Farnaz Khorsand Alireza Saeid Afkham Shoara
RWTH Aachen University RWTH Aachen University
Farnaz.khorsand@rwth-aachen.de Alireza.afkham@rwth-aachen.de


Abstract

Der durch die rasante Entwicklung der digitalen Medien entstandene Effekt von sozialen Netzwerken auf unsere Wahrnehmung von Informationen ist nicht zu bestreiten. Dieser Effekt wird unteranderem von heutigen Marketern dazu genutzt, um durch den Einsatz sozialer Medien die Aufmerksamkeit potenzieller Kunden auf ihre Produkte zu lenken.

Hierfür sind insbesondere Mundpropaganda und digitale Medien als das Mittel zur beschleunigten Verbreitung von Trends von besonderem Interesse für Werbestrategien. Dazu sind die optische Aufmachung sowie die, durch die Beiträge hervorgerufenen,emotionalen Eigenschaften , die die Weiterleitungschance dieser Inhalte und damit die Chance, sich gegen andere bereits virale und bekannte Konkurrenten durchzusetzen, erhöhen. Ziel dieses Kapitels ist die Vorstellung der Korrelation zwischen folgenden zwei effektiven Faktoren, die in vielen Bereichen zur Maximierung von Einflüssen eingesetzt werden. Zum einen algorithmische Bausteine der sozialen Netzwerke als effektiver Faktor und zum anderen psychologisch geforschte Auswirkung emotionaler und in Medien enthaltener Reize auf die Weiterleitungstendenz der Benutzer. Schließlich betrachten wir das Konzept von Influencern als Marketingstrategie, welches durch einen kombinierten Einsatz der algorithmischen und psychologischen Ansätze zum Erreichen größerer Mengen von Adressaten und Maximierung von Einflüssen in den sozialen Medien entstanden ist.


Inhaltsverzeichnis

  1. Einleitung
    - Verwandte Arbeiten
  2. Methodik
    - Algorithmen als Ausgangspunkt der Optimierung:
    - Psychologische Taktiken
  3. Anwendung:
    - Influencer:
  4. Ausblick
  5. Referenzen


Einleitung

Jeder von uns stoßt täglich auf diverse Online-Beiträge. Sei dies nun ein wissenschaftlicher, nachrichtlicher, freizeitbezogener oder gar wirtschaftlicher Beitrag. Meistens sind wir an diesen Beiträgen interessiert, die uns auf verschiedenen Medien zufällig oder personalisiert entgegenkommen oder von anderen an uns weitergeleitet werden.

In der Tat widmen wir einen bedeutsamen Anteil unserer online verbrachten Zeit den sozialen Medien.(Srinivasan et al., 2014)

Dies führt dazu, dass soziale Medien und Mundpropaganda als sparsame jedoch effektive Werbemittel in unserer heutigen vernetzten Gesellschaft von Marketern betrachtet werden. (Berger & Milkman, 2012)

In diesem Rahmen fokussieren wir uns im Folgenden auf algorithmische und psychologische Ansätze zur Verbesserung der Algorithmen und dem Einfluss sozialer Netzwerke .

Betrachten wir als Beispiel Großkonzerne deren Ziel es ist, potenzielle Interessenten mit geringsten Kosten auf sich aufmerksam zu machen, und diese durch wiederholte Werbungen und Weiterempfehlungen in tatsächliche Kunden umzuwandeln. Offensichtlich ist es nicht für jeden dieser Großkonzerne möglich einzelne Personen zu finden, die sich möglicherweise für die Produkte dieses Konzerns interessieren. (Srinivasan et al., 2014)

Demzufolge teilen sie diese Aufgabe auf, indem sie nur eine kleine jedoch einflussreiche Gruppe, zum Beispiel Influencer, kontaktieren, damit diese das Konsumverhalten ihrer Follower bezüglich der Produkte beeinflussen. (Srinivasan et al., 2014)

Dies führt jedoch zu einem neuen Problem: Stellen wir uns ein soziales Medium als einen Graphen \(G\) mit \(G=(V,E)\) vor, wobei jeder Knoten \(v \in V\) mit einem anderen Knoten \(k\) mittels einer Kante \(e \in E\) verbunden ist. (Abb.1)

Wie aus Grundkenntnissen der Graphentheorie bekannt ist, lassen sich in diesem Graphen Knoten finden, die über eine höhere Densität verfügen als die anderen Knoten.

Wie können im Rahmen des Themas Influencer solche Knoten mit einer dichten Vernetzung gefunden werden? Diese sind genau die gewünschten indirekten Überbrückungen zwischen den Konzernen und den potenziellen Kunden. (Srinivasan et al., 2014)

Eine laienhafte Lösung wäre einen Algorithmus zu entwickeln der die Knoten mit dichtem Vernetzungsgrad, wie der rote Knoten in der Abbildung 1, basierend auf Faktoren wie Anzahl der Abonnenten, Aufrufe oder Likes bestimmen würde. (Srinivasan et al., 2014)

Diese Lösung scheitert bereits in der Testphase, denn wie glaubwürdig erscheint der Influencer den Abonnenten, wenn das von dem Influencer praktizierte Thema erheblich von dem zu präsentierenden Produkt abweicht? (Srinivasan et al., 2014)

Ist das zu präsentierende Produkt für die Knoten in dem linken Teilgraph interessanter, so bietet es sich in dem Fall an, den gelben Knoten als Überbrückung zu nutzen, um die Zielgruppe zu erreichen.

Alt-Text Abbildung 1| Rot: höchste Densität Gelb: höher Densität Grün: mittlere Densität

Eine algorithmische Lösung ist allerdings nur dann hilfreich, wenn die richtigen Knoten tatsächlich gefunden werden.

Jedoch können wir mit Hilfe eines psychologischen Ansatzes die Verbreitung der Online-Beiträge über die Grenzen der Abonnenten der Influencer hinaus steigern.

Verwandte Arbeiten

Mit der zunehmenden Attraktivität sozialer Medien haben sich immer mehr Wissenschaftler mit der Thematik der Einflussmaximierung befasst, was ein tiefes Verständnis über die funktionalen Algorithmen in sozialen Netzwerken fordert.

Diese Arbeit beruht auf den Ergebnissen von drei relevanten Arbeiten im Zusammenhang mit der Maximierung von Einflüssen in den sozialen Netzwerken, die mögliche Problemlösungen aus verschieden Sichten anbieten. Diese sind jeweils durch Betrachtung unterschiedlicher Einflussfaktoren entstanden, welche die sozialen Netzwerke potenziell bezüglich ihrer Struktur und Effektivität verstärken. Weiterführende Informationen über die algorithmische Struktur der sozialen Netzwerke und wie die gewünschten Effekten der sozialen Medien verbessert werden können, sind in dem Papier „Topic-based Targeted Influence Maximization“ von Srinivasan zu finden.(Srinivasan et al., 2014)

Wie optische und inhaltliche Faktoren, so wie Stimmung und Emotionen, den Prozess beeinflussen erfährt man in der Arbeit „What Makes online Content Viral?“ von Berger und Milkman, die das Problem aus der psychologischen Sicht und unabhängig von den algorithmischen Strukturen der sozialen Netzwerke in Betracht zieht.(Berger & Milkman, 2012)

Das Papier „Influencer marketing. Teenagers as commercial content creators.“ von Veirman et al befasst sich ausführlich mit Marketing durch Influencer.(de Veirman et al., 2019)


Methodik

Algorithmen als Ausgangspunkt der Optimierung:

Die Suche nach einflussreichen Knoten eines Graphen (repräsentativ für ein soziales Medium) ist ein bekanntes Problem, was weitgehend mithilfe sozialer Netzwerke gelöst werden kann.

Das Problem lässt sich in zwei Bereiche verzweigen: nämlich das sogenannte Top \(k\) node Problem, was sich mit der Suche nach den besten Kandidaten als Einflusspunkte befasst, und \(λ\) coverage Problem, was sich auf die größtmögliche Deckung der gezielten Gruppe bezieht. (Srinivasan et al., 2014)

Hierzu kann man empirische Experimente durchführen, um z.B. die Unterschiede und Gemeinsamkeiten der beiden Methoden bezüglich ihres Erfolges der Einflussmaximierung anhand der Messung, der von ihnen erzeugten Effekte auf die Zielgruppen, zu ermitteln. (Srinivasan et al., 2014)

Eine weitere Möglichkeit besteht darin das Problem mithilfe der Graphentheorie zu lösen.

Im Folgenden führen wir den Ausgangspunkt des Problems ein und erläutern eine entsprecIm Folgenden führen wir den Ausgangspunkt des Problems ein und erläutern eine entsprechende Beispiellösung mithilfe der Graphentheorie.

Betrachten wir zunächst das Problem der Maximierung von Einflüssen als ein Optimierungsproblem \(S\), dann beschreibt \(S\) eine Teilmenge aller Knoten in einem sozialen Netzwerk, die den gezielten Einfluss möglichst ausdehnen. (Srinivasan et al., 2014) Bereits bei dem wichtigen Aspekt der Skalierbarkeit scheitern viele Algorithmen. Es wurde bereits in vielen Studien bewiesen, dass das Problem NP-schwer sei, was viele Wissenschaftler dazu brachte nach Möglichkeiten zu suchen, um das Problem „Maximierung von Einflüssen in sozialen Netzwerken“ zu umgehen.

Maximum Influence Arborescence MIA:

„Maximum Influence Arborescence MIA“ (Srinivasan et al., 2014) wurde anfänglich als eine Alternativlösung vorgestellt. Die von Srinivasan et al (2014) präsentierte Version dieses Algorithmus wurde im Fokus auf Einflussmaximierung auf eine bestimme Zielgruppe weiterentwickelt und modifiziert.

Für ein leichteres Nachvollziehen des Algorithmus führen wir zunächst die notwendigen Definitionen ein:

1.Definition: Die Ausbereitungswahrscheinlichkeit, das heißt die Wahrscheinlichkeit dafür, dass ein Knotenpunkt \(u\) in dem sozialen Netzwerk einen anderen Knotenpunkt \(v\) aktiviert, lässt sich als \(pp(P_{uv})\) für einen Pfad \(p_{uv}= \big\{p_{1},p_{2},…,p_{m}\big\}\) von \(u\) nach \(v\) mit \(pp(P_{uv})= \prod_{i=1}^{m-1}pp(p_{i}+p_{i+1})\) berechnen. (Srinivasan et al., 2014)

2.Definition: „maximum influence path \(𝑀𝐼𝑃_{𝐺}=(u,v)\)“ (Srinivasan et al., 2014) bezeichnet den Pfad mit der größten Ausbreitungswahrscheinlichkeit. (Srinivasan et al., 2014)

3.Definition: Gegeben ein Knoten \(𝑣\) mit \(𝑣 𝜖 𝑉\), dann definiert „maximum influence in-arborescence (MIIA)“ (Srinivasan et al., 2014) dden Pfad mit der maximalen Ausbereitungswahrscheinlichkeit zum Knoten \(v\) der durch Traversierung andere Knoten entsteht. (Srinivasan et al., 2014)

In diesem Zusammenhang definiert „maximum influence out-arborescence (MIOA)“ (Srinivasan et al., 2014)die maximale Ausbereitungswahrscheinlichkeit von \(v\) zu anderen Knoten.(Srinivasan et al., 2014)

Dazu werden die kleineren Werte mit Hilfe einer Schwelle \(\Theta\) herausgefiltert.(Srinivasan et al., 2014)

Die Beeinflussung eines Knotens \(v\) durch eine Teilmenge von Knoten \(S\) eines Graphen mit \(S\subseteq G\) unter der Annahme, dass \(v\) nicht in \(S\) enthalten ist, kann nur mit Hilfe der Knoten in \(𝑀𝐼𝐼𝐴(𝑣,\Theta )\)), das heißt Knoten, die in Nachbarschaft zu \(v\) stehen realisiert werden. (Srinivasan et al., 2014)

Die Aktivierungswahrscheinlichkeit für einen beliebigen Knoten \(u\) in \(𝑀𝐼𝐼𝐴(𝑣,\Theta )\) mit der Annahme, dass die Knotenmenge \(S\) die aktivierende Teilmenge ist und \(u\) aktivieren soll, kann mit \(𝑎𝑝(𝑢,𝑆,𝑀𝐼𝐼𝐴(𝑣,\Theta ))\) ermittelt werden. (Srinivasan et al., 2014)

Des Weiteren bezeichnet \(𝑁^{𝑖𝑛}(𝑢,𝑀𝐼𝐼𝐴(𝑣,\Theta))\) die Menge aller Nachbarn von \(u\) in der Menge \(𝑀𝐼𝐼𝐴(𝑣,\Theta )\) wobei diese Menge alle Knoten beinhaltet die potenziell \(v\) beeinflussen könnten. (Srinivasan et al., 2014)

Auf diese Weise kann nun ermittelt werden, mit welcher Wahrscheinlichkeit ein Knoten \(v\) von einem Knoten \(u \in 𝑀𝐼𝐼𝐴(𝑣,\Theta)\) aktiviert und durch die Menge \(S\) beeinflusst werden kann.

Der Algorithmus in Abb.2 beschreibt die Reihenfolge der auszuführenden Schritte.

Alt-Text Abbildung 2. Algorithmus zu Berechnung der Aktivierungswahrscheinlichkeit

Ein wesentliches Problem bislang ist die Auswahl des als nächsten zu besuchenden Knoten gewesen, der potenziell den Einfluss möglichst ausdehnt. Wenn eine Menge \(𝑀𝐼𝐼𝐴(𝑣,\Theta )\), ein Knoten \(u \in 𝑀𝐼𝐼𝐴(𝑣,\Theta)\) und eine Menge \(S\) wie bereits definiert gegeben ist, kann die zu besuchende Knotenmenge für die Beeinflussung eines beliebigen Knotens \(u\) von \(S\) aus mithilfe der Aktivierungswahrscheinlichkeit \(ap(u,S\cup{w} ,𝑀𝐼𝐼𝐴(𝑣,\Theta))\) für alle \(u \in 𝑀𝐼𝐼𝐴(w,\Theta)\) berechnet werden. (Srinivasan et al., 2014)

Psychologische Taktiken

Optimierung der Algorithmen, die in direkter Korrelation mit Einflussmaximierung stehen, ist ein massives Untersuchungsgebiet. Ganz oft findet man aber auch Lösungen zu einem bestimmten Problem in anderen Gebieten, weshalb wir nun unseren Fokus einem anderen Gebiet widmen und uns im Folgenden einen Eindruck über die Auswirkung humanistischer und psychologischer Faktoren auf das Weiterleitungsverhalten von Menschen schaffen.

Die von K.Milkman und J.Berger veröffentlichte Studie „What Makes Online Content Viral?“, fokussiert sich zunächst auf die Eigenschaften der online Beiträge, die die Weiterleitungstendenz des Lesers in Abhängigkeit von der Natur der hervorgerufenen Affektionen steuern kann.

Zahlreiche Aspekte wie Valenz der Emotionen, Informationsgehalt, optische Erscheinungseigenschaften in dem entsprechenden Medium, sowie Erscheinungsdatum und die Reputation und Geschlecht des Autors/der Autorin können die Tendenz der Bewertung der Adressaten auf diesen Beitrag in verschiedene Richtungen lenken. (Berger & Milkman, 2012)

Die Studie, auf dessen Ergebniss die Arbeit von Berger und Milkman basiert, lässt sich in drei Einheiten unterteilen.

Der Startpunkt ist die Hypothese, dass die Natur und Valenz der Emotion, affektive Aktivierung und Erregung, sowie die Stimmung, die durch einen Beitrag induziert wird, eine direkte Korrelation mit der Weiterleitungstendenz des Lesers aufweist. Daraus ließe sich ableiten, dass positive Beiträge aufgrund ihrer Valenz und Aktivierungsfähigkeit an erster Stelle und stark affektive Beiträge aufgrund Kopplung mit emotionaler Erregung an zweiter Stelle dazu tendieren, häufiger von den Lesern weitergeleitet zu werden. (Berger & Milkman, 2012)

Demzufolge würde eine genauere Kategorisierung der affektiven Eigenschaften der Beiträge dazu dienen, eine Konkretisierung der Hypothese zu schaffen und eindeutig sagen zu können, von welchen Kategorien von Emotionen die Weiterleitungstendenz des Lesers am meisten gesteuert wird.(Berger & Milkman, 2012)

An dieser Stelle wurde die Annahme getroffen, dass Emotionen wie Trauer, Ärger, Furcht und Aufregung zu den negativ geladenen Emotionen und Freude, Überraschung und Erstaunen zu den positiv geladenen Emotionen gehören. (Berger & Milkman, 2012)

Emotionen wie Überraschung, Erstaunen, Angst und Ärger gelten als aktivierende Emotionen während Freude oder Trauer hingegen mit einem niedrigen Aktivierungsgrad assoziiert werden.(Berger & Milkman, 2012)

Als Untersuchungsmaterial betrachten wir die meistgelesenen Beiträge der New York Times. (Berger & Milkman, 2012)

Einheit 1

In der ersten Phase dieser Einheit werden die Artikel von einem Programm auf Grundlage der Anzahl positiver und negativer Wörter kategorisiert, wobei in der zweiten Phase die Artikel von Menschen gelesen und bezüglich der von den Artikeln induzierten Stimmung und dem Aktivierungsgrad bewertet und kategorisiert werden. (Berger & Milkman, 2012)

Die Hypothese wird, beruhend auf der Weiterleitungsreaktion des Lesers bezüglich positiver oder negativer Emotionen, sowie der Kopplung mit hohem oder niedrigem affektiven Aktivierungsgrad, durch das Ergebnis der ersten Einheit der Studie bestätigt. (Berger & Milkman, 2012)

Einheit 2

In der zweiten Einheit der Studie wird in zwei Gruppen untersucht, ob sich spezifische Stimuli, Unterhaltsamkeit und Ärger, bei einer Erhöhung des Intensivitätsgrades in den Beiträgen positiv auf die Weiterleitungsreaktion des Lesers bewirken. In diesem Zusammenhang erhalten die Versuchsteilnehmer der jeweiligen Gruppen Beiträge mit ähnlichen Geschichten, die lediglich in ihrer affektiven Intensivität variieren. In beiden Fällen wird die anfänglich angedeutete Annahme, dass Beiträge mit einem höheren affektivem Aktivierungsgrad bessere Weiterleitungschancen haben, bestätigt. (Berger & Milkman, 2012)

Einheit 3

In der dritten und letzten Einheit der Studie, wird der Effekt der deaktivierenden und passiven Emotionen besonders betrachtet. Der Ablauf des Experiments folgt dem Muster aus der zweiten Einheit, während diesmal den Teilnehmern des Experiments Beiträge mit traurigem Inhalt gezeigt werden, die wiederum nur in ihrer affektiven Intensität variieren. (Berger & Milkman, 2012) Wie approximiert, bewirkt eine erhöhte Intensität der deaktivierenden Stimuli wie Trauer, eine passivere Verhaltenssteuerung bei dem Leser und erniedrigt somit die Weiterleitungstendenz. (Berger & Milkman, 2012)

In einer übergreifenden Betrachtung der Ergebnisse dieser drei Einheiten kann Folgendes festgestellt werden: die bestehende Relation zwischen emotionalen Faktoren und deren Effekt auf Weiterleitungstendenz des Lesers ist stets komplexer als die bloße Betrachtung der Auswirkungen affektiver Eigenschaften oder die Valenz der Affektionen. (Berger & Milkman, 2012)


Anwendung:

Influencer:

Trotz diverser Techniken und Fortschritte im Bereich Einflussmaximierung, bleibt das Detektieren und Erreichen aller potenziellen Interessenten bezüglich Neuheiten in sozialen Medien ein komplexes, gar unmögliches Verfahren. Die naheliegendste Alternative, um den Verbreitungsprozess eines Beitrags mit beliebigem Inhalt zu beschleunigen und die maximale Anzahl an möglichen Interessenten adressieren zu können, liegt in den Händen der Benutzer der sozialen Medien, die das System besser als andere kennen.

In diesem Zusammenhang betrachten wir das einleitend erwähnte Konzept von Influencern, das ausgeschlossen ihrer strategischen Rolle bezüglich des Optimierungsproblems Einflussmaximierung, in den letzten Jahren als vollwertiger Beruf attraktiver geworden ist. (de Veirman et al., 2019)

Influencer werden oft als günstiges und einflussreiches Werbemittel von verschieden Marketern eingesetzt, die eine bestimmte Zielgruppe auf sich aufmerksam machen wollen. (Srinivasan et al., 2014)

Ihre Rolle umfasst eine Überbrückung der Großkonzerne und potenziellen Interessenten.(de Veirman et al., 2019)

Obwohl sie einen besonderen Beitrag zur Beschleunigung der Verbreitungsprozesse im Rahmen der Einflussmaximierung leisten, müssen sie ständig sowohl die Marketer als auch ihre Abonnenten von sich überzeugen, um von ihren Konkurrenten nicht überholt zu werden.

Daher ist es wichtig, dass sie einige grundlegende Kompetenzen beherrschen. Dazu müssen sie unteranderem in der Lage sein, sich eine geleichsinnige Gruppe an Adressaten zu beschaffen und sich mit ihren Interessen und Reaktionen vertraut zu machen, sodass sie die gemeinsamen Interessen im Rahmen der Beeinflussung konsumbezogener Entscheidungen ihrer Adressaten praktizieren und die Meinung und den Stand ihrer Adressaten in eine bestimmte Richtung überführen können. (de Veirman et al., 2019)

Des Weiteren müssen sie die Algorithmen der sozialen Netzwerke kennen und sich die Eigenschaften dieser Algorithmen zu Nutze machen, um zum einem ihre Gruppe von Adressaten zu inkrementieren und zum anderen sicherzustellen, dass ihre Beiträge in den sozialen Medien von ihren Adressaten konsumiert werden. (de Veirman et al., 2019)

Wie die Natur einer Werbung nahelegt, basieren die werbungsintendierten Beiträge der Influencer oftmals darauf, die zu präsentierenden Produkte mit positiven Anreizen wie Zufriedenheit, Begeisterung und Begehr in Assoziation zu bringen, um ihre Adressaten von den Produkten überzeugen zu können und ihre konsumbezogenen Ansichten zu beeinflussen.(de Veirman et al., 2019)

Wie bereits ausführlich erläutert, schlagen psychologische Ansätze vor, dass im Allgemeinen, die durch die Inhalte induzierte Affektionen und Stimmungen sowie der Aktivierungsgrad dieser Affektionen die Weiterleitungstendenz des Lesers beeinflussen. (Berger & Milkman, 2012)

Reaktionen wie Zufriedenheit, Begeisterung und Begehr gehören, wie bereits erwähnt, zu den positiven und stark aktivierenden Emotionen, die zum einen die Weiterleitungstendenz der Adressaten und zum anderen die Einflusswahrscheinlichkeit der Influencer auf die Adressaten inkrementieren. (Berger & Milkman, 2012)

Nun ist das Überzeugen von Adressaten nur ein Teil der Aufgabe der Influencer.

Wie gut es ihnen gelingt, ihren Beiträgen hohe Popularität zu verschaffen, hängt von ihren Erkenntnissen über die Algorithmen der von ihnen verwendete Medien ab. (de Veirman et al., 2019)


Ausblick

Die Entwicklung der sozialen Medien und die damit wachsenden Anwendungsfelder für den Einsatz sozialer Medien verlangt, sich ausführlicher mit den verschiedenen optimierungsbedürftigen Bereichen der sozialen Netzwerke auseinander zu setzen. Das Optimierungsproblem der Einflussmaximierung ist einer der Bereiche, die das Ziel verfolgen, die grundlegenden Algorithmen so zu optimieren, dass eine beschleunigte und gezielte Verbreitung der Inhalte in den sozialen Medien realisierbar wird.

Zwecks Optimierung der Algorithmen der sozialen Netzwerke haben wir in diesem Kapitel zwei Methoden kennen gelernt, die jeweils einen Einblick in die zwei Aspekte algorithmische und humanistisch-psychologische Faktoren bieten. Eine durchdachte Modifikation dieser beiden Faktoren hat eine optimierte Einflussmaximierung zufolge.

Ergebnisse der Forschung im Bereich Algorithmen der sozialen Netzwerke weisen darauf hin, dass eine Maximierung der Aktivierungswahrscheinlichkeit bestimmter Gruppen von Personen, durch korrekte Auswahl der zwischenstehenden Persönlichkeiten in der virtuellen Umgebung als Überbrückungen und Vermittler erreicht werden kann.

Resultate der Experimente im Bereich Effekte der humanistisch und psychologisch bedingten Faktoren auf die Verbreitungschancen der online Beiträge zeigen, dass durch Modifikation der durch einen Beitrag induzierten Emotionen die Weiterleitungstendenz der Leser in die gewünschte Richtung gelenkt werden kann.

Kombinierter Einsatz dieser beiden Methoden, durch beispielsweise Influencer, hat zufolge, dass bestimmte Personen in den sozialen Medien selbst eine Überbrückungsrolle annehmen und mithilfe der Eigenschaften der Algorithmen der sozialen Netzwerke und ihrer Kenntnisse über die psychologisch und humanistisch bedingten Reaktionen ihrer Adressaten, versuchen, deren konsumrelevanten Verhaltensweisen in eine bestimmte Richtung zu lenken.

Referenzen

  1. Srinivasan, B. V., Anandhavelu, N., Dalal, A., Yenugula, M., Srikanthan, P., & Layek, A. (2014). Topic-based targeted influence maximization. 2014 Sixth International Conference on Communication Systems and Networks (COMSNETS), 1–6. https://doi.org/10.1109/COMSNETS.2014.6734935
  2. Berger, J., & Milkman, K. L. (2012). What Makes Online Content Viral? Journal of Marketing Research 49 (2), 192–205. https://doi.org/10.1509/jmr.10.0353
  3. de Veirman, M., de Jans, S., & van den Abeele, E. (2019). Influencer marketing. Teenagers as commercial content creators. Advertising Literacy. Dealing with Persuasive Messages in a Complex Media Environment, Abstracts. http://hdl.handle.net/1854/LU-8645400