Rejtett tartalmak nyomában

Rejtett tartalmak nyomában Mire jó a Textplore dokumentumelemző szoftver? Czibik Ágnes – Tóth István János

Sajtóbemutató Puskin kávéház, Budapest, Semmelweis u. 2. 2011. október 25. 10 óra

• A projektről • Jellemzők • NYTimes • Siemens • Őszödi beszéd • Ítélőtáblák • Stohl András

Tartalom • A projektről • A szoftver jellemzői • Mintaelemzések:

Magyarország a New York Times-ban Siemens és korrupció az online sajtóban Az őszödi beszéd az Indexen és az Origo-n Ítélőtáblák adatközlési gyakorlata Stohl András balesete négy hazai hírportálon


A projektről


A projektről A Textplore program a TEXTREND (http://www.textrend.org/) projekt keretében a Nemzeti Innovációs Hivatal Jedlik Ányos programjának támogatásával készül (2008- ). (Projekt száma: NKFP_07_A2-TEXTREND, Szerződésszám: OM-00002/2008). Konzorcium: – Universitas Press Felsőoktatás-kutató Műhely Kft.; – Eötvös Lóránd Tudományegyetem; – Glia Számítástechnikai és Tanácsadó Kft.; – MKIK GVI; – MTA SZTAKI; – Szegedi Tudományegyetem.


Jellemzők, lehetőségek


A koncepció • Cloud concept:

●

Online: https://www.textplore.org/ A program, az adatok, az eredmények a szerveren, de letölthetőek

Kvantitatív és kvalitatív szövegelemzés

Nagy mennyiségű szöveg gyors feldolgozása Szógyakoriságokra és szókörnyezetekre alapuló elemzések Korlátok:

Szövegek értelmezésére a szoftver nem képes Az elemzett adatok „tisztasága” nem automatikus


Elemezhető dokumentumok

Saját dokumentumok

Internetről gyűjtött tartalom: hírportálok, kutatóintézetek 1.500.000+ cikk jelenleg. LETÖLTÉSI KORLÁTOK!

Dokumentumok honlapokról – amit a felhasználó kiválaszt

• Kereséssel érhetőek el és választhatóak ki elemzésre: kulcsszó, dátum, formátum, hossz alapján


Elemzési lehetőségek • A dokumentumok általános adatai: dátum, hossz, forrás, (cím, szerző) – Pl. egy téma lefutása cikkekben • Szókörnyezet: kulcsszó előtt és után 10 szó bemutatása – Korlátozott kvalitatív eszköz • Szókörnyezet- statisztika - Milyen szavak szerepelnek a kulcsszó közvetlen közelében? • Szóstatisztika: hányszor szerepelnek megadott szavak a dokumentumokban? Az eredmény exportálható statisztikai programokba, alapinformáció a kvantitatív elemzéshez • Saját statisztikai eszközök: kereszttábla, korreláció… Szavak közti kapcsolat mérésére, különböző dokumentumok közti szóhasználati különbségek mérésére • Kísérleti állapotban: tulajdonnév-felismerés


Lehetséges felhasználók • • • •

kormányzat üzleti szféra, non-profit szektor egyetemek, kutatók egyéb érdeklődők

• Elérhetőség:

jelenleg zárt (kapacitás-korlátok) A GVI készít elemzéseket

Üzleti céllal: pl. Energiaklub Szakpolitikai Intézet – A fukusimai katasztrófa megjelenése az online médiában Tudományos céllal


Tesztelemzések A tesztelemzéseket készítették: Czibik Ágnes Makó Ágnes Miskolczi Erna Nyírő Zsanna Priksz Tamás Tóth István János Várhalmi Zoltán


Magyarországról a New York Times 2011. első féléves politikai cikkeiben


Adatok • Minta a NYTimes 2010.nov-2011. ápr. cikkeiből: 37 db • Milyen országokra vonatkoznak a cikkek? Magyarország, poszt-szocialista országok, egyéb országok – Tulajdonnév-felismerés

• Milyen témákat érintenek? gazdasági, politikai, társadalmi – Szógyakoriságok alapján

• Milyen irányú értékelést tartalmaznak? pozitív, semleges, negatív – Szógyakoriságok alapján


Cikkek száma havonta • 2011 márciusában jelent meg a legtöbb cikk


Országok és országcsoportok • Kifejezetten Magyarországra vonatkozó cikkek száma 1 felett: januárban és áprilisban (médiatörvény és Alaptörvény)


Az értékelés iránya • Magyarország döntően negatív kontextusban jelenik meg • A vizsgált cikkek fele negatívként értékelhető


Az értékelés iránya és országcsoportok • Ha Magyarország a téma akkor a cikkek 8/9-e negatív; de • ott is erősen negatív, ahol más ország a voltaképpeni téma (pl. nők diszkriminálása Olaszországban)

negatív

semleges

pozitív

Magyarország

8

1

0

K-K-Európa

2

1

0

Más országok

8

14

2


A Siemens és a korrupció a magyar online sajtóban


A Siemens megjelenése Index és Origo cikkekben (2000-2010) • A cikkek száma: 1512 • Nagy ingadozás a cikkek számában • A két portál nem mindig mozog együtt (2002-2003)


A Siemens és a korrupció együttes megjelenése • •

•

Forrásonként máskor tetőzik (2007 és 2008) Nemzetközi Siemensbotrány, Combinoszerződés, hivatkozó cikkek Eltérő mértékben foglalkozik a két portál a témával vagy csak a szóhasználat tér el? „botrány” vagy „korrupció”


Gyurcsány Ferenc őszödi beszéde az Index és az Origo cikkeiben


• Vizsgált időszak: 2006. szept. - 2011. ápr. • A cikkek száma: 559 • Hangvétel szerinti vizsgálat: pozitív, negatív, semleges szavak • Szakszavak és köznyelvi kategóriába sorolt szavak vizsgálata • Elemzési egység: cikk • Fontos továbblépés lehetne: bekezdések, kijelentések elemzése


• Sok cikk: a megjelenés után és a 2010-es választások előtt. Közte: „csend” • Indexen általában több cikk

Az őszödi beszéddel kapcsolatosan megjelent cikkek száma az index.hu-n és az origo.hu-n (2006. IV. negyedév - 2011. I. negyedév), darab, N=559 50 45

44 Index

40 Origo 35

32 30 30

30

28

27

25 21

20

20

18

21 19

18

17

17

16

14

15

13

12

11 11

10

12

13 11

13 10

10

12 10

8

7

5

10 6

6

5

4

3

0 IV

I

II

2006 Forrás: GVI - Textplore

III 2007

IV

I

II

III 2008

IV

I

II

III 2009

IV

I

II

III 2010

IV

I 2011


A cikkek hangvétele • Pozitív szavak: lehetőség, bizalom, őszinte, nyílt, önálló, bátorság, önvizsgálat, igazságbeszéd… • Negatív szavak: hazugság, botrány, kudarc, elhibázott, brutális, hülye… • Hangvétel mutató: cikkek hosszával normálva, pozitív és negatív szavak egyenlegét véve, az összes szó arányában vizsgálva • Index: nagyobb ingadozás cikkek között, éves átlagban viszont kiegyenlítettebb • Index: pozitívabb hangvétel


A cikkek hangvétele • A „csend” alatt a leginkább negatív a cikkek hangvétele • • • •

(p-n) /(p+n+s) p: 1000 karakterre jutó pozitív szavak száma n: negatív szavakra analóg módon s: semleges szavakra analóg módon


Szakszavak/köznyelvi szavak • Szakszavak (politológiai, szociológiai, közgazdaságtani): pl. államadósság, paradigma, pártpolitikai, kiadáscsökkentés, integráció… • Köznyelvi szavak: pl. népszerűség, következmény, tárgyalás, kemény, kiszivárgás… • Szakszó-használati fok: tudományos/(köznyelvi+tudományos) • Az Origo némileg több elvont politológiai-közgazdaságtani kifejezést használt az őszödi beszédet érintő cikkeiben, mint az Index


Szakszó-használati fok időbeli változása


Hangvétel és szakszavak • A köznyelvi térfélben nagyobb szórás

Az őszödi beszéddel kapcsolatosan megjelent cikkek "hangvétele" és "szakértelmi foka" az index.hu-n és az origo.hu-n, N=559

hangvétel 0,4

KÖZÉRTHETŐ POZITÍV

0,3

SZAKÉRTŐI POZITÍV

0,2

• A leginkább negatív sávban Origodominancia

0,1

R² = 0,1182 R² = 0,1474

0 -0,1 -0,2

• A szakértői térfélen enyhe Origodominancia

-0,3

SZAKÉRTŐI NEGATÍV

-0,4 toltes Index -0,5

Sorozatok2 Origo

KÖZÉRTHETŐ NEGATÍV

-0,6 0

0,1

Forrás: GVI - Textplore

0,2

0,3

0,4

0,5

0,6

0,7

0,8

0,9 szakértelmi fok

1


Ítélőtáblák internetes adatközlési gyakorlata


• Öt ítélőtábla: feladatuk elsősorban a helyi, illetve megyei bíróságok határozatai ellen előterjesztett jogorvoslatok elbírálása • Feladatuk, működésük, felépítésük, jogi hátterük megegyezik, vonatkozik rájuk az Elektronikus információ-szabadság törvény (Eitv.) • Adatközlési gyakorlatuk is azonos? • A vizsgált dokumentumok: doc és pdf formátum, a honlapokról automatikusan letöltve, összesen 642 dokumentum


A feltett dokumentumok száma • Győr, Debrecen: sajtócikkeket is feltesznek – ezt nem vesszük figyelembe • Győr: doc-ok is vannak, máshol csak pdf • Nagy különbségek

Az ítélőtáblák honlapján megtalálható dokumentumok száma 350 300 250 200 322

150 100 50

102

122 56

40

0 Fővárosi Ítélőtábla

Szegedi Ítélőtábla

Pécsi Ítélőtábla

Győri Ítélőtábla

Debreceni Ítélőtábla


Dokumentumok tartalma • Győrben a leginkább sokszínű: kollégiumi vélemények, ajánlások, határozatok éves bontásban,

közérdekű adatok (alapító okirat, SzMSz, ügyelosztási rendek, költségvetési okmányok, működés értékelésére vonatkozó dokumentumok)

tárgyalási jegyzékek

a megnyitó ünnepség beszédeinek szövege

az ítélőtáblát érintő, a sajtóban megjelent cikkek

• UGYANAKKOR: ETI (Elektronikus Információ-szabadság Törvénytisztelet Index) Győr: 37,3

Debrecen: 63


Közlések időben, honlap-frissítés • Győr, (Főváros): egyenletes, évente frissül, hasonló mennyiség • Pécs, Debrecen: első 1-2 évben sok dokumentum, utána kevés • Szeged: először kevés, majd egy évben nagyon sok (váltás?) A letölthető dokumentumok publikálásának időbeli megoszlása az egyes ítélőtáblák esetében, % 60 50 40

Fővárosi Ítélőtábla Szegedi Ítélőtábla

30

Pécsi Ítélőtábla Győri Ítélőtábla

20

Debreceni Ítélőtábla

10 0 2004

2005

2006

2007

2008

2009

2010

2011


Stohl András a Magyar Nemzet, a Népszabadság, a Velvet és a Blikk online cikkeiben


A vizsgált cikkek • 2010. május – 2011. augusztus • Csak balesettel kapcsolatos cikkek: 304 db • NOL (36), MNO (48), Velvet (100), Blikk (120)


A cikkek száma összesen Kiugró cikkszámok: • 1.: közvetlenül a baleset után • 2: nyomozás lezárása • 3: elsőfokú tárgyalás • 4: elsőfokú ítélet • 5: másodfokú tárgyalás


Kapcsolódó altémák Milyen témakörök azonosíthatóak szóelőfordulások alapján? • Drog- és alkoholfogyasztás, pl: ittas, drog, díler, pszichotrop… • Jogi PR: vezeklés, pl: megbán, szégyell, tanulság, vezeklés… • Negatív jellemrajz, pl: átmulatott, botrány, cserbenhagyás, megérdemel…


Az addikciót említő cikkek aránya • Kis különbségek • A NOL-on található a legtöbb addikciót NEM említő cikk


Addikciós szavak előfordulása • A NOL szól legkevésbé arról, hogy Stohl András drogokat és alkoholt fogyasztott a baleset előtt


Jogi PR szavak előfordulása

• Az MNO szól legkevésbé arról, hogy Stohl András megbánta azt amit tett, és ezért drogellenes kampányba kezdett


Negatív jellemrajz szavak előfordulása • Az MNO cikkeiben rajzolódik ki leginkább negatív kép Stohlról

Köszönjük a figyelmet! A minta-elemzések elérhetősége: https://www.textplore.org/ Elemzések menüpont

Rejtett tartalmak nyomában

Recommend Documents