Brands in the eye of the storm: navigating political consumerism and boycott calls on social media
Notice bibliographique
Résumé
Purpose Given the division between conservative and liberal ideologies on many issues, brands navigate social media minefields whenever they take a social or political stance. This study aims to explore real-time social media consumer responses to eight US boycott threats, including both conservative-based and liberal-based calls for boycott. Design/methodology/approach A grounded theory analysis of approximately 800 tweets collected in the 24 h following each brand’s trigger event led to a framework of motivations for using social media to engage in boycott discussions over a brand’s political stance. Findings Eleven pro-boycott and 11 anti-boycott consumer profiles emerged across cases. Overarching motivations for pro- and anti-boycotters include a desire to cause/prevent change, seeking justice/fairness, self-enhancement and expression of hostility. Findings suggest that political consumerism occurs with differing motivations and varying levels of emotion, that brand defenders may lessen boycott effectiveness and that threats to boycott may not always translate to actual boycotts. Originality/value This paper explores actual consumer boycott calls from various industries as they unfolded in real-time, as opposed to other research that explores hypothetical boycotts or a single case study. Additionally, to the best of the authors’ knowledge, this work is among the first to explore how consumers enter the boycott conversation in defense of the brand and attempt to diffuse the call for a boycott.
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 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 | 0,016 | 0,004 |
| 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 | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».