Linguistic Formality and Audience Engagement: Investors' Reactions to Characteristics of Social Media Disclosures*
Notice bibliographique
Résumé
ABSTRACT As firms increasingly use social media to provide disclosures to investors, it is important to understand whether the characteristics that are associated with these disclosures lead to different reactions from investors than disclosures provided via more traditional channels. In this paper, we use an experiment to examine whether linguistic formality in positive news disclosures, and engagement of social media users surrounding the disclosures (e.g., “likes” and “retweets”), affect investors' judgments about a firm and its management. Results suggest that, as predicted, investors are more sensitive to signals of audience engagement when disclosures use informal rather than formal language. Specifically, when associated with signals of high audience engagement, the use of informal language leads to greater willingness to invest than the use of formal language in a disclosure. However, also as predicted, the use of informal language hurts willingness to invest when associated with signals of low audience engagement. In two follow‐up experiments, we investigate how news valence and linguistic formality are expected to affect the level of audience engagement in the first place, and we investigate whether managers strategically vary their use of linguistic formality based on characteristics of the setting. Overall, our results provide evidence on how firms might use social media disclosures to better connect with investors. This study contributes to the growing literature on linguistic attributes of disclosures, and the emerging literature investigating the consequences of issuing financial disclosures through social media.
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 | 0,003 | 0,025 |
| 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 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».