During the COVID-19 pandemic, unusual consumer behavior, such as hoarding toilet paper, was reported globally. We investigated this behavior when fears of consumer market disruptions started circulating, to capture human behavior in this unique situation. Based on the stimulus-organism-response (S-O-R) framework, we propose a structural model connecting exposure to online information sources (environmental stimuli) to two behavioral responses: unusual purchases and voluntary self-isolation. To test the proposed model, we collected data from 211 Finnish respondents via an online survey, and carried out analysis using PLS-SEM. We found a strong link between self-intention to self-isolate and intention to make unusual purchases, providing empirical evidence that the reported consumer behavior was directly linked to anticipated time spent in self-isolation. The results further revealed exposure to online information sources led to increased information overload and cyberchondria. Information overload was also a strong predictor of cyberchondria. Perceived severity of the situation and cyberchondria had significant impacts on people's intention to make unusual purchases and voluntarily self-isolate. Future research is needed to confirm the long-term effects of the pandemic on consumer and retail services.

Social media plays a significant role during pandemics such as COVID-19, as it enables people to share news as well as personal experiences and viewpoints with one another in real-time, globally. Building off the affordance lens and cognitive load theory, we investigate how motivational factors and personal attributes influence social media fatigue and the sharing of unverified information during the COVID-19 pandemic. Accordingly, we develop a model which we analyse using the structural equation modelling and neural network techniques with data collected from young adults in Bangladesh (N = 433). The results show that people, who are driven by self-promotion and entertainment, and those suffering from deficient self-regulation, are more likely to share unverified information. Exploration and religiosity correlated negatively with the sharing of unverified information. However, exploration also increased social media fatigue. Our findings indicate that the different use purposes of social media introduce problematic consequences, in particular, increased misinformation sharing.

Background During the coronavirus disease (COVID-19) pandemic, governments issued movement restrictions and placed areas into quarantine to combat the spread of the disease. In addition, individuals were encouraged to adopt personal health measures such as social isolation. Information regarding the disease and recommended avoidance measures were distributed through a variety of channels including social media, news websites, and emails. Previous research suggests that the vast amount of available information can be confusing, potentially resulting in overconcern and information overload. Objective This study investigates the impact of online information on the individual-level intention to voluntarily self-isolate during the pandemic. Using the protection-motivation theory as a framework, we propose a model outlining the effects of cyberchondria and information overload on individuals’ perceptions and motivations. Methods To test the proposed model, we collected data with an online survey (N=225) and analyzed it using partial least square-structural equation modeling. The effects of social media and living situation were tested through multigroup analysis. Results Cyberchondria and information overload had a significant impact on individuals’ threat and coping perceptions, and through them on self-isolation intention. Among the appraisal constructs, perceived severity (P=.002) and self-efficacy (P=.003) positively impacted self-isolation intention, while response cost (P<.001) affected the intention negatively. Cyberchondria (P=.003) and information overload (P=.003) indirectly affected self-isolation intention through the aforementioned perceptions. Using social media as an information source increased both cyberchondria and information overload. No differences in perceptions were found between people living alone and those living with their families. Conclusions During COVID-19, frequent use of social media contributed to information overload and overconcern among individuals. To boost individuals’ motivation to adopt preventive measures such as self-isolation, actions should focus on lowering individuals’ perceived response costs in addition to informing them about the severity of the situation.

This study presents a systematic literature review (SLR) of research on blockchain applications in the healthcare domain. The review incorporated 42 articles presenting state-of-the-art knowledge on current implications and gaps pertaining to the use of blockchain technology for improving healthcare processes. The SLR findings indicate that blockchain is being used to develop novel and advanced interventions to improve the prevalent standards of handling, sharing, and processing of medical data and personal health records. The application of blockchain technology is undergoing a conceptual evolution in the healthcare industry where it has added significant value through improved efficiency, access control, technological advancement, privacy protection, and security of data management processes. The findings also suggest that the extant limitations primarily pertain to model performance, as well as the constraints and costs associated with implementation. An integrated framework is presented to address potential areas wherein future researchers can contribute significant value, including addressing concerns regarding regulatory compliance, system architecture, and data protection. Finally, the SLR suggests that future research can facilitate the widespread deployment of blockchain applications to address critical issues related to medical diagnostics, legal compliance, avoiding fraud, and improving patient care in cases of remote monitoring or emergencies.

Initial trust represents the trust that develops upon first use of a product. It is built on the basis of the net effect of factors that stimulate as well as inhibit it. Future transactions require less consumer effort after initial-trust formation. Despite being recognized as an important factor affecting the adoption of innovations, initial trust has been not been greatly explored by prior scholars. The present study remedies this gap by invoking the information systems success (ISS) model, transaction cost economics (TCE) theory, and the IT continuance model to propose a two-step framework that includes the antecedents of a pre-adoption factor, such as initial trust, and post-adoption factors, such as confirmation, perceived usefulness, satisfaction, and continuation intention toward mobile-based payments. Cross-sectional data of 954 first-time mobile-wallet users are analyzed to test the framework. The study findings suggest that information and service quality positively influence initial trust, which, in turn, has a positive association with confirmation and perceived usefulness. Results also reveal a positive relationship between perceived usefulness and continuation intention. These results pave the way for making useful recommendations for future researchers. The study also discusses various inferences that can improve managerial efficacy in promoting the use of mobile-based payment methods.

With the continuing application of artificial intelligence (AI) technologies in decision-making, algorithmic decision-making is becoming more efficient, often even outperforming humans. Despite this superior performance, people often consciously or unconsciously display reluctance to rely on algorithms, a phenomenon known as algorithm aversion. Viewed as a behavioral anomaly, algorithm aversion has recently attracted much scholarly attention. With a view to synthesize the findings of existing literature, we systematically review 80 empirical studies identified through searching in seven academic databases and using the snowballing technique. We inductively categorize the influencing factors of algorithm aversion under four main themes: algorithm, individual, task, and high-level. Our analysis reveals that although algorithm and individual factors have been investigated extensively, very little attention has been given to exploring the task and high-level factors. We contribute to algorithm aversion literature by proposing a comprehensive framework, highlighting open issues in existing studies, and outlining several research avenues that could be handled in future research. Our model could guide developers in designing and developing and managers in implementing and using of algorithmic decision.

The current study performs a systematic literature review (SLR) to synthesise prior research on the applicability of big data analytics (BDA) in healthcare. The SLR examines the outcomes of 41 studies, and presents them in a comprehensive framework. The findings from this study suggest that applications of BDA in healthcare can be observed from five perspectives, namely, health awareness among the general public, interactions among stakeholders in the healthcare ecosystem, hospital management practices, treatment of specific medical conditions, and technology in healthcare service delivery. This SLR recommends actionable future research agendas for scholars and valuable implications for theory and practice.

The Internet of Things (IoT) has revolutionized various sectors by enabling seamless device interaction. However, the proliferation of IoT devices has also raised significant security and privacy concerns. Traditional security measures often fail to address these concerns due to the unique characteristics of IoT networks, such as heterogeneity, scalability, and resource constraints. This survey paper adopts a thematic exploration approach for a comprehensive analysis to investigate the convergence of quantum computing, federated learning, and 6G wireless networks. This novel intersection is explored to significantly improve security and privacy within the IoT ecosystem. To enable several secure, intelligent IoT applications, quantum computing, with its superior computational capabilities, can strengthen encryption algorithms, making IoT data more secure. Federated learning, a decentralized machine learning approach, allows IoT devices to learn a shared model while keeping all the training data on the original device, thereby enhancing privacy. This synergy becomes even more crucial when integrated with the high-speed, low-latency capabilities of 6G networks, which can facilitate real-time, secure data processing and communication among many IoT devices. Second, we discuss the latest developments, offering an up-to-date overview of advanced solutions, available datasets, and key performance metrics and summarizing the vital insights, challenges, and trends in securing IoT systems. Third, we design a conceptual framework for integrating quantum computing in federated learning, adapted for 6G networks. Finally, we highlight the future advancements in quantum technologies and 6G networks and summarize the implications for IoT security, paving the way for researchers and practitioners in the field of IoT security.