Поиск
Подать статью EN
Гуманитарные и общественные науки

2021 Выпуск №2

Назад к списку Скачать статью
Фидря Е.С. Данилин А.Н. Куликов С.Ю. Кришталь М.И.

Принципы автоматической системы извлечения и классификации комментариев в социальных сетях на основе трехфакторной коммуникационной модели

Страницы / Pages
99-110
риск-коммуникация онлайн-коммуникация кодирова­ние декодирование код государственное регулирование пандемия COVID-19 коммуникационная модель risk communication communication online encoding decoding code governmental regulation pandemic COVID-19 communication model

Аннотация

Работа посвящена исследованию основных коммуникативных стратегий, которые используются субъектами риск-коммуникации при обсуждении и интерпретации государственных мер по управлению неблагоприятными последствиями кризисов (на примере пандемии ко­ронавируса COVID-19). Для извлечения и классификации комментари­ев авторами была разработана трехфакторная модель классификации текстов и комментариев на основе сочетания коммуникационной моде­ли кодирования / декодирования текстов С. Холла, теории функцио­нальных подсистем Н. Лумана, классификации коммуникативных стратегий. При помощи инструментов автоматического извлечения данных сформирован массив кодированных текстов (76 тысяч) и ком­ментариев к ним (около 1,5 млн), разработана сверточная нейронная сеть, определяющая применяемые в ходе интерпретации текстов ре­жимы декодирования текстов. Примененный коллективом подход не только позволяет учесть тематику, но и обеспечивает учет модели «мера / высказывание-реакция», позволяет рассмотреть широкий спектр государственных мер и высказываний политических акторов, оценить более широкий набор потенциальных реакций аудиторий на них при использовании русскоязычного материала.

Abstract

The paper aims at examining the main communication strategies used by those involved into risk communication on the governmental regulations on the management of the adverse aftermaths of the crises (on the case of COVID-19 pandemics). In order to extract and classify the set of comments, a three-factor model was developed to classify the texts and comments through S. Hall’s 'encoding/decoding' model, N. Luhmann’s functional subsystems theory, and communicational strategies' types. Using tools for the automa­tized data extraction we got the texts (76.000) and comments (1.500.000) samples and developed a neural network classifying the texts decoding re­gimes during its interpretation. The approach developed by authors both al­lows to consider the issues, and the 'measures/statements — reactions' model, it helps to examine broader set of governmental measures and statements, us­ers' reactions and analyze texts in the Russian language.

Список литературы

1. Бодрунова С. С., Литвиненко А. А. Hybridization of the media system in Rus­sia: technological and political aspects // World of Media. Yearbook of Russian Media and Journalism Studies. 2013. № 3. Р. 37—49.

2. Володенков С. В. Развитие современных информационно-коммуникацион­ных технологий как фактор формирования парадигмы общества сетевых ком­муникаций // Вестник Московского университета. Сер. 12: Политические науки. 2016. № 2. С. 21—34.

3. Володенков С. В. Массовая коммуникация и общественное сознание в усло­виях современных технологических трансформаций // Журнал политических исследований. 2018. Т. 2, № 3. С. 1—8.

4. Лавренчук Е. А. Аутопойезис социальных сетей интернет-коммуникаций // Вестник РГГУ. Сер.: Философия. Социология. Искусствоведение. 2009. № 12. С. 48—56.

5. Радина Н. К. Цифровая политическая мобилизация онлайн-комментато­ров материалов СМИ о политике и международных отношениях // Полис. Политические исследования. 2018. № 2. С. 115—129.

6. Толкунов А. А. Модель оперативной аналитической обработки текстовых комментариев к законопроектам. Орел, 2014.

7. Усманова З. Р. Основные направления кристаллизации социально-поли­ти­ческих представлений российских граждан в интернет-сообществах // Вестник Финансового университета. Гуманитарные науки. 2018. Т. 8, № 5 (35). С. 42—51.

8. Фидря Е. С. Факторы и логики реконструирования смысла политического текста в условиях когнитивной и интерпретативной неопределенности // По­лис. Политические исследования. 2019. № 4. C. 40—56

9. Шубрт И. Никлас Луман: проблема коммуникации в рамках функцио­нально-дифференцированного общества // Социологические исследования. 2013. № 1. С. 5—15.

10. Шубрт И. Теория систем и символически генерализованные коммуни­кационные медиа // Коммуникология. 2019. Т. 7, № 1. С. 21—31.

11. Brown P. Trusting in the New NHS: instrumental versus communicative ac­tion // Sociology of Health & Illness. 2008. Vol. 30, № 3. P. 349—363.

12. Castleberry G. Understanding Stuart Hall's 'Encoding/Decoding' Through AMC's Breaking Bad // Communication Theory and Millennial Popular Culture: Essays and Applications / ed. K. G. Roberts. N. Y., 2015. Р. 84—95.

13. Collins E. et al. LIDA: Lightweight Interactive Dialogue Annotator // Pro­ceedings of the 2019 EMNLP and the 9th IJCNLP (System Demonstrations). Hong Kong, 2019. P. 121—126.

14. Ermakova L. et al. Covid or not Covid? Topic Shift in Information Cascades on Twitter // Proceedings of the 3rd International Workshop on Rumours and Decep­tion in Social Media (RDSM). Barcelona, 2020. P. 32—37.

15. Gilmartin E. et al. The ADELE Corpus of Dyadic Social Text Conversations: Dialog Act Annotation with ISO 24617-2 // Proceedings of the Eleventh Internation­al Conference on Language Resources and Evaluation (LREC-2018). Miyazaki, 2018. P. 4016—4022.

16. Hall S. [1973]. Encoding, Decoding. — Culture, Media, Language [1973] // Working Papers in Cultural Studies, 1972—1979. L., 1980. P. 128—138.

17. Handbook of Linguistic Annotation / ed. by N. Ide J. Pustejovsky. Dordrecht, 2017.

18. Johannßen D., Biemann Chr. Social Media Unrest Prediction during the COVID-19 Pandemic: Neural Implicit Motive Pattern Recognition as Psychometric Signs of Severe Crises // Proceedings of the Third Workshop on Computational Modeling of People's Opinions, Personality, and Emotion's in Social Media. Barcelo­na, 2020. P. 74—86.

19. Liu B. Sentiment Analysis: Mining Opinions, Sentiments, and Emotions. N. Y., 2015.

20. Lüngen H., Herzberg L. Types and annotation of reply relations in computer-mediated communication // European Journal of Applied Linguistics. 2019. Vol. 7, № 2. Р. 305—331.

21. Lupton D. Risk. N. Y., 2013.

22. Marinov B. et al. Topic and Emotion Development among Dutch COVID-19 Twitter Communities in the early Pandemic // Proceedings of the Third Workshop on Computational Modeling of People's Opinions, Personality, and Emotion's in Social Media. Barcelona, 2020. P. 87—98.

23. Morgner C. Trust and Society: Suggestions for Further Development of Niklas Luhmann's Theory of Trust // Canadian Review of Sociology / Revue canadienne de sociologie. 2018. Vol. 55, № 2. Р. 232—256.

24. Pontiki M. et al. SemEval-2016 Task 5: Aspect Based Sentiment Analysis // Proceedings of the 10th International Workshop on Semantic Evaluation (SemEval-2016). San Diego, 2016. Р. 19—30.

25. Ross S. The Encoding/Decoding Model Revisited. — International Commu­nication Association Conference. Boston, 2011.

26. Roth E., Schutz A. Ten Systems: Toward a Canon of Function Systems // Cy­bernetics and Human Knowing. 2015. Vol. 22, № 4. Р. 11—31.

27. Shin M. et al. A Risk Communication Event Detection Model via Contrastive Learning // Proceedings of the 3rd NLP4IF Workshop on NLP for Internet Freedom: Censorship, Disinformation, and Propaganda. Barcelona, 2020. P. 39—43.

28. Social theories of risk and uncertainty: an introduction / ed. by J. Zinn. Ox­ford, 2008.

29. Stones R. Social theory and current affairs: a framework for intellectual en­gagement // British Journal of Sociology. 2014. Vol. 65, № 2. Р. 293—316.

30. Stowe K. et al. Developing and Evaluating Annotation Procedures for Twitter Data during Hazard Events // Proceedings of the Joint Workshop on Linguistic Annotation, Multiword Expressions and Constructions (LAW-MWE-CxG-2018). Santa Fe, 2018. Р. 133—143.

31. Wang Sh. et al. Public Sentiment on Governmental COVID-19 Measures in Dutch Social Media // Proceedings of the 1st Workshop on NLP for COVID-19 (Part 2) at EMNLP 2020. URL: https://aclanthology.org/2020.nlpcovid19-2.17 (дата обращения: 01.04.2021).

32. Wu S., Bergman T. An active, resistant audience — but in whose interest? Online discussions on Chinese TV dramas as maintaining dominant ideology // Participations. 2019. Vol. 16, № 1. Р. 107—129.

33. Zamani M. et al. Understanding Weekly COVID-19 Concerns through Dy­namic Content-Specific LDA Topic Modeling // Proceedings of the Fourth Work­shop on Natural Language Processing and Computational Social Science. URL: https://aclanthology.org/2020.nlpcss-1.21.pdf (дата обращения: 01.08.2021).

34. Zarisheva E., Scheffler T. Dialog Act Annotation for Twitter Conversations // Proceedings of the SIGDIAL 2015 Conference. Prague, 2015. Р. 114—123.