Can emojis and B2B mix? The effects of emojis and emoji–text interactions on B2B social media engagement
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 Social media engagement is becoming increasingly critical for business-to-business (B2B) marketing. Yet, creating compelling brand posts that stimulate engagement remains a challenge for B2B marketers. As an increasingly popular linguistic element, emojis have been rapidly incorporated into B2B social media posts. However, there is little clarity around if, when, why and how emojis influence stakeholder responses to B2B social media posts. This study aims to address this gap by investigating emojis’ effects on B2B social media engagement. Design/methodology/approach This study draws on the B2B communication model, fluency theory and extant research on emojis’ communicative effects and examines: how emoji use in social media posts influence B2B social media engagement; and how different emoji–text integrations moderate such effects. A field study was conducted to analyze 64,547 tweets from 82 B2B brands in 19 industries. Findings The results of this study reveal an inverted U-shaped relationship between emoji count in B2B social media posts and engagement. Moreover, the ways in which emojis are integrated with the text can affect engagement and moderate such relationship. The inverted U-shaped relationship is weakened when emojis are placed inside the text or used as text substitutions. Originality/value This study reveals the role that emojis play in driving B2B social media engagement. Besides, this study presents a pioneer investigation of the nuanced effects of emoji–text interactions in the B2B context.
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 | 0,001 | 0,002 |
| 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 découle