دوره 8، شماره 2 - ( 6-1400 )                   جلد 8 شماره 2 صفحات 24-12 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Majlesara A, Fahim niya F, Naghshineh N. Proposing a Model for Analyzing Textual Feedback from Users on Social Networks Facing Environmental Events and Actions. Human Information Interaction 2021; 8 (2)
URL: http://hii.khu.ac.ir/article-1-2983-fa.html
مجلس آرا احمد، فهیم نیا فاطمه، نقشینه نادر. ارائه الگوی تحلیل بازخورد متنی کاربران در شبکه‌های اجتماعی در مواجهه با رویدادها و کنش‌های محیطی. تعامل انسان و اطلاعات. 1400; 8 (2)

URL: http://hii.khu.ac.ir/article-1-2983-fa.html


دانشگاه تهران، دانشکده مدیریت، تهران، ایران
چکیده:   (1774 مشاهده)
زمینه و هدف: پژوهش حاضر با هدف تدوین و اعتباریابی الگوی تحلیل بازخورد متنی کاربران در شبکه­‌های اجتماعی در مواجهه با رویدادها و کنش­‌های محیطی با تأکید بر شناسایی عوامل مؤثر بر ارائه­‌ی پیام­های متنی توسط کاربران در شبکه­های اجتماعی انجام شده است.
روش پژوهش: از لحاظ رویکرد پژوهش، روش امیخته اکتشافی بکار برده شده است. در مرحله‌­ی اول این پژوهش از روش فراترکیب استفاده شد که از جمله روش‌­های کیفی به شمار می­‌رود. در مرحله­‌ی دوم برای بررسی و اعتباریابی عوامل شناسایی شده و تهیه الگوی نهایی تحقیق، از روش پیمایشی یعنی نظرسنجی از خبرگان در قالب تشکیل گروه‌­های کانوی و استفاده از پرسشنامه استفاده شده است. جامعه آماری اول پژوهش کلیه اسناد مکتوب مربوط به تحلیل بازخورد متنی و احساسات کاربران شامل 60 مقاله و اثر بر مبنای معیارهای معتبر از بین 198 مقاله و اثر انتخاب و تحلیل شد. جامعه‌­ی آماری دوم شامل خبرگان حوزه­‌ی فناوری اطلاعات در رشته­‌های فناوری اطلاعات، جامعه­‌شناسی، رفتارشناسی و... بودند که در نهایت 15 نفر تعیین شدند و به دلیل شرایط و محدودیت­های پاندمی کرونا، به صورت از راه دور نسبت به ارائه‌­ی نظرات و پیشنهادات اقدام نمودند.
یافته­‌ها: با  کاربرد مراحل هفتگانه فراترکیب، الگوی مفهومی در شش لایه­‌ی مفهومی، مقوله­‌ای و کدها به دست امد. در هر یک از لایه‌­ها مفاهیم و موضوعاتی گنجانده شد که در نهایت 27 مؤلفه شناسایی شد. جهت اعتباریابی کیفی الگوی به دست آمده بر اساس نظرات خبرگان در قالب گروه­‌های کانونی اخذ شد و الگوی مفهومی مورد تأیید خبرگان پژوهش قرار گرفت.
نتیجه‌­گیری: با توجه به یافته­‌های حاصل از اجرای فرآیند فراترکیب در شناسایی ابعاد و مقوله‌­های رفتاری کاربران در تحلیل بازخورد متنی در شبکه­‌های اجتماعی که می‌­تواند مبنایی برای پژوهش­‌های آتی در جهت هدایت، راهبری و رفتارشناسی کاربران و همچنین راهنمایی در راستای سیاست­‌های اجرایی برای مسئولین و تصمیم‌­گیران در سازمان­‌ها و نهادهای ذی‌­نقش قرار گیرد در قالب الگویی مفهومی که به تأیید و توافق بالای خبرگان رسید، ارائه گردید.

 
متن کامل [PDF 707 kb]   (665 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: تخصصي

فهرست منابع
1. Alvarez-Milan, Agarzelim, Reto Felix, Philipp A. Rauschnabel, and Christian Hinsch. 2018. "Strategic User engagement: A decision making framework." Journal of Business Research 61-70. doi: [DOI:10.1016/j.jbusres.2018.07.017]
2. Basiriyan , H. Khaniky, H. (2014). Iranian policymakers and social media policymakers. So-cial Welfare and Development Planning Quarterly, No. 21. (Persian)
3. Basiri.E. Kabiri,A. (2017). Translation is not enough: Comparing Lexicon-based methods for sentiment analysis in Persian.Computer Science and Software Engineering. [DOI:10.1109/CSICSSE.2017.8320114]
4. Barbosa.L., Feng.J., (2010). Robust Sentiment Detection on Twitter from Biased and Noisy Data. Journal of Information Technology.
5. Barnaghi, P., Ghaffari, P., & Breslin, J. G. (2016). Opinion mining and sentiment polarity on twitter and correlation between events and sentiment. In 2016 IEEE Second International Conference on Big Data Computing Service and Applications (BigDataService) (pp. 52-57). IEEE. [DOI:10.1109/BigDataService.2016.36]
6. Basiri, M. E., & Kabiri, A. (2017). Sentence-level sentiment analysis in Persian. 3rd International Conference on Pattern Analysis and Image Analysis, IPRIA 2017, (April), 84-89. [DOI:10.1109/PRIA.2017.7983023]
7. Bhattacharya, C.B., H. Rao, and M.A. Glynn. 1995. "Understanding the bond of identification: an investigation of its correlates among art museum members." Journal of Marketing 59 (4): 46-57. [DOI:10.1177/002224299505900404]
8. Bryman, A., and E. Bell. 2007. Business research methods. Oxford University Press.
9. Carlson, Jamie, Jessica Wyllie, Mohammad M. Rahman, and Ranjit Voola. 2018. "Enhancing brand relationship performance through customer participation." Journal of Retailing and Consumer Services 1-9. doi:
10. Consuegra, D. and Klieb, L. (2018). Impact of Social Media on Consumer Behaviour. International Journal of Information and Decision Sciences, 11(3). [DOI:10.1504/IJIDS.2019.101994]
11. Drus, Z. Khalid,H. (2019). Sentiment Analysis in Social Media and Its Application: Systematic Literature Review, Procedia Computer Science. [DOI:10.1016/j.procs.2019.11.174]
12. Duwairi, R., & El-Orfali, M. (2014). A study of the effects of preprocessing strategies on sentiment analysis for Arabic text. Journal of Information Science, 40(4), 501-513. [DOI:10.1177/0165551514534143]
13. Feely, W., Manshadi, M., Frederking, R. E., & Levin, L. S. (2014). The CMU METAL Farsi NLP Approach. In LREC (pp. 4052-4055).
14. Flick, U. 2002. An Introduction to Qualitative Research. London: Sage Publication.
15. Gilmore, J.H., and B.J. II Pine. 2002. "Differentiating hospitality operations via experiences: why selling services is not enough." The Cornell Hotel and Restaurant Administration Quarterly 43 (3): 87-96. [DOI:10.1016/S0010-8804(02)80022-2]
16. Hajli, Nick, Mohana Shanmugam, Savvas Papagiannidis, Debra Zahay, and Marie-Odile Richard. 2017. "Branding co-creation with members of online brand communities." Journal of Business Research 70: 136-144. doi:http://dx.doi.org/10.1016/j.jbusres.2016.08.026. [DOI:10.1016/j.jbusres.2016.08.026]
17. Harmeling.M, Collen, Jordan W.Moffett, Mark J.Arnold, and Brad D.Carlson. 2016. "Toward a theory of user engagement marketing." journal of Academy of Marketing Science 45: 312-335. doi:10.1007/s11747-016-0509-2. [DOI:10.1007/s11747-016-0509-2]
18. Hashim,K.F, Fadhil, N., Engaging with Customer Using Social Media Platform: A Case Study of Malaysia Hotels, Procedia Computer Science.
19. Hollebeek, Linda, Biljana Juric, and Wenyan Tang. 2017. "Virtual brand community engagement practices: a refined typology and model." Journal of Services Marketing 31 (3): pp.204-217. doi: [DOI:10.1108/JSM-01-2016-0006]
20. Hoseini,P. Ramaki, A., Maleki,H. (2021). SentiPers: A Sentiment Analysis Corpus for Persian, Journal of Information Management.
21. Liu, B. (2012). Sentiment analysis and opinion mining. Synthesis Lectures on Human Language Technologies, 5(1), 1-167 [DOI:10.1007/978-3-031-02145-9]
22. Muneta,M., Pascual, C., Lopez,A. 2020, Key Image Attributes to Elicit Likes and Comments on Instagram. Journal of Promotion Management.
23. Pansari, Anitta, and V.Kumar. 2016. "Customer engagement: the construct, antecedents, and consequences." Journal of Academy of Marketing Science 45 (3): 294-311. doi: [DOI:10.1007/s11747-016-0485-6]
24. Peykary, N. Yaghobi, A. Taheri, H .(2015). Analyzing emotions on Twitter with text mining techniques. International Conference on Web Research. (Persian)
25. Pilan jezhad, M. (2018). Sentiment analysis of social networks users based on text mining. National Conference on New Technologies in Electrical and Computer Engineering. (Persian)
26. Potdar, Vidyasagar, Sujata Joshi, Rahul Harish, Richard Baskerville, and Pornpit Wongthongtham. 2018. "A process model for identifying online customer engagement patterns on." Information Technology & People 31 (2): 595-614. doi: [DOI:10.1108/ITP-02-2017-0035]
27. Rezaei, S. Dastkhan, H. Oliya, M. (2018). Text mining methods in analyzing customers' opinions and preferences in social networks: A case study in the Iranian digital products market. (Persian)
28. Rietveld. R., Willemijn,V., (2020). What You Feel, Is What You Like Influence of Message Appeals on Customer Engagement on Instagram. [DOI:10.1016/j.intmar.2019.06.003]
29. Yue,L., Chen, W., Li,X., Yin,M. A survey of sentiment analysis in social media. Knowledge and Information Systems.
30. Xhema. J. Effect of Social Networks on Consumer Behavior: Complex Buying. (2019). IFAC PapaersOnline 52. [DOI:10.1016/j.ifacol.2019.12.594]
31. Zakeri, R. Zakei, M. Fomani, GH. (2017). The relationship between the use of virtual social networks and the perception of social interactions. Information Technology Quarterly. (Persian)

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به تعامل انسان و اطلاعات می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2024 CC BY-NC 4.0 | Human Information Interaction

Designed & Developed by : Yektaweb