Using Analytics on Social Media Posts to Gauge the Impact on User Engagement: A Case Study Analysis on #FoundItOnAmazon
Notice bibliographique
Résumé
The purpose of this research is to use analytics on social media content to study consumer engagement. Companies and brands may benefit indirectly when trends on social media take on positive hashtags. The hashtags provide exposure to the brand as they are shared and, in some cases, generate engagement as consumers join the trend and/or respond to posts relating to the trend. Certain factors may improve engagement, which in effect extends the trend and leads to more brand exposure. These may include # of followers, time of posting, and post format. While our data do not speak directly to sponsoring social influencers, it can be informational in terms of guiding companies to work with such influencers or content creators to increase or extend engagement. More specifically, we analyze the effect of creator, content, and context-related factors affecting user engagement. The dataset has a total of 1,000 social media posts and 273,586 likes and 6,306 likes and comments on Instagram, YouTube, and Twitter. Of the 1,000 posts, we ran a regression on 295 Instagram posts. The results reveal that the # of followers dominated the "overall engagement". Hence, a second regression using "user engagement rate" as the dependent variable was run. The rationale behind using user engagement rate in the second regression is to understand the relative impact of other factors and eliminate the dominance of followers from the equation. The results for the final regression revealed that posted format and time of posting have a significant impact on user engagement rate.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».