وجود دارد سخت است داده نشان می دهد که ‘برنی Bros’ هستند یک اسطوره

این قطعه در اصل به نظر می رسد در سالن.

جریان اصلی صاحب نظران و سیاستمداران همچنان به عقده روحی کلیشه “برنی فرض” یک perfervid گروه ترکان و مغولان از برنی ساندرز هواداران که ظاهرا در هیچ چیز متوقف به آزار و اذیت مخالفان خود را آنلاین. الیزابت وارن هیلاری کلینتون و مقاله نویس نیویورک تایمز برت استفنز باید همه کمک کرد تداوم این ایده که ساندرز’ حامیان به نحوی منحصر به فرد بی رحمانه با وجود ساندرز’ پلت فرم ها و سیاست های پیشنهادی ترین انسانی از همه نامزدها.

تنها مشکل ؟ شواهدی وجود دارد که ساندرز حامیان منحصر به فرد بی رحمانه آنلاین در مقایسه با دیگر نامزدها هواداران اندک است; بسیاری از گفتمان اطراف برنی Bros به نظر می رسد تکیه بر اریب حکایات که نمی ایستادگی کردن به موشکافی. بسیاری از ساندرز حامیان گمان می برند که کلیشه است تداوم در ایمان بد برای کمک به اژدر نامزدی خود را.

چند هفته پیش من به قلم یک داستان برای سالن تلاش برای کیفی رد برنی فرض اسطوره با کشیدن از روانی و نظریه ماهیت رفتار آنلاین. به طور خلاصه نتیجه گیری من: اول وجود یک گرایش کلی برای رفتار آنلاین به توان منفی شناخته شده به عنوان آنلاین disinhibition اثر — اما آن را بر تمام مردم به همان اندازه و نه صرفا ساندرز’ حامیان. دوم صاحب نظران و سیستماتیک نادیده گرفت که دیگر نامزدها هواداران هستند و معنی آنلاین, شاید به دلیل مذکور تاسیس کلیشه; در این معنا برنی فرض است متفاوت از دیگر سیاسی اردک مانند “رفاه ملکه.” سوم توییتر است که یک نماینده حجم نمونه از جمعیت است و بنابراین در معرض ابتلا به پناه دادن تبلیغات لباس و رباتها به طوری که آن است که یک راه قابل اعتماد اندازه گیری افکار عمومی.

در حال حاضر برای اضافه کردن به این ارزیابی کیفی وجود دارد شواهد کمی بیش از حد — رسید از تحصیل صدها هزار نفر از تعاملات آنلاین — است که نشان می دهد برنی فرض اسطوره به عنوان یک اسطوره است. جف Winchell یک محاسباتی دانشمندان علوم اجتماعی و دانشجوی کارشناسی ارشد در دانشگاه هاروارد crunched اعداد در توییت داده و دریافتند که ساندرز’ حامیان آنلاین رفتار مشابه به عنوان هر کس دیگری. Winchell استفاده می شود آنچه که به نام یک تجزیه و تحلیل احساسات یک تکنیک استفاده می شود هر دو در علوم انسانی دیجیتال و تجارت الکترونیکی برای سنجش عاطفی قصد از داده های رسانه های اجتماعی.

“برنی پیروان عمل تقریبا مشابه در توییتر به عنوان هر نوع دیگر پیرو” Winchell می گوید از نتایج خود را. “وجود دارد یک تفاوت کلیدی که کاربران توییتر و رسانه ها به نظر نمی رسد به آگاهی از…. برنی خیلی بیشتر پیروان توییتر از پیروان توییتر از دیگر دموکرات ها, کمپین,” او اضافه کرد که این ممکن است تا حدی کمک می کند تا آنچه تداوم اسطوره است.

من مصاحبه او را در مورد کار خود و نتایج خود را از طریق ایمیل; به طور معمول این مصاحبه شده و تغلیظ شده و ویرایش شده برای چاپ.

اول برای کسانی که شنیده ام از این روش چه تمایلات تجزیه و تحلیل?

تمایلات تجزیه و تحلیل به طور خلاصه بیان انسان به های مختلف نمرات. شایع ترین نمره است چگونه منفی یا مثبت آن است. اما آن را نیز می تواند مورد استفاده قرار گیرد به منظور بررسی ذهنیت (مثلا یک سیاستمدار بیانیه واقعی یا بیشتر لجوج?). حتی با در نظر گرفتن ساده تر تجزیه و تحلیل متن وجود دارد چالش های متعدد با توجه به طعنه negations (الکترونیکی.g “من نمی خواهم خدمات خود را” “پس از آنچه که او انجام داد این خواهد بود که آخرین پروژه”) ابهام (کلماتی که منفی یا مثبت خود را بسته به زمینه) و [این واقعیت است که] متون می تواند شامل هر دو مثبت و منفی بخش است.

چگونه تمایلات تجزیه و تحلیل استفاده می شود ؟ چه نمونه های دیگر از این روش استفاده می شود?

قریب به اتفاق برنامه از تمایلات تجزیه و تحلیل است که در تجارت الکترونیکی (برای مثال به ثمر رساند چگونه مثبت/منفی بازخورد مشتری است). خدمات مشتری نظرسنجی اغلب تجزیه و تحلیل این راه است. بازاریابی با استفاده از تجزیه و تحلیل احساسات به تست محصول پذیرش.

دیگر برنامه های کاربردی تجاری در توصیه. در حالی که یک سیستم ممکن است کاربر با توجه به امتیاز کلی تجزیه و تحلیل نظرات آنها می تواند در شناسایی احساسات در فرعی در داخل است.

بنابراین به من بگویید در مورد تجزیه و تحلیل احساسات اسکریپت است که به شما نوشتم به مطالعه رفتار آنلاین مختلف در میان سیاستمداران’ پیروان. چگونه این کار می کند ؟

من دانلود تمام پیروان از حساب های توییتر از نه محبوب ترین دموکرات نامزد ریاست جمهوری و رئیس جمهور ([اطراف] 100 میلیون حساب توییتر). من سپس به طور تصادفی انتخاب پیروان از آنها و دریافت همه توییت های خود را از سال 2015 تا به امروز.

من اجرای دو تمایلات تجزیه و تحلیل الگوریتم در این توییتهایی. تا کنون حدود 6.8 میلیون توییت از 280,000 حساب توییتر تجزیه و تحلیل شده از 100 میلیون به علاوه توییتهایی من در حال حاضر را دانلود کرده (من ادامه دانلود بیشتر).

یکی از تمایلات تجزیه و تحلیل با استفاده از الگوریتم خوبی در نظر گرفته به عنوان مثال از دستور زبان/کلمه فرهنگ لغت احساسات قوانین که محبوب بودند 5 تا 10 سال پیش قبل از یادگیری عمیق و محبوب شد. این یکی شناسایی شده توسط Python libary نام Textblob.

دیگر الگوریتم مایکروسافت تحت نظارت عمیق یادگیری مبتنی بر الگوریتم با پارامتر های پیش فرض. برای کسانی که نا آشنا با یادگیری عمیق تعدادی از پارامترهای این مدل است که در میلیون ها و هیچ انسان می تواند انتظار می رود به آنها را درک کنید. عمیق مدل یادگیری می آموزد/ی کلی از نمونه هایی از متن داده شده روحیۀ رتبه بندی توسط انسان از طریق میلیون ها نفر از آزمایشات هر زمان ارزیابی چگونه به خوبی آن را پیش بینی نتایج و عبور که مدل و دقت به تکرار بعدی.

دسته بندی های منفی و بسیار منفی بر روی محدوده مقادیر در دو الگوریتم را در خروجی. Textblob تولید تعدادی از اکثر منفی (-1) برای مثبت (+1). من طبقه بندی نمرات [زیر] -0.75 به عنوان بسیار منفی و -.75 به -.5 به عنوان منفی است. مایکروسافت الگوریتم پیش بینی شانس است که برخی از متن است که به عنوان طبقه بندی شده مثبت است. بر اساس فرکانس خاص شانس من جدا کمترین 1.5 درصد از توییت در رتبه بندی به عنوان بسیار منفی و کمترین 1.5 درصد به 5 درصد از تمام توییت در رتبه بندی به عنوان منفی است.

چه نتایج خود را پیدا کنید ؟

شانس که برخی از توییت منفی است وقتی که می آید از یک پیرو از نامزد X بسیار بسیار مشابه به عنوان اگر آن را از یک پیرو از نامزد Y.

این با استفاده از دو الگوریتم های مختلف زمانی بسیار پیچیده (مایکروسافت تحت نظارت عمیق یادگیری مبتنی بر مدل) دیگر یک الگوریتم خوب بر اساس الگوریتم استاندارد از 5 به 10 سال پیش (Textblob دستور زبان/فرهنگ لغت مبتنی بر قوانین). مایکروسافت الگوریتم محاسبه شانس یک صدای جیر جیر مثبت است. Textblob نرخ توییت از اکثر منفی (-1) برای مثبت (+1). اما تنوع این اقدامات تغییرات کوچک در میان توییت از پیروان از نامزد های مختلف.

من عمدا دور من شماره های 1 رقمی کوچکتر نمونه (منفی یا بسیار منفی در صد) و یا 2 رقم اگر آن را در مورد به طور متوسط بیش از همه توییتهایی. من نمی خواهم غلط دقت و آن را شایع در سیاسی رسانه ها. هر ان [پردازش زبان طبیعی] متخصص به شما خواهد گفت که کاهش یک صدای جیر جیر به یک عدد دلالت آن منفی/مثبت است و نه یک علم دقیق است. بنابراین گرد نشان می دهد که عدم قطعیت است.

با توجه به این اطلاعات چه چیزی شما فکر می کنم “برنی Bro” روایت در مورد آنلاین خود را حامیان?

برنی پیروان عمل تقریبا مشابه در توییتر به عنوان هر نوع دیگر پیرو. وجود دارد یک تفاوت کلیدی که کاربران توییتر و رسانه ها به نظر نمی رسد به آگاهی از. برنی خیلی بیشتر پیروان توییتر از پیروان توییتر از دیگر دموکرات مبارزات.

مردم در پاسخ به صدها میلیون نفر از مردم آنلاین تمایل به dehumanize دیگران است. آنها به یاد داشته باشید که کسی که زن/مرد یا شرح زیر برخی از نامزد یا برخی از نژاد اما اغلب به آنها پرداخت نمی توجه به افتراق اقدامات یکی از اعضای آن گروه را در مقابل دیگری. بنابراین به جای در نظر بگیرید که چگونه اغلب یک فرد از برخی از گروه اعمال آنها فکر می کنم که چگونه اغلب این گروه به عنوان یک کل. اگر آنها در تعامل با بسیاری از اعضای یک گروه از دیگری است که درک از این گروه بزرگ توسط تعدادی از اعضای آنها را مشاهده کنید.

جالب است. آیا نظر خود را تغییر دهید بعد از انجام این تجزیه و تحلیل?

بله. من بر این باور بودند که برنی پیروان بیشتر احتمال دارد به مانند او چرا که آنها به احتمال زیاد به تجربه بسیار منفی در زندگی شرایطی که برنی ساندرز می خواهد برای رفع. مردم در یک وضعیت منفی هستند احتمال بیشتری برای تعامل منفی با مردم به خصوص کسانی که ناشناس افراد آنلاین که آنها هیچ فرد در رابطه با. بنابراین من پیش بینی کرده بود که برنی پیروان متوسط را بسیار بالاتر شانس منفی بود. این به نظر نمی رسد به این مورد یا حداقل تا آنجا که ادعا می کند من در توییتر سیاسی, گزارش های رسانه ها و یا در تلویزیون.

وجود دارد در واقع هر گونه تفاوت بين نامزدها هواداران حاضر رفتار بر اساس این ؟

به عنوان یک دانشمند داده من معمولا شک و تردید از هر نتیجه. بنابراین من می گویم شاید نه یا حداقل بسیار کمتر از ادعا.

من هنوز هم می خواهم به حفاری عمیق تر به این. این تحلیل به نظر می رسد در تمام توییتهایی. من می خواهم به نگاه فقط در توییتر تعاملات بین نامزد حامیان نگاه توییتهایی پاسخ و یا ذکر رسانه های حرفه ای. من می خواهم به استفاده از برخی از الگوریتم ها در این پژوهش که بررسی بیان نفرت و نژاد پرستی و تبعیض جنسی. من می خواهم به نگاهی به موضوعات خاص بحث و احتمالا بررسی تاثیر منفی توییتهایی (به عنوان مثال. رسانهها و تعدادی از پیروان که می تواند یک صدای جیر جیر/retweet).

چه دانشگاهی خود را به پس زمینه ؟

من مدرک لیسانس خود را در ریاضی از شمال غربی. سپس مشغول به کار در بهداشت و درمان با تجزیه و تحلیل بسیار بزرگ پایگاه داده های منشعب به دیگر برنامه های کاربردی در مقیاس بزرگ تجزیه و تحلیل داده ها قبل از به تازگی از بازگشت به مدرسه گراد در دانشگاه هاروارد به تحصیل علوم اطلاعات. در حالی که من علاقه به روانشناسی و جامعه شناسی باعث شده است تا من به دنبال برنامه های کاربردی از داده های علم در علوم اجتماعی برای کمک به مردم.

این داستان به روز شد در تاریخ 10 مارس اضافی سوالات مصاحبه برای اضافه کردن متن.

tinyurlis.gdv.gdv.htu.nuclck.ruulvis.netshrtco.detny.im

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>