Exploring the motivation of affect management in fostering social media engagement and related insights for branding
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose The purpose of this paper is to present an affect-based perspective to explain levels of social media engagement. Design/methodology/approach This study uses face-to-face long interviews and online observation of the Facebook profiles of respondents over an eight-month period. Findings Social media engagement varies depending on a user’s current and desired affective state. When individuals are in a low to moderately aroused negative affective state (such as feeling bored or upset), individuals tend to spend time passively consuming content: the lowest level of engagement. In a low to moderately aroused positive mood state (such as happiness), users both passively consume and actively participate with relevant content by liking and commenting on existing content. When users are in a highly aroused positive affective state, the propensity to create original content is greater, reflecting the highest level of engagement. When users are in a highly aroused negative affective state (such as being angry at a brand), users are motivated to vent on social media to manage the mood. Conversely, when users are in a highly aroused negative affective state related to personal trauma, the avoidance of engagement on social media is evident. Practical implications Brands can increase the likelihood of consumers creating positive consumer–brand stories offline and online by priming consumer affect. Originality/value This study explores how a desired affective state motivates varying levels of user engagement with different types of content on 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.
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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle