Instagram como canal de comunicación en el ámbito académico. Comparativa de las estrategias de las mejores universidades del mundo
Notice bibliographique
Résumé
Universities use social networks to transmit their institutional identities, applying them as mirrors and loudspeakers of campus life. Thus, they intend to attract potential students and build global communities that transcend the offline field. Much of the previous studies give greater relevance to the engagement achieved than to the discourse used, so this research explores the use of Instagram by the five best universities in the world according to the Shanghai 2022 Ranking, with the aim of comparing their strategies and contrast published content with recorded interactions. The methodology focuses on a quantitative and qualitative content analysis of the posts published by Harvard, Stanford, MIT, Cambridge and California Berkeley during the first quarter of the 2021/2022 academic year (n=394), for which a file of analysis has been designed.\nThe results reflect a certain homogeneity in terms of formats, with a predominant use of images; and to discursive intention, focused on extolling the human capital of the institution and its life stories. However, there are particularities derived from the values of each University and the idiosyncrasy of the territory in which they operate. Likewise, from the relationship between the semiotics of the message and the registered interactions, a main conclusion is drawn: there is a discrepancy between the most published and the content with the most participation. Thus, to achieve bidirectionality in their social community, institutions should design their strategies according to the impact achieved, which is greater when CSR actions are disseminated and video is chosen.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».