Publicaciones racionales o emocionales en comunidades de marca en Facebook - El caso «Starbucks México»
Bibliographic record
Abstract
El propósito de este artículo es demostrar que las emociones son elementos esenciales de participación entre los miembros de una comunidad de marca en un sitio de redes sociales. Estudiamos las expresiones emocionales dentro de una comunidad de marcas en línea con una metodología mixta basada en un análisis de contenido. Analizamos 77 publicaciones y 13 043 comentarios de miembros de la comunidad de la marca "Starbucks México" en Facebook, publicados entre enero y junio de 2014. Se descubrió que las personas participan más a través de emociones relacionadas con la felicidad, como el amor, pasión y deseo Pero también se detectó que las emociones negativas a menudo se usan para generar participación en relación con la ira, el anhelo y la nostalgia. Este documento incluye la detección de emociones positivas y negativas expresadas en una comunidad de marca en Facebook. Además, exponemos el nivel de participación que generan las emociones, así como la distinción de los elementos emocionales aplicados en la comunicación entre una empresa y los miembros de una comunidad de marca. Nuestro trabajo contribuye a la literatura al señalar que más que la expresión de emociones por sí sola, es la combinación de elementos emocionales y promocionales de la página de marca lo que desencadena un volumen de comunicación más eficaz.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.000 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".