没有合适的资源?快使用搜索试试~ 我知道了~
International Journal of Information Management Data Insights 1(2021)100033使用主题建模了解Twitter上的公众参与:2019年Ridgecrest地震案例Jisoo Ahna,Hu,Hyunsang Sonb,Arnold Dongwoo Chungca健康与新媒体研究所,翰林大学,春川,24252,韩国b美国新墨西哥州阿尔伯克基市新墨西哥大学市场营销、信息与决策科学系c埃森哲,美国aRT i cL e i nf o保留字:Twitter地震专题建模公众参与a b sTR a cTTwitter经常被用来在灾害期间传播信息。这项研究收集和分析了与2019年7月南加州里奇克莱斯特地震有关的推文,这些推文来自选定的组织(例如,政府机构、媒体公司、非营利组织和研究团体)。主题建模技术为这些组织找到了相似和不同的主题。回归分析显示,来自媒体和“其他人”(不包括在所选组织中的Twitter用户)的话题与人数呈正相关。转发和收藏夹这些发现有助于Twitter研究和社交媒体用于灾害管理的方法发展。1. 介绍社交媒体用于各种目的,在灾难时期具有更大的价值(ArugueteCalvo,2018;Guo Vargo,2017;Russell Neuman,Guggenheim,MoJang,Bae,2014)。通过社交媒体,人们可以积极确认他人的安全,请求帮助,分享精神支持,并提供有关地震、飓风和灾害期间发生的悲惨情况的最新信息(休斯顿,2012年;休斯顿等人, 2015;Lindsay ,2011)。组织还可以使用社交媒体作为灾害期间传播信息的方法/技术;他们可以使用社交媒体提供灾害警报(Santos& Aguirre,2007),并与公众轻 松 互 动 ,以在灾害发生之 前 、 期 间 和 之 后 提 供 灾 害 响 应 信 息(Athanasis等人,2018; Houston等人,2015年)。尽管社交媒体具有传播未经控制的信息的固有风险,但快速传递灾害信息和与公众保持双向沟通的优势(Jaeger等人,#20007;的风险。最近的灾难传播文献讨论了组织、政府和科学家的各种传播策略(Lindsay,2011)。然而,仍然需要核实所采用的战略是否有效,是否符合公众的愿望和需要。因此,本研究确定了以下目标:• 通过使用和免费的方法来评估公众对这些组织的Twitter消息的反应除了这个概念方面,我们使用了自动机器学习技术的数据收集,以克服以前的主题建模方法的局限性。监督学习过程,例如使用预定字典,已经在几个通信研究领域(例如, Liu等人, 2020年),但在确定内容主题的固定数量时可能包括研究人员偏见。相反,我们使用了一种算法来确定推文主题的优化数量,从而实现了我们进一步为主题建模研究做出贡献的目标。2. 文献综述2.1. 研究背景这项研究的重点是Twitter对2019年7月4日和5日发生的Ridgecrest地震的参与。在加利福尼亚州的里奇克莱斯特北部记录了三次分别为6.4、5.4和7.1级的主震。由于这些地震,随后报告了停电和火灾。2.2. 社交媒体和灾害传播• EX plore 的 迪塞贝伦特 主题 的 灾害相关信息随着互联网和通信技术的迅速发展,供应商讨论使用Twitter。近年来,ogy改变了人们交流的方式,∗ 通讯作者。电子邮件地址:jahn@hallym.ac.kr(J. Ahn)。https://doi.org/10.1016/j.jjimei.2021.100033接收日期:2021年4月17日;接收日期:2021年8月22日;接受日期:2021年2667-0968/© 2021作者。由Elsevier Ltd.发布。这是一个CC BY-NC-ND许可证下的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)目录可在ScienceDirect国际信息管理数据杂志见解期刊主页:www.elsevier.com/locate/jjimeiJ. Ahn,H.儿子和AD 钟International Journal of Information Management Data Insights 1(2021)1000332在一场灾难中传统媒体通常会描绘这样一个事件更多地关注人员和物质损失,而不是其规模(Gaddy Tanjong,1986),更重视国内灾害,而不是全球自然灾害(Yan Bissell,2015)。然而,社交媒体现在被广泛用于全球范围内与灾害或危机相关的信息传播,例如2010年巴基斯坦洪水(Murthy& Longwell,2013年),2013年的台风海燕(Lai等人,2019; Takahashi等人,2015年),2016年麦克默里堡野火(Boulianne等人, 2018年),2017年的哈维飓风(刘等人, 2018)和COVID-19(Ridhwan& Hargreaves,2021)。定义Twitter的具体特征促成了描述这些情况的变化。Twitter允许用户随时点击“转发”或“分享”按钮,将个人组织的原始推文转发给他/她的追随者传播信息(Kwak等人,2010年)。由于在灾难期间使用短消息(tweets)发送和接收信息相对容易,Twitter现在被视为传达实时信息的有效平台(Hughes Palen,2009)。特别是,Hughes和Palen(2009年)发现,社交媒体用户能够在大规模紧急事件期间相互通知关键的时间关键信息(Palen等人, 2010年)。2.3. 理论框架:用途和奖励使用和奖励的核心概念是一个人对“需求满足”的期望,以及对某种类型媒体消费的奖励(Blumler等人,1974年)。使用和奖励文献研究了基于社会和心理需求和期望而独立使用的不同媒体模式(Blumler等人,1974年)。使用以个体观众为中心的方法(鲁宾,2009),需求的起 源 ( 例 如 , 个 体 差 异 或 心 理 特 征 ) 和 背 景 进 行 了 交 互 式 研 究( Palmgreen 等 人 , 1985;Rubin , 2009;Sundar and Limperos(2013))。换句话说,个人使用社交媒体有不同的动机,包括有效沟通、建立关系、社交或寻求信息(例如,Orchard等人, 2014; Park等人, 2009; Urista等人, 2009年)。灾害期间,人们对社交媒体的期望和使用范围很广。例如,在2010年中国玉树地震期间,Twitter用户产生了与信息相关、与行动相关、与观点相关和与情感相关的消息(Qu et al.,2011年)。在2010-2011年澳大利亚昆士兰州洪水期间,Twitter用户寻求并分享了自己的信息和经验,寻求帮助,筹款,并讨论了这场灾难(Shaw et al.,2013年)。Boulianne等人(2018)进一步发现,2016年麦克默里堡野火期间的推文主要涉及护理,关注和帮助他人。灾难期间的大多数消息类型(或用户期望的推文类型)都包括在休斯顿等人,2015年社交媒体使用的类型,包括灾害警告和表达情感和关注的信息。各组织还根据其自身特点和/或其提供信息的目的,战略性地使用社交媒体。例如,Shen和Bissell(2013年)发现,营利性公司主要制作与活动、产品、促销和娱乐相关的帖子,而非营利组织主要制作关于社区和行动内容的信息(Lovejoy Saxton,2012年)。同样,在灾难期间,社交媒体的使用模式也与组织类型相匹配。对于组织类型的分类,我们参考了以前的研究,设置了一个选择Twitter帐户的标准例如,以前的研究将组织类型分为权威与非权威、中心(有许多网络)与非中心、聚合者、政府/非政府组织和传统媒体(Murthy& Longwell,2013),而其他研究将用户分为目击者、政府、非政府组织、企业、媒体和局外人(Olteanu等人,2015),以及作为个人、名人、记者、新闻机构、政府和非政府组织(Takahashi等人,2015年)。尽管认识到由不同类型的组织管理的推文之间的差异是至关重要的,但很少有研究探讨这方面的问题,除了Takahashi et al.(2015)。Takahashi等人(2015)手动分析了这些推文,发现记者主要使用Twitter进行二手报道(86.6%),其次是纪念(8.5%)和协调救济(4.9%),而个人通常使用Twitter进行纪念(54.8%),二手报道(32.8%)和协调救济(12.4%)。3. 理论发展在这项研究中,我们从概念和方法上发展了我们的Twitter研究。具体来说,我们根据相关组织在其Twitter账户上实际使用的词汇来识别主题,以了解不同组织如何在Twitter上处理相同情况。我们根据现存的文献确定了几类组织,并在选择中考虑了多样性。这些类别包括政府机构、媒体公司、非营利组织和研究机构。为了查看来自所选组织以外的个人用户的推文的差异,我们包括了此外,我们还研究了个人用户对这些组织的推文的参与度,以了解组织的社交媒体策略是否满足了个人的需求。因此,我们的研究问题如下:研究问题(RQ)1:不同类型组织的典型推文主题是什么(即,政府机构、媒体公司、非营利组织、研究机构和RQ2:公众的反应是什么(即,转发和收藏夹的数量)到每个组织4. 研究方法我们设计了一种方法,使用无监督和监督学习来识别自然灾害情况下讨论的主题,并估计不同主题对公众参与的影响。我们采用了一种无监督学习方法,使用带有潜在狄利克雷分配(LDA)的主题建模来分析大量推文。无监督机器学习是两种机器学习方法之一,它从给定的数据中学习模式,并基于给定的参数和超参数对数据进行分类在无监督机器学习算法中,LDA被广泛用于文本数据(地震推文)的分类。在将数据划分为五个组织类别(即,政府、媒体、非营利组织、研究机构和公众),并从每个组织中产生主题,我们将这些主题作为独立变量来预测公众参与度,并在自然灾害期间促进更有效的沟通。换句话说,我们研究了不同组织中每个主题对公众参与的影响下面的图1总结了我们的方法。4.1. 数据收集使用Twitter的流媒体API(https://www.example.com streaming-data.html)和Python Tweetings库(https://www.example.com)收集英语推文和转推www.tweepy.orgdeveloper.twitter.com/en/docs/tutorials/consuming-Streaming API不断将包含关键字的推文和转推文消息推送到这些数据收集点。我们收集了2019年7月1日至2019年7月18日的数据(149,787条推文和转发),使用关键字“地震”和“加利福尼亚”。由于地震的不可预测性,我们无法预测地震何时何地发生。因此,我们利用了流式API的特性,它会推送所有关键字,我们能够收集关键字,直到地震发生,然后再发生。J. Ahn,H.儿子和AD 钟International Journal of Information Management Data Insights 1(2021)10003334.2. 数据分析方法4.2.1. 数据准备和清理Fig. 1. 研究概述流程。基本形式。例如,“is”和“are”被归类为“be”,而“investigating”在词形化中被转换为最简单的动词形式“investigate”。虽然流API长期持续推送Twitter消息,但它也会在不同用户转发相同消息时推送相同消息换句话说,在收集的初始数据集中有许多转发重复,因此需要仔细的数据清理我们使用推文当Twitter用户写推文时,Twitter服务器会为该推文指定一个唯一的ID号。即使原始推文被转推,这个唯一的编号也会保留,因此这个唯一的ID可以用来识别数据集中的重复转推。除了这个唯一的ID号之外,我们还使用了单个推文的转发次数来删除任何重复的推文。转推的数量本质上是递增的。因此,我们可以通过对相同的唯一ID号进行分组,并删除具有相同唯一ID号但转发数量较少的相同推文,来重新移动重复的转发。删除的工作仅针对代表唯一ID的推文和转推文执行。删除重复的转推文后,我们有10,110条唯一的推文及其转推文数量。基于以往对不同信息源的通信策略的研究(例如,Boulianne等人,2018;Takahashi等人,2015年),我们选择了五个类别进行分析:政府,媒体,非营利组织,研究机构和“其他”。包括“gov”、“go”或“政府”在内的Twitter账户任何不能被视为政府、媒体、非营利组织或研究机构的账户都被称为我们删除了668条在用户配置文件中没有Twit- ter用户描述的推文和转发最终回归模型共使用了9442个样本。表1显示了每个组织帐户和推文/转推文的相关关键字和数字。接下来,我们对文本数据进行标准化。首先,我们使用NLTK包,根据空格和标点符号将文本拆分为句子和标记然后,我们使用Python li-spaCy(https:spacy.io)对tweets中使用的单词进行了词形化。词形还原将单词变成了4.2.2. 主题建模:计数向量化和优化由于收集到大量的推文和转推,我们实现了主题建模来分类会话。主题建模基于每个文档中的词频对文档的主题进行分类,然后基于相似性将这些文档分组为较小的主题集合(Blei等人, 2003年)。在词形化之后,我们使用Python的scikit-learn库中的CountVectorizer函数CountVectorizer函数允许研究人员将词元化的单词转换为单词的频率表。使用词频表,我们搜索了最佳模型拟合(主题数量和模型的学习衰减),在该模型与以前的通信主题建模论文相比,我们没有优化主题的数量,而是使用最佳估计的推文数量,并探索了算法分割的主题。通过实现主题数量的优化,我们找到了可以用于LDA的主题的最佳数量,这也被称为主题建模(Blei等人, 2003年)。LDA模型是一种无监督的机器学习算法,可以对大数据集中具有相似语料库/标记的文本进行排序。考虑到我们的数据集的大小,LDA是检查我们研究问题的最可行的方法,似乎比广泛使用的人类编码方法更实用。以前的研究。我们使用了Python Scikit-learn此外,使用这个数量的主题和学习衰减运行LDA可以让我们识别每个tweet消息中的主题比例。换句话说,我们可以根据词频来确定哪些主题贡献了整个tweet消息的哪些部分,以及哪个主题贡献最大。J. Ahn,H.儿子和AD 钟表4International Journal of Information Management Data Insights 1(2021)1000334组织的描述。媒体媒体,新闻,记者@ABC,@cnnbrk 1374 2702Nonprofit Non-profit,.org,. or.,philanthropy,philanthropic @AmeriCares,@CARE 47 64研究博士,博士,researcher @DrRaaSu,@DianaContrerasM 61 79其他N/A N/A 5616 6550每个tweet消息中的词频部分因此,我们进行LDA以确定每个分类用户组中的主题。4.2.3. 回归我们的最终目标不仅仅是生成主题;我们希望了解不同组织在自然灾害期间为公众参与生成的主题的因此,我们使用普通最小二乘法(OLS)的方法来估计的主题对他们的转发和收藏夹的数量的影响,分别。5. 结果和结论RQ 1调查了不同类型的组织用户在词汇使用方面的相似性和差异性。表2报告了主题建模的结果,比如主题的数量、热门话题的名称、每个主题的tweet数量以及每个主题的tweet示例。政府机构通常在他们的推文中使用诸如“day”、“hit”(主题1)、“California”和“Southern”(主题2)之类的词包含这些词的原始推文可以概括为地震的发生和地点。从媒体公司的推文中提取了两个主题非营利组织的推文包含常用词“天”和“震级”(主题1),“击中”和“南部”(主题2),这些词涉及地震的震级和地点。研究小组在他们的推文中使用了诸如“加利福尼亚”、“地震”(主题1)、“击中”、“震级”和“南部”(主题2)等词,这些词是关于地震的发生、地点和震级的。“其他”类别的推文主题RQ2侧重于主题对转发和收藏数量的影响。为了回答这个问题,我们控制了两个变量:第一,原始推文和转发之间的时间(即,从最初的推文被写出来到最后一次它被转推了)。当比较一分钟前写的推文和一小时前写的推文时,我们希望看到转发数量的差异。曝光给观众后,转发量会稳定下来。在这个例子中,我们计算了原始推文和转发推文之间的时间间隔(以天为单位)。另一个控制变量是每个原始推文作者的追随者的数量,因为追随者的数量可以影响转发的数量(Sutton等人,2014年)。这些结果表明,每个用户帐户的主题如何与实际的公众参与相关(表3)。对于政府机构、非营利组织和研究团体来说,任何主题与公众参与之间的关系都不显著。媒体公司圣人被转发的次数和喜爱的次数分别为17.79次和17.79次(p <0.001)<33.77倍(p0.001)。<对于来自“其他”类别的推文<<6. 讨论这项研究将“需求满足”和“媒体选择”机制从使用和奖励应用于组织的社交媒体使用(即,在发布灾害信息时。我们收集并分析了2019年南加州Ridgecrest地震期间灾难救援组织Twitter账户的推文利用主题建模方法提取的推文主题显示了这些组织之间的相似性和差异性。公众的反应按主题不同:例如,来自媒体的“视频材料的突发新闻”和来自“其他人”的“支持和准备”的主题获得了最多的转发和收藏。这项研究的发现对Twitter研究的方法学发展和实际实践都有重要意义,即组织应该强调哪些内容在灾难期间满足公众6.1. 理论贡献这项研究的理论贡献是使用最先进的机器学习技术来提取两个不同的前 来自每个Twitter帐户的照片。具体而言,我们追踪困惑度分数以确定主题数量,从而更准确地反映我们的数据。主题建模中最棘手的问题之一是如何选择主题的数量。研究人员传统上使用预先确定的主题数量来对文本数据进行分类。例如,Takahashi et al.(2015)根据以前的文献选择了9个类别。 虽然Takahashi et al. S(2015)的研究具有实证检验的优势,研究人员对主题数量的决定的有效性值得怀疑。大多数推文被分为三个主要主题(报告:43.4%,纪念:32.3%,协调救济:14.6%),而“提供咨询”主题仅占所有推文的0.1%。我们使用LDA基于概率方法而不是简单的词频方法来查找主题。此外,我们采用了一种全自动、无监督的方法来收集和分析推文。以前的研究依赖于人类劳动来分析推文的内容,这自然限制了所检查的数 据 量 。 例 如 , Takahashi 等 人 ( 2015 ) 分 析 了 1000 条 推 文 ,Boulianne等人(2018)分析了一天收集的15,000条推文。相比之下,我们的数据收集方法利用Twitter API在17天的窗口(2019年7月1日至2019年7月18日)内收集了总计149,787条推文和转发。 这种大数据分析方法已被推荐用于危机管理(Kushwaha et al., 2021年)。6.2. 实际影响我们的发现也具有实际意义。首先,我们发现本研究中分析的所有组织都有显著不同的兴趣主题以及共同的主题。这些不同的组织在地震发生时发布了地震的消息,特别是关于地震震级的信息。特别是媒体,描述了地震的强度此外,媒体推特与组织类型分类方法用户示例开户数Twitter/Retweet数量政府.gov,. go.,政府@USGS,@USGSEarthquakes3847J. Ahn,H.儿子和AD 钟International Journal of Information Management Data Insights 1(2021)1000335表2针对/关于主题的建模结果总结??话题Number主题名称LDA模型中的热门词多条推特示例推文政府1地震的发生1. 天2. 地震3. 击中17 1. RT@afezio1952:大地震袭击南加州后一天6.4地震袭击地区,专家警告更多的余震https://2. RT @WeThePeopleFor:#BREAKING #BreakingNewsNew 6.9地震袭击南加州2地震地点1.加州2.南方媒体1地震影响1. 强2.第三章震惊之后大4. 遵循5. 拨浪鼓6. 损害7. 地震8. 十年9. 裂纹10. 大规模30 1. RT @ USGSBigurkes:南加州7月6日04:19 UTC,更新https://t.co/KO5WfhNNoy1084 1.美国地质调查局称,这次6.4级地震是南加州20年来最强烈的一次地震。https://t.co/VPeaMcd6pp2. 加州发生20年来最强地震后余震不断https://t.co/N25qrJhttps://t.co/ZSk2Lv81PG3. 南加州发生了近二十年来最大的地震,建筑物开裂,道路倒塌,房屋破裂,房屋倒塌https://t.co/u2突发新闻与视频资料1地震震级1. 幅度2. 南部3. 击中4. 天5. 打破6. 地震7. 罢工8.周五9. 感觉10. 摇1. 天2. 地震3. 幅度1618 1. #打破强大的7.1级地震动摇南加州1天后,震级6.4 https://t.co/KIpJN4j44t2. 突发事件:一场震级为6.4级的地震袭击了南加州,距离洛杉矶约150英里。https://t.co/kerEtiTVv73. 观看:在加利福尼亚州卡巴松的莫隆戈赌场感受到地震的那一刻https://t.co/D5Cj42NHlV411. 7月5日,加利福尼亚州莫哈韦沙漠的Searles山谷下发生了7.1级地震。www.example.com https://t.co/kdmD11OOuU2. 关于昨天3. 在7月4日南加州发生6.4级地震后,火灾和道路和建筑物的损坏导致了大量的房屋倒塌https://t.co/LHDo5B5WLA2地震地点1.加州2. 南部23 1.上周,加州南部发生了20多年来最大的地震请阅读有关此内容的信息,并https://t.co/WrTY2. 突发事件:南加州发生7.1级地震-加州里奇克莱斯特东北偏北11英里https://t.co/mQsiCShClr研究1地震的发生2地震地点和震级1地震的事实和认识2支持和准备1. 加州2. 地震1. 击中2. 幅度3. 南部1. 南部2. 幅度3. 击中4. 加州5. 天6. 罢工7. 大8.感觉9. 加州10. 新闻1. 地震2. 状态3. 说4. 遵循5. 人6. 紧急7. 希望8.只是9. 裂纹55 1. 加州最近一次地震的后果你可以清楚地看到地壳移动了很多https://t.co/XEZVNWkCLP2. 7.1南加州发生地震!再来!地震!在加利福尼亚州亚利桑那州拉斯维加斯感受#地震https://t.co/F73p5LQ8uD3. 加州地震新闻短片的最佳部分:@Caltech / @USGS地震学家@DrLucyJones和Rob Graves,图片https://t.co/yst5zdrAdR24 1.加利福尼亚州周五晚上发生了7.1级地震。突破:南加州击中6.9米https://t.co/cLovtalDJf2. 星期五晚上,一场7.1级地震袭击了南加州,就在一天前,该地区遭受了一次强烈的地震。https://t.co/gvpDohXXtK3. 20年来最大的地震袭击了南加州。以下https://t.co/FhGqk7h6EJ3128 1.加州人开始感觉到地震时#EarthquakeLA https://t.co/J58pjjDFtm2. 2019年5月7日-非常大的M7.1地震袭击南加州-第二次事件!MAJORUNREST https://t.co/kVX a4X GMzK via @YouTube3. 南加州刚刚发生7.1级地震,这是不到两天内的第二次地震。3422 1.你好卡利的朋友保持安全请!我希望它不会到这一步,但请温习一下地震安全,以防万一。https://t.co/rQRadtKhYA2打破:南加州击中与2. 赶上我在目标今天购买我的地震应急包lmao加州3. 加利福尼亚州最近两次大地震震中附近的莫哈韦沙漠出现了巨大的裂缝https://t.co/5FZB6DoHr10. 使J. Ahn,H.儿子和AD 钟International Journal of Information Management Data Insights 1(2021)1000336表3回归结果总结(主题与转发和收藏数量之间的??政府媒体非营利研究其他转发收藏转发收藏固定值36.83 45.6711.72最小值24.63最小值3.78最小值14.89 1.69 2.2310.26最小值29.21(SD)(72.70)(73.47)(2.49)(7.53)(2.04)(14.94)(0.95)(3.15)(3.93)(15.30)关注者0.0009 0.0010.0001张惠妹0.0002张惠 妹0.00002张惠妹0.0003张惠妹0.0001张惠妹0.0009张惠妹(0.0009)(0.0009)(0.0002)(0.0003)(0.0002)(0.0001)(0.0003)(0.0001)(0.00005)(0.00)间隙28.10 29.910.12毫米0.017 2.84 16.664.71毫米12.62毫米-0.01-2.62毫米(44.24)(44.71)(0.048)(0.14)(2.81)(20.56)(0.76)(2.52)(0.15)(0.58)题目1“地震的发生”“地震的影响”“地震的震级”“地震的发生”“Facts and perceptions地震”电话:+86-10 - 8888888传真:+86-10 - 88888888(112.56)(113.75)(4.06)(12.28)(3.01)(22.03)(1.18)(3.91)(6.11)主题2材料”“Place地震”“Support and96.39 106.6817.7933.77 4.91 35.68 1.15-2.0014.3166.92100.73、101.80、3.61、10.93、3.25、23.72、1.41、4.67、6.27、24.41R2(调整后的R2).062(-0.004).076(0.012).070(0.069).023(0.022).546(0.524).136(0.093).338(.312).261(0.231).093(0.093).21(0.21)对数似-369.10-369.60-17,938-20,930-283.13-410.44-290.33-385.03-49,651-58,554AIC746.2747.2035,88041,870574.3828.9588.7778.19,93111,710BIC753.6754.6035,91041,890582.9837.5598.1787.59,934117,10注. Followers是(?)原始推文作者的追随者数量,Gap是原始推文和其转发之间的时间间隔∗ <05页,0.01,<澳门葡京888.com<“突发新闻”或“视频”的标题这些发现表明,每个组织都以独特的方式传达灾难。政府、非营利组织或研究团体只是通过文字传递与灾害有关的基本、初步信息(地震的地点和震级),而媒体则通过使用“最强”或“最大”等词语以及视频来解释事实,社交媒体经理可以从这些发现中获得新的见解,包括他们目前提供的内容以及他们可以通过什么渠道提供的其他差异化信息。来自“其他”类别的Twitter用户 我们发现,有些人在准备应急包,有些人在为地震灾区的人们提供支持和希望,这代表了社交媒体在灾难情况下的缓解,治疗和有益作用(Neubaum,Rösner,Rosenthal- vonder Pütten,&Krämer,2014)。这一类别的用户也分享了他们对地震的感受。“其他”类别的调查结果关于公众对每个类别推文主题的反应的发现很有趣。由政府、非营利组织和研究团体创建的主题没有吸引公众,而来自媒体的两个热门话题--突发新闻和视频材料--获得了大量的转发和收藏。值得注意的是,用户更喜欢标题吸引人的推文(然而,考虑到数据是在地震期间收集的,与可以从任何来源获得的更常见的基本信息(即,地震的地点和震级)。我们的发现支持以前的研究&6.3. 局限性和未来的研究方向我们研究了每个组织的推文主题与其公众参与度之间的关系这个问题源于机器学习技术的局限性,它为我们提供了描述性信息。然而,我们可以通过使用其他或额外的方法,如调查,来补充这种方法如果我们问人们他们需要从每个组织得到什么,我们可以更好地澄清主题和他们的反应之间的关系。另一种补充这些发现的方法是进行实验。尽管我们按组织类别分别分析了数据(即,主题和参与度作为一个分析集),一个检验组织类型及其主题对公众参与的交互效应的实验可能会在这些效应中显示新的描述性和统计性差异。我们的研究的局限性之一是,每个类别的组织数量需要易于比较。在我们的数据收集中,媒体账户(n=1,374)和其他账户(n=5,616)的数量-对政府(n=38)、非营利组织(n=47)和研究进行了(n=61)类别,并从每个类别的鸣叫的数量相应地不同。因此,未来的研究应该精确地解决账户和推文的数量,以便提取更多样化的单词和主题。7. 结论和最后的想法这项研究收集并分析了2019年加州地震期间不同组织类别的推文。我们发现J. Ahn,H.儿子和AD 钟International Journal of Information Management Data Insights 1(2021)1000337来自这些不同类别的推文的主题媒体公司经常在Twitter上发布有关地震影响的视频材料和内容,而其他组织类别则关注地震的发生和地点地震造成的在我们分析的9,391条推文中,关于媒体公司视频材料的主题和关于“其他人”支持和准备的推文这些基于组织类型和公众参与的相似和不同模式的发现可能有助于社交媒体管理人员在未来的灾难中与公众沟通。迪X引用Aruguete,N.,&Calvo,E.(2018年)。抗议的时间:选择性曝光,级联激活,并在社 交 媒 体 上 取 景 。 Journal of Communication , 68 ( 3 ) , 480-502.10.1093/joc/jqy007。Athanasis,N. ,Themistocleous,M. ,Kalabokkovsky,K. ,Papakonstantinou,A. ,Soulakellis,N. 、&Palaiologou,P.(2018).自然灾害管理社会化媒体的出现:大数据视角。国际摄影测量学文献。遥感和空间信息科学,42(3),W4。Blei,D. M.,Ng,黑冠草A.是的,&Jordan,M. I.(2003年)的报告。潜Dirichlet分配Journal of Machine Learning Research,3,993Blumler,J. G.,Katz,E.,&Gurevitch,M.个人对大众传播的利用。在J. G. Blumler,E.Katz(Eds.),大众传播的用途:对gratifications研究(pp. 19-32)。Beverly Hills,CA:Sage.Boulianne,S.,Minaker,J.,&Haney,T. J.(2018).同情心会像病毒一样传播吗?社交媒体,关怀,和麦克默里堡野火。Information,Communication Society,21(5),697-711.10.1080/1369118X.2018.1428651.Gaddy , G.D 、 Tanjong , E. ( 1986 年 ) 。 西 方 媒 体 对 地 震 的 报 道 Journal ofCommunication,36(2),105Guo,L,Vargo,C.J(2017).全球媒介议程设置:媒介议程的大数据分析全国新闻联播。Journal of Communication,67(4),499-520. 10.1111/jcom.12311。Gurman,T. A,Ellenberger,N(2015).灾害期间接触全球社区:201 0 年后组织使用Twitter的内容分析结果海地地震Journal of Health Communication,20(6),687Houston,J. B.(2012).公共灾难心理/行为健康沟通:跨灾难阶段的干预。Journal ofEmergency Management,10(4),283休斯顿,J.B.,Hawthorne,J.,Perreault,M. F.、帕克河,加-地H、Goldstein Hode,M.,Hal-liwell,M. R.,&McElderry,J. A.(2015年)。社会化媒体与灾害:社会化媒体用于灾害规划、响应和研究的功能框架。Disas- ters,39(1),1Hughes,A. L.,&帕伦湖(2009年)。Twitter在大众聚集和紧急事件中的采用和使用。International Journal of Emergency Management,6(3-4),248Jaeger,P.T,Shneiderman,B,Fleischmann,K,R,Preece,J,Qu,Y,Wu,P.F(2007年)。社 区响 应网 格 : 电子 政 务、 社 交网 络 和有 效的 应 急管 理 。TelecommunicationsPolicy,31(10Kushwaha,A. K.,Kar,A. K.,&Dwivedi,Y. K.(2021年)。大数据在新兴管理学科中的应用:使用文本挖掘的文献综述。International Journal信息管理数据洞察,1(2),第100017条。Kwak,H.,Lee,C.,帕克,H.,Moon,S.(2010年4月)。什么是Twitter,一个社交网络还是新闻媒体在第19届万维网国际会议上,(第100页)591-600)。赖角H、她,B,&是的,X。(2019年)。剖析网络进程和在线人道主义合作的成果.Communication Research,46(1),88-116. 琳赛B.R(2011年)。社会媒体和灾害:电流用途,未来选项,和政策注意事项。国会研究服务。https://mirror.explodie.org/CRS-Report-SocialMediaDisasters-Lindsay-SEP2011.pdf。刘伟,赖角H、&Xu,W.(2018年)。关于紧急情况的推文:哈维飓风期间政府组织社交媒体消息的语义网络分析Public Relations Review,44(5),80710.1016/j.pubrev.2018.10.009。刘伟,Xu,W.,&蔡振耀。(2020年)。开发一个多层次的组织-公众对话沟通框架,以评估社交媒体介导的灾害沟通和参与成果。公共关系评论,46(4),第101949条。10.1016/j.pubrev.2020.101949。Lovejoy,K.,&萨克斯顿湾D.(2012年)。信息、社区和行动:非营利组织如何使用社交媒体。Journal of Computer-Mediated Communication,17(3),337-353.Murthy,D.,Longwell,S.A.(2013年)。Twitter和灾难:Twitter的使用期间2010年的巴基斯坦美食在信息,通信&社会:16(pp. 837-855)。Neubau
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 5
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 十种常见电感线圈电感量计算公式详解
- 军用车辆:CAN总线的集成与优势
- CAN总线在汽车智能换档系统中的作用与实现
- CAN总线数据超载问题及解决策略
- 汽车车身系统CAN总线设计与应用
- SAP企业需求深度剖析:财务会计与供应链的关键流程与改进策略
- CAN总线在发动机电控系统中的通信设计实践
- Spring与iBATIS整合:快速开发与比较分析
- CAN总线驱动的整车管理系统硬件设计详解
- CAN总线通讯智能节点设计与实现
- DSP实现电动汽车CAN总线通讯技术
- CAN协议网关设计:自动位速率检测与互连
- Xcode免证书调试iPad程序开发指南
- 分布式数据库查询优化算法探讨
- Win7安装VC++6.0完全指南:解决兼容性与Office冲突
- MFC实现学生信息管理系统:登录与数据库操作
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功