DTJournal: Instagram Stories Metrics
Notice bibliographique
Résumé
Instagram Stories is a tool that lets users post media material (images, photos, and videos) that vanishes after twenty-four hours but which can be saved to your account. Story`s analytics is shown only to the page owner: 1) interactions (replies, profile visits, and sticker taps) and 2) discovery (amount of accounts reached with this story). Example of analytics from last DTJournal`s story dedicated to a new Section is showed in Figure. Breathtaking growth history of Instagram: 1 million users within 2 months of being open (October 2010), 10 million users in one year, 100 million in 2013, and 1 billion users in 2018.3 With that overwhelming growth tendency (5% Instagram growth per quarter, 3.14% Facebook growth, and 2.13% Snapchat growth),3 we can predict that after next 8 years the total amount of its active users will reach 2 billion. Some journals use the advantages of Instagram and received a huge help in journal`s growth and attraction of new readers and authors. Among those publications are PRS Global Open (Instagram: @prsglobalopen has 2,433 followers), PRS (Instagram: @prsjournal – 12.3K followers), The New England Journal of Medicine (Instagram: @nejm – 184K followers), etc. Some updates to the Instagram Stories have recently been added, such as the ability to ask questions to the public, thereby increasing interaction with the journal’s audience. And the main question that every editor and publisher of newly launched or other existing journal should ask themselves is: “With more than 1 billion monthly active users (or potential customers), is our peer-reviewed journal on Instagram yet?”
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 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,011 | 0,015 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,045 | 0,038 |
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 ».