使用機器輔助理論集成標註模型化品牌與組織TikTok影片的參與度
arXiv - Computers and SocietySander Paekivi, Andres Karjus
LLM 標註 10,000 Estonian TikTok 影片 77 個理論變數，提升參與度預測並為創作者提供策略指導。
AI 幫你先抓重點
AI 重點 1
LLM 驅動的標註突破了手工分析的規模瓶頸，實現理論豐富的短影片內容分析。
滑鼠懸停看 AI 判斷理由
透過自動化標註，研究者能在大規模資料集上系統性探索敘事與符號層面，進而驗證長期解釋理論，並為內容創作者提供可操作的結構化建議。
AI 重點 2
只有少數標註變數真正預測參與度，凸顯特徵選擇與針對性指導的重要性。
滑鼠懸停看 AI 判斷理由
了解哪些結構元素能提升互動，幫助創作者聚焦有效的敘事技巧，優化內容表現，並促進平台內容品質與使用者黏著度。
核心研究發現
- 1
LLM 能夠對 10,000 篇 TikTok 影片進行 77 個理論驅動的結構變數標註，對感知與語用變數的可靠性較高，深層符號與原型構造仍較難標註。
- 2
機器輔助標註後的參與度預測模型相較於僅以帳號大小與影片年齡為基準的基線，提升了微小但持續的預測精度。
- 3
大多數標註變數與平台成功度無顯著相關，僅有少數特徵能夠帶來預測訊號，提示需進行特徵篩選以提供創作者具體指導。
對教育工作者的啟發
1) 內容創作者可使用 LLM 工具快速標註影片關鍵結構，辨識哪些敘事與語用特徵能提升觀眾互動。 2) 研究者可將此方法擴展至其他平台，進行跨文化比較。 3) 企業行銷團隊可依據模型篩選高效元素，優化廣告投放與品牌故事。 4) 教育工作者可將此框架納入媒體素養課程，教導學生如何分析短影片的敘事與符號。
原始文獻資訊
- 英文標題：
- Modeling Engagement with Brand and Organizational TikTok Videos Using Machine-Assisted Theory-Ensemble Annotation
- 作者：
- Sander Paekivi, Andres Karjus
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。