The 1% Rule in Four Digital Health Social Networks: An Observational Study
Notice bibliographique
Résumé
BACKGROUND: In recent years, cyberculture has informally reported a phenomenon named the 1% rule, or 90-9-1 principle, which seeks to explain participatory patterns and network effects within Internet communities. The rule states that 90% of actors observe and do not participate, 9% contribute sparingly, and 1% of actors create the vast majority of new content. This 90%, 9%, and 1% are also known as Lurkers, Contributors, and Superusers, respectively. To date, very little empirical research has been conducted to verify the 1% rule. OBJECTIVE: The 1% rule is widely accepted in digital marketing. Our goal was to determine if the 1% rule applies to moderated Digital Health Social Networks (DHSNs) designed to facilitate behavior change. METHODS: To help gain insight into participatory patterns, descriptive data were extracted from four long-standing DHSNs: the AlcoholHelpCenter, DepressionCenter, PanicCenter, and StopSmokingCenter sites. RESULTS: During the study period, 63,990 actors created 578,349 posts. Less than 25% of actors made one or more posts. The applicability of the 1% rule was confirmed as Lurkers, Contributors, and Superusers accounted for a weighted average of 1.3% (n=4668), 24.0% (n=88,732), and 74.7% (n=276,034) of content. CONCLUSIONS: The 1% rule was consistent across the four DHSNs. As social network sustainability requires fresh content and timely interactions, these results are important for organizations actively promoting and managing Internet communities. Superusers generate the vast majority of traffic and create value, so their recruitment and retention is imperative for long-term success. Although Lurkers may benefit from observing interactions between Superusers and Contributors, they generate limited or no network value. The results of this study indicate that DHSNs may be optimized to produce network effects, positive externalities, and bandwagon effects. Further research in the development and expansion of DHSNs is required.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».