An understudied area in the field of social media research is the design of decision support systems that can aid the manager by way of automated message component generation. Recent advances in this form of artificial intelligence has been suggested to allow content creators and managers to transcend their tasks from creation towards editing, thus overcoming a common problem: the tyranny of the blank screen. In this research, we address this topic by proposing a novel system design that will suggest engagement-driven message features as well as automatically generate critical and fully written unique Tweet message components for the goal of maximizing the probability of relatively high engagement levels. Our multi-methods design relies on the use of econometrics, machine learning, and Bayesian statistics, all of which are widely used in the emerging fields of Business and Marketing Analytics. Our system design is intended to analyze Tweet messages for the purpose of generating the most critical components and structure of Tweets. We propose econometric models to judge the quality of written Tweets by way of engagement-level prediction, as well as a generative probability model for the auto-generation of Tweet messages. Testing of our design demonstrates the need to take into account the contextual, semantic, and syntactic features of messages, while controlling for individual user characteristics, so that generated Tweet components and structure maximizes the potential engagement levels.

社交媒体研究领域的一个尚待研究的领域是决策支持系统的设计，该系统可以通过自动生成消息组件来帮助管理人员。已经提出了这种形式的人工智能的最新进展，它允许内容创建者和管理者将其任务从创建过渡到编辑，从而克服了一个常见的问题：黑屏的暴政。在这项研究中，我们通过提出一种新颖的系统设计来解决此问题，该系统设计将建议参与驱动的消息功能，并自动生成关键且完全编写的独特Tweet消息组件，以最大程度地提高相对较高的参与级别的可能性。我们的多方法设计依赖于计量经济学，机器学习和贝叶斯统计的使用，所有这些都被广泛用于新兴的业务和市场分析领域。我们的系统设计旨在分析Tweet消息，以生成最关键的Tweets组件和结构。我们提出计量经济学模型，以通过参与程度预测来判断书面推文的质量，以及用于自动生成推文消息的生成概率模型。对我们设计的测试表明，需要在控制各个用户特征的同时考虑消息的上下文，语义和句法特征，以便生成的Tweet组件和结构可以最大程度地提高潜在的参与度。我们的系统设计旨在分析Tweet消息，以生成最关键的Tweets组件和结构。我们提出计量经济学模型，以通过参与程度预测来判断书面推文的质量，以及用于自动生成推文消息的生成概率模型。对我们设计的测试表明，需要在控制各个用户特征的同时考虑消息的上下文，语义和句法特征，以便生成的Tweet组件和结构可以最大程度地提高潜在的参与度。我们的系统设计旨在分析Tweet消息，以生成最关键的Tweets组件和结构。我们提出计量经济学模型，以通过参与程度预测来判断书面推文的质量，以及用于自动生成推文消息的生成概率模型。对我们设计的测试表明，需要在控制各个用户特征的同时考虑消息的上下文，语义和句法特征，以便生成的Tweet组件和结构可以最大程度地提高潜在的参与度。