Журнал: Социологический журналПашков С. Г.Семантический сетевой подход: возможности и ограничения (пример образа инфляции в СМИ)

Институт социологии
ФНИСЦ РАН

версия для печати

Журнал: Социологический журнал

Пашков С. Г.

Семантический сетевой подход: возможности и ограничения (пример образа инфляции в СМИ)

DOI: https://doi.org/10.19181/socjour.2020.26.2.7262
Пашков Станислав Георгиевич
Национальный исследовательский университет «Высшая школа экономики», Москва, Россия
аспирант, преподаватель факультета социальных наук; стажер-исследователь Лаборатории экономикосоциологических исследований

Полный текст

Открыть текст

Ссылка при цитировании:

Пашков С. Г. Семантический сетевой подход: возможности и ограничения (пример образа инфляции в СМИ) // Социологический журнал. 2020. Том. 26. № 2. С. 8-30.
DOI: https://doi.org/10.19181/socjour.2020.26.2.7262

Рубрика:

ТЕОРИЯ И МЕТОДОЛОГИЯ

Аннотация:

В статье акцентируется потребность в инструментарии, который позволил бы облегчить построение системы кодирования и анализа информации новостных сообщений. Материалом для исследования послужили экономические новости, изобилующие специфическими терминами, интерпретациями, экспертизой и метафоричным описанием событий. Во многих случаях можно фиксировать, что содержание подобных текстов усложнено, в результате чего «классический» контентанализ может потребовать дополнительных итераций и усиленного внимания к аналитической процедуре. В исследовании освещаются методологические, аналитические особенности семантического сетевого подхода (ССП) в сравнении с контент-анализом и подходами Text Mining на примере анализа шести новостных сообщений экономической тематики, содержащих термины «рост цен» и «инфляция». Особенность ССП — упрощение обработки больших неструктурированных данных с акцентом на содержании. В подготовке и расчете сетевых метрик для каждой новости отражаются наиболее значимые концепты, что упрощает контент-анализ большего корпуса текстов. Визуализация показывает в кейсах разное семантическое положение «инфляции» как синонима «роста цен» в зависимости от сюжета. Важным результатом является то, что вне зависимости от объема и визуальной структуры новостного сообщения эти термины можно считать ведущими в соответствующих сюжетных линиях, что может помочь в проведении дискурс-анализа с их упоминанием. Предполагается, что подход станет «опорным» инструментом для дальнейшего количественного и качественного анализа новостных сообщений, в частности с экономической тематикой. Технические особенности программ подготовки текстов и семантического моделирования можно считать возможными ограничениями подхода, особенно для пространства Text Mining. Электронное приложение с материалами к статье см. по адресу: URL: https://www.jour.fnisc.ru/index.php/socjour/article/view/7262/7199

Литература:

1. Батура Т.В. Семантический анализ и способы представления смысла текста в компьютерной лингвистике // Программные продукты и системы. 2016. № 4 (116). С. 45–57. DOI: 10.15827/0236-235X.114.045-057
2. Двора Я., Ван Хульст М., Ткачева К., Вахштайн В. Фреймы политического: от фрейм-анализа к анализу фреймирования // Социологическое обозрение. 2011. Т. 10. № 1–2. С. 87–113.
3. Казаков А.А. Теория установления повестки дня vs фрейминг: к вопросу о соотношении подходов // Полития. 2015. № 1 (76). С. 103–113.
4. Контент-анализ СМИ: проблемы и опыт применения / Под ред. В.А. Мансурова. М.: Институт социологии РАН, 2010. — 324 с., 1 CD-ROM.
5. Коршунов А., Гомзин А. Тематическое моделирование текстов на естественном языке // Труды института системного программирования РАН. 2012. Т. 23. С. 215–244.
6. Лукьянова Г.В. Дискурс-анализ текстов СМИ // Политический анализ. 2009. № 9. С. 154–165.
7. Тертычный А.А. Характер применения жанров в современных печатных СМИ // Вопросы теории и практики журналистики. 2012. № 2. С. 106–112.
8. Холмогорова В. Россияне назвали бедность, цены и безработицу главными проблемами // РБК. 31 августа 2017 [электронный ресурс]. Дата обращения 01.12.2018. URL: https://www.rbc.ru/politics/31/08/2017/59a68 cdf9a79477acee3d38f
9. Экономика и ее освещение в СМИ: об экономической ситуации, ее динамике и освещении положения дел в экономике в СМИ // ФОМ. 30 августа 2018 [электронный ресурс]. Дата обращения 01.06.2019. URL: https://fom.ru/Ekonomika/14093
10. Brachman R.J. What’s in a concept: Structural foundations for semantic networks // International journal of man-machine studies. 1977. Vol. 9. No. 2. P. 127–152. DOI: 10.1016/s0020-7373(77)80017-5
11. Cacciatore M.A., Scheufele D.A., Iyengar S. The end of framing as we know it… and the future of media effects // Mass Communication and Society. 2016. Vol. 19. No. 1. P. 7–23. DOI: 10.1080/15205436.2015.1068811
12. Carley K. Coding choices for textual analysis: A comparison of content analysis and map analysis // Sociological methodology. 1993. P. 75–126. DOI: 10.2307/271007
13. DiMaggio P., Nag M., Blei D. Exploiting affinities between topic modeling and the sociological perspective on culture: Application to newspaper coverage of US government arts funding // Poetics. 2013. Vol. 41. No. 6. P. 570–606. DOI: 10.1016/j.poetic.2013.08.004
14. Drieger P. Semantic network analysis as a method for visual text analytics // Procedia-social and behavioral sciences. 2013. Vol. 79. P. 4–17. DOI: 10.1016/j.sbspro.2013.05.053
15. Eddington S.M. The communicative constitution of hate organizations online: A semantic network analysis of “Make America great again” // Social Media + Society. 2018. Vol. 4. No. 3. P. 1–12. DOI:10.1177/2056305118790763
16. Evans J.A., Aceves P. Machine translation: Mining text for social theory // Annual Review of Sociology. 2016. Vol. 42. P. 21–50. DOI: 10.1146/annurevsoc-081715-074206
17. Gamson W.A., Croteau D., Hoynes W., Sasson T. Media images and the social construction of reality // Annual review of sociology. 1992. Vol. 18. No. 1. P. 373–393. DOI: 10.1146/annurev.so.18.080192.002105
18. Grimmer J., Stewart B.M. Text as data: The promise and pitfalls of automatic content analysis methods for political texts // Political analysis. 2013. Vol. 21. No. 3. P. 267–297. DOI: 10.1093/pan/mps028
19. Guo L. The application of social network analysis in agenda setting research: A methodological exploration // Journal of Broadcasting & Electronic Media. 2012. Vol. 56. No. 4. P. 616–631. DOI: 10.1080/08838151.2012.732148
20. Jacobi C., Van Atteveldt W., Welbers K. Quantitative analysis of large amounts of journalistic texts using topic modelling // Digital Journalism. 2016. Vol. 4. No. 1. P. 89–106. DOI: 10.1080/21670811.2015.1093271
21. Krippendorff K. Content Analysis: An Introduction to its Methodology. Thousand Oaks, CA: Sage. 2004. — 413 р.
22. Lehman F. Semantic networks // Computers and Mathematics with Applications. 1992. Vol. 23. No. 2–5. P. 1–50.
23. Newman M., Barabasi A.L., Watts D.J. The structure and dynamics of networks. Princeton University Press, 2006. — 592 р.
24. Schultz F., Kleinnijenhuis J., Oegema D., Utz S., Van Atteveldt W. Strategic framing in the BP crisis: A semantic network analysis of associative frames // Public Relations Review. 2012. Vol. 38. No. 1. P. 97–107. DOI: 10.1016/j. pubrev.2011.08.003
25. Short J.C., McKenny A.F., Reid S.W. More than words? Computer-aided text analysis in organizational behavior and psychology research // Annual Review of Organizational Psychology and Organizational Behavior. 2018. Vol. 5. P. 415–435. DOI: 10.1146/annurev-orgpsych-032117-104622
26. Simoff S., B?hlen M.H., Mazeika A. (eds.) Visual data mining: Theory, techniques and tools for visual analytics. Springer Science & Business Media, 2008. Vol. 4404. — X, 407 p. DOI: 10.1007/978-3-540-71080-6
27. Sowa J.F. (ed.). Principles of semantic networks: Explorations in the representation of knowledge. Burlington: Morgan Kaufmann, 2014. — 594 р.
28. Tichenor P.J., Donohue G.A., Olien C.N. Mass media flow and differential growth in knowledge // Public opinion quarterly. 1970. Vol. 34. No. 2. P. 159–170. DOI: 10.1086/267786
29. Valkenburg P.M., Peter J., Walther J.B. Media effects: Theory and research // Annual review of psychology. 2016. Vol. 67. P. 315–338.
30. Van Dijk T.A. Critical discourse studies: A sociocognitive approach // Methods of critical discourse analysis. 2009. Vol. 2. No. 1. P. 62–86.