Factors influencing public engagement in government TikTok during the COVID-19 crisis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose Although governments have used social media platforms to interact with the public in an attempt to minimize anxiety and provide a forum for public discussion during the pandemic, governments require sufficient crisis communication skills to engage citizens in taking appropriate action effectively. This study aims to examine how the National Health Commission of China (NHCC) has used TikTok, the leading short video–based platform, to facilitate public engagement during COVID-19. Design/methodology/approach Building upon dual process theories, this study integrates the activation of information exposure, prosocial interaction theory and social sharing of emotion theory to explore how public engagement is related to message sensation value (MSV), media character, content theme and emotional valence. A total of 354 TikTok videos posted by NHCC were collected during the pandemic to explore the determinants of public engagement in crises. Findings The findings demonstrate that MSV negatively predicts public engagement with government TikTok, but that instructional information increases engagement. The presence of celebrities and health-care professionals negatively affects public engagement with government TikTok accounts. In addition, emotional valence serves a moderating role between MSV, media characters and public engagement. Originality/value Government agencies must be fully aware of the different combinations of MSV and emotion use in the video title when releasing crisis-related videos. Government agencies can also leverage media characters – health professionals in particular – to enhance public engagement. Government agencies are encouraged to solicit public demand for the specific content of instructing information through data mining techniques.
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.
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 | 0,000 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découle