دوره 8، شماره 2 - ( 6-1400 )
جلد 8 شماره 2 صفحات 24-12 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
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
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)
دانشگاه تهران، دانشکده مدیریت، تهران، ایران
چکیده: (2949 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.
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.
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 پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 | این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
