Denna studie undersöker användarrecensioners påverkan på konsumenters beslutsprocess vid köp av produkter eller tjänster och faktorer som påverkar förtroendet för dessa recensioner. Studien visar att användarrecensioner har en betydande inverkan på konsumenters köpbeslut, med subjektiva normer och upplevd beteendekontroll som viktiga faktorer i beslutsprocessen. Det finns signifikanta skillnader i preferenser och beteende mellan olika åldersgrupper. Studien bidrar till ökad förståelse för konsumenters beteende och preferenser vid online-shopping och ger vägledning för framtida forskning inom detta område. Företag och e-handelsplattformar kan använda studiens insikter för att förbättra sina produkter, tjänster och marknadsföringsstrategier, genom att ta hänsyn till användarrecensioners betydelse och de faktorer som påverkar konsumenters förtroende för dessa recensioner. / This study examines the impact of user reviews on consumers decision-making process when purchasing products or services and factors that influence trust in these reviews. The study shows that user reviews have a significant influence on consumers purchasing decisions, with subjective norms and perceived behavioral control as important factors in the decision-making process. There are significant differences in preferences and behavior among different age groups. The study contributes to a better understanding of consumer behavior and preferences in online shopping and provides guidance for future research in this area. Companies and e-commerce platforms can use the insights from the study to improve their products, services, and marketing strategies by considering the importance of user reviews and the factors that influence consumers trust in these reviews.

Manuell granskning av användarrecensioner för att extrahera relevant informationkan vara en tidskrävande process. Denna rapport har undersökt om stora språkmodeller kan användas för att sammanfatta, extrahera och analysera nyckelinformation från recensioner, samt hur en sådan applikation kan konstrueras.  Det visade sig att olika modeller presterade olika bra beroende på mätvärden ochviktning mellan recall och precision. Vidare visade det sig att fine-tuning av språkmodeller som Llama 3 förbättrade prestationen vid klassifikation av användbara recensioner och ledde, enligt vissa mätvärden, till högre prestation än större språkmodeller som Chat-Bison. För engelskt översatta recensioner hade Llama 3:8b:Instruct, Chat-Bison samt den fine-tunade versionen av Llama 3:8b ett F4-makro-score på 0.89, 0.90 och 0.91 respektive. Ytterligare ett resultat är att de större modellerna Chat-Bison, Text-Bison och Gemini, presterade bättre i fallet för generering av sammanfattande texter, än de mindre modeller som testades vid inmatning av flertalet recensioner åt gången.  Generellt sett presterade språkmodellerna också bättre om recensioner först översattes till engelska innan bearbetning, snarare än då recensionerna var skrivna i originalspråk där de majoriteten av recensionerna var skrivna på svenska. En annan lärdom från förbearbetning av recensioner är att antal anrop till dessa språkmodeller kan minimeras genom att filtrera utifrån ordlängd och betyg.  Utöver språkmodeller visade resultaten att användningen av vektordatabaser och embeddings kan ge en större överblick över användbara recensioner genom vektordatabasers inbyggda förmåga att hitta semantiska likheter och samla liknande recensioner i kluster. / Manually reviewing user reviews to extract relevant information can be a time consuming process. This report investigates if large language models can be used to summarize, extract, and analyze key information from reviews, and how such anapplication can be constructed.  It was discovered that different models exhibit varying degrees of performance depending on the metrics and the weighting between recall and precision. Furthermore, fine-tuning of language models such as Llama 3 was found to improve performance in classifying useful reviews and, according to some metrics, led to higher performance than larger language models like Chat-bison. Specifically, for English translated reviews, Llama 3:8b:Instruct, Chat-bison, and Llama 3:8b fine-tuned had an F4 macro score 0.89, 0.90, 0.91 respectively. A further finding is that the larger models, Chat-Bison, Text-Bison, and Gemini performed better than the smaller models that was tested, when inputting multiple reviews at a time in the case of summary text generation.  In general, language models performed better if reviews were first translated into English before processing rather than when reviews were written in the original language where most reviews were written in Swedish. Additionally, another insight from the pre-processing phase, is that the number of API-calls to these language models can be minimized by filtering based on word length and rating. In addition to findings related to language models, the results also demonstrated that the use of vector databases and embeddings can provide a greater overview of reviews by leveraging the databases’ built-in ability to identify semantic similarities and cluster similar reviews together.