Using LLMs to optimize engagement of social media post
Neel Jigneshbhai Shanishvara · Cvut DSpace (Czech Technical University) · 2026
Predikce a optimalizace angažovanosti na sociálních sítích je složitý úkol, především proto, že metriky angažovanosti jsou silně ovlivněny počtem sledujících autora, což často zakrývá skutečnou kvalitu samotného textu. Tato práce zkoumá systém umělé inteligence s uzavřenou smyčkou, navržený k predikci a autonomní optimalizaci počtu označení líbí se mi" u příspěvků na platformách Twitter a LinkedIn. V první fázi je vytvořen prediktivní hodnotitel EngageBERT doladěním architektury ModernBERT- base pomocí metody Low-Rank Adaptation (LoRA). EngageBERT dosahuje výrazně nižší pre- dikční chyby než základní modely pracující pouze s textem nebo s explicitní normalizací míry angažovanosti, čímž potvrzuje účinnost vkládání metadat (počet sledujících, rok zveřejnění a platforma) přímo do textového vstupu modelu. Model je nejpřesnější pro účty se 100 až 10 000 sledujícími, kde kvalita textu nejsilněji koreluje s angažovaností. Ve druhé fázi jsou představeny dva nové optimalizační postupy využívající agentní umělou inteligenci, které používají EngageBERT jako lokálně spouštěného heuristického hodnotitele bez dodatečných nákladů na volání API. Metoda Hindsight-Guided Hill-Climbing (HGHC) im- plementuje prohledávání nejstrmějšího výstupu rozšířené o mechanismus Chain of Hindsight a dynamické přesouvání výzev k překonání lokálních maxim. Metoda Reflexive Multi-Agent Persona Shifting (R-MAPS) odděluje strategické uvažování od provádění pomocí dvoumodelové architektury s reflexivní pamětí a sekvenčním auditováním od nejvýznamnějšího kandidáta. Experimenty provedené v rámci 120 běhů na národní výzkumné infrastruktuře e-INFRA CZ prokazují, že obě metody dosahují statisticky významného zlepšení angažovanosti oproti silnému generativnímu základu (p < 0,000001), přičemž mezi nimi nebyl nalezen statisticky významný rozdíl. Oba postupy jsou vázány dvojitým omezením deterministického auditora, který po celou dobu optimalizace zajišťuje faktickou správnost a plynulost textu