Using social media to analyze consumers' attitude toward natural food products
Notice bibliographique
Résumé
Purpose This paper examines user generated social media content bearing on consumers’ attitude and belief systems taking the domain of natural food product as illustrative case. This research sheds light on how consumers think and talk about natural food within the context of food well-being and health. Design/methodology/approach The authors used a keyword-based approach to extract user generated content from Twitter and used both food as well-being and food as health frameworks for analysis of more than two million tweets. Findings The authors found that consumers mostly discuss food marketing and less frequently discuss food policy. Their results show that tweets regarding naturalness were significantly less frequent in food categories that feature naturalness to an extent, e.g. fruits and vegetables, compared to food categories dominated by technologies, processing and man-made innovation, such as proteins, seasonings and snacks. Research limitations/implications This paper provides numerous implications and contributions to the literature on consumer behavior, marketing and public policy in the domain of natural food. Practical implications The authors’ exploratory findings can be used to guide food system stakeholders, farmers and food processors to obtain insights into consumers' mindset on food products, novel concepts, systems and diets through social media analytics. Originality/value The authors’ results contribute to the literature on the use of social media in food marketing on understanding consumers' attitudes and beliefs toward natural food, food as the well-being literature and food as the health literature, by examining the way consumers think about natural (versus man-made) food using user generated content of Twitter, which has not been previously used.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 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 ».