Üniversitelerin Instagram Kullanımlarının Diyalogsal Halkla İlişkiler Açısından İncelenmesi
Bibliographic record
Abstract
Günümüzde iletişim teknolojilerindeki gelişmeler, üniversitelerin hedef kitleleriyle etkileşim stratejilerinde köklü değişikliklere yol açmıştır. Üniversiteler sosyal medya aracılığıyla bilimi, sanatı ve eğitimi daha geniş kitlelere ulaştırabilme gücüne sahiptir. Bu süreçlerin etkisini analiz etmek, üniversitelerin topluma olan katkılarını daha iyi anlamayı sağlayacaktır. Ayrıca sosyal medya, dijital dönüşümün de önemli bir parçasıdır. Üniversitelerin bu dönüşümü nasıl yönettiğini anlamak, eğitim sektöründeki dijitalleşme eğilimlerini değerlendirmeye de fayda sağlayacaktır. Sosyal medya, iletişim ve medya çalışmaları açısından hızla gelişen bir alan olduğundan, üniversitelerin bu platformları nasıl kullandığına dair veriler, akademik literatürü zenginleştirecektir. Bu amaçla çalışma kapsamında çeşitli üniversitelerin Instagram kullanımları incelenmiştir. Seçilen üniversiteler URAP (Akademik Performans Sıralaması) Raporuna göre belirlenmiştir. Harvard Üniversitesi, Toronto Üniversitesi, UCL Londra Üniversitesi, Hacettepe Üniversitesi, İstanbul Teknik Üniversitesi ve İstanbul Üniversitesi 2023-2024 URAP raporunda Türkiye ve dünya genelinde ilk üçte yer aldığı için çalışmaya dâhil edilmiş ve Diyalogsal Halkla İlişkiler çerçevesinde incelenmiştir. Sonuç olarak, üniversitelerin Instagram hesapları üzerinden yürüttükleri iletişim ve etkileşim stratejileri, kurumların dijital varlıklarını güçlendirmeleri açısından büyük önem taşımaktadır. Çalışmada incelenen üniversiteler, hedef kitleleriyle daha etkili bir diyalog kurmak için sosyal medyanın potansiyelini kullanmaktadırlar. Ancak, medya ve diyalogsal etkileşim kategorilerinde daha fazla geliştirilmesi gereken alanlar olduğu ortaya çıkmıştır. Özellikle, kullanıcıların geri bildirimlerine daha fazla cevap verilmesi ve sosyal medya üzerinden yapılan paylaşımların medya için daha değerli içeriklerle desteklenmesi gerekmektedir. Bu bağlamda, üniversitelerin dijital iletişim stratejilerini daha proaktif ve katılımcı hale getirerek, hedef kitleleriyle olan bağlarını güçlendirme fırsatları bulunmaktadır. Bu çalışmadan yola çıkarak, tüm üniversitelerin sosyal medya kullanımında hangi noktalara dikkat etmeleri gerektiğine yönelik bir yol haritası çizilmektedir.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.055 | 0.016 |
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".