MétaCan
Menu
Retour à la cohorte
Enregistrement W4394912868 · doi:10.5267/j.ijdns.2024.4.005

Short video marketing and consumer engagement: Mediation effect of social sharing

2024· article· en· W4394912868 sur OpenAlexvenueno aff
Mahmoud Alghizzawi, Amro Alzghoul, Hasan Alhanatleh, Fandi Omeish, Tariq Abdrabbo, Ibrahim Ezmigna

Notice bibliographique

RevueInternational Journal of Data and Network Science · 2024
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueTechnology Adoption and User Behaviour
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMediationBusinessMarketingSocial marketingAdvertisingCustomer engagementSocial mediaSociologyComputer scienceWorld Wide Web

Résumé

récupéré en direct d'OpenAlex

This study aims to examine the complex dynamics of short video marketing, social sharing, and consumer engagement specifically within the tourism sector in Jordan. The study used AMOS software for analysis, gathering data from a total of 468 participants, including both internal and external tourists. The results emphasize the significant impact of short video marketing in stimulating social sharing behaviors among travelers, prompting them to share their experiences on various social platforms, thus expanding the reach of tourism-related content. Moreover, the research reveals the mutual relationship between social sharing and consumer engagement, indicating that sharing behaviors play a crucial role in increasing levels of engagement among tourists. The novelty of this research resides in its concentrated investigation of these associations within the unique context of the Jordanian tourism sector. The study's significance lies in its ability to expand comprehension of digital marketing dynamics in the tourism industry, providing practical insights for marketers seeking to improve brand visibility and engagement in digital spaces. This study enhances the current knowledge base by employing a quantitative approach, establishes a basis for future research endeavors, and offers valuable insights for marketers aiming to maximize the effectiveness of digital marketing strategies.

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)0,016
score de la tête « metaresearch » (Gemma)0,002
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 enseignants0,573
Score d'incertitude au seuil0,550

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0160,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,001
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 Opus0,100
Tête enseignante GPT0,438
Écart entre enseignants0,338 · 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

Citations35
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Data and Network ScienceMême sujetTechnology Adoption and User BehaviourTravaux en français237 207