MétaCan
Menu
Retour à la cohorte
Enregistrement W2903241336 · doi:10.5539/ibr.v11n12p105

The Evolution of Viral Marketing to Improve Business Communication

2018· article· en· W2903241336 sur OpenAlexvenueno aff
Giuseppe Granata, Giancarlo Scozzese

Notice bibliographique

RevueInternational Business Research · 2018
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueCommunication and COVID-19 Impact
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésViral marketingRelevance (law)ExploitProcess (computing)Product (mathematics)BusinessMarketingMarketing communicationWord of mouthWork (physics)Digital marketingAdvertisingComputer scienceWorld Wide WebSocial mediaEngineering

Résumé

récupéré en direct d'OpenAlex

To win the consumers attention, more prone to advertisement, it is essential that companies interact with them. Equally important for the effectiveness of an advertising campaign is the ability to involve, amaze and entertain users in such a way as to encourage them to talk about a brand or product, spontaneously triggering a viral word of mouth. To achieve this, companies use different communication tools, especially web communication and digital marketing. Companies can choose to approach to these new phenomena, read them, understand them, interpret them, research and identify new advantages and opportunities; then start a process of change aimed at adapting the organization to a model that is able to fully exploit these phenomena. Or they could choose to ignore them, distance them, close their eyes, pretend they do not exist, convince themselves that they are only transitory phenomena of a technological nature and lacking relevance for the business. The goal of the work is to verify how the viral marketing instrument can help improve and strengthen business communication. In fact, by now, there are many companies that have decided to support and, in some cases, replace traditional communication with online communication.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,012
score de la tête « metaresearch » (Gemma)0,022
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,065

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0120,022
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,002
Études des sciences et des technologies0,0020,005
Communication savante0,0070,008
Science ouverte0,0010,003
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0070,002

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.

Tête enseignante Opus0,081
Tête enseignante GPT0,469
Écart entre enseignants0,388 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Business ResearchMême sujetCommunication and COVID-19 ImpactTravaux en français237 207