Marketing Tactics Underlying Scenes: Viewers’ Purchase Motivations in Li Jiaqi’s Live Streaming
Notice bibliographique
Résumé
Based on Joshua Meyrowitz’s media situation theory and Halliday’s functional grammar, this paper takes Li Jiaqi’s live streaming of “55 cost-effective festivals” on May 5, 2022, as its research object to explore the scene’s construction tactics and anchor’s influence on scenes construction. By doing this, it intends to reveal the hidden marketing tactics in live streaming for the sake of helping viewers to be more rational in the process of watching live streaming and providing certain reference values for those who want to enter this industry. This paper aims to address the following two questions: 1) What types of scenes are constructed in the process of live streaming? 2) How the anchor influences the scene construction? The results show that 1) four scene types are found in Li Jiaqi’s live streaming, namely, virtual online consumption scene; artificially presupposed usage scene; real-time interaction scene, and elaborate business scene in which relevant marketing tactics are used wisely; 2) the anchor relies on his personal style, personas, and narrative methods to affect scene construction. Through the analysis of these scenes and the anchor’s influence, this paper finds that by right of grasping viewers’ attention and enhancing their trust and narrowing the distance between each other, Li Jiaqi successfully influences viewers’ purchase motivations, then a sales purpose is achieved.
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 | 0,002 | 0,019 |
| 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 ».