Quenching Gen Z’s thirst: teen-targeted beverage marketing on TikTok
Notice bibliographique
Résumé
Purpose Despite increased marketing attention on Gen Z, little is known about the beverage ads that teens actually see on social media. Given the growing popularity of TikTok, this study aims to examine teen-targeted beverage marketing on this platform to shed light on the drink types, brands, products and persuasive techniques (i.e. power) directed at them in beverage ads. Design/methodology/approach This exploratory, participatory study used a smartphone app to allow teen participants (ages 13–17, the youngest members of Gen Z) to capture examples of teen-targeted beverage ads on TikTok for a seven day period, and tag the content for brand, product and persuasive appeals. A content analysis was performed, also coding for drink type/subtype, and celebrity endorsers present. Study data were summarised using frequencies and percentages. Findings In total, 108 teenagers participated, capturing 223 beverages ads from TikTok. The majority of participants were female and older (93.5%, ages 15–17). Most beverage ads captured belonged to five main categories: soda (38%), blended drink (19%), coffee (14%), fruit drink and iced tea (12%) and energy drink (9%). The top indicator identified was visual style (54% of ads), followed by music/audio and teen themes. The types of celebrity endorsers most commonly identified were singer/rapper/musician and influencer. Originality/value This study provides new insight into the vast array of beverage products and brands targeting the youngest members of Gen Z on TikTok, and identifies the persuasive power of those ads for teens.
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 | 0,005 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| 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 ».