Decoding the employee influencer on social media: applying Taylor’s six segment message strategy wheel
Notice bibliographique
Résumé
Purpose The paper aims to examine how employees influence their employer’s brand by applying Taylor’s (1999) six segment message strategy wheel in an employee influencer context. Design/methodology/approach The research uses a content analysis of employees’ public social media posts – including captions and images – to analyze the message strategies employees use to promote their employers. Findings While ego and social were popular message strategies in both the images and captions, the findings evidence the varying message strategies employees use in text-based versus image-based messages. Four “imagined audiences” of employee influencers are identified: current customers, prospective customers, current employees and prospective employees. Research limitations/implications The research provides insight into how employees act as influencers in building their employer brand on social media. Practical implications A unique measurement tool is developed that can be used by companies and future researchers to decode employees’ online communications. Originality/value This research contributes to theory and practice in the following important ways. First, the research provides a modernization of an existing framework from an offline setting to an applied industry context in an online setting. Second, this research focuses on a subtype of social media influencer, the employee influencer, which is an underdeveloped area of research. Third, a unique measurement tool to analyze text-based and image-based social media data is developed that can be used by companies and future researchers to decode employees’ online communications.
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 | 0,038 | 0,008 |
| 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 | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».