Rejtett tartalmak nyomában

Átírás

1 Rejtett tartalmak nyomában Mire jó a Textplore dokumentumelemző szoftver? Czibik Ágnes Tóth István János Sajtóbemutató Puskin kávéház, Budapest, Semmelweis u október óra

2 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

3 A projektről

4 A projektről A Textplore program a TEXTREND ( 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.

5 Jellemzők, lehetőségek

6 Cloud concept: A koncepció Online: 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

7 Elemezhető dokumentumok Saját dokumentumok Internetről gyűjtött tartalom: hírportálok, kutatóintézetek cikk jelenleg. LETÖLTÉSI KORLÁTOK! Dokumentumok honlapokról amit a felhasználó kiválaszt Kereséssel érhetőek el és választhatóak ki elemzésre: kulcsszó, dátum, formátum, hossz alapján

8 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

9 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

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

11 Magyarországról a New York Times első féléves politikai cikkeiben

12 Adatok Minta a NYTimes 2010.nov 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

13 Cikkek száma havonta 2011 márciusában jelent meg a legtöbb cikk

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

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

16 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 K-K-Európa Más országok

17 A Siemens és a korrupció a magyar online sajtóban

18 A Siemens megjelenése Index és Origo cikkekben ( ) A cikkek száma: 1512 Nagy ingadozás a cikkek számában A két portál nem mindig mozog együtt ( )

19 A Siemens és a korrupció együttes megjelenése Forrásonként máskor tetőzik (2007 és 2008) Nemzetközi Siemensbotrány, Combino- szerződés, hivatkozó cikkek Eltérő mértékben foglalkozik a két portál a témával vagy csak a szóhasználat tér el? botrány vagy korrupció

20 Gyurcsány Ferenc őszödi beszéde az Index és az Origo cikkeiben

21 Vizsgált időszak: szept 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

22 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 I. negyedév), darab, N= Index Origo IV I II III IV I II III IV I II III IV I II III IV I Forrás: GVI - Textplore 6 4

23 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

24 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

25 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

26 Szakszó-használati fok időbeli változása

27 Hangvétel és szakszavak A köznyelvi térfélben nagyobb szórás hangvétel 0,4 0,3 Az őszödi beszéddel kapcsolatosan megjelent cikkek "hangvétele" és "szakértelmi foka" az index.hu-n és az origo.hu-n, N=559 KÖZÉRTHETŐ POZITÍV SZAKÉRTŐI POZITÍV 0,2 A leginkább 0,1 R² = 0,1182 negatív sávban Origodominancia 0-0,1-0,2 R² = 0,1474 A szakértői térfélen enyhe Origodominancia -0,3 SZAKÉRTŐI NEGATÍV -0,4 toltes Index -0,5 KÖZÉRTHETŐ NEGATÍV Sorozatok2 Origo -0,6 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 Forrás: GVI - Textplore szakértelmi fok

28 Ítélőtáblák internetes adatközlési gyakorlata

29 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

30 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 102 Fővárosi Ítélőtábla 122 Szegedi Ítélőtábla 56 Pécsi Ítélőtábla 322 Győri Ítélőtábla 40 Debreceni Ítélőtábla

31 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

32 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?) 60 A letölthető dokumentumok publikálásának időbeli megoszlása az egyes ítélőtáblák esetében, % Fővárosi Ítélőtábla Szegedi Ítélőtábla Pécsi Ítélőtábla Győri Ítélőtábla Debreceni Ítélőtábla

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

34 A vizsgált cikkek május augusztus Csak balesettel kapcsolatos cikkek: 304 db NOL (36), MNO (48), Velvet (100), Blikk (120)

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

36 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

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

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

39 Jogi PR szavak előfordulása Az MNO szól legkevésbé arról, hogy Stohl András megbánta azt amit tett, és ezért drogellenes kampányba kezdett

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

41 Köszönjük a figyelmet! A minta-elemzések elérhetősége: Elemzések menüpont