Like, comment, and subscribe: investigating the effectiveness of digital engagement prompts
Notice bibliographique
Résumé
Purpose This study investigates the effectiveness of different types of calls-to-action (CTAs) in YouTube videos, specifically examining how “like,” “comment,” and “subscribe” prompts affect user engagement behaviors and how their placement within videos (beginning, middle, or end) influences viewer response rates. Design/methodology/approach The research analyzes 8,500 English-language YouTube videos from major English-speaking markets (USA, UK, Canada, Australia) using PLS-SEM. Video transcripts were analyzed to identify CTA presence and placement, while engagement metrics were collected via YouTube’s API. Findings Results show that “like” CTAs significantly increase video likes, particularly when placed mid-video. However, neither “comment” nor “subscribe” CTAs show significant effect on their respective engagement metrics. Cross-country analysis reveals variations in CTA effectiveness across markets, with the strongest effects observed in the USA. Research limitations/implications The sample of English-language content from Western markets limits generalizability to other cultural contexts. The analysis also relied solely on verbal CTAs, excluding non-verbal elements and content quality factors. Practical implications Content creators should strategically place “like” CTAs mid-video to maximize low-effort engagement, while recognizing that direct “comment” and “subscribe” requests have limited effectiveness without additional incentives or value propositions. Market-specific engagement strategies are recommended even within seemingly homogeneous English-speaking markets. Originality/value This study provides one of the first large-scale empirical tests of CTA effectiveness on YouTube, challenging the assumption that all CTAs boost engagement. By integrating Parasocial Relationship Theory and Expectancy-Value Theory, it demonstrates how both emotional connections and rational cost-benefit analyses determine viewer responses to prompts, expanding our theoretical understanding of digital consumer behavior.
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 | 0,008 | 0,093 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».