Facebook-päivityksen viraaliuteen vaikuttavat ominaisuudet. Tarkastelussa Audin suomalaiset ja yhdysvaltalaiset Facebook-sivut
Bibliographic record
Abstract
Tutkimuksen tavoitteena oli selvittää, mitkä ominaisuudet tekevät autoyhtiön Facebook-päivityksistä paljon eteenpäin jaettuja eli viraaleja kahdella hyvin erilaisella markkina-alueella, Suomessa ja Yhdysvalloissa. Aineistoksi valittiin saksalaisen autonvalmistajan Audin suomalaisilla ja amerikkalaisilla Facebook-sivuilla kymmenen kuukauden aikana helmikuusta marraskuuhun vuonna 2013 julkaistut päivitykset. Viraalipäivitykseksi kutsutaan laajasti, viruksenomaisesti internetissä levinnyttä päivitystä. Tässä tutkimuksessa viraalipäivitykseksi tulkittiin Suomen Facebook-sivulla päivitys, jos sitä oli jaettu vähintään 50 kertaa, Yhdysvaltain Audin Facebook-sivun mittakaavassa vastaava raja on 6 000 jakoa. Tavoitteeseen pyrittiin analysoimalla valittua aineistoa ja rinnastamalla sitä markkinointiin, yhtiön brändäykseen ja muuhun aiheeseen liittyvään aiempaan tutkimukseen.\n\nKvantitatiivista sisällönanalyysia käytettiin jaetuimpien viraalipäivitysten rajaamiseen aineistosta. Kvalitatiivisella sisällönanalyysillä etsittiin niiden viraalisuutta selittäviä ominaisuuksia. Aineistosta nousi edelleen vertailussa käytettäviksi ominaisuuksiksi kontrastisuus, eli värien tai asioiden vastakohtaisuus, käyttäjien huomiointi tai kiittäminen, lokalisaatio eli erityispiirteiden lisääminen päivitykseen tietyssä määrätyssä maassa tapahtuvaa käyttöä varten, uuden tekniikan esittely, kehoitus seurata jotakin, parhaisiin hetkiin liittäminen, rohkeuden tai itsevarmuuden lisääminen, lupaus tulevista vastaavista uutisista ja positiivinen käyttäjän arvottaminen.\n\nKummassakin maassa eniten vaikutusta oli sillä, että päivitys oli sovitettu kohdemaahan. Suomessa toiseksi vaikuttavin piirre oli käyttäjien huomiointi tai kiittäminen, USA:n toisen tilan jakoivat käyttäjien huomiointi tai kiittäminen ja uuden tekniikan/tiedon esittely. Kolmannen sijan jakoivat Suomen sivulla kehotus seurata jotakin, kontrasti ja parhaisiin hetkiin liittäminen. USA:n kolmannen sijan jakoivat kehotus seurata jotakin ja kontrasti. Tutkimuksen lopputulos osoittaa, että sijoittamalla päivitykseen oikeanlaisia ominaisuuksia, voidaan lisätä mahdollisuutta, että päivityksestä tulee viraali.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.006 | 0.002 |
| Scholarly communication | 0.009 | 0.005 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.202 | 0.072 |
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".