基于双机器学习方法的纺织业可持续社交媒体参与度因果驱动因素研究

《IEEE Transactions on Engineering Management》:Causal Drivers of Sustainable Social Media Engagement in the Textile Industry: A Double Machine Learning Approach

【字体: 大 中 小 】 时间:2025年12月08日 来源:IEEE Transactions on Engineering Management 5.2

编辑推荐:

  本研究针对纺织业绿色数字营销中内容格式对用户参与度的因果影响不明确问题,采用Double Machine Learning (DML)与DoWhy因果推断框架,分析了20,768个Instagram帖子。结果表明:Reels格式平均提升19次互动(ATE=19.27),而Carousel Albums和长视频降低互动。研究为可持续时尚的数字化传播提供了因果证据,为管理者优化内容策略及政策制定者设计高效公益传播方案提供了实证支持。

  
在快时尚产业对环境造成巨大压力的背景下,可持续时尚已成为行业转型的关键方向。随着数字化进程的加速,社交媒体平台如Instagram?成为品牌推广可持续理念、与消费者互动的重要渠道。然而,现有研究多集中于描述性分析或预测模型,难以回答"如果改变内容形式,用户参与度将如何变化"这类因果性问题。传统统计方法如普通最小二乘法(OLS)或倾向得分匹配(PSM)在处理高维混杂因素时存在局限,且无法有效验证因果关系的稳健性。因此,迫切需要一种能够融合因果推断严谨性与机器学习灵活性的分析框架,以揭示内容格式对用户参与度的真实影响。
为探究此问题,研究人员在《IEEE Transactions on Engineering Management》上发表了题为"Causal Drivers of Sustainable Social Media Engagement in the Textile Industry: A Double Machine Learning Approach"的论文。该研究通过整合Double Machine Learning (DML) 与DoWhy因果推断平台,构建了一个透明且可复现的因果分析流程,旨在量化Instagram内容格式(Reels、Videos、Carousel Albums)对用户参与度的平均处理效应(ATE)。
研究采用的技术方法主要包括:1)通过Socialinsider API收集2024年3月至8月期间20,768条包含可持续时尚主题标签的Instagram帖子数据;2)利用文本挖掘(TextBlob库)进行情感极性分析,并提取可持续发展关键词作为混杂变量;3)应用DoWhy框架构建因果图并进行因果识别;4)采用DML模型(基于RandomForestRegressor)估计ATE,并通过bootstrap置信区间和多种反驳测试(如placebo treatment、unobserved common cause等)验证结果稳健性。
研究结果通过系统化的分析揭示了内容格式的因果效应。首先,在因果估计方法比较中,DML表现出最优的精确度和稳定性。如图3至图7所示,DML的置信区间宽度最窄(28.64),且placebo误差范围最小,而OLS、NDIM等方法则呈现较大的估计波动性。这表明DML能够有效控制高维混杂,提供更可靠的因果效应估计。
其次,针对内容格式的因果效应分析显示,Reels对用户参与度具有显著正向影响(ATE=19.27),而Carousel Albums和Videos则分别产生负向效应(ATE=-23.06和-39.22)。这一结果支持了研究提出的假设:Reels因其丰富的媒体特性(符合Media Richness Theory)、较低的认知负荷(Cognitive Load Theory)以及平台算法的优先推荐,能够更有效地吸引用户互动;而多图Carousel和长视频则因处理成本较高而抑制了即时反馈。
在稳健性检验方面,通过placebo treatment、random common cause和subset data等反驳测试,所有因果效应估计均保持稳定。例如,在placebo测试中,置换处理变量后ATE接近零,表明结果未受潜在混杂因素干扰。此外,对未观测混杂的敏感性分析显示,Reels的效应仅在存在极强隐性混淆因子时才会发生逆转,进一步增强了因果结论的可信度。
研究的讨论部分从理论和实践两个层面总结了其重要意义。理论层面,该研究验证并扩展了Media Richness Theory、Cognitive Load Theory和Elaboration Likelihood Model在社交媒体环境下的适用性,为理解数字化传播中的用户行为提供了新的理论支撑。方法层面,通过将DoWhy的因果图模型与DML的机器学习能力相结合,构建了一个可迁移至其他平台和行业的因果分析模板。实践层面,研究为管理者提供了具体的内容策略建议:例如,将15%-25%的长视频或Carousel内容替换为Reels以提升互动量;采用两阶段传播漏斗,利用Reels吸引注意力,再通过Carousel或长视频传递品牌价值。同时,研究结果也可为政策制定者设计低成本、高传播效率的可持续公益 campaign(如减少纺织废弃物)提供参考。
尽管研究在因果推断严谨性和实践指导价值上具有突出贡献,但其局限性亦需关注。例如,因果识别依赖于"无未测混杂"假设,而社交媒体环境中可能存在未捕获的变量(如算法更新或竞争活动)。此外,数据的时空局限性(仅涵盖2024年部分月份的Instagram帖子)可能限制结论的普适性。未来研究可拓展至TikTok、YouTube等多平台,并结合更长期的纵向数据进一步验证因果效应的泛化能力。
综上所述,该研究通过创新性地融合因果推断与机器学习技术,为可持续时尚的数字化传播提供了可靠的因果证据,不仅深化了对内容格式影响用户参与机制的理 解,也为产业实践提供了可操作的战略指南。其方法论框架和实证结论为后续研究奠定了重要基础,推动了绿色数字营销领域的科学化和精细化发展。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号