Journals / Uluslararası Sosyal Bilimler Akademik Araştırmalar Dergisi / 2026 / Cilt: 10 Sayı: 1

HEADLİNE–IMAGE INTERACTİON İN CLİCKBAİT NEWS AND READER PERCEPTİON: THE AUTORL APPROACH EXPLAİNİNG ALGORİTHMİC DECİSİON-MAKİNG PROCESSES ABSTRACT

Tık Tuzaklı Haberlerde Başlık ve Fotoğraf Etkileşimi ve Okur Algısı: Algoritmik Eşik Bekçiliği Perspektifinden Bir İnceleme

Segah Yeşilyurt(ONDOKUZ MAYIS ÜNİVERSİTESİ)0000-0002-8781-7472
Filiz Tiryakioglu(ANADOLU ÜNİVERSİTESİ)0000-0001-6475-0490
Pages
54–72
Publication Date
2026-07-05
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

The findings indicate that individuals with higher levels of media literacy evaluate such content more critically, whereas those with lower levels tend to respond more emotionally.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:This study examines the effects of headline and image interaction in clickbait news on reader perception within the context of AutoRL.
📊
Key Findings & Data:The analysis process was conducted using MAXQDA 2020 software.
💡
Conclusion & Impact:The findings indicate that individuals with higher levels of media literacy evaluate such content more critically, whereas those with lower levels tend to respond more emotionally.
🔬Design:Modeling & Simulation
📍Scope:2020 Verileri
⚙️Variables:Algoritma · Etkileşim · Tık Tuzaklı Başlık ve Fotoğraf

Abstract

This study examines the effects of headline and image interaction in clickbait news on reader perception within the context of AutoRL. AutoRL is conceptualized as a theoretical model that explains the visibility of content on digital platforms, rather than a directly measurable variable, and is evaluated as a structure that accounts for click-based optimization processes. The research focuses on how attention-grabbing elements such as headlines and images influence readers’ perception of news and their intention to click. In this context, AutoRL is not assumed to be a content-generating system but is considered a model that explains such optimization processes. A focus group interview method was employed in the study, and the data were analyzed using an inductive content analysis approach. The analysis process was conducted using MAXQDA 2020 software. The findings indicate that individuals with higher levels of media literacy evaluate such content more critically, whereas those with lower levels tend to respond more emotionally.

Özet

Bu çalışma, tık tuzaklı haberlerde başlık ve fotoğraf etkileşiminin okur algısı üzerindeki etkilerini AutoRL bağlamında incelemektedir. AutoRL, dijital platformlarda içeriklerin görünürlüğünü açıklayan kavramsal bir model olarak ele alınmış ve doğrudan ölçülen bir değişken olarak değil, tıklanma temelli optimizasyon süreçlerini açıklayan teorik bir yapı olarak değerlendirilmiştir. Araştırma, başlık ve fotoğraf gibi dikkat çekici unsurların okurun haberi algılama biçimi ve tıklama isteği üzerindeki etkilerine odaklanmaktadır. Bu kapsamda AutoRL’nin içerik üretici bir sistem olduğu varsayılmamış, bu tür süreçleri açıklayan bir model olarak kabul edilmiştir. Çalışmada odak grup görüşme yöntemi kullanılmış ve veriler tümevarımsal içerik analizi ile incelenmiştir. Analiz sürecinde MAXQDA 2020 programı kullanılmıştır. Bulgular, medya okuryazarlığı yüksek bireylerin içerikleri daha eleştirel değerlendirdiğini, düşük düzeyde olanların ise daha duygusal tepkiler verdiğini göstermektedir.

🔖

Cite This Article

Yeşilyurt, S., Tiryakioglu, F. (2026). HEADLİNE–IMAGE INTERACTİON İN CLİCKBAİT NEWS AND READER PERCEPTİON: THE AUTORL APPROACH EXPLAİNİNG ALGORİTHMİC DECİSİON-MAKİNG PROCESSES ABSTRACT. Uluslararası Sosyal Bilimler Akademik Araştırmalar Dergisi, Cilt: 10 Sayı: 1, 54–72. https://doi.org/10.58201/utsobilder.1936754

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (24)

  1. KAYNAKÇA Biyani, P., Tsioutsiouliklis, K., & Blackmer, J. (2016). “8 Amazing Secrets for Getting More Clicks”: Detecting clickbaits in news streams using article informality. Proceedings of the AAAI Conference on Artificial Intelligence, 30(1).
  2. Blom, J. N., & Hansen, K. R. (2015). Click bait: Forward-reference as lure in online news headlines. Journal of Pragmatics, 76, 87–100.
  3. Chakraborty, A., Paranjape, B., Kakarla, S., & Ganguly, N. (2016). Stop clickbait: Detecting and preventing clickbaits in online news media. In 2016 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (ASONAM) (pp. 9–16). IEEE.
  4. Diakopoulos, N. (2019). Haberlerin otomasyonu: Algoritmalar medyayı nasıl yeniden yazıyor? Harvard Üniversitesi Yayınları.
  5. Ercan, E. E. (2026). Clickbait culture in internet journalism: The digital way of “selling news”. Selçuk İletişim, 19(1), 114–138.
  6. Freeman, M., & Ding, J. (2026). Algorithmic gatekeeping.
  7. Hobbs, R. (2010). Digital and media literacy: A plan of action. Aspen Institute.
  8. Jonsson, E. (2026). Clickbait capitalism: The economics of misinformation online. Internet Economics XIX, 36.
  9. Kalyta, O., & Tilizhenko, Y. (2026). The problem of clickbait in contemporary journalism: Systemic challenges and ethical implications. In Język i Kultura Ukraińska we Współczesnej Humanitarnej Przestrzeni Czasowej: Aspekty Komunikacji Międzyjęzykowej i Kształtowania Kompetencji Komunikacyjnych Współczesnego Specjalisty (p. 376).
  10. Lewis, N. P., & Waters, S. (2018). Data journalism and the challenge of shoe-leather epistemologies. Digital Journalism, 6(6), 719–736.
  11. Mamun, M. (2025). Modern kalkınma yönetiminde yapay zekâ ve büyük verinin rolü. Hakem Değerlendirme Bildirisi, 104.
  12. Molina, M. D., & Sundar, S. S. (2024). İnsanlara duyulan güvensizlik, yapay zekâya duyulan güvenin artmasını öngörüyor mu? İçerik denetimine kullanıcı yanıtlarında bireysel farklılıkların rolü. New Media & Society, 26(6), 3638–3656.
  13. Nasibova, A. M. (2025). Görsel ve yazılı haberlerin karşılaştırılması: Duygusal etki mi yoksa doğruluk ve nesnellik mi? Western Caspian University Scientific Bulletin (Humanities Sciences Series), (4).
  14. Nickl, P. L. (2026). Cultural evolution and the attention economy: The case of online news headlines. Park, C. S., Liu, Q., & Wang, Q. (2026). Connecting perceived worthwhileness to news consumption patterns and algorithm recommendations on Chinese social media Bilibili. Journalism Studies, 1–20.
  15. Potter, W. J. (2018). Media literacy. Sage Publications.
  16. Potthast, M., Köpsel, S., Stein, B., & Hagen, M. (2016). Clickbait detection. In European Conference on Information Retrieval (pp. 810–817). Springer.
  17. Silungwe, A., Hatimbula, B., & Silungwe, W. (2026). Clickbait culture and its impact on professionalism and ethics in academia: A systematic analysis. International Journal of Research and Scientific Innovation (IJRSI), 13(3).
  18. Song, Y., He, X., Tang, X., Yin, B., Du, J., Liu, J.,. & Geng, S. (2024). DEEPBIN: Sürdürülebilir doğal teknolojiler kullanılarak evler için derin öğrenmeye dayalı çöp sınıflandırması. Journal of Grid Computing, 22(1), 2.
  19. Sui, M., & Hawkins, I. (2026). Aşırı kaydırma ama dikkatli haber okuma? Kısa video kullanımı ve olumsuz etkisinin farkındalığı cihazlar arasında haber etkileşimini nasıl şekillendiriyor? Media Psychology, 1–25.
  20. Van Dalen, A. (2023). Algorithmic gatekeeping for professional communicators: Power, trust, and legitimacy. Routledge.
  21. Van Erkel, P. F., Van Aelst, P., Van Nieuwenborgh, J., De Vreese, C. H., Hameleers, M., & Hopmann, D. N. (2026). Combating disinformation with news literacy interventions: An experimental study on the framing effects of news literacy messages. The International Journal of Press/Politics, 31(1), 140–160.
  22. Wallace, J. (2018). Modelling contemporary gatekeeping: The rise of individuals, algorithms and platforms in digital news dissemination. Digital Journalism, 6(3), 274–293.
  23. Zhang, Y., & He, A. Z. (2025). The impact of AI influencer endorsements on consumers’ purchase intentions: The serial mediating roles of mind perception and brand trustworthiness. Journal of Product & Brand Management, 34(5), 754–765.
  24. Song, Y., He, X., Tang, X., Yin, B., Du, J., Liu, J.,. & Geng, S. (2024). DEEPBIN: Sürdürülebilir doğal teknolojiler kullanılarak evler için derin öğrenmeye dayalı çöp sınıflandırması. Journal of Grid Computing, 22(1), 2.