Katolički influenceri i institucionalni deficit pažnje
Strategije privlačenja pažnje u hrvatskom religijskom digitalnom prostoru
Author
DigiKat Projekt
Published
3. veljače 2026.
Sažetak
Ova studija istražuje ekonomiju pažnje katoličkih influencera u Hrvatskoj, uspoređujući njihovu digitalnu učinkovitost s institucionalnim crkvenim akterima. Koristeći DigiKat bazu podataka s preko 600.000 objava iz razdoblja 2021. do 2025., testiramo pet hipoteza proizašlih iz teorije ekonomije pažnje. Rezultati pokazuju da pažnja među influencerima slijedi distribuciju potencijskog zakona s ekstremnom koncentracijom, da influenceri postižu značajno više stope angažmana od institucionalnih komunikatora, da se platformske strategije znatno razlikuju među kategorijama aktera te da obrasci tematske specijalizacije otkrivaju različite niše. Ovi nalazi proširuju akademsku literaturu o ekonomiji pažnje na kontekst religijske komunikacije te pružaju empirijske dokaze o institucionalnom deficitu pažnje u hrvatskim katoličkim digitalnim medijima.
Ova studija primjenjuje okvir ekonomije pažnje za analizu strukture i dinamike katoličkih influencera u Hrvatskoj. Katoličke influencere definiramo kao digitalne aktere koji grade osobne ili zajedničke brendove oko religijskog sadržaja i postižu angažman publike kroz komunikacijske strategije prilagođene platformama, a ne samo kroz institucionalnu moć.
2 Teorijski okvir
2.1 Oskudica pažnje u digitalnom okruženju
Herbert Simon artikulirao je temeljni uvid ekonomije pažnje kada je primijetio da obilje informacija stvara oskudicu pažnje. U digitalnom svijetu suočeni smo s paradoksom: što je više sadržaja dostupno, to je teže privući i zadržati nečiju pažnju. Michael Goldhaber proširio je ovaj okvir predlažući pažnju kao primarnu valutu digitalnih ekonomija, dok su Thomas Davenport i John Beck formalizirali upravljanje pažnjom kao organizacijski imperativ.
Ova teorija ima direktne implikacije za religijsku komunikaciju. Tradicionalno su vjerske institucije uživale privilegiran pristup pažnji vjernika kroz mise, propovijedi i zajedničke aktivnosti. U digitalnom prostoru ta privilegija nestaje jer Crkva mora natjecati za pažnju s beskonačnim količinama drugog sadržaja. Upravo tu dolazi do izražaja fenomen influencera koji, zahvaljujući osobnom pristupu i prilagodbi platformskim algoritmima, često uspijevaju privući više pažnje nego službeni institucionalni kanali.
2.2 Hipoteze
Na temelju teorijskog okvira postavljamo pet hipoteza koje testiramo empirijski:
H1 (Nejednakost pažnje među influencerima): Pažnja među katoličkim influencerima slijedi distribuciju potencijskog zakona s visokom koncentracijom. To znači da očekujemo kako će mala skupina najuspješnijih influencera privlačiti većinu ukupnog angažmana, dok će velika većina imati minimalan doseg. Operacionaliziramo ovo kroz Gini koeficijent veći od 0.70 i R² regresije potencijskog zakona veći od 0.85.
H2 (Institucionalni deficit pažnje): Katolički influenceri postižu više stope angažmana od institucionalnih aktera. Ova hipoteza proizlazi iz pretpostavke da osobni, autentični glas bolje rezonira s algoritmima društvenih mreža i korisnicima nego formalna institucionalna komunikacija.
H3 (Divergencija platformskih strategija): Influenceri se koncentriraju na društvene mreže dok institucije održavaju jaču web prisutnost. Očekujemo statistički značajnu povezanost između tipa aktera i izbora platforme (Cramerov V veći od 0.20).
H4 (Tematska diferencijacija niša): Influenceri i institucije specijaliziraju se za različite teme. Influenceri se fokusiraju na devocijski i inspirativni sadržaj, dok institucije komuniciraju vijesti i administrativne informacije. Testiramo ovo kroz Jensen-Shannon divergenciju veću od 0.15.
H5 (Model faktora uspjeha): Među influencerima, uspjeh u privlačenju pažnje predviđen je učestalošću objavljivanja i izborom platforme, a ne kleričkim statusom. Ova hipoteza testira djeluju li dinamike influencerstva neovisno o tradicionalnim markerima religijskog autoriteta.
3 Podaci i metode
3.1 DigiKat baza podataka
DigiKat baza podataka sveobuhvatna je zbirka hrvatskog katoličkog digitalnog sadržaja razvijana u sklopu trogodišnjeg istraživačkog projekta. Baza agregira javno dostupni digitalni sadržaj s izvora identificiranih kao dio hrvatskog katoličkog medijskog ekosustava, uključujući web portale, Facebook stranice i grupe, Instagram profile, YouTube kanale i Twitter račune.
Svaki izvor u bazi klasificiramo u jednu od deset kategorija aktera. Klasifikacija se temelji na hijerarhijskom sustavu prioriteta koji kombinira ručne oznake za poznate izvore, isključivanje sekularnih medija, prepoznavanje uzoraka u imenima i URL adresama te kontekstualne informacije o platformi.
Kako funkcionira klasifikacija:
Ručne oznake (najviši prioritet): Za poznate važne izvore poput “Hrvatska biskupska konferencija” ili “Laudato TV” unaprijed smo definirali kategoriju.
Isključivanje sekularnih medija: Izvori poput “Večernji list” ili “Index.hr” isključuju se iz katoličkih kategorija iako ponekad pišu o religijskim temama.
Prepoznavanje uzoraka u imenima: Algoritam traži karakteristične riječi, primjerice ako ime sadrži “biskupija” ili “nadbiskupija”, klasificira se kao Biskupijski; ako počinje s “fra” ili “don”, klasificira se kao Pojedinačni svećenici.
Kontekst platforme: Za društvene mreže, ako ime sadrži devocijske pojmove poput “molitva”, “Isus” ili “Gospa”, a nema oznake institucije, klasificira se kao Laički influenceri.
Tablica ispod prikazuje distribuciju objava po tipovima aktera. Kliknite na svaku kategoriju za pregled 10 najaktivnijih profila u toj kategoriji, što omogućuje provjeru ispravnosti klasifikacije.
Top 10 profila: Institutional Official (Službene institucije)
Izvor
Objave
Ukupne interakcije
hkm.hr
52474
3077108
Radio Marija Hrvatska
2704
165224
klikaj.hr
1155
45491
velikagorica.com
784
3
likaclub.eu
637
25943
pozeska-kronika.hr
606
10540
lika-online.hr
492
18905
politikaplus.com
391
3100
geopolitika.news
377
83616
cronika.hr
328
24610
Top 10 profila: Independent Media (Nezavisni mediji)
Izvor
Objave
Ukupne interakcije
laudato.hr
10727
703203
novizivot.net
6083
3351089
LaudatoTV
4059
170207
bitno.net
3445
763737
Bitno.net
3290
512818
Laudato
2164
926523
Nova Eva
666
94877
Verbum
261
18115
laudatotv
42
50276
Bitnonet
31
4219
Top 10 profila: Charismatic Communities (Karizmatske zajednice)
Izvor
Objave
Ukupne interakcije
radio-medjugorje.com
1427
215556
radiomedjugorje
455
683
Maria Vision Medjugorje
438
12884
Duhovna Obnova
325
58960
Muževni budite
269
36576
Dom Molitve Slavonski Brod
257
27316
Emmanuel Crkva Zagreb
220
90
Duhovniportal.com
166
2264
HDZ - Hrvatska demokratska zajednica
135
72840
MOLITVENI LANAC
83
1215
Top 10 profila: Lay Influencers (Laički influenceri)
Izvor
Objave
Ukupne interakcije
pulherissimus
6007
1608836
VJERA U NAMA †
4168
209221
Hrana za dušu
3447
461396
Svjedočanstva & Vjera
2278
86282
Dijete Vjere
1930
444501
Kapljice ljubavi Božje
1653
367176
Pod Smokvom
1517
588094
Prihvati Isusa Krista
1501
50021
vjeraidjela.com
1306
24703
Dijete Vjere (Child Of Faith)
1045
137638
Top 10 profila: Diocesan (Biskupijski)
Izvor
Objave
Ukupne interakcije
biskupija-varazdinska.hr
2189
32206
Zagrebačka nadbiskupija
2023
241657
zg-nadbiskupija.hr
897
84031
Sisačka biskupija
482
87832
biskupijakrk.hr
470
7611
Župa Šurkovac
440
70679
zupa-zabok.org
425
5358
Požeška biskupija
285
3759
zupa-svkriz.hr
265
146
zupa-sv-nikole-varazdin.hr
233
0
Top 10 profila: Youth Organizations (Organizacije mladih)
Izvor
Objave
Ukupne interakcije
Pastoral mladih
130
5517
kucice.hr
125
483
Susret hrvatske katoličke mladeži Požega 2026.
37
5082
Sam u kuci
27
31
Brvnare-drvene kuce iz bajki
18
60
Susret hrvatske katoličke mladeži Bjelovar 2022.
12
1500
Pastoral mladih Vž
7
151
kucazdravlja.hr
6
8
Frama Kočerin
6
1646
Nadbiskupijski centar za pastoral mladih "Ivan Pavao II."
6
42
Top 10 profila: Academic (Akademske institucije)
Izvor
Objave
Ukupne interakcije
unicath.hr
485
4107
Hrvatsko katoličko sveučilište (Universitas Studiorum Catholica Croatica)
190
7392
Katolički bogoslovni fakultet u Splitu
23
23
hks-cbf.hr
18
204
Hrvatsko katoličko sveučilište
11
30
UNICATH HKS
5
34
Pučki pivači KBF-a
3
136
ffrz.hr
2
32
Katolički bogoslovni fakultet u Đakovu
2
1
KBF Zagreb Kanal
2
4
Top 10 profila: Religious Orders (Redovničke zajednice)
Izvor
Objave
Ukupne interakcije
sestre-sv-kriza.hr
571
2473
karmel.hr
457
4578
Oratorij Don Bosco Kman
394
5541
isusovci.hr
198
15814
klanjateljice.hr
113
10725
milosrdnice.hr
89
3
milosrdnice-zagreb.hr
83
65
Isusove Riječi
67
726
ocdkarmel
27
285
Pavlini
18
359
Top 10 profila: Individual Priests (Pojedinačni svećenici)
Izvor
Objave
Ukupne interakcije
Fra Zvjezdan Linić
84
544
Don Ivan Terze
27
2261
Fra Drago Ljevar
15
70
Humanitarna udruga "Fra Mladen Hrkać"
12
2271
Fra Augustin Čordaš
10
604
Pater Papula
7
461
PATER NOSTER
7
6
Hod kroz Bibliju | vlč. Tomislav Šagud
5
48
ALO. RS
5
1956
Vlč. M.
4
45
Top 10 profila: Other (Ostalo)
Izvor
Objave
Ukupne interakcije
slobodnadalmacija.hr
10823
1458487
vecernji.hr
9242
1598685
index.hr
8095
3312573
jutarnji.hr
7703
1595040
novilist.hr
7501
440049
net.hr
6917
758857
crovijesti.com
6764
0
24sata.hr
6459
1695211
glasistre.hr
5529
161514
narod.hr
5434
614885
3.3 Grupiranje aktera
Za potrebe komparativne analize grupiramo deset kategorija aktera u dvije primarne skupine:
Influencer grupa uključuje Laičke influencere, Pojedinačne svećenike i Karizmatske zajednice. Ovi akteri dijele karakteristike osobnog ili zajedničkog brendiranja, komunikacijskih strategija prilagođenih platformama i izgradnje publike kroz angažman, a ne samo kroz institucionalnu moć.
Institucionalna grupa uključuje Službene institucije, Biskupijske aktere i Akademske institucije. Ovi akteri predstavljaju formalne crkvene komunikacijske kanale koji djeluju pod institucionalnim smjernicama i hijerarhijskim strukturama.
Ostale kategorije (Nezavisni mediji, Redovničke zajednice, Organizacije mladih, Ostalo) isključene su iz primarne komparativne analize jer imaju hibridne karakteristike koje otežavaju jasnu kategorizaciju.
Tablica 3. Detaljna distribucija po tipovima aktera
Tip aktera
Izvori
Objave
Interakcije
Prosj. int.
Udio objava
Udio ang.
Other
15,660
462,781
44,443,547
100.1
76.0%
71.7%
Independent Media
22
30,880
6,599,595
213.7
5.1%
10.6%
Lay Influencers
239
34,797
5,760,701
166.9
5.7%
9.3%
Institutional Official
211
63,025
3,884,375
61.7
10.4%
6.3%
Diocesan
97
9,504
608,330
64.1
1.6%
1.0%
Charismatic Communities
95
4,435
591,744
134.3
0.7%
1.0%
Religious Orders
50
2,117
45,568
21.7
0.3%
0.1%
Youth Organizations
29
411
15,359
37.5
0.1%
0.0%
Academic
12
743
11,965
16.1
0.1%
0.0%
Individual Priests
18
186
9,160
49.2
0.0%
0.0%
4 Rezultati
4.1 Analiza 1: Nejednakost pažnje među influencerima (H1)
Hipoteza 1 testira postoji li ekstremna koncentracija pažnje među katoličkim influencerima. U digitalnim ekosistemima često vrijedi pravilo “pobjednik uzima sve” gdje mali broj aktera privlači nesrazmjerno velik dio ukupne pažnje. Ova pojava naziva se distribucijom potencijskog zakona (power law) i karakteristična je za društvene mreže, citiranost znanstvenih radova, popularnost pjesama i mnoge druge fenomene.
Gini koeficijent mjeri nejednakost distribucije na skali od 0 do 1. Vrijednost 0 znači potpunu jednakost (svi imaju isto), a 1 znači potpunu nejednakost (jedan ima sve). Za usporedbu, Gini koeficijent dohotka u Hrvatskoj iznosi oko 0.29, a u SAD-u oko 0.39. Vrijednosti iznad 0.70 smatraju se ekstremnom nejednakošću.
Lorenzova krivulja vizualno prikazuje tu nejednakost. Na x-osi su izvori rangirani od najmanjeg do najvećeg, a na y-osi kumulativni udio angažmana. Dijagonala predstavlja savršenu jednakost. Što je krivulja udaljenija od dijagonale (veće osjenčano područje), veća je nejednakost.
R² potencijskog zakona mjeri koliko dobro podaci slijede teorijsku distribuciju potencijskog zakona. Vrijednost iznad 0.85 smatra se dobrim poklapanjem s modelom.
Tablica 4. Metrike koncentracije pažnje među influencerima
Metrika
Vrijednost
Prag
Rezultat
Gini koeficijent
0.941
> 0.70
Podržano
CR10 (udio top 10 izvora)
72.1%
> 40%
Podržano
Udio top 10% izvora
93.1%
R² potencijskog zakona
0.886
> 0.85
Podržano
4.1.1 Lorenzova krivulja
Graf ispod prikazuje Lorenzovu krivulju za katoličke influencere. Što je osjenčano područje veće, to je nejednakost izraženija. Vidimo da mali postotak izvora privlači većinu ukupnog angažmana.
Prikaži kod
ggplot(influencer_sources, aes(x = Kumulativni_izvori, y = Kumulativne_interakcije)) +geom_line(color ="#e07b39", linewidth =1.2) +geom_abline(slope =1, linetype ="dashed", color ="gray50") +geom_ribbon(aes(ymin = Kumulativni_izvori, ymax = Kumulativne_interakcije), fill ="#e07b39", alpha =0.3) +annotate("text", x =70, y =30, label =paste0("Gini = ", round(gini_influencers, 3)), size =5, fontface ="bold") +scale_x_continuous(labels =function(x) paste0(x, "%")) +scale_y_continuous(labels =function(x) paste0(x, "%")) +labs(title ="Lorenzova krivulja nejednakosti pažnje", subtitle ="Dijagonala = savršena jednakost; što je krivulja niže, veća je nejednakost",x ="Kumulativni % izvora (od najmanjeg do najvećeg)", y ="Kumulativni % ukupnog angažmana")
Figure 1: Lorenzova krivulja nejednakosti angažmana među katoličkim influencerima. Osjenčano područje između krivulje i dijagonale predstavlja mjeru koncentracije pažnje.
4.1.2 Distribucija potencijskog zakona
Graf ispod prikazuje odnos ranga i angažmana na logaritamskoj skali. Ako podaci slijede potencijski zakon, točke će formirati približno ravnu liniju. Visoki R² potvrđuje da distribucija slijedi ovaj obrazac karakterističan za digitalne tržišne pažnje.
Prikaži kod
ggplot(influencer_positive, aes(x = Rang, y = Ukupne_interakcije)) +geom_point(alpha =0.4, color ="#e07b39") +geom_smooth(method ="lm", color ="#1a3c5a", se =FALSE) +scale_x_log10(labels = comma) +scale_y_log10(labels = comma) +annotate("text", x =3, y =min(influencer_positive$Ukupne_interakcije) *30,label =paste0("R² = ", round(r_squared_inf, 3)), hjust =0, fontface ="bold") +labs(title ="Test potencijskog zakona", subtitle ="Linearnost na log-log skali potvrđuje distribuciju potencijskog zakona",x ="Rang (logaritamska skala)", y ="Interakcije (logaritamska skala)")
Figure 2: Distribucija ranga i angažmana na log-log skali. Linearan odnos potvrđuje potencijski zakon.
4.1.3 Najuspješniji influenceri
Tablica ispod prikazuje 15 najuspješnijih katoličkih influencera po ukupnom angažmanu. Stupac “Udio” pokazuje koliki postotak ukupnog angažmana influencerske kategorije pripada svakom izvoru.
Tablica 5. Top 15 katoličkih influencera po ukupnom angažmanu
Rang
Izvor
Tip
Platforma
Objave
Interakcije
Udio
1
pulherissimus
Lay Influencers
youtube
6,007
1,608,836
25.29%
2
Pod Smokvom
Lay Influencers
youtube
1,517
588,094
9.24%
3
Hrana za dušu
Lay Influencers
youtube
3,447
461,396
7.25%
4
Dijete Vjere
Lay Influencers
youtube
1,930
444,501
6.99%
5
VJERA
Lay Influencers
facebook
1,007
374,554
5.89%
6
Kapljice ljubavi Božje
Lay Influencers
facebook
1,653
367,176
5.77%
7
radio-medjugorje.com
Charismatic Communities
web
1,427
215,556
3.39%
8
VJERA U NAMA †
Lay Influencers
facebook
4,168
209,221
3.29%
9
Gospa
Lay Influencers
facebook
624
179,812
2.83%
10
Dijete Vjere (Child Of Faith)
Lay Influencers
youtube
1,045
137,638
2.16%
11
Kristijan Iličić
Lay Influencers
facebook
22
97,482
1.53%
12
Marijana Petir
Lay Influencers
facebook
136
93,684
1.47%
13
Svjedočanstva & Vjera
Lay Influencers
facebook
2,278
86,282
1.36%
14
BIBLIJA na dlanu - Dario Kovačević
Lay Influencers
youtube
64
85,177
1.34%
15
Vjera-Ufanje-Ljubav
Lay Influencers
facebook
613
74,965
1.18%
4.1.4 Interpretacija rezultata H1
Gini koeficijent od 0.941 premašuje prag od 0.70, što ukazuje na ekstremnu nejednakost u distribuciji pažnje među influencerima. R² od 0.886 premašuje prag od 0.85, potvrđujući da podaci dobro slijede distribuciju potencijskog zakona. Top 10 influencera privlači 72.1% ukupnog angažmana. Ovi rezultati podržavaju Hipotezu 1.
Hipoteza 2 testira postižu li katolički influenceri više stope angažmana od institucionalnih aktera. “Stopa angažmana” ovdje znači prosječan broj interakcija (lajkova, komentara, dijeljenja) po objavi. Ova mjera pokazuje koliko je sadržaj “zarazan”, odnosno koliko uspješno privlači reakcije publike, neovisno o tome koliko često netko objavljuje.
Očekujemo da influenceri postižu više stope jer njihov komunikacijski stil (osoban, emocionalan, prilagođen algoritmima) bolje odgovara dinamici društvenih mreža nego formalna institucionalna komunikacija.
Za testiranje koristimo Wilcoxonov test jer podaci o angažmanu nisu normalno distribuirani (imaju mnogo niskih vrijednosti i nekoliko ekstremno visokih). Ovaj test uspoređuje medijane dviju grupa i daje p-vrijednost koja nam govori je li razlika statistički značajna.
Tablica 7. Statistički test institucionalnog deficita pažnje
Test
Statistika
p
Efekt
Rezultat
Wilcoxonov test
W = 62,708.5
0.000115
r = -0.113
H2 podržana
4.2.1 Usporedba distribucija angažmana
Graf ispod prikazuje distribucije stopa angažmana za influencere (narančasto) i institucije (plavo). “Violinski” oblik pokazuje gdje se koncentrira većina vrijednosti, a bijeli pravokutnik unutar prikazuje medijan i interkvartilni raspon. Crveni dijamant označava aritmetičku sredinu.
Prikaži kod
eng_plot_data <- source_engagement[Stopa_angazmana <quantile(Stopa_angazmana, 0.95, na.rm =TRUE)]ggplot(eng_plot_data, aes(x = Actor_Group, y = Stopa_angazmana, fill = Actor_Group)) +geom_violin(alpha =0.7) +geom_boxplot(width =0.2, fill ="white", outlier.shape =NA) +stat_summary(fun = mean, geom ="point", shape =18, size =4, color ="red") +scale_fill_manual(values = group_colors, labels =c("Influenceri", "Institucije")) +scale_x_discrete(labels =c("Influenceri", "Institucije")) +labs(title ="Usporedba stopa angažmana", subtitle =paste0("Wilcoxonov test: p ", ifelse(wilcox_result$p.value <0.001, "< 0.001", paste0("= ", round(wilcox_result$p.value, 3)))),x =NULL, y ="Prosječne interakcije po objavi") +theme(legend.position ="none")
Figure 3: Distribucije stopa angažmana po grupama aktera. Violinski grafovi prikazuju punu distribuciju, bijeli pravokutnici medijan i IQR, crveni dijamanti prosjeke.
4.2.2 Angažman po tipovima aktera
Graf ispod prikazuje medijane stopa angažmana za sve tipove aktera, s naznakom pripadnosti grupama (narančasto = influenceri, plavo = institucije, sivo = ostali). Vodoravne crte označavaju interkvartilni raspon (srednjih 50% vrijednosti).
Prikaži kod
source_engagement[, .(Medijan =median(Stopa_angazmana, na.rm =TRUE),Q1 =quantile(Stopa_angazmana, 0.25, na.rm =TRUE),Q3 =quantile(Stopa_angazmana, 0.75, na.rm =TRUE),Actor_Group =first(Actor_Group)), by = ACTOR_TYPE][order(-Medijan)] %>%ggplot(aes(x =reorder(ACTOR_TYPE, Medijan), y = Medijan, fill = Actor_Group)) +geom_col(width =0.7) +geom_errorbar(aes(ymin = Q1, ymax = Q3), width =0.2) +coord_flip() +scale_fill_manual(values = group_colors, na.value ="gray70",labels =c("Influenceri", "Institucije", "Ostali")) +labs(title ="Medijan angažmana po tipu aktera", subtitle ="Crte označavaju interkvartilni raspon (25. do 75. percentil)",x =NULL, y ="Medijan interakcija po objavi", fill ="Grupa")
Wilcoxonov test pokazuje statistički značajnu razliku u stopama angažmana između influencera i institucija (W = 62,708.5, p < 0.001). Veličina efekta (r = -0.113) ukazuje na malu razliku. Ovi rezultati podržavaju Hipotezu 2 o institucionalnom deficitu pažnje.
Hipoteza 3 testira razlikuju li se influenceri i institucije u izboru platformi za komunikaciju. Očekujemo da influenceri dominiraju na društvenim mrežama (Facebook, Instagram, YouTube) koje nagrađuju osobni pristup i emocionalni sadržaj, dok institucije održavaju jaču prisutnost na webu gdje mogu kontrolirati format i poruku.
Za testiranje koristimo hi-kvadrat test koji ispituje postoji li statistički značajna povezanost između dvije kategorijske varijable (grupa aktera i platforma). Cramerov V mjeri snagu te povezanosti na skali od 0 do 1, pri čemu vrijednosti iznad 0.20 smatramo umjerenom povezanošću.
Tablica 8. Distribucija objava po platformama i grupama aktera
Platforma
Influenceri
Institucije
Razlika
comment
0.0%
0.0%
-0.0 pp
facebook
34.2%
9.0%
+25.2 pp
instagram
0.0%
0.0%
+0.0 pp
reddit
0.0%
0.0%
-0.0 pp
twitter
0.3%
0.3%
-0.0 pp
web
8.5%
87.6%
-79.0 pp
youtube
57.0%
3.1%
+53.9 pp
Prikaži kod
platform_table <-table(dta[!is.na(Actor_Group)]$SOURCE_TYPE, dta[!is.na(Actor_Group)]$Actor_Group)chisq_result <-chisq.test(platform_table)cramers_v <-sqrt(chisq_result$statistic / (sum(platform_table) * (min(dim(platform_table)) -1)))tibble(Test ="Hi-kvadrat test", Statistika =paste("χ² =", round(chisq_result$statistic, 0)),df = chisq_result$parameter, p =format.pval(chisq_result$p.value, digits =3),`Cramerov V`=sprintf("%.3f", cramers_v),Rezultat =ifelse(cramers_v >0.20, "H3 podržana", "H3 nije podržana")) %>%kable(caption ="Tablica 9. Test povezanosti platforme i grupe aktera") %>%kable_styling(bootstrap_options =c("striped", "hover"), full_width =FALSE)
Tablica 9. Test povezanosti platforme i grupe aktera
Test
Statistika
df
p
Cramerov V
Rezultat
Hi-kvadrat test
χ² = 69762
6
<2e-16
0.787
H3 podržana
4.3.1 Vizualizacija platformskih strategija
Graf ispod uspoređuje distribuciju objava po platformama za influencere i institucije. Vidljive razlike ukazuju na različite komunikacijske strategije.
Prikaži kod
ggplot(platform_dist, aes(x =reorder(SOURCE_TYPE, -Udio), y = Udio, fill = Actor_Group)) +geom_col(position ="dodge", width =0.7) +scale_fill_manual(values = group_colors, labels =c("Influenceri", "Institucije")) +labs(title ="Distribucija objava po platformama", subtitle =paste0("Cramerov V = ", round(cramers_v, 3), " (", ifelse(cramers_v >0.20, "umjerena", "slaba"), " povezanost)"),x =NULL, y ="Udio objava (%)", fill ="Grupa") +theme(axis.text.x =element_text(angle =45, hjust =1))
Figure 5: Distribucija objava po platformama za influencere (narančasto) i institucije (plavo).
4.3.2 Učinkovitost angažmana po platformama
Graf ispod prikazuje prosječan broj interakcija po objavi za svaku kombinaciju grupe i platforme. Tamnije boje označavaju veću učinkovitost. Ovo pomaže identificirati koje platforme najbolje “nagrađuju” svaku grupu aktera.
Prikaži kod
dta[!is.na(Actor_Group), .(Ucinkovitost =mean(INTERACTIONS, na.rm =TRUE)), by = .(Actor_Group, SOURCE_TYPE)] %>%ggplot(aes(x = SOURCE_TYPE, y = Actor_Group, fill = Ucinkovitost)) +geom_tile(color ="white") +geom_text(aes(label =sprintf("%.0f", Ucinkovitost)), size =3) +scale_fill_viridis(option ="plasma", direction =-1) +scale_y_discrete(labels =c("Influenceri", "Institucije")) +labs(title ="Učinkovitost angažmana po platformama", subtitle ="Prosječne interakcije po objavi",x =NULL, y =NULL, fill ="Prosj.\ninterakcije") +theme(axis.text.x =element_text(angle =45, hjust =1))
Figure 6: Prosječne interakcije po objavi za svaku kombinaciju grupe i platforme. Tamnije boje = veći angažman.
4.3.3 Interpretacija rezultata H3
Hi-kvadrat test pokazuje statistički značajnu povezanost između platforme i grupe aktera (χ² = 6.9762^{4}, df = 6, p < 0.001). Cramerov V od 0.787 premašuje prag od 0.20, što ukazuje na umjerenu snagu povezanosti. Ovi rezultati podržavaju Hipotezu 3.
4.4 Analiza 4: Tematska diferencijacija (H4)
Hipoteza 4 testira specijaliziraju li se influenceri i institucije za različite teme. Očekujemo da influenceri dominiraju u devocijskom i inspirativnom sadržaju (molitve, svetci, duhovne poruke), dok institucije više komuniciraju vijesti, događanja i administrativne informacije.
Kako određujemo teme? Za svaku objavu provjeravamo sadrži li tekst ključne riječi karakteristične za pojedinu temu. Na primjer, ako tekst sadrži riječi poput “molitva”, “Isus”, “Gospa” ili “sveti”, kategoriziramo ga kao “Devocijski” sadržaj. Objava se svrstava u temu s najviše pogodaka ključnih riječi.
Jensen-Shannon divergencija mjeri koliko se dvije distribucije (u ovom slučaju tematski profili influencera i institucija) razlikuju. Vrijednost 0 znači identične distribucije, a vrijednosti iznad 0.15 smatramo značajnom razlikom.
theme_wide <-dcast(theme_dist, Tema ~ Actor_Group, value.var ="Udio", fill =0)theme_wide[, Razlika := Influencer - Institutional]theme_wide %>%mutate(Influencer =sprintf("%.1f%%", Influencer *100),Institutional =sprintf("%.1f%%", Institutional *100),Razlika =sprintf("%+.1f pp", Razlika *100)) %>%kable(col.names =c("Tema", "Influenceri", "Institucije", "Razlika"),caption ="Tablica 10. Distribucija tema po grupama aktera") %>%kable_styling(bootstrap_options =c("striped", "hover"), full_width =FALSE)
Tablica 10. Distribucija tema po grupama aktera
Tema
Influenceri
Institucije
Razlika
Devocijski
92.4%
75.9%
+16.5 pp
Institucionalni
1.5%
11.4%
-9.9 pp
Liturgijski
1.9%
6.1%
-4.2 pp
Ostalo
2.8%
2.6%
+0.1 pp
Politički
0.5%
0.5%
+0.0 pp
Socijalni
0.6%
1.6%
-1.0 pp
Zajednički
0.3%
1.9%
-1.6 pp
Prikaži kod
js_divergence <-function(p, q) { p <- p +1e-10; q <- q +1e-10; p <- p /sum(p); q <- q /sum(q) m <-0.5* (p + q); 0.5*sum(p *log2(p/m)) +0.5*sum(q *log2(q/m))}all_themes <-unique(theme_dist$Tema)inf_vec <-sapply(all_themes, function(t) { v <- theme_dist[Actor_Group =="Influencer"& Tema == t, Udio]; if (length(v) ==0) 0else v })inst_vec <-sapply(all_themes, function(t) { v <- theme_dist[Actor_Group =="Institutional"& Tema == t, Udio]; if (length(v) ==0) 0else v })js_div <-js_divergence(inf_vec, inst_vec)tibble(Metrika ="Jensen-Shannon divergencija", Vrijednost =sprintf("%.3f", js_div),Prag ="> 0.15", Rezultat =ifelse(js_div >0.15, "H4 podržana", "H4 nije podržana")) %>%kable(caption ="Tablica 11. Mjera tematske divergencije između grupa aktera") %>%kable_styling(bootstrap_options =c("striped", "hover"), full_width =FALSE)
Tablica 11. Mjera tematske divergencije između grupa aktera
Metrika
Vrijednost
Prag
Rezultat
Jensen-Shannon divergencija
0.051
> 0.15
H4 nije podržana
4.4.1 Interpretacija Jensen-Shannon divergencije
Jensen-Shannon divergencija od 0.051 mjeri “udaljenost” između tematskih profila influencera i institucija. Vrijednost 0 bi značila da obje grupe komuniciraju iste teme u istim omjerima. Vrijednosti iznad 0.15 smatramo značajnom razlikom u tematskoj specijalizaciji. U našem slučaju, rezultat ne premašuje taj prag.
4.4.2 Vizualizacija tematske specijalizacije
Graf ispod prikazuje razlike u tematskom fokusu između grupa. Pozitivne vrijednosti (narančasto) pokazuju teme gdje dominiraju influenceri, a negativne (plavo) gdje dominiraju institucije.
Prikaži kod
theme_plot <-merge(theme_dist[Actor_Group =="Influencer", .(Tema, Influencer = Udio)], theme_dist[Actor_Group =="Institutional", .(Tema, Institutional = Udio)],by ="Tema", all =TRUE)theme_plot[is.na(Influencer), Influencer :=0]theme_plot[is.na(Institutional), Institutional :=0]theme_plot[, Razlika := Influencer - Institutional]ggplot(theme_plot, aes(x =reorder(Tema, Razlika), y = Razlika *100, fill = Razlika >0)) +geom_col(width =0.7) +geom_hline(yintercept =0) +coord_flip() +scale_fill_manual(values =c("TRUE"="#e07b39", "FALSE"="#1a3c5a"),labels =c("Institucije", "Influenceri")) +labs(title ="Tematska specijalizacija po grupama", subtitle =paste0("JS divergencija = ", round(js_div, 3)),x =NULL, y ="Razlika u udjelu (postotni bodovi)", fill ="Dominira") +theme(legend.position ="bottom")
Figure 7: Razlike u tematskoj specijalizaciji. Narančasto = influenceri dominiraju, plavo = institucije dominiraju.
4.4.3 Interpretacija rezultata H4
Jensen-Shannon divergencija od 0.051 ne premašuje prag od 0.15, što ukazuje na neznatnu razliku u tematskoj specijalizaciji. Ovi rezultati ne podržavaju Hipotezu 4.
4.5 Analiza 5: Faktori uspjeha influencera (H5)
Hipoteza 5 testira koji čimbenici predviđaju uspjeh influencera u privlačenju pažnje. Koristimo višestruku regresiju koja istovremeno analizira utjecaj više varijabli na ishod (ukupni angažman). Ova analiza nam govori koji faktori statistički značajno doprinose uspjehu, kontrolirajući pritom za utjecaj ostalih faktora.
Testirani prediktori uključuju:
log(Objave): Broj objava (logaritmiran zbog asimetrične distribucije)
Platforme: Broj različitih platformi na kojima izvor objavljuje
% Facebook/Instagram: Udio objava na tim platformama
Svećenik: Je li izvor svećenik (da/ne)
Karizmatska zajednica: Je li izvor karizmatska zajednica (da/ne)
R² (R-kvadrat) nam govori koliki postotak varijance u uspjehu možemo objasniti ovim faktorima. Vrijednost iznad 0.30 smatramo dobrim modelom.
Graf ispod prikazuje procijenjene koeficijente i njihove intervale pouzdanosti. Ako interval pouzdanosti ne prelazi nulu (vertikalna crtkana linija), prediktor je statistički značajan. Pozitivni koeficijenti znače da varijabla povećava uspjeh, negativni da ga smanjuje.
Prikaži kod
if (!is.null(model_summary)) { coef_plot_data <-data.frame(Varijabla =rownames(model_summary$coefficients)[-1],Koeficijent = model_summary$coefficients[-1, "Estimate"],SE = model_summary$coefficients[-1, "Std. Error"] ) coef_plot_data$CI_low <- coef_plot_data$Koeficijent -1.96* coef_plot_data$SE coef_plot_data$CI_high <- coef_plot_data$Koeficijent +1.96* coef_plot_data$SEggplot(coef_plot_data, aes(x =reorder(Varijabla, Koeficijent), y = Koeficijent)) +geom_hline(yintercept =0, linetype ="dashed", color ="gray50") +geom_point(size =3, color ="#e07b39") +geom_errorbar(aes(ymin = CI_low, ymax = CI_high), width =0.2, color ="#e07b39") +coord_flip() +labs(title ="Faktori uspjeha influencera",subtitle =paste0("R² = ", round(model_summary$r.squared, 3), " (model objašnjava ", round(model_summary$r.squared *100, 1), "% varijance)"),x =NULL, y ="Regresijski koeficijent (95% CI)")} else {ggplot() +annotate("text", x =0.5, y =0.5, label ="Nedovoljno podataka za model", size =6) +theme_void()}
Figure 8: Regresijski koeficijenti s 95% intervalima pouzdanosti. Ako interval ne prelazi nulu, efekt je statistički značajan.
4.5.2 Interpretacija rezultata H5
Model objašnjava 56.1% varijance u uspjehu influencera (R² = 0.561). Ova vrijednost premašuje prag od 0.30, što ukazuje na dobar model. Statistički značajni prediktori su: log(Objave).
Ova studija pruža prvu sustavnu analizu katoličkih influencera u hrvatskom digitalnom prostoru. Nalazi potvrđuju da principi ekonomije pažnje razvijeni u komercijalnim kontekstima vrijede i za religijsku komunikaciju.
Za crkvenu komunikacijsku strategiju, rezultati dokumentiraju institucionalni deficit pažnje koji strateška prilagodba može adresirati. Institucije možda trebaju razviti osobnije glasove, iskoristiti pojedinačne svećenike kao komunikacijske resurse ili prihvatiti podjelu rada gdje influenceri pokrivaju devocijski angažman dok se institucije fokusiraju na autoritativne komunikacijske funkcije.
Za akademsko razumijevanje, studija proširuje literaturu o ekonomiji pažnje na religijske kontekste te pruža empirijski temelj za daljnja istraživanja dinamike religijskih influencera u digitalnom prostoru.
5.3 Ograničenja
Studija ima nekoliko ograničenja koja treba uzeti u obzir. Fokusiramo se na javno dostupni sadržaj, isključujući privatnu komunikaciju. Klasifikacija aktera temelji se na automatiziranom prepoznavanju uzoraka koje može pogrešno kategorizirati nejasne izvore. Metrike angažmana bilježe vidljive interakcije, ali ne i pasivnu konzumaciju ili duhovni utjecaj sadržaja.
6 Zaključak
Ova studija pruža prvu sustavnu analizu katoličkih influencera u hrvatskom digitalnom prostoru. Nalazi pokazuju da katolički influenceri postižu značajno različite obrasce angažmana od institucionalnih crkvenih aktera, da se platformske strategije znatno razlikuju među kategorijama te da pažnja slijedi distribuciju potencijskog zakona s ekstremnom koncentracijom. Ovi rezultati proširuju akademsku literaturu o ekonomiji pažnje na religijske kontekste te nude praktične uvide za strategiju crkvene komunikacije.
Literatura
Abidin, C. (2018). Internet Celebrity. Emerald Publishing.
Davenport, T. H., & Beck, J. C. (2001). The Attention Economy. Harvard Business School Press.
Goldhaber, M. H. (1997). The attention economy and the net. First Monday, 2(4).
Simon, H. A. (1971). Designing organizations for an information rich world. Johns Hopkins Press.
van Dijck, J., Poell, T., & de Waal, M. (2018). The Platform Society. Oxford University Press.
