Bursts of online social disapproval: leveraging analytics for comprehension and detection
Notice bibliographique
Résumé
Purpose This paper theorizes online social disapproval (OSD) as a distinct, multilevel phenomenon that can rapidly escalate into bursts of public responses with significant reputational and financial consequences. This study aims to conceptualize OSD bursts, distinguish them from traditional crises and develop an analytics-based toolkit to guide organizations in detecting and managing them. Design/methodology/approach Drawing on literature in organizational crisis management and social media analytics, this study uses a multilevel lens to theorize micro–macro linkages in OSD. It develops a four-phase framework – preburst, initial burst, spreading and contagion and recalibration – and proposes a managerial toolkit that specifies analytics objectives, guiding questions and indicators for each phase. Findings This study identifies OSD bursts as sudden, cross-platform escalations triggered by microlevel criticism that diffuses through digital networks. Unlike stage-based crisis models, OSD bursts are diverse in origin, erratic in development and resistant to full resolution. This framework highlights how analytics could mediate managerial sensemaking by expanding attention, shaping interpretation and constraining response options. The toolkit provides managers with methods to detect early warning signals, quantify burst severity and assess long-term reputational impacts. Originality/value This paper advances scholarship by conceptualizing OSD as a multilevel process that challenges conventional crisis management paradigms. It introduces an analytics-driven managerial toolkit that positions analytics as sociotechnical mediators of organizational sensemaking. For practitioners, it provides actionable guidance on detecting, interpreting and managing OSD bursts, enabling organizations to adapt to the “new normal” of digital disapproval.
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 | 0,000 | 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 ».