这篇文档属于类型a(单篇原创研究报告),以下是详细的学术报告:
本研究由Abhishek Deshmane(乔治亚理工学院Scheller商学院)与Xabier Barriola(荷兰蒂尔堡大学经济管理学院)合作完成,发表于Manufacturing & Service Operations Management期刊2025年第27卷第2期(3-4月刊),标题为《Frame by Fame: Content Creation on Short Video-Format Platforms》。DOI编号为10.1287/msom.2021.0332。
本研究属于社交媒体运营管理(Social Media Operations Management)与用户生成内容(User-Generated Content, UGC)的交叉领域,聚焦于短视频平台(如TikTok、网易云音乐)的内容创作策略。
科学问题:短视频平台的注意力经济(Attention Economy)依赖用户创作内容(UGC)的病毒式传播(Virality),但创作者如何根据平台算法、社交层级(Social Hierarchy)和内容流行度调整创作策略尚不明确。
研究目标:
1. 分析创作者发布频率与历史内容成功度的关系;
2. 探讨内容流行度(Virality)和算法推荐(Algorithmic Recommendations)对创作内容类型的影响;
3. 揭示创作者社交地位(以粉丝数衡量)在上述关系中的调节作用。
研究使用网易云音乐2019年11月的三类数据:
- 用户级数据:随机抽取200万用户;
- UGC级数据:平台所有“MLog”(类似TikTok的短视频)的创作记录;
- 交互数据:用户对MLog的点击、点赞、评论、分享行为日志。
(1)发布间隔时间分析
- 因变量:用户发布相邻MLog的时间间隔(Δtime);
- 自变量:
- 用户粉丝数(Social Status);
- 前一条MLog的相对成功度(Δreact,以前期反应标准化);
- 平台内容流行度(Artist/Theme Virality)。
- 模型:OLS回归(控制用户历史行为、时间固定效应等)。
(2)内容采纳决策分析
- 两阶段中介模型:
- 第一阶段(点击行为):Probit模型分析用户点击推荐MLog的概率;
- 第二阶段(采纳行为):Probit模型分析用户从点击的MLog中采纳音乐或主题的概率。
- 关键变量:
- 算法推荐排名(Impress Ranking);
- 内容流行度(Virality);
- 用户历史偏好(Past Adoption)。
(报告字数:约1800字)