Social media and nonprofit fundraising: the influence of Facebook likes
Notice bibliographique
Résumé
Purpose This paper aims to demonstrate that Facebook likes affect outcomes in nonprofit settings. Specifically, Facebook likes influence affinity to nonprofits, which, in turn, affects fundraising outcomes. Design/methodology/approach The authors report three studies that establish that relationship. To examine social contagion, Study 1 – an auction field study – relies on selling artwork created by underprivileged youth. To isolate signaling, Study 2 manipulates the number of total Facebook likes on a page. To isolate commitment escalation, Study 3 manipulates whether a participant clicks a Facebook like. Findings The results show that Facebook likes increase willingness to contribute in nonprofit settings and that the process goes through affinity, as well as through Facebook impressions and bidding intensity. The total number of Facebook likes has a direct signaling effect and an indirect social contagion effect. Research limitations/implications The effectiveness of the proposed mechanisms is limited to nonprofit settings and only applies to short-term effects. Practical implications Facebook likes serve as both a quality signal and a commitment mechanism. The magnitude of commitment escalation is larger, and the relationship is moderated by familiarity with the organization. Managers should target Facebook likes at those less familiar with the organization and should prioritize getting a potential donor to leave a like as a step leading to donation, in essence mapping a donor journey from prospective to active, where Facebook likes play an essential role in the journey. In a charity auction setting, the donor journey involves an additional step of bidder intensity. Social implications The approach the authors study is shown effective in nonprofit settings but does not appear to extend to corporate social responsibility more broadly. Originality/value To the best of the authors’ knowledge, this study is the first investigation to map Facebook likes to a seller’s journey through signals and commitment, as well as the only investigation to map Facebook likes to charity auctions and show the effectiveness of this in the field.
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 | 0,026 | 0,020 |
| 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 | 0,001 | 0,001 |
| 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 ».