Анализ факторов высокой вовлечённости (лайки, комментарии, репосты) в постах вузовского паблика VK
Автор: Деревлева Н. А.
Журнал: Теория и практика современной науки @modern-j
Рубрика: Основной раздел
Статья в выпуске: 5 (131), 2026 года.
Бесплатный доступ
В статье исследуются факторы, определяющие вовлечённость аудитории в постах университетского сообщества ВКонтакте. На основе парсинга официального паблика НИУ «БелГУ» через VK API собрано 8663 поста за период с августа 2024 по июль 2025 года, целевая переменная — бинарный признак высокой вовлечённости (выше медианы суммы лайков, комментариев и репостов). Применены методы машинного обучения: классификация (наивный байесовский классификатор, дерево решений, SVC, LDA) с балансировкой SMOTE и кластеризация (KMeans, DBSCAN) с последующим проецированием через PCA. Результаты показывают высокое качество прогноза (AUC > 0,90), при этом ключевыми драйверами вовлечённости выступают наличие комментариев и репостов, а также такие слова-маркеры, как «конкурс», «голосование», «приглашаем». Выделенные кластеры позволили сформулировать практические рекомендации по оптимальному времени публикации и стилистике постов для повышения отклика аудитории в сфере высшего образования.
Вовлечённость аудитории, социальная сеть вконтакте, парсинг vk api, машинное обучение, классификация, кластеризация, smote, pca, random forest, svc, университетское сообщество, прогнозирование вовлечённости, временные признаки, текстовые признаки
Короткий адрес: https://sciup.org/140316092
IDR: 140316092 | УДК: 004.85
Analysis of high engagement factors (likes, comments, reposts) in posts of a university VK public page
The article investigates the factors determining audience engagement in posts of a university community on VKontakte. Based on parsing the official public page of Belgorod State University via VK API, 8,663 posts published from August 2024 to July 2025 were collected. The target variable is a binary indicator of high engagement (above the median sum of likes, comments, and reposts). Machine learning methods are applied: classification (Naïve Bayes, Decision Tree, SVC, LDA) with SMOTE balancing, and clustering (KMeans, DBSCAN) followed by projection via PCA. The results show high prediction quality (AUC > 0.90), with key engagement drivers being the presence of comments and reposts, as well as trigger words such as “contest”, “voting”, and “invite”. The identified clusters provide practical recommendations on optimal posting times and content style to increase audience response in the higher education sector.
