HTMT

Nguồn: Kết quả nghiên cứu

Quan hệ cấu trúc và trung gian

Các hệ số VIF dao động từ 1,000 đến 1,129, cho thấy không có đa cộng tuyến đáng kể. R² của TS và RI lần lượt đạt 0,251 và 0,653 (R² hiệu chỉnh tương ứng là 0,247 và 0,652), cho thấy mô hình giải thích RI tốt hơn TS. Chỉ số SRMR = 0,046 cung cấp thêm thông tin về mức độ phù hợp của mô hình (Bảng 4).

PA tác động tích cực đến TS và RI, trong khi mối quan hệ TS–RI có hệ số tác động và (f²) lớn nhất. Tác động trực tiếp và gián tiếp của PA đến RI cùng chiều, phù hợp với cơ chế trung gian bổ trợ (Zhao và cộng sự, 2010). Do đó, H1–H4 được ủng hộ.

Bảng 4: Quan hệ cấu trúc và hiệu ứng gián tiếp

Nguồn: Kết quả nghiên cứu

Điều tiết và gián tiếp có điều kiện

Tương tác âm có KTC không chứa 0 và f² = 0,053, trong khi tác động chính PIQ vẫn dương. Độ dốc PA–TS giảm từ 0,552 ở PIQ thấp xuống 0,161 ở PIQ cao; mức cao vẫn khác 0 (p = 0,002). Vì vậy, tương tác biểu thị giảm cường độ, chưa đảo chiều quan hệ (Hình 2).

Hình 2: Điều tiết âm và gián tiếp có điều kiện

Nguồn: Kết quả nghiên cứu

Dựng từ SmartPLS. (a) Mốc TS tại PA = PIQ = 0 quy về 0; (b) KTC percentile 95% (Bảng 5).

Bảng 5: Độ dốc và gián tiếp có điều kiện

Nguồn: Kết quả nghiên cứu

Chỉ số a₃b = -0,122, KTC [-0,164; -0,078], p < 0,001. Gián tiếp giảm từ 0,343 xuống 0,100 giữa PIQ thấp và cao nhưng vẫn dương. H5–H6 được chấp thuận; kết luận điều tiết dựa trên a₃b, không dựa trên so sánh p riêng lẻ (Hayes, 2015).

Khả năng dự báo

Bảng 6 cho thấy, Q²predict của RI và TS lần lượt đạt 0,351 và 0,241. Cả bảy chỉ báo có Q²predict dương, RMSE và MAE thấp hơn LM. Tuy nhiên, mức giảm RMSE của RI chỉ khoảng 1,4–2,0%; lợi thế thống kê cần phân biệt với giá trị ứng dụng.

Bảng 6: PLSpredict ở cấp chỉ báo

Nguồn: Kết quả nghiên cứu

Kết quả CVPAT cho thấy PLS vượt trội hơn LM ở RI (−0,033), TS (−0,058) và toàn mô hình (−0,047), đều có ý nghĩa thống kê (p < 0,001); kết quả đối chiếu IA cũng cho thấy lợi thế tương tự. Tuy nhiên, khả năng dự báo mới được đánh giá trên mẫu giữ lại, chưa được xác nhận bằng mẫu độc lập (Sharma và cộng sự, 2023).

Hình 3: Mức cải thiện sai số dự báo so với mô hình tuyến tính

Nguồn: Kết quả nghiên cứu

KẾT LUẬN VÀ HÀM Ý

Nghiên cứu góp phần làm rõ mối liên hệ giữa tính chân thực của người livestream (PA), niềm tin vào người bán (TS) và ý định mua lại (RI), đồng thời phân biệt niềm tin vào người đại diện với niềm tin vào cửa hàng. Điểm mới là xem xét vai trò điều tiết của chất lượng thông tin sản phẩm (PIQ): thông tin tốt có thể nâng mức niềm tin vào shop nhưng đồng thời làm giảm mức độ phụ thuộc vào tính chân thực của người livestream. Hiệu ứng gián tiếp vẫn dương khi PIQ cao, gợi ý cơ chế thay thế từng phần giữa hai tín hiệu. Tuy nhiên, tương tác âm chưa đủ để xác nhận HSM; cần kiểm định bằng dữ liệu khảo sát độc lập và xem xét các cơ chế giải thích thay thế.

Hàm ý quản trị có điều kiện

Nếu các kết quả được tái lập trên dữ liệu khảo sát độc lập, doanh nghiệp có thể thử nghiệm phối hợp giữa chất lượng thông tin sản phẩm và cách thức giao tiếp của người livestream. Nội dung cần trình bày rõ đặc tính, giới hạn, tổng chi phí và điều kiện đổi trả; người livestream cần giao tiếp tự nhiên, thừa nhận những thông tin chưa chắc chắn và duy trì tính nhất quán trong phản hồi. Việc thử nghiệm nên phân bổ các phiên có điều kiện tương đương về sản phẩm, giá và ưu đãi vào những phương án khác nhau để đánh giá tác động riêng của từng yếu tố. Mọi phương án phải bảo đảm tính chính xác, minh bạch và không cố ý tạo khoảng trống thông tin nhằm gia tăng sự phụ thuộc vào người trình bày.

Bên cạnh đó, doanh nghiệp cần theo dõi niềm tin sau giao dịch, tỷ lệ mua lại trong khoảng thời gian xác định trước, khiếu nại và tỷ lệ trả hàng để đánh giá liệu niềm tin có chuyển hóa thành hành vi mua lại hay không. Hệ số TS–RI lớn không đồng nghĩa với lợi ích kinh tế cao hơn hoặc xác định được ngân sách tối ưu. Vì vậy, đào tạo người livestream cần được kết hợp với việc bảo đảm thực hiện cam kết, giao hàng đúng thỏa thuận và duy trì chất lượng dịch vụ hậu mãi.

Giới hạn và hướng nghiên cứu

Dữ liệu lựa chọn theo tiêu chí thống kê nên bootstrap và dự báo chéo không khắc phục được hạn chế về tính độc lập hoặc xác lập quan hệ nhân quả. Thang đo cần được thẩm định, đặc biệt là đặc tả PIQ và giá trị phân biệt giữa TS–RI (Jarvis và cộng sự, 2003).

Nghiên cứu tiếp theo nên sử dụng dữ liệu khảo sát độc lập, đo lường theo từng giai đoạn và theo dõi hành vi mua lại thực tế. Thí nghiệm cần đo trực tiếp quá trình xử lý thông tin để phân biệt cơ chế thay thế và bổ trợ, đồng thời kiểm tra tác động phi tuyến và khả năng dự báo trên mẫu mới. Kết quả hiện tại chỉ áp dụng cho chủ shop và nhân viên livestream, chưa thể khái quát sang streamer quảng bá nhiều cửa hàng.

Tài liệu tham khảo:

1. Audrezet, A., de Kerviler, G., & Moulard, J. G. (2020). Authenticity under threat: When social media influencers need to go beyond self-presentation. Journal of Business Research, 117, 557–569. https://doi.org/10.1016/j.jbusres.2018.07.008.

2. Azad Moghddam, H., & Mortimer, G. (2025). Measuring the consumer livestreaming experience: Scale development and validation. Journal of Retailing and Consumer Services, 87, 104395. https://doi.org/10.1016/j.jretconser.2025.104395.

3. Becker, J.-M., Cheah, J.-H., Gholamzade, R., Ringle, C. M., & Sarstedt, M. (2023). PLS-SEM’s most wanted guidance. International Journal of Contemporary Hospitality Management, 35(1), 321–346. https://doi.org/10.1108/IJCHM-04-2022-0474.

4. Bhattacherjee, A. (2001). Understanding information systems continuance: An expectation-confirmation model. MIS Quarterly, 25(3), 351–370. https://doi.org/10.2307/3250921.

5. Chaiken, S. (1980). Heuristic versus systematic information processing and the use of source versus message cues in persuasion. Journal of Personality and Social Psychology, 39(5), 752–766. https://doi.org/10.1037/0022-3514.39.5.752.

6. Chaiken, S., & Maheswaran, D. (1994). Heuristic processing can bias systematic processing: Effects of source credibility, argument ambiguity, and task importance on attitude judgment. Journal of Personality and Social Psychology, 66(3), 460–473. https://doi.org/10.1037/0022-3514.66.3.460.

7. Cheng, G., Bao, T., Li, W., Li, Z., Li, Z., & Zu, X. (2025). The influence of new farmer live streamer characteristics on purchase intention: The roles of parasocial interaction and regional cultural differences. Frontiers in Communication, 10, 1657443. https://doi.org/10.3389/fcomm.2025.1657443.

8. Churchill, G. A., Jr. (1979). A paradigm for developing better measures of marketing constructs. Journal of Marketing Research, 16(1), 64–73. https://doi.org/10.1177/002224377901600110.

9. Cinelli, M. D., & LeBoeuf, R. A. (2020). Keeping it real: How perceived brand authenticity affects product perceptions. Journal of Consumer Psychology, 30(1), 40–59. https://doi.org/10.1002/jcpy.1123.

10. DeLone, W. H., & McLean, E. R. (2003). The DeLone and McLean model of information systems success: A ten-year update. Journal of Management Information Systems, 19(4), 9–30. https://doi.org/10.1080/07421222.2003.11045748.

11. Erkan, I., & Evans, C. (2016). The influence of eWOM in social media on consumers’ purchase intentions: An extended approach to information adoption. Computers in Human Behavior, 61, 47–55. https://doi.org/10.1016/j.chb.2016.03.003.

12. Filieri, R. (2015). What makes online reviews helpful? A diagnosticity-adoption framework to explain informational and normative influences in e-WOM. Journal of Business Research, 68(6), 1261–1270. https://doi.org/10.1016/j.jbusres.2014.11.006.

13. Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50. https://doi.org/10.1177/002224378101800104.

14. Gefen, D., Karahanna, E., & Straub, D. W. (2003). Trust and TAM in online shopping: An integrated model. MIS Quarterly, 27(1), 51–90. https://doi.org/10.2307/30036519.

15. Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31(1), 2–24. https://doi.org/10.1108/EBR-11-2018-0203.

16. Hayes, A. F. (2015). An index and test of linear moderated mediation. Multivariate Behavioral Research, 50(1), 1–22. https://doi.org/10.1080/00273171.2014.962683.

17. He, C., & Bernarte, R. P. (2026). Service quality and repurchase intention in Chinese live commerce: The mediating role of trust and the moderating effect of generational differences. PLOS ONE, 21(8), e0356797. https://doi.org/10.1371/journal.pone.0356797.

18. Hellier, P. K., Geursen, G. M., Carr, R. A., & Rickard, J. A. (2003). Customer repurchase intention: A general structural equation model. European Journal of Marketing, 37(11/12), 1762–1800. https://doi.org/10.1108/03090560310495456.

19. Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43, 115–135. https://doi.org/10.1007/s11747-014-0403-8.

20. Ho, C.-I., Liu, Y., & Chen, M.-C. (2024). Assessment of customers’ evaluations of service quality in live-streaming commerce: Conceptualizing and testing a multidimensional and hierarchical model. Information, 15(9), 510. https://doi.org/10.3390/info15090510.

21. Jarvis, C. B., MacKenzie, S. B., & Podsakoff, P. M. (2003). A critical review of construct indicators and measurement model misspecification in marketing and consumer research. Journal of Consumer Research, 30(2), 199–218. https://doi.org/10.1086/376806.

22. Kock, N., & Hadaya, P. (2018). Minimum sample size estimation in PLS-SEM: The inverse square root and gamma-exponential methods. Information Systems Journal, 28(1), 227–261. https://doi.org/10.1111/isj.12131.

23. Lee, J. A., & Eastin, M. S. (2021). Perceived authenticity of social media influencers: Scale development and validation. Journal of Research in Interactive Marketing, 15(4), 822–841. https://doi.org/10.1108/JRIM-12-2020-0253.

24. Lou, C., & Yuan, S. (2019). Influencer marketing: How message value and credibility affect consumer trust of branded content on social media. Journal of Interactive Advertising, 19(1), 58–73. https://doi.org/10.1080/15252019.2018.1533501.

25. Lu, B., & Chen, Z. (2021). Live streaming commerce and consumers’ purchase intention: An uncertainty reduction perspective. Information & Management, 58(7), 103509. https://doi.org/10.1016/j.im.2021.103509.

26. Maheswaran, D., & Chaiken, S. (1991). Promoting systematic processing in low-motivation settings: Effect of incongruent information on processing and judgment. Journal of Personality and Social Psychology, 61(1), 13–25. https://doi.org/10.1037/0022-3514.61.1.13.

27. Mayer, R. C., Davis, J. H., & Schoorman, F. D. (1995). An integrative model of organizational trust. Academy of Management Review, 20(3), 709–734. https://doi.org/10.5465/amr.1995.9508080335.

28. McKnight, D. H., Choudhury, V., & Kacmar, C. (2002). Developing and validating trust measures for e-commerce: An integrative typology. Information Systems Research, 13(3), 334–359. https://doi.org/10.1287/isre.13.3.334.81.

29. Morgan, R. M., & Hunt, S. D. (1994). The commitment-trust theory of relationship marketing. Journal of Marketing, 58(3), 20–38. https://doi.org/10.1177/002224299405800302.

30. Moulard, J. G., Garrity, C. P., & Rice, D. H. (2015). What makes a human brand authentic? Identifying the antecedents of celebrity authenticity. Psychology & Marketing, 32(2), 173–186. https://doi.org/10.1002/mar.20771.

31. Nitzl, C., Roldán, J. L., & Cepeda, G. (2016). Mediation analysis in partial least squares path modeling: Helping researchers discuss more sophisticated models. Industrial Management & Data Systems, 116(9), 1849–1864. https://doi.org/10.1108/IMDS-07-2015-0302.

32. Pavlou, P. A. (2003). Consumer acceptance of electronic commerce: Integrating trust and risk with the technology acceptance model. International Journal of Electronic Commerce, 7(3), 101–134. https://doi.org/10.1080/10864415.2003.11044275.

33. Phan, L.-G. N., Tri, D. Q., Dang, S.-H., & Nguyen, L.-T. (2026). Hooked on livestreaming: What drives customer repurchase intention in e-commerce? Journal of Creative Communications, 21(1), 99–118. https://doi.org/10.1177/09732586241311001.

34. Podsakoff, P. M., MacKenzie, S. B., Lee, J.-Y., & Podsakoff, N. P. (2003). Common method biases in behavioral research: A critical review of the literature and recommended remedies. Journal of Applied Psychology, 88(5), 879–903. https://doi.org/10.1037/0021-9010.88.5.879.

35. Sharma, P. N., Liengaard, B., Hair, J. F., Sarstedt, M., & Ringle, C. M. (2023). Predictive model assessment and selection in composite-based modeling using PLS-SEM: Extensions and guidelines for using CVPAT. European Journal of Marketing, 57(6), 1662–1677. https://doi.org/10.1108/EJM-08-2020-0636.

36. Shi, H., Wang, Y., Gong, X., & Deng, F. (2025). Which type of information’s quality in live streaming commerce captures consumers’ attention the most? Considering the moderating role of network size. Asia Pacific Journal of Marketing and Logistics, 37(4), 1110–1129. https://doi.org/10.1108/APJML-04-2024-0528.

37. Shmueli, G., Sarstedt, M., Hair, J. F., Cheah, J.-H., Ting, H., Vaithilingam, S., & Ringle, C. M. (2019). Predictive model assessment in PLS-SEM: Guidelines for using PLSpredict. European Journal of Marketing, 53(11), 2322–2347. https://doi.org/10.1108/EJM-02-2019-0189.

38. Sokolova, K., & Kefi, H. (2020). Instagram and YouTube bloggers promote it, why should I buy? How credibility and parasocial interaction influence purchase intentions. Journal of Retailing and Consumer Services, 53, 101742. https://doi.org/10.1016/j.jretconser.2019.01.011.

39. Stewart, K. J. (2003). Trust transfer on the World Wide Web. Organization Science, 14(1), 5–17. https://doi.org/10.1287/orsc.14.1.5.12810

40. Sun, Y., Shao, X., Li, X., Guo, Y., & Nie, K. (2019). How live streaming influences purchase intentions in social commerce: An IT affordance perspective. Electronic Commerce Research and Applications, 37, 100886. https://doi.org/10.1016/j.elerap.2019.100886.

41. Sussman, S. W., & Siegal, W. S. (2003). Informational influence in organizations: An integrated approach to knowledge adoption. Information Systems Research, 14(1), 47–65. https://doi.org/10.1287/isre.14.1.47.14767.

42. Wixom, B. H., & Todd, P. A. (2005). A theoretical integration of user satisfaction and technology acceptance. Information Systems Research, 16(1), 85–102. https://doi.org/10.1287/isre.1050.0042.

43. Wongkitrungrueng, A., & Assarut, N. (2020). The role of live streaming in building consumer trust and engagement with social commerce sellers. Journal of Business Research, 117, 543–556. https://doi.org/10.1016/j.jbusres.2018.08.032.

44. Xie, R., Zhang, W., Ma, Z., Mai, F., & Li, J. (2026). Heuristic or systematic? Effects of information cues on dynamics of consumers conversion in live streaming e-commerce. Journal of Business Research, 206, 115941. https://doi.org/10.1016/j.jbusres.2025.115941.

45. Xin, M., Liu, W., & Jian, L. (2024). Live streaming product display or social interaction: How do they influence consumer intention and behavior? A heuristic-systematic perspective. Electronic Commerce Research and Applications, 67, 101437. https://doi.org/10.1016/j.elerap.2024.101437.

46. Xu, X., Wu, J.-H., & Li, Q. (2020). What drives consumer shopping behavior in live streaming commerce? Journal of Electronic Commerce Research, 21(3), 144–167.

47. Xu, Y., Kapitan, S., & Phillips, M. (2023). The commercial impact of live streaming: A systematic literature review and future research agenda. International Journal of Consumer Studies, 47(6), 2495–2527. https://doi.org/10.1111/ijcs.12960.

48. Zhang, M., Liu, Y., Wang, Y., & Zhao, L. (2022). How to retain customers: Understanding the role of trust in live streaming commerce with a socio-technical perspective. Computers in Human Behavior, 127, 107052. https://doi.org/10.1016/j.chb.2021.107052.

49. Zhao, X., Lynch, J. G., Jr., & Chen, Q. (2010). Reconsidering Baron and Kenny: Myths and truths about mediation analysis. Journal of Consumer Research, 37(2), 197–206. https://doi.org/10.1086/651257.