Documente Academic
Documente Profesional
Documente Cultură
Characterizing Viral Videos Methodology and Applic
Characterizing Viral Videos Methodology and Applic
Vedeți discuțiile, statisticile și profilurile de autori pentru această publicație la: https://www.researchgate.net/publication/305696923
CITAȚII CITEȘTE
13 1.992
VEZI PROFIL
VEZI PROFIL
Tot conținutul care urmează acestei pagini a fost încărcat de Stephen France la 11 octombrie 2017.
Abstract
până în 2016, în creștere de la 4 miliarde USD până în 2013. În consecință, este nevoie de valori
pentru a ajuta la analiza și înțelegerea acestei piețe în creștere rapidă. Această lucrare ajută
satisface această nevoie prin descrierea unui cadru pentru modelarea comportamentului video online,
sunt definite, inclusiv comportamentul „viral întârziat” și comportamentul „viral inițial”. The
cadrul descris în această lucrare poate fi utilizat pentru a analiza comportamentul video online,
lucrări empirice asociate, vizualizările video sunt analizate pentru patru seturi de date diferite.
Primul este un set video empiric, compilat din liste media de videoclipuri virale. The
Al treilea este un set de date măsurat la diferite niveluri de granularitate pe scară de timp. The
forth este un set de videoclipuri lansate pentru anumite canale YouTube. Utilizări manageriale
pentru cadru sunt descrise și sunt date scenarii specifice pentru ambele conținuturi
Cuvinte cheie: social media, videoclipuri virale, modelarea curbei de creștere, logistică
distribu iile
1. Introducere
Având în vedere tendințele corporative către o mai mare responsabilitate (Seggie et al., 2007),
utilizarea unor metrici pentru a măsura succesul de marketing a devenit din ce în ce mai importantă
5 efortul este corelat pozitiv cu capacitatea unei firme de a-și măsura efortul de marketing
mută mai multe resurse către canalele online (Uitz, 2012). Cu toate acestea, măsurarea efortului de
marketing social media prezintă mai multe provocări (Hoffman 10 și Fodor, 2010). Metrici pentru
marketing (Ambler et al., 2004) a constatat că cele mai frecvent utilizate valori de marketing au fost
și marja brută. Poate fi dificil să aplicați valorile tradiționale ale ROI în rețelele sociale
este problematică, dar s-au făcut încercări de a dezvolta metrici care să măsoare
Această lucrare examinează valorile pentru un domeniu al rețelelor sociale, cel online
Videoclipuri. Pe măsură ce consumatorii accesează din ce în ce mai mult conținut media online, creșterea
site-ul de partajare are peste 1 miliard de vizitatori unici pe lună (YouTube, 2014) și se estimează că
videoclipurile online vor reprezenta 69% (Systems, 2013) din toate site-urile web.
trafic până în 2017. Videoclipul online are o importanță deosebită pentru marketeri, cu online
2
Machine Translated by Google
videoclipuri care au devenit „virale” și există mai multe topuri care listează cele mai populare
videoclipuri virale ulare. Cu toate acestea, există puțin acord cu privire la ceea ce constituie un virus
video și există foarte puține instrumente pentru analizarea naturii virale a videoclipurilor online.
Această lucrare umple acest gol, oferind un cadru pentru analiza vizionării
ogie, bazându-se pe munca inițială privind utilizarea curbelor de creștere descrise în mod independent
în Franța și Vaghefi (2013); Jiang i colab. (2014); Richier i colab. (2014). Sev-
cadru. Lucrarea din această lucrare descrie modul în care videoclipurile online pot fi clasificate
Videoclipul „viral întârziat” este definit ca un videoclip care pornește de la o bază inițială scăzută
partajarea socială, înainte de a se echilibra. Un videoclip „viral inițial” este descris ca un videoclip
Modelul de vizualizare 45 este în esență „un model de vizualizare care nu este de mai sus”, afișat
Restul lucrării este organizat după cum urmează. Există o literatură re-
statistici. Este prezentat un cadru de modelare propus pentru vizualizările video online. A
50 de seturi de experimente au fost efectuate pe date din peste 150 de videoclipuri declarate virale în
presa populară. Folosind acest set de date pentru a testa cadrul, sunt date rezultate
atât în ceea ce privește potrivirea modelului, cât și acuratețea predictivă. În plus, un empiric
rezultate obținute dintr-un eșantion aleatoriu de populație de peste 10000 de videoclipuri YouTube.
folosit pentru a ajuta la analiza și monitorizarea canalelor video online. Implicații generale
3
Machine Translated by Google
2. Studiul literaturii
Ce este mai exact un videoclip viral? O explicație simplă este că videoclipurile virale sunt
65 cuvânt din gură. În timp ce definiția tradițională a unui videoclip viral necesită doar
complex. Există o interacțiune puternică între rețelele online și cele offline (Wellman și colab., 2002)
din alți factori. De exemplu, luați în considerare o situație în care o persoană descrie a
70 de videoclipuri virale către prietenii de la o cafenea, care apoi caută videoclipul pe YouTube.
videoclipul făcând clic pe adresa URL. Ea a distribuit videoclipul de către ambii online
și mijloacele offline, dar mecanismele sociale pentru ambele sunt foarte asemănătoare. În
Broxton i colab. (2013), vizionările video sunt fie atribuite social, fie non-social
75 de categorii. O vizualizare este atribuită să fie socială dacă spectatorul a vizitat videoclipul web-
pagină fie făcând clic pe un link extern URL, fie introducând direct adresa URL.
O vizualizare este atribuită ca non-social dacă spectatorul a vizitat pagina web a videoclipului
fie prin intermediul motorului intern de căutare/recomandări YouTube, fie printr-un motor de
căutare extern. Desigur, această clasificare nu poate fi 100% precisă, deoarece utilizatorii 80 pot
auzi despre un videoclip în mod social (fie offline, fie online) și apoi pot căuta online
pentru videoclip.
Procesul prin care un videoclip devine viral este unul aleatoriu (Bruyn și
Lilien, 2008) și este greu de prezis ce videoclipuri vor deveni virale. Cu toate acestea, prin
et al., 2008). Videoclipurile virale pot fi produse pentru o serie de aplicații, inclusiv marketing
4
Machine Translated by Google
90 crearea de conținut generat de utilizatori (UGC). O definiție a unui videoclip viral este dată
de vizualizări pe care le primește un videoclip. Buzz este cantitatea de impact social și de partajare
95 fie nemodificat, fie ca parte a unui amestec. Longevitatea este o măsură a cât de bine
(Berger și Schwartz, 2011), controverse (Angelis și colab., 2012) și furie (Fan și colab., 2014), precum și
factori legați de indivizii care transmit eWOM, cum ar fi auto-îmbunătățirea (Chen și Berger, 2013). ).
Un cadru general pentru antecedentele eWOM virale este oferit în Berger și Milkman (2012). Iată-l
105 au descoperit că articolele din ziare care induc emoții de excitare ridicată, cum ar fi uimirea,
furia și anxietatea duc la un comportament viral mai puternic decât articolele din ziare
care induc emoții de excitare scăzută, cum ar fi tristețea. Această lucrare este validată de
Rim (2009), care discută despre modul în care experiențele emoționale conduc la împărtășirea socială a
emoții. Această idee a răspunsurilor emoționale la conținut care influențează comportamentul viral
110 este ceva relevant pentru videoclipurile virale și este ceva care este analizat
model de vizionări video de-a lungul timpului. O măsură a longevității video numită pop-
raportul de ularitate (PR) este introdus în Broxton et al. (2013) și este dat în (1).
115 Lucrări empirice în Broxton et al. (2013) arată că PR este invers core-
legat de procentul de opinii sociale. Acest lucru aproape contrazice afirmația din O'Neill (2011) că
Este posibil ca videoclipurile cu o audiență puternică încorporată să aibă un atractiv care durează
5
Machine Translated by Google
120 Lucrările empirice (Broxton et al., 2013; Crane și Sornette, 2008; Figueiredo, 2013) sugerează că
unimodal. Acest vârf este mai definit atunci când mai multe vizionări sunt sociale (Broxton
125 și colab., 2013). Majoritatea videoclipurilor atinge vârful relativ rapid. De fapt, pentru un eșantion mare de
videoclipuri preluate de pe YouTube, 75% dintre videoclipuri au atins vârful cu cinci săptămâni și peste 95%
de videoclipuri a atins vârful cu zece săptămâni (Borghol et al., 2011). Acest lucru sugerează că
perioada dinamică de creștere virală pentru un videoclip are loc de obicei în stadiile incipiente ale
eliberarea acestuia. Acest proces dinamic poate fi modelat ca un proces Possion (Crane 130 și
videoclipuri, videoclipuri de calitate și videoclipuri nedorite. Acest model este simplificat în Figueiredo
et al. (2011). Aici, vpeak(d) este definită ca fracțiunea de vizualizări care apar în ziua cu numărul maxim
definit folosind un prag de calitate φ, cu videoclipuri virale având cel mai mic vârf,
135 din cauza partajării sociale în cascadă în întreaga rețea de socializare și rezultând în a
V iral vpeak(d) φ
În timp ce munca descrisă mai sus face inferențe generale despre videoclipurile virale,
140 de tendințe pentru videoclipurile YouTube la nivel de categorie sunt examinate în Chowdhury și
de 149 de zile. S-a constatat că diferite categorii de videoclipuri au avut abandonuri diferite
6
Machine Translated by Google
s-a dovedit a avea o rată relativ scăzută de abandon școlar și un procent relativ ridicat de
145 de videoclipuri mai populare. Atât în Chowdhury și Makaroff (2013), cât și în Figueiredo (2013),
modelele de creștere video au fost analizate cu gruparea serii de timp, dar în Chowdhury și
că diferite categorii au produs grupuri diferite de vederi de-a lungul timpului i astfel
150 Pentru a rezuma, a existat o mare varietate de aspecte atât empirice, cât și conceptuale.
munca este rezumată în Tabelul 1. Aici, referința este dată în prima coloană,
tipul de lucrare este dat în coloana a 2-a (teorie, empiric sau modelare), iar un rezumat al
hârtie. Din Franța și Vaghefi (2013); Jiang i colab. (2014), video cumulat
vederile pot fi modelate folosind o serie de funcții. Dacă este prezent un comportament viral
160 atunci funcțiile sunt susceptibile de a avea un singur vârf (Crane și Sornette, 2008)
răspunsurile sociale (Broxton et al., 2013). Pentru a îngloba aceste concepte, împreună
165 Schwartz (2011); Bradzell i colab. (2008), definim o vizionare „viral întârziată”.
faza ca o perioadă în care vizionările video încep la un punct inițial scăzut, cresc la a
maxim datorită eWOM sau proceselor de partajare și apoi refuzați înapoi la o bază
nivel". Nu toate videoclipurile includ o astfel de fază virală. Unele videoclipuri (Franța și
Vaghefi, 2013; Jiang et al., 2014) au un număr mare de vizionări inițiale, care
170 scade în timp. Aici, buzz-ul inițial eWOM este prezent înainte de lansarea lui
videoclipul, dar se risipește după lansare. Videoclipuri cu acest model sau foarte scurt
perioadă înainte de începerea comportamentului viral au adesea mai multe distribuiri decât videoclipurile cu a
model de vizionare „viral întârziat” (Anon., 2015). Deoarece comportamentul video viral este
adesea bazat pe partajarea video (Broxton et al., 2013; Figueiredo et al., 2011), noi
7
Machine Translated by Google
Angels et al. (2012) Din punct de vedere empiric, Rate relative de transmitere a eWOM negativ/pozitiv.
Teorie
Schwartz (2011)
Bradzell et al. Empiric Răspunsul emoțional ca antecedent al comportamentului viral.
(2008)
Broxton i colab al. Modelare, Clasificare socială, raport de popularitate și vizionare
(2013) Teorie
Crane și Sornette Modelare, Un singur vârf de vizualizare/proces Poisson.
(2008) Empiric
Makaroff (2013)
(2008) Teorie
(2011)
Fran a i Vaghefi Modelare Lucrări de bază asupra curbelor de creștere (logistică, Gompertz, neg-
(2013) exp).
(2007) Empiric
(2012) Teorie
175 încă se referă la aceste videoclipuri drept „virale”, dar descriu modelul ca fiind „viral inițial”
model.
180 Motivul pentru această abordare este că prin atribuirea de seturi de parametri la
Lăsați numărul de vizionări pentru un videoclip de-a lungul timpului să fie desemnat ca vizualizare de densitate
funcția (DVF) sau f(t). Lăsați să se termine numărul cumulat de vizionări pentru un videoclip
185 timp să fie notat ca funcția de vizualizare cumulativă (CVF) sau F(t). De calculat
(2013), pentru majoritatea videoclipurilor virale, DVF crește până la un vârf și apoi scade
pe măsură ce timpul îndepărtat din vârf crește. Această creștere a popularității este similară
la o funcție de densitate de probabilitate pentru o funcție de tip logistic. Pentru a modela videoclipul
vederi.
modele.
9
Machine Translated by Google
(Funkhouser și McCombs, 1972) și în difuzarea noilor produse (Bass, 1969), deci ar trebui
Lucrările din această lucrare utilizează versiuni ale funcțiilor logistice, care au fost re-
195 parametrizați pentru a modela „creșterea bacteriană” (Zwietering și colab., 1990, 1992). The
analogia creșterii bacteriene este utilă pentru modelarea videoclipurilor, deoarece creșterea bacteriană con-
constă dintr-o fază inițială cu foarte puțină creștere, o fază de creștere logistică cu
200 la funcția de vârf validată empiric pentru videoclipuri virale în Broxton și colab.
(2013). Aceste modele au fost utilizate într-o gamă de aplicații de difuzare a produselor
(Morrison, 1996) și sunt potrivite pentru produse cu cicluri de viață scurte (Meade, 1984;
modelul Schnute, care este un model general parametrizat pentru funcțiile de creștere.
205 tions. Cu toate acestea, creșterea bacteriană și creșterea virală descriu subiacente diferite
Parametrul de întârziere (λ) oferă durata de timp înainte de faza de creștere virală
primește un număr mare de vizionări inițiale, apoi videoclipul este lansat în cadrul
faza de creștere virală și valoarea lui (λ) pot fi negative. Valoarea lui (µm) este
215 rata maximă de creștere, care are loc în punctul de inflexiune în logistică
curba. Valoarea lui (A) este numărul cumulat de vizualizări datorită funcției de creștere
virală.
funcția logistică este adesea descrisă ca având o curbă „în formă de S”, din cauza
10
Machine Translated by Google
4 µm
F (t) = A 1 + exp A (λ t) + 2 (3)
Funcția Gompertz este dată în (4). Funcția Gompertz (Gompertz, 1825) este similară
sunt puțin mai treptate. Emitem ipoteza că acest model poate fi mai bun decât
o curbă logistică simplă pentru montarea unui CVF video „viral întârziat”, ca anterior
creșterea la maximum a vizionărilor videoclipurilor are loc într-un ritm mai rapid decât scăderea
µm exp(1)
F (t) = A · exp exp A (λ t) + 1 (4)
µm ( 1/v)
F (t) = A 1 + v · exp (1 + v) · exp A (1 + v) (1+ 1v ) (λ t) (5)
11
Machine Translated by Google
220 se descompun rapid. Funcția exponențială negativă este folosită în mod obișnuit pentru modelare
degradare funcțională și a fost folosit anterior pentru a modela creșterea video virală
(Avramova et al., 2009). Funcția exponențială negativă cu trei parametri este dată în (6). În funcție
sau modele de creștere „virale inițiale”, funcții polinomiale simple de grad k sunt
rezumat în (7).
k
i
F (t) = groapă (7)
i=1
Toate funcțiile logistice intră în cele din urmă într-o etapă staționară de creștere zero.
230 Această ipoteză nu este realistă pentru un CVF video, mai ales ca și după
legat de alte videoclipuri. Din Borghol et al. (2011); Broxton i colab. (2013), unu
se poate aștepta la o linie de vedere de bază odată ce faza de creștere sau virală s-a încheiat.
235 funcția de vizualizare a liniei de bază non-virale. Aceste vederi suplimentare sunt modelate folosind a
funcție liniară. Pentru toate funcțiile, CVF începe cu o linie de bază de 0. Pentru
crescând.
4. Experimentare
240 A fost efectuat un set de experimente pentru a testa potrivirea curbei ipotetice
ce funcții au dat cele mai bune rezultate pe ce videoclipuri și apoi arată cum
12
Machine Translated by Google
valorile parametrilor ajustate pentru funcții, ar putea fi utilizate pentru a ajuta la caracterizare
Când se testează funcțiile de potrivire a curbei, criteriul principal este bunătatea de potrivire.
suma uală a pătratelor (RSS), care este diferența la pătrat dintre cele potrivite
contabilizat (VAF), a fost raportat și este dat în (8), unde T este numărul de puncte de timp, F (t)
este valoarea datelor CVF la momentul t, Fˆ (t) este valoarea ajustată a CVF la momentul t, iar F¯
T T
2 2
V OF = 100 1 Fˆ (t) F (t) F (t) F¯ (t) (8)
t=1 t=1
Funcțiile de potrivire a curbei propuse au fost testate prin potrivirea lor la vedere
date din videoclipuri virale de pe YouTube. După cum este descris în revizuirea literaturii, acolo
250 de videoclipuri se pot baza pe mai mulți factori, inclusiv numărul de vizionări sau
revistele online își listează cele 10 sau 20 de videoclipuri virale „de top” pentru fiecare an. Acest
informațiile au fost combinate și adunate, alegând toate videoclipurile din lista de top pentru care
255 40 de liste de top din 2010 până în 2013. A existat un anumit acord în primele liste, cu
unele videoclipuri menționate pe mai multe liste. Au fost luate 365 de zile de vizualizare a datelor
pentru fiecare videoclip (unele dintre videoclipurile din 2013 au avut mai puțin decât atât). Pentru a
asigura coerența parametrilor pentru videoclipuri, vizionările au fost scalate în intervalul [0, 100].
Fiecare dintre cele patru funcții descrise anterior (logistică, Gompertz, Richards,
au fost incluse funcțiile virale rale și inițiale (cu gradul M variind de la 3 la 4).
pentru a găsi videoclipuri pentru care nu a existat un „viral întârziat” sau „viral inițial”
13
Machine Translated by Google
model. Întrucât CVF-urile video încep de la 0 vizionări, nu a fost inclus un termen constant
curbele s-au potrivit cu nlsLM (cele mai mici pătrate neliniare Levenberg-Marquardt
270 potrivirea curbei (Spanos, 2007). Adăugând în mod repetat componente suplimentare
și parametrii unei funcții de ajustare a curbei, se poate obține o potrivire aproape perfectă
să fie luate din parametrii funcției. S-a luat în considerare o eventuală supraajustare
căci în trei moduri. În primul rând, doar funcțiile de potrivire curbe cu același număr de
Au fost comparați direct 275 de parametri. În al doilea rând, pentru a compara potrivirea curbei
280 În al treilea rând, a fost testată acuratețea predictivă a curbei. Dacă o funcție de potrivire
se poate potrivi cu precizie în punctele de date viitoare, apoi poate fi utilizat pentru a oferi o perspectivă asupra
comportamentul de vizionare viitor. Pentru a testa acuratețea predictivă, algoritmul de potrivire a fost
rulează pe subseturi de 5%, 10%, 25%, 50% și 75% din datele de vizionări pentru fiecare videoclip.
Vizualizările au fost apoi prezise pentru următoarele 20 de zile și comparate cu cele reale
285 de vizualizări pentru această perioadă. Diferența dintre aceste valori a fost apoi folosită
calculați MSPE (eroare medie pătratică de predicție) pentru prognoze. Valorile MSPE au fost
1 Această statistică este distribuită cu F (DF2 DF1, DF1) grade de libertate. Dacă F
statistica este semnificativă, atunci potrivirea suplimentară oferită de modelul 1 este considerată a justifica
parametri suplimentari.
14
Machine Translated by Google
formula pentru MSPE este dată în 10. Aici, yi este numărul real de vizualizări, ˆyi este
2
1 t+n yi yˆi
MSP E = (10)
n
i=t+1 do
în general pentru predicții pentru cantități mici de date (5% și 10%). Astfel, pentru
termen polinom. Pentru fiecare funcție, tabelul oferă media VAF (VAF),
mediana VAF (VAF) și procentul de câștiguri (cel mai mare VAF). Masa este
300 au produs cele mai multe „câștiguri” în ceea ce privește VAF. Acest lucru sugerează că majoritatea videoclipurilor
descrise drept „virale” au o cantitate mare de viziuni inițiale, care apoi scad,
Funcțiile Gompertz au reprezentat aproximativ 13% din câștigurile pentru modelul cu 3 parametri
305 Acest lucru sugerează că atunci când se modelează CVF de creștere virală, o linie de bază suplimentară
În general, valorile medii ale VAF au crescut atunci când funcționează tendința liniară
a fost adăugat. Acest lucru sugerează că adăugarea unei tendințe liniare ajută la capturarea suplimentară
310 mai departe prin calcularea statisticii F date în (9) pentru modelul cu 3 până la 4 parametri
15
Machine Translated by Google
WAF
2
315 În tabelul 4, mediana Valorile MSPE sunt date pentru fiecare combinație de
320 este făcut îndrăzneț. Valorile MSPE predictive au un model similar cu VAF
modelele polinomiale au valori MSPE mult mai mari decât „viralele întârziate”
325 de câștiguri video (în termeni de MSPE minim) sunt rezumate în Tabelul 5. Din nou,
cel mai bun rezultat pentru fiecare combinație de lungime de predicție și procent de antrenament
este făcută îndrăzneață. Aici, funcția Gompertz-P1 are cele mai multe rânduri câștigătoare,
2 A fost utilizată mediana, datorită unui maxim de două videoclipuri pentru fiecare tehnică care dă
rezultate foarte slabe, neconcordante cu celelalte rezultate. Astfel, mediana dă cel mai bun total
rezumatul distribu iilor rezultatelor. Mai multe rulări pentru parametrii NegExp-P1 nu au făcut-o
converge. Acestea au fost numărate la finalul distribuției performanței.
16
Machine Translated by Google
Prd Trn AddMult Gomp Gomp-P1 Log Log-P1 NExp NExp-P1 Poly-3 Poly-4 Bogat-4
5 5 0,15171 0,00359 0,00038 0,00824 0,00159 0,00129 0,00096 0,01773 0,01665 0,00081
10 0,19945 0,00528 0,00024 0,00828 0,00074 0,00319 0,00021 0,01549 0,00816 0,00245
25 0,14659 0,00788 0,00023 0,00909 0,00048 0,00551 0,00016 0,02958 0,00936 0,00513
50 0,10271 0,00441 0,00020 0,00526 0,00026 0,00337 0,00010 0,02078 0,01253 0,00355
75 0,08069 0,00242 0,00011 0,00352 0,00023 0,00203 0,00015 0,01619 0,00858 0,00178
10 5 0,57883 0,01827 0,00289 0,03891 0,00970 0,00640 0,00384 0,21637 0,60068 0,00482
10 0,55966 0,01641 0,00108 0,02468 0,00284 0,00949 0,00097 0,15084 0,13179 0,00907
25 0,33406 0,01906 0,00069 0,02166 0,00128 0,01440 0,00047 0,11627 0,06127 0,01441
50 0,22441 0,01060 0,00051 0,01237 0,00069 0,00779 0,00025 0,06355 0,04593 0,00818
75 0,16987 0,00554 0,00030 0,00798 0,00049 0,00480 0,00028 0,04154 0,02641 0,00428
20 5 2,64690 0,10106 0,01950 0,17340 0,07092 0,04403 0,02341 4,38178 43,64095 0,03260
10 1,79554 0,06850 0,00609 0,09282 0,01369 0,04044 0,00529 2,34205 3,36823 0,03791
25 0,86093 0,05390 0,00247 0,06397 0,00424 0,04185 0,00166 0,75131 0,82903 0,04163
50 0,52197 0,02764 0,00145 0,03214 0,00208 0,01949 0,00117 0,26029 0,28763 0,02131
75 0,36220 0,01355 0,00089 0,01929 0,00141 0,01118 0,00080 0,12743 0,11789 0,01015
urmată de funcția NegExp-P1. Acest lucru sugerează că adăugarea unei tendințe liniare
330 putere.
Prd Trn AddMult Gomp Gomp-P1 Log Log-P1 NExp NExp-P1 Poly-3 Poly-4 Rich-4
5 5 1 3 45 0 9 27 14 7 7 38
10 1 3 42 3 17 18 48 3 5 11
25 2 1 78 0 20 16 5 6 7 16
50 1 3 82 1 16 16 6 5 6 15
75 0 6 20 1 25 17 60 2 8 12
10 5 1 3 47 0 9 32 22 2 2 33
10 2 2 42 2 15 23 44 3 6 12
25 1 3 84 0 18 18 3 4 5 15
50 1 1 86 1 17 16 4 6 5 14
75 1 7 19 0 25 18 60 3 6 12
20 5 3 7 38 0 8 39 28 1 1 26
10 2 2 43 2 18 23 46 0 2 13
25 0 2 87 0 21 17 2 3 4 15
50 1 0 85 2 17 21 2 5 5 13
75 1 7 17 0 28 22 54 4 6 12
Pentru a examina rezultatele în continuare, pentru fiecare dintre cele patru funcții de parametri cu
au fost trasate trei „cele mai bune” victorii, utilizând datele nenormalizate, astfel încât
17
Machine Translated by Google
ramemetrele erau legate de vederi. Cele mai bune victorii au fost luate ca videoclipurile cu
335 cea mai mare depășire a performanței, adică diferența dintre cea mai bună funcție VAF
și a doua cea mai bună funcție VAF și sunt date în figurile 2-5. Videoclipurile
sunt ordonate în termeni de performanță peste a doua cea mai bună funcție. Pentru fiecare
340 Vizualizările video adaptate, Fˆ (t), sunt reprezentate de o linie subțire, ușor colorată.
Ca grup, cele mai bune câștiguri Gompertz afișează un model „viral întârziat”, cu
Cele mai puternice potriviri generale sunt pentru videoclipurile „Letter Fred” și „Nyan Cat”. The
Videoclipul 345 Nyan Cat are o perioadă virală care se schimbă lent, alungită, slabă (µ = 54.511
vizionări pe zi), care începe în jurul zilei 80 (λ = 82.106) și reprezintă majoritatea vizionărilor
video (A = 12.148.217 din 26.492.873). Videoclipul „Letter Fred” are o perioadă virală mult mai
puternică (µ = 219.450 de vizionări pe zi), mai condensată, care începe în jurul zilei 30 (λ =
350 peste 50% (A = 2.699.172 din 4.753.491) din totalul vizionărilor video.
Cele mai bune victorii logistice afișează un model similar cu victoriile Gompetz, dar
tranziția între faza virală și faza non virală este mai bruscă. Cel mai puternic
Potrivirile generale sunt pentru videoclipurile „Zach Wahls” și „Seeing Her Again”, care ambele
prezintă o creștere liniară stabilă și perioade virale scurte, puternic definite. „Zach
Videoclipul 355 Wahls” este deosebit de interesant, deoarece are o creștere liniară stabilă pentru
18
Machine Translated by Google
primele 300 de zile după lansare (λ = 298,432), urmate de o perioadă virală puternic definită (µ
= 383.923 vizualizări pe zi), care reprezintă doar o mică proporție (A = 2.652.919 din 17.457.804)
Cele mai bune câștiguri exponențiale negative sunt caracterizate de un număr mare de
Vizualizări inițiale 360 , urmate de o scădere lină la o tendință liniară. Cel mai bun per total
potrivirile din cele mai bune victorii sunt pentru „Snowpocalype Now” și „YN Richkids”
parametru decât videoclipul „YN RichKids” (0,153 vs. 0,026). Funcția exponențială negativă
Videoclipurile incluse în cele mai bune câștiguri polinomiale sunt, în esență, „niciuna dintre
cele de mai sus". Cele mai bune potriviri generale sunt pentru „Honey Badger” și „Telekinetic
19
Machine Translated by Google
Cele două funcții cu cele mai multe câștiguri sunt funcția exponențială negativă
funcția vs. funcția exponențială negativă ar putea fi utilizată pentru a clasifica un videoclip
375 am examinat diferențele în mediana (pentru a lua în considerare valorile aberante) Gompertz
pentru a conduce competiția între cele patru variante de parametri ale fiecăreia dintre cele două
Rândurile de 380 MW oferă scoruri standardizate pentru test (echivalent cu un scor Z pentru a
După cum s-a descris anterior, pentru acest experiment, vizionările video au fost scalate
385 amplitudinea func iei virale. O valoare mai mare de 100 indică faptul că
de A a scăzut atunci când a fost adăugat termenul de tendință liniară. Acest lucru este de așteptat, așa cum
390 de vizualizări, lăsând mai puține vizualizări care să fie încadrate de funcția Gompertz. Valoarea a
20
Machine Translated by Google
Victorie Polinomul A m l p1
µm sau parametrul de gradient maxim a fost mult mai mare pentru „câștigurile” Gompertz
decât pentru „câștigurile” exponențiale negative (p < 0,001 atât pentru 3, cât și pentru 4 parametri)
eters). Cele mai clare diferențe (p < 0,001 atât pentru 3 cât și pentru 4 parametri) au fost
probabil pentru parametrul de întârziere λ. Atât pentru funcția Gompertz, cât și pentru cea modificată
victorii, dar negativ pentru pierderile lui Gompertz. Rezultatele sunt explorate în continuare în
sunt reprezentate pentru fiecare videoclip. Câștigurile Gompertz sunt indicate cu cruci și
porțiune din faza virală poate fi potrivită de funcție. Pe măsură ce această porțiune devine
mai mic, este mai probabil ca un videoclip să aibă numărul maxim de vizionări în prima zi
405 punctul în care se știe că un videoclip este pe cale să devină viral. Astfel, o valoare
devenind virală.
21
Machine Translated by Google
415 parametrii au fost < 5% din valorile totale ale parametrilor, ceea ce arată că
420 (toate videoclipurile din 2010-2012) și și-au înregistrat emoțiile folosind scala
pe o scară Likert de 7 valori. În Figura 7, rezultatele sunt mediate pentru fiecare dintre
emoții pentru câștigurile fiecăreia dintre cele patru funcții. Videoclipurile câștigate de
425 de funcții „virale întârziate” au valori mai mari de furie, tristețe și emoționalitate
decât videoclipurile câștigate prin funcții „virale inițiale” și polinomiale. Rezultatele sunt
baza inițială de utilizatori trebuie să provoace emoții puternice. Aceste rezultate sunt în acord cu anterior
22
Machine Translated by Google
430 de studii. După O'Neill (2011), emoțiile mai puternice ar trebui să inducă mai multă viralitate.
a emoției este mai importantă decât polaritatea emoției ca factor determinant al vi-
Teixeira (2012) se recomandă ca, pentru a provoca un răspuns viral, mass-media ar trebui
secțiunea au fost identificate drept „virale” de către sursele de știri. Pentru a testa în continuare validitatea
de dragul parcimoniei, rezultatele complete nu sunt date, dar sunt disponibile de la autori.
rezultatele sunt Logistic 14,700% (1,987%), Gompertz 18,696% (10,596%), Neg. Exp
445 40,068% (74,834%) și Poly 26,535% (12,583%). Pentru soluția cu patru parametri
23
Machine Translated by Google
Neg. Exp 24,966% (49,669%), Poly 22,192% (7,285%) și Richardson 14,928% (3,311%). Testarea
testul de asociere la pătrat, dă valori p pentru dependența de < 0,0001 pentru ambele 3
450 și 4 parametri.
setul de date este că există mult mai puține videoclipuri exponențiale negative și mult mai multe
455 de vizionări inițiale care scad rapid pe toată durata de viață a videoclipului.
Pentru a testa dacă există o legătură mai generală între categoria câștigătoare
neconcludent, cu un test ANOVA cu un singur factor fiind marginal semnificativ, dar având o
Majoritatea videoclipurilor YouTube primesc o categorie de către persoana care a încărcat. Este cunoscut
din lucrările anterioare (Broxton et al., 2013) că categoriile video pot afecta videoclipurile
465 de procese sociale implicate în clasificarea video sunt complexe (Yew et al., 2011), deci
poate exista o clasificare greșită. Pentru a testa dacă a existat dependență între
au fost < 0,0001 atât pentru 3 cât și pentru 4 parametri. Pentru a ilustra această dependență,
funcția sunt cele mai puternice pentru sport, jocuri și categorii nonprofit, toate categoriile
unde există o probabilitate mai mare de videoclipuri „profesionale” cu mai multă conștientizare/
475 va echivala cu o bază mare de abonați, care vor fi notificați când apare un videoclip
aceste canale. De exemplu, momentele evidențiate dintr-un joc sportiv vor avea cele mai bune
24
Machine Translated by Google
și vehiculele și categoriile de film și animație sunt cel mai probabil să se potrivească cel mai bine
480 funcțiile „virale întârziate”. Acest lucru se poate datora faptului că există mai mulți amatori
videoclipuri din aceste secțiuni. Acest lucru este evident mai ales la animalele de companie
categorie, care constă în principal din utilizatori care încarcă videoclipuri proprii
485 Experimentele anterioare folosesc toate datele de vizionare zilnică, ca YouTube istoric
informațiile sunt disponibile doar la nivel zilnic. Cu toate acestea, date la scări diferite
(2011). Orice tehnică de prognoză sau modelare ar trebui să fie utilă la diferite granulări la scară
490 funcția de predicție, datele de vizualizare YouTube pentru aproximativ 4000 de videoclipuri au fost
25
Machine Translated by Google
seturi de date diferite. Pentru fiecare combinație de video și scară de timp, datele au fost
495 de lucru și pentru fiecare număr de parametri a fost înregistrată funcția câștigătoare.
pereche de scari. Aceasta a dat șase tabele de urgență. De exemplu, tabelul de urgență
Exp 2505 9 5 26
Gomp 4 310 8 1
Logistică 0 4 490 0
Poli 5 2 0 562
500 Testele chi-pătrat au fost efectuate pentru fiecare dintre tabelele de contingență. Toate cele șase ta-
param, oră\zi), 0,86 (4 param, 5 min\zi). Toate aceste dimensiuni ale efectului sunt considerate
cadrul descris în această lucrare este stabil într-o gamă de granulări pe scară de timp.
larii. Având în vedere un scenariu în care un manager sau un analist trebuie să analizeze date
Un canal video online permite unui creator de conținut video să grupeze videoclipuri și
lansați videoclipuri sub aceeași marcă sau titlu. Canalele YouTube au fost
26
Machine Translated by Google
mor”, sunt pur online. Alte canale sunt create pentru a completa un offline
prezența unui canal sau a mărcii, de exemplu, un canal care conține videoclipuri muzicale pentru a
artist celebru. Un avantaj major al utilizării canalelor este acea reputație sau zgomot
520 din videoclipurile anterioare încărcate pe un canal se vor răspândi asupra celor nou încărcate
Videoclipuri. De fapt, utilizatorii se pot abona la un canal și pot primi notificări despre orice noutate
525 observate în filme și în continuarea lor (Yong și colab., 2013), așa că s-ar putea ipoteza
dimensiune pe care s-ar aplica și altor produse media video cu marcă comună, cum ar fi
videoclipuri online. Pentru a oferi o perspectivă asupra modului în care ar putea fi aplicat cadrul
videoclipuri virale, mai multe canale video au fost examinate și analiza statistică a fost
530 sis nu este de a compara tehnici, ci de a ajuta la demonstrarea modului în care cadrul
27
Machine Translated by Google
Pentru fiecare canal, pentru fiecare videoclip lansat de cel puțin 6 luni, vizionări, sub-
apoi rulați pentru fiecare combinație de funcție video și adaptare. Fiecare videoclip a fost
clasificat ca viral inițial, viral întârziat sau polinom, pe baza celei mai bune potriviri
au fost testați posibili factori explicativi pentru videoclipurile din cadrul canalelor. Două lo-
Au fost efectuate 540 de regresii generale, una cu IsDelayedV iral {0, 1} ca variabilă dependentă și
spre deosebire de acestea, au fost considerate posibile variabile independente. În plus, rela-
Au fost luate în considerare abonamentele per vizionare, distribuiri, aprecieri și neaprecieri. Ini ială
astfel încât a fost efectuată o regresie exhaustivă în trepte înainte și înapoi pentru a găsi
combinație de parametri care a minimizat cel mai bine AIC (criteriul de informare Akaike), care este
un criteriu comun pentru selecția variabilelor de regresie logistică (Hosmer și colab., 1989).
p < 0,05, p < 0,01) sunt date pentru fiecare variabilă independentă. Rezultatele
555 cel mai semnificativ parametru non-canal, cu |z| > 6 și p < 0,001 pentru ambele
pe vizualizare. Acțiunile sunt relativ negative, iar subscrierile sunt relativ pozitive
560 pentru videoclipurile „virale întârziate” și opusul este valabil pentru videoclipurile „virale inițiale”, care
sugerează că comportamentul de partajare este mai probabil să apară pentru canalele stabilite,
dar această creștere a abonamentelor este mai rapidă cu noile canale video. Acest
intuitiv are sens. Un canal nou creează rapid abonamente, până la majoritatea
28
Machine Translated by Google
565 de scripturi încetinește. Odată ce canalul este matur, are un puternic implicat
baza de abonați, care au mai multe șanse să partajeze conținut. Acest lucru este de acord cu e-
munca pirica eWOM descrisă în Chu și Kim (2011) în care eWOM este foarte
Pentru a ajuta la explorarea acestor modele în continuare, în Figura 9, pentru fiecare canal, o bară
Graficul 570 a fost creat cu ordinea de lansare a videoclipurilor pe axa x și numărul de vizionări
se potrivea cel mai bine cu CVF (viral întârziat, viral inițial sau polinom). Pe canal
canal 575 . Pentru canalele Jenna Marbles, Caspar și Simon's Cat, acest model
este destul de distinctă. Pentru canalul Farsă vs. Farsă, există două întârzieri separate
29
Machine Translated by Google
Al 100-lea videoclip, care, având în vedere creșterea medie a vizionărilor în această etapă, indică a
580 de videoclipuri virale într-o perioadă de videoclipuri virale inițiale. Singurul canal care nu
au o fază inițială de videoclipuri virale întârziate este canalul Thatcher Joe. Acest
faza virală întârziată inițială a fost prezentă în canalul părinte. Așa cum este descris
Cele 585 cele mai multe vizionări în primele zile, generează mai multe distribuiri decât videoclipurile cu mai multe
modele de vizualizare alungite. În acest context, videoclipurile „virale întârziate” mai ales
apar atunci când canalele sunt noi și când sunt puțini abonați de distribuit
este posibil ca modelul viral întârziat să nu fie reflectat în statisticile de distribuire YouTube.
30
Machine Translated by Google
590 În această etapă, spectatorii generați de modelul „viral întârziat” sunt puțin probabili
să fie abonați și, prin urmare, au mai multe șanse să se aboneze, ceea ce ajută la explicație
ecua ie.
Pe scurt, videoclipurile lansate ca parte a unui canal fac parte dintr-o dinamică
595 proces. Un canal câștigă popularitate și abonați datorită videoclipurilor care devin virale
de la o linie de bază scăzută. Cu toate acestea, odată ce un canal este stabilit, modelele de vizionare
a videoclipurilor lansate se schimbă. Există o audiență încorporată pentru orice videoclip lansat
600 afișează caracteristici „virale întârziate” și acestea corespund adesea videoclipurilor care
605 Această lucrare descrie un cadru bazat pe modelarea creșterii, pentru a ajuta modelarea
descriere bună a comportamentului video viral și poate fi folosită pentru a ajuta la caracterizare
vizionări video viitoare. Conform rezumatului din tabelul 1, munca la videoclipurile virale scade
din aceste domenii și există spațiu pentru lucrări viitoare în toate aceste domenii.
descrise ca virale în presă sunt de fapt videoclipuri care au un număr „inițial” mare
Acest lucru duce la ceva paradox în ceea ce privește descrierea videoclipurilor virale. În
literatură, de exemplu, O'Neill (2011), comportamentul viral este adesea discutat în termeni
de partajare a comportamentului. Cu toate acestea, distribuirile video sunt strâns corelate cu ambele vizualizări
31
Machine Translated by Google
Modelul de vizualizare 620 este susceptibil să aibă un număr mare de acțiuni inițiale, ceea ce are
625 pot fi explorate în cercetările viitoare. Există aici spațiu pentru ambele lucrări empirice
Tehnicile de modelare descrise în această lucrare se potrivesc unei singure funcții generale.
tendință națională de-a lungul vieții unui videoclip. Parametrii funcției dau a
630 de vizualizări viitoare. Cu toate acestea, la nivel micro, vizionările video pot fi afectate de in-
efortul de marketing. Nu există „cele mai bune practici” sau un set de standarde fixe
ca parte a culturii corporative (Ambler et al., 2004). Cu toate acestea, valori bune în
640 orice domeniu de afaceri trebuie să fie aplicabil și să poată ajuta la informarea afacerilor
exemplu de canal începe să sugereze modul în care cadrul descris în această lucrare
645 de sisteme de sprijinire a deciziilor (Little, 1979) combină modelele de marketing și datele în
luarea deciziilor. Două exemple de procese de sprijinire a deciziilor care ar putea beneficia
din încorporarea modelelor descrise în această lucrare sunt date mai jos.
Este important ca sistemele de suport pentru deciziile de marketing să fie de înaltă calitate
32
Machine Translated by Google
650 (van Bruggen et al., 1996), ajută managerii să înțeleagă fenomenele de marketing
Luați în considerare un manager de canal sau un proprietar care dorește să utilizeze tehnicile în acest sens
hârtie pentru sprijin decizional. Proprietarul canalului va lansa videoclipuri secven ial.
Conținutul din videoclipuri se va conforma unei teme sau categorii generale de canal,
655, de exemplu, Zoella este un blog de modă/machiaj, în timp ce băieții The Slo-Mo lansează
are anumite micro-atribute specifice videoclipului, de exemplu, pentru blogul de modă, the
660 tehnicile din hârtie, vor avea modelul de vizionare video (întârziat viral,
viral inițial, sau polinom.) În plus, dacă videoclipul afișează un model „viral întârziat”, atunci managerul
va avea acces la timpul de decolare (λ) și amplitudinea virală maximă (µ). Prin corelarea acestor
665 de feedback ale consumatorilor din voturi și comentarii, managerul de canal poate începe
în consecin ă.
Majoritatea canalelor video online se bazează pe publicitate online pentru venituri. Chiar
blogurile individuale pot aduce venituri semnificative din publicitate. De exemplu, cel
Canalul de blog 670 Zoella aduce peste 25.000 USD în venituri din publicitate pe lună (Ives,
2015). A fi capabil să prezică cu exactitate veniturile viitoare este important pentru orice
Afaceri. În cazul videoclipurilor online, veniturile din publicitate sunt direct proporționale
condiție pentru estimarea veniturilor viitoare. Odată un model viral inițial sau un viral
Modelul de decolare 675 (Golder și Tellis, 1993) este evident, vizionările video pot fi prezise
pentru perioadele de timp viitoare. Tehnicile descrise în această lucrare pot fi folosite pentru
33
Machine Translated by Google
Referințe
680 Abramovici, G., 2013. 15 statistici uimitoare despre publicitatea video online,
http://www.cmo.com/content/cmo-com/home/articles/2013/8/27/video -
15 uluitoare.html.
Ambler, T., Kokkinaki, F., Puntoni, S., 2004. Evaluarea performanței de marketing:
685 Angelis, M.D., Bonezzi, A., Peluso, A.M., Rucker, D.D., Costabile, M., 2012.
Anon., 2015. De ce unele videoclipuri devin virale. Harvard Business Review 93, 34–35.
Avramova, Z., Wittevrongel, S., Bruneel, H., Vleeschauwer, DD, 2009. Analiza-
690 sis și modelarea evoluției popularității video în diverse conținuturi video online
sisteme: legea puterii versus decăderea exponențială, în: Borcoci, E., McKee, S.,
Bogliolo, A., Dini, O. (Eds.), Evolving Internet, 2009. INTERNET '09. Primul
Balachander, S., Ghose, S., 2003. Reciprocal spillover effects: A strategic benefit
Bass, FM, 1969. O nouă creștere a produselor pentru bunuri de folosință îndelungate de consum. Om-
700 Berger, J., Milkman, KL, 2012. Ce face conținutul online viral? Jurnalul de
Berger, J., Schwartz, EM, 2011. Ceea ce determină cuvântul imediat și continuu despre
34
Machine Translated by Google
Borghol, Y., Mitra, S., Ardon, S., Carlsson, N., Eager, D., Mahanti, A., 2011.
Bradzell, J., Bardzell, S., Pace, T., 2008. Emotion, Engagement and Internet
Broxton, T., Interian, Y., Vaver, J., Wattenhofer, M., 2013. Catching a viral
van Bruggen, GH, Smidts, A., Wierenga, B., 1996. Impactul calității
a unui sistem de sprijin pentru deciziile de marketing: Un studiu experimental. Interna ional
Bruyn, AD, Lilien, GL, 2008. Un model în mai multe etape al influenței cuvântului în gură
151–163.
Chen, Z., Berger, J., 2013. Când, de ce și cum provoacă controversele conversația.
720 videoclipuri - un studiu bazat pe categorii, în: 9th International Conference on Web
725 Cohen, J., 1988. Statistical Power Analysis for the Behavioral Sciences. 2 ed.,
Crane, R., Sornette, D., 2008. Videoclipuri virale, de calitate și nedorite pe YouTube: septembrie-
analizarea conținutului din zgomot într-un mediu bogat în informații., în: Lerman,
K., Gutelius, D., Huberman, B., Merugu, S. (Eds.), AAAI Social Information
35
Machine Translated by Google
Elzhov, TV, Mullen, KM, Spiess, AN, Bolker, B., 2013. Pachetul CRAN
lm/.
Fan, R., Zhao, J., Chen, Y., Xu, K., 2014. Furia este mai influentă decât bucuria:
Figueiredo, F., 2013. Despre predicția popularității tendințelor și a hit-urilor pentru utilizator
740 videoclipuri generate, în: Proceedings of the Sixth ACM International Conference
pe Web Search and Data Mining, ACM, New York, NY, SUA. pp. 100-1 741–746.
Figueiredo, F., Benevenuto, F., Almeida, JM, 2011. Tubul în timp: char-
care caracterizează creșterea popularității videoclipurilor YouTube, în: Proceedings of the Fourth
Conferința internațională ACM privind căutarea web și extragerea datelor, ACM, Nou
Franța, SL, Vaghefi, MS, 2013. Un cadru de curbă de creștere pentru videoclipuri virale,
750 Gardner, ES, 1985. Netezire exponen ială: starea tehnicii. Jurnalul de
Prognoza 4, 1–28.
Golder, PN, Tellis, GJ, 1993. Avantaj de pionier: logica de marketing sau piața-
755 mortalitatea umană și asupra unui nou mod de determinare a valorii vieții continu-
36
Machine Translated by Google
Hodge, BM, Milligan, M., 2011. Distribuțiile erorilor de prognoză a energiei eoliene
pe mai multe intervale de timp, în: 2011 IEEE Power and Energy Society General
760 Hoffman, DL, Fodor, M., 2010. Puteți măsura rentabilitatea investiției rețelelor dvs. de socializare
Hosmer, DW, Jovanovic, B., Lemeshow, S., 1989. Cele mai bune subseturi de regres logistic
Ives, N., 2015. Ce atrage o celebritate YouTube: S-ar putea să fii surprins de
Jiang, L., Miao, Y., Yang, Y., Lan, Z., Hauptmann, AG, 2014. Video virale
stil: O privire mai atentă la videoclipurile virale de pe youtube, în: Proceedings of Interna-
770 Conferință națională privind recuperarea multimedia, ACM, New York, NY, SUA. pp. 100-1
193:193–193:200.
775 Lilien, GL, Rangaswamy, A., Bruggen, GHV, Starke, K., 2004. DSS effect-
Little, JDC, 1979. Sisteme de sprijinire a deciziilor pentru managerii de marketing. Jurnal
780 Liu-Thompkins, Y., 2012. Seeding viral content: The role of message and net-
37
Machine Translated by Google
Miller, M., 2011. YouTube pentru afaceri: Marketing video online pentru orice afacere.
790 Morrison, J., 1996. Cum se utilizează modele de difuzie în prognoza de produse noi.
795 Nelson-Field, K., Riebe, E., Newstead, K., 2013. Emoțiile care conduc virale
Orrell, D., McSharry, P., et al., 2009. O abordare sistemică a prognozei. inainte-
800 O'Sullivan, D., Abela, AV, 2007. Capacitatea de măsurare a performanței de marketing
Richier, C., Altman, E., Elazouzi, R., Jimenez, T., Linares, G., Portilla, Y., 2014. Modele bio-
805 inspirate pentru caracterizarea vizualizării YouTube, în: Advances in Social Networks
38
Machine Translated by Google
810 Seggie, SH, Cavusgil, E., Phelan, SE, 2007. Măsurarea rentabilității pieței-
815 Sullivan, M., 1990. Măsurarea deversărilor de imagine în produsele cu marcă umbrelă.
Systems, C., 2013. Cisco visual networking: Forecast and methodology, 2012–
furnizor de servicii/ip-ngn-ip-network-next-generation/white_paper_
820 c11-481360.pdf.
Teixeira, T., 2012. Noua știință a reclamelor virale. Harvard Business Review 90,
25–27.
Uitz, I., 2012. Social media - merită deranjamentul? Jurnalul de Internet Social
Wallsten, K., 2010. „Da, putem”: Cum spectatorii online, discuții pe blog,
Wellman, B., Boase, J., Chen, W., 2002. Natura în rețea a comunității:
Yew, J., Shamma, DA, Churchill, EF, 2011. Cunoașterea amuzantă: percepția genului
ție și clasificare în partajarea videoclipurilor sociale, în: Tan, D., Fitzpatrick, G.,
835 Gutwin, C., Begole, B., Kellogg, WA (eds.), Proceedings of the SIGCHI
39
Machine Translated by Google
Conferință privind factorii umani în sistemele de calcul, ACM, New York, NY,
Yong, H., Tie-nan, W., Xiang-yang, L., 2013. Cum afectează filmele de succes
statistics.html.
Zwietering, MH, Jongenburger, I., Rombouts, FM, Riet, KV, 1990. Model
56, 1875–1881.
Zwietering, MH, Rombouts, FM, van't Riet, K., 1992. Compara ie de defini-
40
Machine Translated by Google
41