Social media influencers, product placement and network engagement: using AI image analysis to empirically test relationships
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 This research tests empirically the level of consumer engagement with a product via a nonbrand-controlled platform. The authors explore how social media influencers and traditional celebrities are using products within their own social media Instagram posts and how well their perceived endorsement of that product engages their network of followers. Design/methodology/approach A total of 226,881 posts on Instagram were analyzed using the Inception V3 convolutional neural network (CNN) pre-trained on the ImageNet dataset to identify product placement within the Instagram images of 75 of the world's most important social media influencers. The data were used to empirically test the relationships between influencers, product placement and network engagement and efficiency. Findings Influencers achieved higher network engagement efficiencies than celebrities; however, celebrity reach was important for engagement overall. Specialty influencers, known for their “subject” expertise, achieved better network engagement efficiency for related product categories. The highest level of engagement efficiency was achieved by beauty influencers advocating and promoting cosmetic and beauty products. Practical implications To maximize engagement and return on investment, manufacturers, retailers and brands must ensure a close fit between the product type and category of influencer promoting a product within their social media posts. Originality/value Most research to date has focused on brand-controlled social media accounts. This study focused on traditional celebrities and social media influencers and product placement within their own Instagram posts to extend understanding of the perception of endorsement and subsequent engagement with followers. The authors extend the theory of network effects to reflect the complexity inherent in the context of social media influencers.
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 | 0,007 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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