How do people communicate about sensory descriptors in social media? An investigation comprising floral descriptors, four beverages, and thirteen English‐speaking countries
Notice bibliographique
Résumé
Abstract The internet has become a mainstay of modern‐day life, with people worldwide using social media platforms to discuss ideas and exchange opinions. In recent years, social media platforms have become a data source for research focusing on consumers' natural and spontaneous lexicons. The increased use of social media and virtual meetings means people can exchange ideas, and cultural boundaries have blurred. Thus, this study aims to investigate how culture influences the use of the beverage descriptor “floral” on social media for four different beverages when people share the same language. A social media study was performed, collecting data over 1 year in 13 English‐speaking countries: Australia, Canada, South Africa, the United Kingdom, Singapore, New Zealand, and seven Caribbean Islands. Words associated with four beverages (beer, cocktails, tea, and wine) and floral were filtered on social media mentions. A total of 258,221 mentions were obtained from different types of social media such as Twitter, Instagram, Facebook, and so forth. The mentions were filtered to obtain the frequency of words by country. Each beverage was analyzed separately, and contingency tables were arranged by country and descriptor. A correspondence analysis was performed on each contingency table to identify relative similarities and dissimilarities between the countries in the study. Overall, rose was the most cited floral descriptor, and there was a link between beer and wine descriptions. However, for cocktails and tea, the floral descriptors varied per country. Thus, it suggests that the impact of culture on the use of floral descriptors depends on the beverage being discussed. Practical Applications The results obtained in this study have relevance for people interested in sensory and specifically in beverage descriptions, as well as those involved in the alcohol industry, particularly those involved in beer and wine, and the non‐alcohol industry (tea). These results can drive the construction of applied and effective marketing strategic plans for the beverage and flavor industry in the areas covered by the study.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».