Soyez directs! Étude des publications de restaurants dans les médias sociaux pour susciter l'engagement de la clientèle
Bibliographic record
Abstract
Considérablement ébranlés par la pandémie de COVID-19, les restaurateurs québécois se sont tournés vers l’utilisation des médias sociaux pour communiquer avec leur clientèle, créant ainsi un écart potentiel entre ceux étant mieux outillés pour le faire et les autres. L’utilisation d’un échantillon de 639 publications Facebook provenant de 16 restaurants de Rouyn-Noranda et de Boucherville a permis de recenser les stratégies de marketing numérique utilisées en fonction des variations d’intensité des règles sanitaires et d’identifier celles ayant obtenu le plus fort engagement des consommateurs. Les résultats indiquent que les restaurants ont majoritairement privilégié l’utilisation d’une combinaison d’image(s) et de texte dans leurs publications. Lors de l’arrivée de la pandémie, ils ont utilisé plus de texte et ont été plus directifs. Cette situation peut s’expliquer par la nécessité d’être clair dans la communication des instructions sur les règles sanitaires à respecter au sein des établissements. Toutes périodes confondues, les restaurants qui utilisaient le mouvement expressif, en affichant une émotion, en adoptant une attitude envers quelque chose ou en faisant l’éloge de leurs produits/services, obtenaient plus de réactions. Finalement, la plus grande disponibilité de ressources financières, matérielles et humaines dans les réseaux de restaurants sous enseigne peut expliquer leur performance supérieure face aux restaurants indépendants, ayant obtenu des taux d’engagement plus faibles. Chose certaine, les effets de la crise sanitaire se feront sentir longtemps, soulignant l’importance de continuer à les documenter et d’identifier les meilleures stratégies, notamment socionumériques, permettant aux restaurateurs de faire face aux nouveaux défis qui se présenteront à eux durant les prochaines années.
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 | 0.004 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.004 | 0.007 |
| Science and technology studies | 0.005 | 0.002 |
| Scholarly communication | 0.009 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.035 | 0.006 |
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".