A Study on the Predicting Audience Rating of TV Programs Based on Machine Learning Using Online Buzz

Li, Jue Ming; Kweon, Sang Hee

doi:10.36494/JCAS.2024.09.41.3.5

A Study on the Predicting Audience Rating of TV Programs Based on Machine Learning Using Online Buzz

Recommendations

Search

Questions

온라인 버즈(Buzz)를 활용한 머신러닝 기반 TV프로그램 시청률 예측에 관한 연구

Type: Academic journal

Author: Li, Jue Ming (성균관대학교) Kweon, Sang Hee (성균관대학교)

Journal: Cybercommunication Academic Society Journal of Cybercommunication Academic Society Vol.41 No.3 KCI Accredited Journals

Published: 2024.9

Pages: 5 - 42 (38page)

DOI: 10.36494/JCAS.2024.09.41.3.5

Usage

📌

Topic

📖

Background

🔬

Method

🏆

Result

A Study on the Predicting Audience Rating of TV Programs Based on Machine Learning Using Online Buzz

Abstract· Keywords

Report Errors

This study investigates an artificial intelligence-based TV ratings prediction model using online buzz data, grounded in the theoretical background of social viewing. Recently, ‘Social Viewing’, which involves watching TV and talking about it through social media, is starting to attract new attention. The study develops a TV program ratings prediction model that supplements traditional methods, evaluates the performance of the ratings prediction model based on online characteristics, analyzes important features, and discusses categorization of TV program types based on ratings and online buzz levels.
The research method involved utilizing comprehensive datasets of 2,646 TV programs collected from the RACOI system. Correlation analyses between online buzz and ratings were conducted, and machine learning techniques such as decision trees, random forests, gradient boosting, and linear regression were used to predict numerical outcomes and calculate feature importance. Multidimensional scaling was employed to classify TV program types.
In the research results, a statistically significant correlation between online buzz and TV ratings was established, with artificial neural network models displaying superior predictive accuracy compared to the 11 models tested. Furthermore, it was determined that the number of online videos significantly impacts TV ratings. Finally, the study categorizes TV programs into four dimensions based on their ratings and online buzz. As a research implication, the study suggests new directions in academia by exploring the potential of social data and the applicability of integrated ratings models.. Moreover, it provides practical guidelines for the strategic planning, production, and marketing of TV programs.

본 연구는 온라인 버즈(buzz) 데이터를 활용한 인공지능 기반 TV 시청률을 예측모형에 관한 연구이다. 이론적 배경으로 소셜 뷰잉을 바탕으로 하고 있다. 최근 TV를 시청하면서 소셜 미디어를 통해 시청과 관련한 이야기를 나누는 ‘소셜 뷰잉’ (Social Viewing)이 새롭게 주목받기 시작한다. 본 연구에서는 기존의 시청률 예측을 보완하는 기법을 사용하여 TV프로그램 시청률 예측 모델을 개발하고, 온라인 특성을 기반으로 한 시청률 예측 모델의 성능을 평가하고, 중요 특성을 분석하였으며, 시청률과 온라인 버즈를 바탕으로 TV프로그램의 시청유형 구분에 대한 추가 논의를 진행하였다.
연구 방법에서는 본 연구가 RACOI시스템에서 수집한 총 2646개 TV프로그램의 종합반응 데이터세트를 모형 검증에 투입하였다. 온라인 버즈와 시청률 간의 상관분석을 하며, 수치 예측과 특성 중요도를 계산하기 위해 의사결정나무, 랜덤포레스트, 그래디언트부스팅, 선형회귀 등 머신러닝 기법을 사용하였다. TV 프로그램의 시청유형을 구분하기 위해 다차원 척도법을 활용하였다.
연구 결과에서는 소셜 데이터인 온라인 버즈와 시청률 간의 상관관계를 확인하고, 인공신경망 모델이 11개의 모델 중 가장 정확한 것으로 나타나고, 온라인 동영상수가 TV프로그램 시청률에 중요한 영향을 주는 것으로 파악되고, TV프로그램이 시청률과 온라인 버즈량을 바탕으로 4가지 차원으로 세분화할 수 있다. 학술적 차원에서 소셜 데이터의 활용 가능성과 통합시청률 모델의 적용 가능성을 탐구하는 새로운 방향성을 제시한다. 실무적 차원에서 TV프로그램의 기획, 제작, 마케팅에 있어 실질적인 가이드라인을 제공할 수 있다.

#온라인 버즈 #머신러닝 #지도학습 #특성 중요도 #다차원 척도법 #TV program #Rating #Rating Prediction #Online Buzz #Machine Learning #Supervised Learning #Feature Importance #Multidimensional Scaling #TV프로그램 #시청률 #시청률 예측

요약
1. 들어가기
2. 이론적 배경
3. 연구 방법
4. 연구 결과
5. 결론 및 함의
참고문헌
ABSTRACT

References (0)

Add References

If the reference is being serviced by DBpia, please register through [Add Reference]

Recommendations

It is an article recommended by DBpia according to the article similarity. Check out the related articles!

Comments(0)

Write first comments.

UCI(KEPA) : I410-151-25-02-091194552

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

Abstract· Keywords

AI Summary

Topic

Background

Method

Result

주요내용

Contents

References (0)

Recommendations

Recently viewed articles

Comments(0)