ارزیابی کارایی محتوا در شبکه‌های اجتماعی بر پایه ویژگی‌های متنی و تعامل کاربران

نویسندگان

  • مهرو پورجانی فومنی * دانشگاه آزاد اسلامی واحد علوم تحقیقات، تهران، ایران.
  • محسن رستمی مال خلیفه دانشگاه آزاد اسلامی واحد علوم تحقیقات، تهران، ایران.

https://doi.org/10.22105/mmaa.vi.136

چکیده

هدف: شبکه‌های اجتماعی به یکی از مهم‌ترین بسترهای تولید، انتشار و مصرف محتوا تبدیل شده‌اند و روزانه حجم عظیمی از داده‌های متنی در آن‌ها تولید می‌شود. ارزیابی عملکرد محتوا در این فضا معمولاً بر شاخص‌هایی نظیر تعداد بازدید، امتیاز یا میزان تعامل کاربران متمرکز است، در حالی که این شاخص‌ها لزوماً بیانگر کارایی واقعی محتوا نیستند. ممکن است دو محتوا با سطوح متفاوتی از پیچیدگی و ساختار متنی، خروجی مشابهی از نظر تعامل کاربران ایجاد کنند. در نتیجه، تحلیل نسبت میان ویژگی‌های متنی محتوا و نتایج حاصل از آن می‌تواند دیدگاه دقیق‌تری نسبت به عملکرد واقعی محتوا فراهم سازد. بر این اساس، پژوهش حاضر با هدف ارزیابی کارایی پست‌های منتشرشده درReddit  و شناسایی عوامل مؤثر بر کارایی آن‌ها انجام شد.

روش‌شناسی پژوهش: این پژوهش از نوع کاربردی بوده و با بهره‌گیری از تحلیل متن، تحلیل پوششی داده‌ها و یادگیری ماشین انجام شده است. داده‌های مربوط به پست‌های Reddit در ژانویه 2012 گردآوری و پس از پاک‌سازی و پیش‌پردازش مورد تحلیل قرار گرفتند. مجموعه‌ای از ویژگی‌های ساختاری شامل طول عنوان، طول متن، تعداد واژگان و میانگین طول کلمات و همچنین ویژگی‌های محتوایی شامل احساس متن، ذهنی‌بودن محتوا، خوانایی و تنوع واژگان استخراج شدند. سپس کارایی پست‌ها با استفاده از مدل دو مرحله‌ای تحلیل پوششی داده‌ها ارزیابی شد. در ادامه، برای شناسایی عوامل مؤثر بر کارایی از مدل جنگل تصادفی و روش SHAP و برای تحلیل تفاوت میان انواع محتوا از مدل‌سازی موضوعی استفاده شد.

یافته‌ها: نتایج نشان داد میانگین کارایی مرحله دوم، یعنی تبدیل کیفیت محتوایی به تعامل کاربران، بالاتر از مرحله نخست است که بیانگر دشوارتر بودن تولید محتوای باکیفیت نسبت به جذب تعامل است. تحلیل عوامل مؤثر بر کارایی نیز نشان داد متغیر ذهنی‌بودن محتوا(Subjectivity)  و طول متن بیشترین نقش را در تبیین کارایی پست‌ها دارند. همچنین تحلیل موضوعی داده‌ها نشان داد محتواهای مبتنی بر گفتگو، بیان تجربه شخصی و تعامل انسانی از میانگین کارایی بالاتری نسبت به محتواهای عمومی و رویدادمحور برخوردار هستند. علاوه بر این، نتایج ابرکارایی نشان داد تنها تعداد محدودی از پست‌ها توانسته‌اند با استفاده بهینه از ویژگی‌های متنی، عملکردی فراتر از سایر پست‌های کارا داشته باشند.

اصالت/ارزش افزوده علمی: این پژوهش مفهوم کارایی محتوا را فراتر از شاخص‌های متداول محبوبیت در شبکه‌های اجتماعی مورد بررسی قرار داد و نشان داد که کیفیت و ساختار متن چگونه بر توانایی محتوا در ایجاد تعامل اثر می‌گذارند. ارزش افزوده اصلی مطالعه در ترکیب تحلیل پوششی داده‌ها، تحلیل متن و هوش مصنوعی تبیینی برای ارزیابی عملکرد محتوا است. نتایج پژوهش می‌تواند به مدیران پلتفرم‌های دیجیتال، تولیدکنندگان محتوا و پژوهشگران حوزه تحلیل داده در درک بهتر عوامل مؤثر بر اثربخشی محتوا و طراحی راهبردهای تولید محتوای کارآمد کمک کند.

کلمات کلیدی:

کارایی محتوا، تحلیل پوششی داده‌های دومرحله‌ای ، تحلیل متن ، شبکه‌های اجتماعی، تعامل کاربران ، هوش مصنوعی تبیینی

مراجع

  1. [1] Medvedev, A. N., Lambiotte, R., Delvenne, J. C., 2019. The anatomy of Reddit: An overview of academic research, Dynamics on and of Complex Networks, 183-204.
  2. [2] Kao, C., Hwang, S. N., 2008. Efficiency decomposition in two-stage data envelopment analysis: An application to non-life insurance companies in Taiwan, European Journal of Operational Research, 185(1), 418-429.
  3. [3] Breiman, L., 2001. Random forests, Machine Learning, 45(1), 5-32.
  4. [4] Lundberg, S. M., Lee, S. I., 2017. A unified approach to interpreting model predictions, Advances in Neural Information Processing Systems, 30.
  5. [5] Molnar, C., 2020. Interpretable Machine Learning, Lulu.com.
  6. [6] Salton, G., Buckley, C., 1988. Term-weighting approaches in automatic text retrieval, Information Processing & Management, 24(5), 513-523.
  7. [7] MacQueen, J., 1967. Some methods for classification and analysis of multivariate observations, Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, 281-297.
  8. [8] Andersen, P., Petersen, N. C., 1993. A procedure for ranking efficient units in data envelopment analysis, Management Science, 39(10), 1261-1264.
  9. [9] Seyed Esmaeili, F. S., Rostamy-Malkhalifeh, M., Hosseinzadeh Lotfi, F., 2020. Two-stage network DEA model under interval data, Mathematical Analysis and Convex Optimization, 1(2), 103-108.
  10. [10] Zanboori, E., Rostamy-Malkhalifeh, M., Jahanshahloo, G. R., Shoja, N., 2014. Calculating super efficiency of DMUs for ranking units in data envelopment analysis based on SBM model, The Scientific World Journal, 2014, 382390.
  11. [11] Rostamy-Malkhalifeh, M., Mollaeian, E., 2012. Evaluating performance supply chain by a new non-radial network DEA model with fuzzy data.
  12. [12] Flesch, R., 1948. A new readability yardstick, Journal of Applied Psychology, 32(3), 221-233.
  13. [13] Yu, Y., Chen, H., Romero, D., Dhillon, P. S., 2025. Signals in the Noise: Decoding Unexpected Engagement Patterns on Twitter, arXiv preprint arXiv:2509.08128.
  14. [14] Cvijikj, I. P., Michahelles, F., 2013. Online engagement factors on Facebook brand pages, Social Network Analysis and Mining, 3(4), 843-861.
  15. [15] Peykani, P., Mohammadi, E., Saen, R. F., Sadjadi, S. J., Rostamy-Malkhalifeh, M., 2020. Data envelopment analysis and robust optimization: A review, Expert Systems, 37(4), e12534.
  16. [16] Hosseinzadeh Lotfi, F., Jahanshahloo, G. R., Khodabakhshi, M., et al., 2013. A review of ranking models in data envelopment analysis, Journal of Applied Mathematics, 2013, 492421.

چاپ شده

2026-08-25

شماره

مقالات آماده انتشار

نوع مقاله

مقالات شماره جاری

ارجاع به مقاله

پورجانی فومنی م., & رستمی مال خلیفه م. . (2026). ارزیابی کارایی محتوا در شبکه‌های اجتماعی بر پایه ویژگی‌های متنی و تعامل کاربران. مدیریت: مدلسازی، تحلیل‌ها و کاربرد. https://doi.org/10.22105/mmaa.vi.136
Crossref
Scopus
Google Scholar
Europe PMC

مقالات مشابه

##common.pagination##

همچنین برای این مقاله می‌توانید شروع جستجوی پیشرفته مقالات مشابه.