ترجمه فارسی عنوان مقاله

مدل سازی نقش محتوای پیام و تأثیرگذار در پخش مجدد رسانه های اجتماعی

عنوان انگلیسی

Modeling the role of message content and influencers in social media rebroadcasting

کد مقاله	سال انتشار	تعداد صفحات مقاله انگلیسی
137407	2017	52 صفحه PDF

منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : International Journal of Research in Marketing, Volume 34, Issue 1, March 2017, Pages 100-119

ترجمه کلمات کلیدی

رسانه های اجتماعی، نفوذ اجتماعی، استخراج متن، توییتر، برآورد بیزی،

کلمات کلیدی انگلیسی

Social media; Social influence; Text mining; Twitter; Bayesian estimation;

ترجمه چکیده

به عنوان یک برنامه تجربی، ما بررسی می کنیم که چگونه پست های توییتر ناشی از مدارس کسب و کار برتر، پس از آن توسط کاربران دیگر (یا بازتوییت) توسط کاربران دیگر پخش می شوند. ما یک مدل خطر تقسیم بندی در سطح فردی را به کار می بریم که به دلیل تغییرات در تصمیمات مربوط به پخش مجدد پخش در ارتباط با (1) محتوا، (2) کاربر محتوا و (3) تاثیر دیگر کاربران است. ما متوجه می شویم که پخش مجدد پیام نه تنها به محتوای پیام بستگی دارد، بلکه در متن پیام با یک کاربر بستگی دارد. تجزیه و تحلیل ما همچنین اندازه گیری نفوذ و حساسیت را برای نفوذ برای هر کاربر ارائه می دهد که می تواند برای شناسایی کاربران با نفوذ رسانه های اجتماعی مورد استفاده قرار گیرد. ما نشان می دهیم که چگونه روش ما می تواند برای ارزیابی انواع مختلف استراتژی های بذر طراحی شده برای افزایش دسترسی به پیام های رسانه های اجتماعی استفاده شود.

دانلود رایگان 2 صفحه اول مقاله لاتین (PDF)

پیش نمایش مقاله

چکیده انگلیسی

As an empirical application, we examine how Twitter posts originating from top business schools are subsequently rebroadcasted (or retweeted) by other users. We employ an individual-level split hazard model that accounts for variation in rebroadcasting decisions related to (1) content, (2) the content-user fit and (3) the influence of other users. We find that the rebroadcasting a message depends not only on message content but also on the message's fit with a user. Our analysis also yields measures of influence and susceptibility to influence for each user, which can be used to identify influential social media users. We demonstrate how our approach can be used to evaluate different types of seeding strategies designed to increase the reach of social media messages.