Evaluating the Trustworthiness of User-Generated Content on Social Media
Notice bibliographique
Résumé
Despite the extensive research on digital consumer engagement, the dimension of trust in user-generated content (UGC) on social media has been relatively less studied. This study examines the psychological and content-based factors that affect the trustworthiness of UGC on a food brand’s Instagram page, based on data analysis spanning seven years. Employing natural language processing (NLP) techniques, we identified key marketing aspects in both UGC and promotional texts. Specifically, BERT (Bidirectional Encoder Representations from Transformers) was utilized for sentiment analysis, while RoBERTa (A Robustly Optimized BERT Pretraining Approach) was employed for analyzing promotional texts. Through these analytic techniques, we were able to discern subtle nuances in how UGC is perceived and its direct impact on the perceived trustworthiness of the content itself. However, a divergence was observed in the focus areas. Promotional texts leaned towards product features, while UGC highlighted personal experiences and emotional connections. This underscores the importance of brand authenticity and emotional engagement for building trust through UGC. Furthermore, a hierarchical framework of consumer motivations was derived from the UGC through the analysis of promotional messages and the integration of Aristotle’s rhetorical appeals with Trust Theory. This framework reveals a complex interplay between reflective, formative, and overall motives behind consumer engagement.
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 | 0,001 | 0,000 |
| 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 | 0,000 | 0,000 |
| 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 ».