Sosyal Medya Etkileyicileri Olarak Vloggerlar: Z Kuşağı Üzerinde Para-Sosyal İlişki, Satın Alma Niyeti Oluşturma ve Youtube Davranışları Açısından Vloggerların İncelenmesi
Bibliographic record
Abstract
Milyonlarca takipçili vloggerlar kitap yazmaktalar, film çekmekteler ve neredeyse her alandaki girişimcilikleriyle öne çıkmaktadırlar. Reklamda ilgi çekmeyen ürünler takipçisi olunan bir vlogger, diğer bir deyişle “influencer” tarafından tavsiye edildiğinde tercih edilebilmektedir. Vloggerlar, son zamanların “influencer”ları olarak dikkat çekmektedir. Kitleler arasında bir popülerliğe sahip olan vloggerların markaların dikkatini çekmesi internet çağının kaçınılmaz bir sonucudur. Vlogger tavsiyelerinin özellikle Z Kuşağı üzerinde etkisinin olduğunu gösteren araştırmalardan, vloggerların sahip olduğu sayısal göstergelerden hareketle markalar vloggerlara ürünlerinin tanıtımını yaptırmak istemektedir. Son yıllarda oldukça popüler olan bu konu, marka araştırmaları kadar bilimsel araştırmaların da dikkatini çekmektedir. Bu araştırmada teknolojinin içine doğmuş Z kuşağı bireyleri üzerinde Z kuşağının idolleri olarak görülen vloggerların marka farkındalığı, satın alma niyeti, vlogger ile para-sosyal ilişki kurma durumları, Z kuşağı bireylerinin Youtube kullanım durumları ve motivasyonları ve vloggerlara yönelik tutumlarının sonuçlarını ortaya koymak amaçlanmıştır. Bu amaçla çalışmada yedi tane araştırma sorusu oluşturulmuş, bu araştırma soruları t testi, Anova ve korelasyon analizleri ile test edilmiştir. Ulaşılan sonuçlar, örneklem dahilindeki Z kuşağı bireylerinin Youtube’u aktif olarak kullandıklarını, çoğunun bir vlogger takip ettiğini, takip ettiği vlogger ile para-sosyal ilişki geliştirdiğini, satın alma kararlarında vloggerları dikkate aldığını göstermiştir.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.050 | 0.009 |
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".