Social media activity in a festival context: temporal and content analysis
Notice bibliographique
Résumé
Purpose This study explores the multi-phasic experience of festivals to understand the nature, purpose and degree of social media (SM) use before, during and after festival occurrence and how this may inform better engagement of attendees. Design/methodology/approach A census of tweets and posts from four festivals’ Twitter handles and Facebook accounts were coded and analyzed across three time points: one week prior, during and one week after the festival. They were coded on nature (e.g. conversational, promotional, informational), purpose (e.g. information-seeking, friendship/relationship) and presence of links, photos, etc. Tests for platform influences on usage were conducted. Findings In total, 1,169 tweets and 483 posts were captured. Two-thirds of SM activity occurred during the festivals, one-third pre-festival and minimal activity post festival. Temporal analyses found that while the purpose and nature of the message content varied across festival time points, this was often dependent on SM platform. Research limitations/implications Festivals are not taking advantage of the multi-phase experience model and the utility of SM to maintain contact and encourage visitors to continue processing their experience after the festival. This lost opportunity has implications for re-patronizing behaviour and sponsor relationships. Originality value Leung et al. (2013a) call for sector specific research to elucidate SM use in tourism. Festivals provide a unique environment of co-created experience. Findings suggest differential usage of SM across festival time frames and platforms that can be used to guide festival organizations’ SM communication to better engage its patrons.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».