Оценочный фон риск-коммуникации в сфере здоровья: новости vs Твиттер (на материале текстов о пандемии COVID-19) | Вестник Томского государственного университета. Филология. 2024. № 92. DOI: 10.17223/19986645/92/5

Оценочный фон риск-коммуникации в сфере здоровья: новости vs Твиттер (на материале текстов о пандемии COVID-19)

Представлены результаты проведенного на основе нейронных сетей анализа оценочного фона социально значимого варианта риск-коммуникации - отражения пандемии COVID-19 в российских СМИ и русскоязычном сегменте Твиттера. Охарактеризованы варианты тональности текстов в соотношении с динамикой развития пандемии, фоновым событийным рядом в центре и регионах: новости в целом имели негативную тональность, но новости о коронавирусе были в большей степени нейтральны; твиты характеризовались равным соотношением негативного и нейтрального оценочного фона. Авторы заявляют об отсутствии конфликта интересов.

Скачать электронную версию публикации

Загружен, раз: 5

Ключевые слова

Твиттер, трансформеры, новости, тональность текста, инфодемия, пандемия COVID-19

Авторы

ФИО	Организация	Дополнительно	E-mail
Резанова Зоя Ивановна	Томский государственный университет	д-р филол. наук, проф. кафедры общей, компьютерной и когнитивной лингвистики филологического факультета	rezanovazi@mail.ru
Сыпченкова Юлия Евгеньевна	Томский государственный университет	лаборант лаборатории лингвистической антропологии филологического факультета	korovina.juliaa@gmail.com

Всего: 2

Ссылки

Yin H., Yang S., Li J. Detecting topic and sentiment dynamics due to COVID-19 pan demic using social media // Proceedings of the International Conference on Advanced Data Mining and Applications; International Conference on Advanced Data Mining and Applications; November 12-15, 2020. China, 2020. Р. 610-623. URL: https://arxiv.org/pdf/2007.02304.

Hung M., Lauren E., Hon E.S., Birmingham W.C., Xu J., Su S., Hon S.D., Park J., Dang P., Lipsky M.S. Social network analysis of COVID-19 sentiments: Application of artificial intelligence // J. Med Internet Res. 2020. Vol. 18, № 22 (8). Р. e22590.

Smetanin S., Komarov M. Sentiment analysis of product reviews in Russian using convolutional neural networks // 2019 IEEE 21st conference on business informatics (CBI). IEEE, 2019. Vol. 1. Р. 482-486. URL: https://github.com/sismetanin/rureviews.

Rogers A. et al. Ru Sentiment: An enriched sentiment analysis dataset for social media in Russian // Proceedings of the 27th international conference on computational linguistics. 2018. Р. 755-763.

RuReviews: An Automatically Annotated SentimentAnalysis Dataset for Product Reviews in Russian. URL: https://github.com/sismetanin/rareviews (дата обращения: 02.05.2024).

Рубцова Ю. Автоматическое построение и анализ корпуса коротких текстов (постов микроблогов) для задачи разработки и тренировки тонового классификатора // Инженерия знаний и технологии семантического веба. 2012. Т. 1. С. 109-116.

Shavrina T., Shapovalova O. To the methodology of corpus construction for machine learning: "TAIGA" syntax tree corpus and parser // CORPORA 2017: International conference. Saint-Petersbourg, 2017. Р. 78-84.

Lison P., Tiedemann J. Open Subtitles 2016: Extracting Large Parallel Corpora from Movie and TV Subtitles // Proceedings of the 10th International Conference on Language Resources and Evaluation (LREC 2016). 2016. Р. 923-929.

Kuratov Y., Arkhipov M. Adaptation of deep bidirectional multilingual transformers for Russian language // Computational Linguistics and Intellectual Technologies: proceedings of the International Conference "Dialogue 2019". Moscow, 2019.

Smetanin S. RuSentiTweet: a sentiment analysis dataset of general domain tweets in Russian // PeerJ Computer Science. 2022. Vol. 8. Р. e1039. URL: https://peeij.com/articles/cs-1039.

Vaswani A. et al. Attention is all you need // Advances in neural information processing systems. 2017. Vol. 30. Р. 1-11.

Кулагин Д.И. Открытый тональный словарь русского языка КартаСловСент. М., 2021. URL: https://github.com/dkulagin/kartaslov/tree/master/dataset/kartaslovsent; https://www.dialog-21.ru/media/5570/kulagindi026.pdf.

LINIS Crowd. URL: https://linis.hse.ru/news/176051028.html.

Loukachevitch N., Rusnachenko N. Extracting sentiment attitudes from analytical texts // Computational Linguistics and Intellectual Technologies: proceedings of the International Conference "Dialogue 2018". Moscow, 2018.

Лукашевич Н.В., Левчик А.В. Создание лексикона оценочных слов русского языка РуСентиЛекс // Открытые семантические технологии проектирования интеллектуальных систем = Open Semantic Technologies for Intelligent Systems (OSTIS-2016): материалы VI междунар. науч.-техн. конф. Минск, 2016. С. 377-382.

Резанова З.И., Коровина Ю.Е. Риск-коммуникация в сфере здоровья: тематическая фокусировка событийного потока COVID-19 в новостном дискурсе // Вестник Томского государственного университета. Философия. Социология. Политология. 2023. № 76. С. 217-228.

Резанова З.И., Степаненко А.А. Дискурсивные варианты тематического моделирования пандемии COVID-19 (новостной медиадискурс vs социальные сети) // Вестник Томского государственного университета. Филология. 2023. № 86. С. 84-101.

Резанова З.И., Степаненко А.А. Фреймирование кризисной ситуации в институ циональных и персональных медиа (на материале текстов о COVID-19) // Вестник Томского государственного университета. 2023. № 495. С. 5-13.

Серегина Т.Н., Сухова С.К. Информационные риски в условиях пандемии // Манускрипт. 2021. № 5. С. 940-944.

Баринов Д.Н. Медиавирус страха: особенности репрезентации российскими СМИ пандемии коронавирусной инфекции (COVID-19) в период первой волны (январь-июнь 2020 года) // Социодинамика. 2021. № 2. C. 73-86.

Krawczyk K., Chelkowski T., Laydon D.J, Mishra S., Xifara D., Gibert B., Flaxman S., Mellan T., Schwammle V., Rottger R., Hadsund J.T., Bhatt S. Quantifying Online News Media Coverage of the COVID-19 Pandemic: Text Mining Study and Resource // J. Med.Internet Res. 2021. № 23 (6): e28253.

Ashima Yadav A. Language-independent Network to Analyze the Impact of COVID-19 on the World via Sentiment Analysis // ACM Transactions on Internet Technology. 2021. Vol. 22, Is. 1. Article no: 28. Р. 1-30.

Panfilova A.S., Ushakov D.V. Sentiment Analysis of Russian, Italian, German and French Internet News Content during the Spread of the Coronavirus Pandemic // Psychology-Journal of the Higher School of Economics. 2О22. № 19 (3). Р. 562-586. URL: https://pesquisa.bvsalud.org/global-literature-on-novel-coronavirus-2019-ncov/resource/pt/covidwho-2244035.

Aslam F., Mumtaz Awan T., Syed J.H., Kashif A., Parveen M.Sentiments and emotions evoked by news headlines of coronavirus disease (COVID-19) outbreak // Humanities and social sciences communications. 2020. № 7. Р. 23.

Yakunin K., Mukhamediev R.I., Zaitseva E., Levashenko V., Yelis M., Symagulov A., Kuchin Ya., Muhamedijeva E., Aubakirov M., Gopejenko V. Mass Media as a Mirror of the COVID-19 Pandemic // Computation. 2021. № 9 (12). Р. 140.

Chakraborty A., Bose S. Around the world in 60 days: an exploratory study of impact of COVID-19 on online global news sentiment // Journal of computational social science. 2020. Vol. 3, № 2. Р. 367-400.

Chen Lyu J., Le H.E., Luli C. COVID-19 Vaccine-Related Discussion on Twitter: Topic Modeling and Sentiment Analysis // J. Med Internet Res. 2021 Jun 29. № 23 (6): e24435.

Alamood А., Zaidan B.B., Zaidan A.A., Albahri O.S., Mohammed K.I., Malik R.Q., Almahdi E.M., Chyad M.A., Tareq Z., Albahri A.S., Hameed H., Alaa M. Sentiment analysis and its applications in fighting COVID-19 and infectious diseases: A systematic review // Expert Systems With Applications. 2021. № 167. Р. 114-155.

Инфодемия: существующие подходы к анализу паник, фобий, слухов, фейков во время эпидемий и предложения по борьбе с ними. URL: https://www.ranepa.ru/documents/monitoring/120-infodemiya.pdf (дата обращения: 02.05.2024).