MétaCan
Menu
Retour à la cohorte
Enregistrement W4379656136 · doi:10.54254/2753-7048/5/2022892

Social Media Images' Visual Complexity Affects Consumers' Perceptions of Brands

2023· article· en· W4379656136 sur OpenAlexaff
Qicheng Zhao

Notice bibliographique

RevueLecture Notes in Education Psychology and Public Media · 2023
Typearticle
Langueen
DomaineComputer Science
ThématiqueDigital Media and Visual Art
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésPopularityPerceptionSocial mediaVariety (cybernetics)Computer scienceOrder (exchange)Visual mediaObject (grammar)Visual perceptionAdvertisingPsychologyArtificial intelligenceBusinessMultimediaWorld Wide WebSocial psychology

Résumé

récupéré en direct d'OpenAlex

Visual complexity can be defined as the number of elements in an image or object, as well as the level of detail they convey. The term 'highly visual complex' refers to images that contain a wide variety of elements within their basic visual elements, such as features, designs, and variations. Currently, with the advancement of modern technology and the popularity of social media, brands are paying more attention to their social media images. In order to capture the needs of the market with visual marketing, social media images' visual complexity has become a key concern for brands. In this study, case descriptions with two types of cases that have different levels of visual complexity are performed in order to generate comparisons and analyses. Brands need to judge the level of visual complexity according to their own positioning and design. Consequently, consumers are able to form a more accurate perception of the brand. This is how brands can win the favor of consumers.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,836
Score d'incertitude au seuil0,527

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,044
Tête enseignante GPT0,383
Écart entre enseignants0,339 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueLecture Notes in Education Psychology and Public MediaMême sujetDigital Media and Visual ArtTravaux en français237 207