Decoding the trend: trend archetypes, psychological framing, and strategic timing on TikTok and Instagram reels

This thesis investigates the structural determinants of content performance on short-form video platforms, examining how diffusion archetype, lifecycle timing, platform architecture, psychological framing, creator scale, and engagement history jointly shape view outcomes across organic and sponsored posts on TikTok videos and Instagram Reels. Drawing on a large-scale observational dataset, the study reconstructs hashtag-level diffusion trajectories using a relative-to-baseline spike detection procedure and classifies trends into five empirically grounded archetypes: viral spike, sustained, seasonal, recurrent, and loaded. Post-level captions are further analyzed using a large language model pipeline to extract orthogonal emotional and functional content dimensions, enabling the examination of narrative alignment effects across lifecycle stages. Using a progressive OLS modelling framework with heteroskedasticity-robust standard errors, the analysis compares pre-publication specifications to full-information models incorporating historical engagement signals. The results reveal a pronounced engagement amplification gap: structural and content-level variables available prior to publication explain less variance in organic views, whereas the inclusion of historical engagement increases explanatory power. This finding provides empirical evidence that algorithmic reach on short-form platforms operates through an engagement-contingent amplification loop that is structurally decoupled from follower count, signaling a shift from network-position-based diffusion to content–audience-fit-based amplification. Beyond modeling performance, the thesis demonstrates that trends represent structurally distinct diffusion mechanisms rather than uniform popularity events. Archetypes differ systematically in lifecycle geometry, acceleration dynamics, recurrence structure, participation breadth, and engagement efficiency, aligning with theoretical distinctions between shock-driven cascades and reinforcement-based diffusion. Platform architecture further moderates these mechanisms: follower elasticity remains comparatively strong on Instagram but is substantially weaker on TikTok, where engagement history dominates reach outcomes. Lifecycle analysis identifies the acceleration phase preceding peak as the most favorable timing window, while evidence of engagement saturation suggests diminishing marginal amplification beyond critical thresholds. Taken together, the findings reposition influencer campaign planning around a central empirical boundary: most variance in visibility is determined after publication through algorithmic amplification processes that no pre-publication strategy fully controls. The study contributes a structurally grounded framework for trend participation, engagement-adjusted influencer pricing, and archetype-aligned timing strategies, offering both theoretical clarification and practical guidance for diffusion in algorithmically curated attention markets.

Questa tesi indaga i determinanti strutturali della performance dei contenuti sulle piattaforme di video brevi, esaminando come archetipo di diffusione, tempistica nel ciclo di vita, architettura della piattaforma, framing psicologico, scala del creator e storico dell’engagement contribuiscano congiuntamente a determinare i risultati in termini di visualizzazioni tra post organici e sponsorizzati su video TikTok e Instagram Reels. Basandosi su un ampio dataset osservazionale, lo studio ricostruisce le traiettorie di diffusione a livello di hashtag attraverso una procedura di rilevazione dei picchi relativi alla baseline e classifica i trend in cinque archetipi empiricamente fondati: picco virale, sostenuto, stagionale, ricorrente e caricato. Le caption a livello di post vengono inoltre analizzate mediante una pipeline basata su large language model per estrarre dimensioni ortogonali di contenuto emotivo e funzionale, consentendo di esaminare gli effetti di allineamento narrativo lungo le diverse fasi del ciclo di vita. Utilizzando un framework di modellazione OLS progressivo con errori standard robusti all’eteroschedasticità, l’analisi confronta specificazioni pre-pubblicazione con modelli a informazione completa che incorporano segnali storici di engagement. I risultati evidenziano un marcato divario di amplificazione dell’engagement: le variabili strutturali e di contenuto disponibili prima della pubblicazione spiegano una quota minore della varianza delle visualizzazioni organiche, mentre l’inclusione dello storico dell’engagement aumenta il potere esplicativo. Questo risultato fornisce evidenza empirica del fatto che la reach algoritmica sulle piattaforme short-form operi attraverso un loop di amplificazione contingente all’engagement, strutturalmente disaccoppiato dal numero di follower, segnalando un passaggio da una diffusione basata sulla posizione nella rete a un’amplificazione basata sul content–audience fit. Oltre alla modellazione della performance, la tesi dimostra che i trend rappresentano meccanismi di diffusione strutturalmente distinti, piuttosto che eventi uniformi di popolarità. Gli archetipi differiscono sistematicamente per geometria del ciclo di vita, dinamiche di accelerazione, struttura di ricorrenza, ampiezza della partecipazione ed efficienza dell’engagement, in linea con le distinzioni teoriche tra cascate guidate da shock e diffusione basata sul rinforzo. L’architettura della piattaforma modera ulteriormente tali meccanismi: l’elasticità rispetto ai follower rimane relativamente forte su Instagram ma risulta significativamente più debole su TikTok, dove lo storico dell’engagement domina gli esiti di reach. L’analisi del ciclo di vita identifica la fase di accelerazione precedente al picco come la finestra temporale più favorevole, mentre evidenze di saturazione dell’engagement suggeriscono rendimenti marginali decrescenti dell’amplificazione oltre soglie critiche. Nel complesso, i risultati riposizionano la pianificazione delle campagne di influencer marketing attorno a un confine empirico centrale: la maggior parte della varianza nella visibilità è determinata dopo la pubblicazione attraverso processi di amplificazione algoritmica che nessuna strategia pre-pubblicazione può controllare pienamente. Lo studio propone un framework strutturalmente fondato per la partecipazione ai trend, la definizione di pricing degli influencer aggiustato per l’engagement e strategie di timing allineate agli archetipi, offrendo sia un contributo teorico sia indicazioni pratiche per la diffusione delle informazioni nei mercati dell’attenzione curati algoritmicamente.