Opiniões vs. Reivindicações: Uma Investigação sobre o Impacto do Conteúdo no TikTok
Introdução
Com a enorme popularidade e crescimento contínuo do TikTok, há um interesse significativo em compreender como os usuários interagem com o conteúdo, o que os mantém engajados e como isso pode ser aproveitado por criadores de conteúdo, marcas e profissionais de marketing.
A análise se concentra em uma base de dados de TikTok User Engagement Data, onde cada vídeo publicado é classificado como uma “opinião” ou uma “alegação”. Uma “opinião” refere-se à crença ou pensamento pessoal de um indivíduo ou grupo e uma “alegação” refere-se a informações que são não são comprovadas ou de uma fonte não verificada.
Por que se interessar nisso?
Como o TikTok tem como missão criar um ambiente seguro e autêntico, é importante examinar como diferentes tipos de conteúdo são classificados e recebidos pela comunidade. Isso pode ajudar a identificar áreas onde há riscos de desinformação ou conteúdo prejudicial e orientar estratégias para mitigar esses problemas.
Para criadores de conteúdo e marcas que utilizam o TikTok como plataforma de marketing, compreender os tipos de conteúdo que geram mais engajamento é essencial para alcançar seu público-alvo de forma eficaz.
Ao entender melhor o tipo de conteúdo que os usuários preferem consumir e como eles interagem com diferentes tipos de postagens, o TikTok pode melhorar a experiência do usuário, personalizando ainda mais o feed de cada usuário e promovendo conteúdo relevante e interessante, com informações verdadeiras.
Como abordar esse problema?
Com uma análise exploratória dos dados para entender a distribuição dos tipos de conteúdo (“opinião” vs. “alegação”) e identificar as características dos usuários que produzem cada tipo de conteúdo. Podemos então utilizar técnicas para investigar correlações entre as classificações dos vídeos e métricas de engajamento do usuário. Para abordar essa declaração do problema, uma base de dados que contenha informações sobre interações de usuários é utilizada.
Como essa análise irá ajudar os potenciais clientes?
- Criadores de conteúdo: Eles poderão entender melhor o que ressoa com seu público-alvo e adaptar seu conteúdo para maximizar o engajamento.
- Profissionais de marketing: Terão acesso a informações valiosas para segmentar melhor seus anúncios e campanhas, garantindo um alcance mais eficaz e uma resposta mais positiva do público.
- Empresas e marcas: Poderão tomar decisões mais informadas sobre parcerias com criadores de conteúdo, investimentos em publicidade e desenvolvimento de estratégias de marketing no TikTok, maximizando o retorno sobre o investimento.
Pacotes Usados
| Nome | Uso |
|---|---|
| knitr | Transformar arquivos RMarkdown em outros formatos |
| ggplot2 | Criar gráficos estatísticos sofisticados e customizáveis em R |
| DT | Renderizar tabelas interativas em R |
| tokenizers | Tokenizar texto em palavras, frases, ou caracteres |
| dplyr | Manipulação de dados |
Preparação dos dados
Os dados foram obtidos diretamente do dataset TikTok User Engagement Data para fins educativos
Sobre a base de dados
Os dados foram coletados em Outubro de 2023 com o propósito de analisar o engajamento dos usuários com diferentes tipos de conteúdo, especificamente classificando os vídeos como “opinião” ou “alegação”. Com o uso de outras variáveis relevantes como a duração do vídeo, a transcrição do vídeo, se o comentário veio de uma conta verificada ou não e status de banimento do autor. Além de informações de contagem de visualizações, curtidas, compartilhamentos, downloads e comentários dos vídeos.
O dataset possui 19.383 linhas. Cada linha representa um vídeo TikTok publicado diferente no qual uma alegação/opinião foi feita.
| Colunas | Tipo | Descrição |
|---|---|---|
| claim_id | int | Número atribuído pelo TikTok para vídeo com alegação/opinião. |
| claim_status | obj | Indica se o vídeo publicado foi identificado como uma “opinião” ou uma “alegação”. Neste conjunto de dados, uma “opinião” refere-se à crença ou pensamento pessoal de um indivíduo ou grupo. Uma “alegação” refere-se a informações que são não são comprovadas ou de uma fonte não verificada. |
| video_id | int | Número de identificação aleatório atribuído ao vídeo após publicação no TikTok. |
| video_duration_sec | int | Duração do vídeo publicado medida em segundos. |
| video_transcription_text | obj | Texto transcrito das palavras faladas no vídeo publicado. |
| verified_status | obj | Indica o status do usuário do TikTok que publicou o vídeo em termos de sua verificação, seja “verificado” ou “não verificado”. |
| author_ban_status | obj | Indica o status do usuário do TikTok que publicou o vídeo em termos de suas permissões: “ativo”, “sob escrutínio” ou “banido”. |
| video_view_count | float | O número total de vezes que o vídeo publicado foi visualizado. |
| video_like_count | float | O número total de vezes que o vídeo publicado foi curtido por outros usuários. |
| video_share_count | float | O número total de vezes que o vídeo publicado foi compartilhado por outros usuários. |
| video_download_count | float | O número total de vezes que o vídeo publicado foi baixado por outros usuários. |
| video_comment_count | float | O número total de comentários no vídeo publicado. |
Importação do Datset Completo
## Warning in instance$preRenderHook(instance): It seems your data is too big for
## client-side DataTables. You may consider server-side processing:
## https://rstudio.github.io/DT/server.html
Limpeza de dados
Na limpeza dos dados, converti colunas para os tipos corretos, tratando valores ausentes e removendo duplicatas. Corrigi valores extremos, normalizando texto e removendo caracteres especiais. Verifiquei a consistência dos dados e verifiquei a unicidade dos valores, resultando em dados prontos para análise.
# Convertendo as colunas para os tipos de dados corretos
dados <- mutate(dados,
claim_status = as.factor(claim_status),
video_transcription_text = as.character(video_transcription_text),
verified_status = as.factor(verified_status),
author_ban_status = as.factor(author_ban_status))
# Tratando valores ausentes
dados[is.na(dados)] <- ""
# Removendo duplicatas
dados <- distinct(dados)
# Tratando valores extremos
dados <- mutate(dados,
video_duration_sec = ifelse(video_duration_sec < 0, NA, video_duration_sec))
# Normalizando dados
dados <- mutate(dados,
video_transcription_text = tolower(video_transcription_text))
# Removendo caracteres especiais
dados <- mutate(dados,
video_transcription_text = gsub("[[:punct:]]", "", video_transcription_text))
# Verificando a consistência dos dados
inconsistent_data <- filter(dados, verified_status == "verificado" & author_ban_status == "banido")
# Verificando se há valores únicos
unique_values <- sapply(dados, function(x) length(unique(x)))Análise exploratória dos dados
Palavras mais comuns
words_in_text <- paste(dados$video_transcription_text, collapse = ' ')
words_in_text <- tolower(words_in_text)
# Tokenização das palavras
words <- unlist(tokenize_words(words_in_text))
# Removendo stop words e mantendo apenas palavras alfabéticas
stop_words <- stopwords::stopwords("en")
words <- words[!tolower(words) %in% stop_words & grepl("^[a-zA-Z]+$", words)]
# Contagem de frequência das palavras
word_counts <- table(words)
# Selecionando as 10 palavras mais comuns
most_common_words <- head(sort(word_counts, decreasing = TRUE), 10)
# Criando o gráfico de barras
word_freq <- as.data.frame(most_common_words, stringsAsFactors = FALSE)
names(word_freq) <- c("word", "freq")
word_freq %>%
ggplot(aes(x = word, y = freq)) +
geom_bar(stat = "identity", fill = "pink") +
labs(x = "Palavra", y = "Frequência") +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) # Rotacionando os rótulos do eixo x
A frequência de palavras como “claim”, “coleague”, “coleagues”,
“discovered”, “friend”, “friends”, “learned”, “media”, “read” e
“someone” sugere um tema centrado em compartilhar e discutir
informações, possivelmente relacionadas a experiências pessoais,
descobertas ou interações com colegas e amigos. Isso pode indicar uma
tendência dos usuários em relatar ou compartilhar experiências pessoais
sem checar fontes reais.
Análise de verificação de contas
Verificar a quantidade de alegações de acordo com o status de verificação da conta do usuário no TikTok pode ser usado para avaliar a confiabilidade do conteúdo. Contas verificadas, associadas a figuras públicas ou marcas reconhecidas, tendem a produzir conteúdo mais confiável. Analisar essa relação ajuda a identificar áreas com potencial de desinformação, especialmente em contas não verificadas, promovendo um ambiente mais seguro e confiável na plataforma.
# Plotar o histograma
ggplot(dados, aes(x = claim_status, fill = verified_status)) +
geom_bar(position = "dodge", width = 0.9) +
labs(title = "Histograma de Alegação por Status de Verificação", x = "Status de Alegação", y = "Contagem") +
theme_minimal()
A análise revela que contas não verificadas no TikTok tendem a
apresentar uma quantidade significativamente maior de alegações não
verificadas em comparação com contas verificadas. Isso sugere uma maior
propensão à disseminação de desinformação, ressaltando a necessidade dos
usuários exercerem um pensamento crítico ao consumir conteúdo em contas
não verificadas, a fim de filtrar informações enganosas e promover um
ambiente mais confiável e seguro para todos os usuários da
plataforma.
Tamanho do texto X Status de opinião ou alegação
# Calculando o comprimento do texto de transcrição de vídeo para alegações
claims_lengths <- nchar(dados$video_transcription_text[dados$claim_status == "claim"])
# Calculando o comprimento do texto de transcrição de vídeo para opiniões
opinions_lengths <- nchar(dados$video_transcription_text[dados$claim_status == "opinion"])
# Criando um dataframe para os comprimentos e categorias
data_lengths <- data.frame(
Length = c(claims_lengths, opinions_lengths),
Category = rep(c("Claim", "Opinion"), c(length(claims_lengths), length(opinions_lengths)))
)
# Plotando o histograma
ggplot(data_lengths, aes(x = Length, fill = Category)) +
geom_histogram(binwidth = 50, alpha = 0.7, position = "identity") +
labs(title = "Distribuição do comprimento do texto da transcrição de vídeo para reivindicações e opiniões",
x = "Text Length", y = "Frequency") +
scale_fill_manual(values = c("Claim" = "blue", "Opinion" = "red")) +
theme_minimal()A distribuição do comprimento do texto da transcrição de vídeo mostra que as alegações, que são informações não comprovadas ou provenientes de fontes não verificadas, geralmente têm um comprimento maior do que as opiniões. Isso sugere que as alegações podem conter mais detalhes ou argumentos, para se tornar mais crível, enquanto as opiniões tendem a ser mais concisas.
Status de banimento X Status de opinião ou alegação
Comparar o status de banimento com o status de opinião ou alegação é uma boa forma de entender como a moderação da plataforma afeta diferentes tipos de conteúdo. Isso pode revelar tendências sobre quais tipos de vídeos são mais propensos a serem banidos ou colocados sob revisão, informando políticas de moderação mais eficazes.
# Plotando o gráfico
ggplot(dados, aes(x = claim_status, fill = author_ban_status)) +
geom_bar(position = "dodge", width = 0.9, alpha = 0.5) +
scale_fill_manual(values = c("active" = "green", "under review" = "orange", "banned" = "red")) +
theme_minimal()Existem muito mais perfis banidos e sob observação em alegações do que em opiniões. Essa observação mostra que a maioria dos autores de vídeos, independentemente de serem alegações ou opiniões, está ativamente envolvida na plataforma. No entanto, os vídeos de opinião têm uma proporção ainda maior de autores ativos em comparação com os vídeos de alegação.
Métricas de engajamento
Qual é o vídeo com o maior número de curtidas e quantas curtidas ele possui? Ele é uma opinião ou uma alegação?
# Encontrar o vídeo com o maior número de curtidas
mais_curtidas <- dados[which.max(dados$video_like_count), ]
# Verificar se o vídeo com o maior número de curtidas é uma opinião ou uma alegação
tipo_video <- mais_curtidas$claim_status
# Obter o número de curtidas do vídeo com o maior número de curtidas
num_curtidas <- mais_curtidas$video_like_count
# Imprimir o resultado
print(paste("O vídeo com o maior número de curtidas tem", num_curtidas, "curtidas e é classificado como:", tipo_video))## [1] "O vídeo com o maior número de curtidas tem 99993 curtidas e é classificado como: claim"
A alta popularidade de vídeos de alegações sugere que muitos usuários estão consumindo e compartilhando esse conteúdo, o que pode levar a uma disseminação ampla de informações não verificadas. Isso destaca a importância de uma análise crítica ao consumir conteúdo online e ressalta a necessidade de promover a verificação de fatos e fontes confiáveis para garantir a precisão e a integridade das informações compartilhadas na plataforma.
Conclusões
Foi visto que contas não verificadas tendem a apresentar uma quantidade significativamente maior de alegações não verificadas em comparação com contas verificadas, sugerindo uma maior propensão à disseminação de desinformação. Também foi observado que há mais perfis banidos e sob observação em vídeos de alegações do que em vídeos de opiniões, indicando uma maior moderação e atenção dos administradores da plataforma para conteúdos potencialmente controversos. Por fim, a alta popularidade de vídeos de alegações, o que destaca a importância de uma análise crítica ao consumir conteúdo online e ressalta a necessidade de promover a verificação de fatos e fontes confiáveis.
Em relação aos potenciais clientes,
Criadores de conteúdo podem adaptar seu conteúdo para aumentar o engajamento e construir uma base de seguidores mais sólida.
Profissionais de marketing podem direcionar melhor seus esforços de publicidade e colaborações com criadores de conteúdo, garantindo que seus recursos sejam alocados de forma eficaz e gerem resultados tangíveis.
Empresas podem tomar decisões mais informadas sobre como investir em publicidade e parcerias de marketing no TikTok, principalemnte com contas verificadas, maximizando o retorno sobre o investimento e construindo uma presença sólida na plataforma.
Referências
Abidin, Crystal. “Mapping Internet Celebrity on TikTok: Exploring Attention Economies and Visibility Labours”. Cultural Science Journal, vol. 12, no 1, janeiro de 2020, p. 77–103. DOI.org (Crossref), https://doi.org/10.5334/csci.140.
Suarez, A. P. A., Revamonte, C. J. L., Balimbingan, M. H., Irong, I. A. C., & Suco, E. J. . V. (2023). DISCOURSE ANALYSIS ON VAGUE LANGUAGE USED IN ADVERTISEMENT VIDEOS BY TIKTOK INFLUENCERS. International Journal of Language and Literary Studies, 5(2), 118–135. https://doi.org/10.36892/ijlls.v5i2.1260
O’Donnell, Nicole, et al. “Using TikTok to Educate, Influence, or Inspire? A Content Analysis of Health-Related EduTok Videos”. Journal of Health Communication, vol. 28, no 8, agosto de 2023, p. 539–51. DOI.org (Crossref), https://doi.org/10.1080/10810730.2023.2234866.