A Hybrid RNN-LSTM Framework for Predicting Stakeholder Engagement on Social Media Platforms
Notice bibliographique
Résumé
Social media has turned into a vital means of communication for organizations to engage with stakeholders, although the prediction of engagement is much more difficult due to the nature of dynamic and sequential interactions between users.Social media is a vital means to fostering relations with stakeholders; yet, accurate engagement prediction is still not straightforward, given its dynamic and sequential user interaction.In this paper, we propose a resource-efficient temporal deep learning architecture that leverages a low-cost Recurrent Neural Network (RNN) and stacked Long Short-Term Memory (LSTM) units for addressing both short-term contextual influences and long-term engagement trends in social media performance.Experiments were conducted on a balanced multi-platform dataset of media activity.Experiments were conducted on a balanced multi-platform dataset of 100k posts, including textual content, engagement metrics and metadata.The data were rigorously preprocessed, including cleaning, tokenization, stop word removal and term frequency inverse document frequency (TF-IDF) vectorizing but keeping the top 1,000 informative features to make it computationally efficient and interpretable.The proposed model employs sequential LSTM layers, with dropout regularization and trained using the Adam optimizer for a small number of epochs to avoid overfitting.Empirical experimentation on the test set held out from the training shows that our model has strong predictive performance achieving 99.60% accuracy, 99.61% precision, 99.60% recall, and an AUC score of 1.0 for binary engagement classification.Although the findings demonstrate that time sequence modeling is effective in engagement prediction, the paper prioritizes efficiency and practical deployability rather than architectural complexity.The proposed system lays a scalable foundation for stakeholder analytics, content optimization and engagement-aware recommendation systems and future works will focus on crossplatform generalization as well as multimodal expansions.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».