Autoren:  (1) Xiaohan Ding, Institut für Informatik, Virginia Tech, (E-Mail: xiaohan@vt.edu);  (2) Mike Horning, Abteilung für Kommunikation, Virginia Tech, (E-Mail: mhorning@vt.edu);  (3) Eugenia H. Rho, Department of Computer Science, Virginia Tech, (e-mail: eugenia@vt.edu ).  Linktabelle   Zusammenfassung und Einleitung   Ähnliche Projekte   Studie 1: Entwicklung der semantischen Polarität in der Sprache der Rundfunkmedien (2010–2020)   Studie 2: Wörter, die die semantische Polarität zwischen Fox News und CNN im Jahr 2020 charakterisieren   Studie 3: Wie semantische Polarisierung in der Sprache der Rundfunkmedien die semantische Polarität im Diskurs in sozialen Medien vorhersagt   Diskussion und Ethikerklärung   Anhang und Referenzen  Abstrakt  Mit dem Wachstum von Online-Nachrichten im letzten Jahrzehnt konzentrierten sich empirische Studien zum politischen Diskurs und Nachrichtenkonsum auf das Phänomen der Filterblasen und Echokammern. Doch in jüngster Zeit haben Wissenschaftler nur begrenzte Beweise für die Auswirkungen dieses Phänomens vorgelegt, was einige zu der Annahme veranlasste, dass die parteiische Trennung des Nachrichtenpublikums nicht allein durch den Online-Nachrichtenkonsum erklärt werden kann und dass die Rolle der traditionellen Medien bei der Polarisierung des öffentlichen Diskurses über aktuelle Ereignisse ebenso wichtig sein könnte. In dieser Arbeit erweitern wir den Analyseumfang, um sowohl Online- als auch traditionellere Medien einzubeziehen, indem wir die Beziehung zwischen der Sprache der Nachrichtensendungen und dem Diskurs in den sozialen Medien untersuchen. Durch die Analyse von Untertiteln (2,1 Millionen Sprecherwechsel) von CNN und Fox News aus einem Jahrzehnt zusammen mit thematisch entsprechenden Diskursen von Twitter bieten wir einen neuartigen Rahmen zur Messung der semantischen Polarisierung zwischen den beiden großen amerikanischen Rundfunksendern, um zu zeigen, wie sich die semantische Polarisierung zwischen diesen Kanälen im letzten Jahrzehnt entwickelt hat (Studie 1), ihren Höhepunkt erreicht hat (Studie 2) und parteiische Diskussionen auf Twitter beeinflusst hat (Studie 3). Unsere Ergebnisse zeigen einen starken Anstieg der Polarisierung in der Art und Weise, wie thematisch wichtige Schlüsselwörter zwischen den beiden Kanälen diskutiert werden, insbesondere nach 2016, wobei die höchsten Spitzen im Jahr 2020 auftraten. Die beiden Sender diskutieren 2020 identische Themen in drastisch unterschiedlichen Kontexten, so dass es kaum sprachliche Überschneidungen in der Art und Weise gibt, wie identische Schlüsselwörter kontextuell diskutiert werden. Darüber hinaus zeigen wir in großem Maßstab, wie eine solche parteiische Spaltung in der Sprache der Rundfunkmedien die semantischen Polaritätstrends auf Twitter erheblich beeinflusst (und umgekehrt), und verknüpfen zum ersten Mal empirisch, wie Online-Diskussionen von Fernsehmedien beeinflusst werden. Wir zeigen, wie die Sprache, die gegensätzliche Medienberichte über ähnliche Nachrichtenereignisse im Fernsehen kennzeichnet, den Grad des parteiischen Diskurses im Internet erhöhen kann. In diesem Sinne hat unsere Arbeit Auswirkungen darauf, wie die Medienpolarisierung im Fernsehen eine bedeutende Rolle dabei spielt, den demokratischen Online-Diskurs eher zu behindern als zu unterstützen.  Einführung  Massenmedien spielen eine entscheidende Rolle in demokratischen Prozessen, indem sie beeinflussen, wie Institutionen funktionieren, politische Führer kommunizieren und, was am wichtigsten ist, wie sich Bürger politisch engagieren (McLeod, Scheufele und Moy 1999). Obwohl es keine Überraschung ist, dass Amerikas zwei politische Lager unterschiedliche Sprachen sprechen (Westfall et al. 2015), hat die Forschung auch gezeigt, dass die parteiische Sprache in den Nachrichtenmedien in den letzten Jahren stark zugenommen hat, insbesondere in den Nachrichtensendungen (Horning 2018). Dies ist besorgniserregend, da der Konsum von Nachrichten entscheidend ist, damit die Öffentlichkeit die Ereignisse um sie herum versteht. Laut der Agenda Setting Theory beeinflusst die Sprache, die die Medien verwenden, um aktuelle Ereignisse zu rahmen und darzustellen, wie die Öffentlichkeit wahrnimmt, welche Themen wichtig sind (McCombs 1997; Russell Neuman et al. 2014).  Während manche den Eindruck haben, dass die Bedeutung der traditionellen Mainstream-Medien angesichts des explosionsartigen Wachstums von Online-Nachrichten über Websites und soziale Medien abnimmt, erfolgt der Nachrichtenkonsum in den USA immer noch überwiegend über das Fernsehen, das fast fünfmal so viel ausmacht wie der Online-Nachrichtenkonsum in der gesamten Öffentlichkeit (Allen et al. 2020). Trotz der Vorstellung, dass der Konsum von Fernsehnachrichten „passiver“ ist als das Lesen von Nachrichten, zeigen Untersuchungen, dass sich Menschen an Fernsehnachrichten besser erinnern als an Online-Nachrichten (Eveland, Seo und Marton 2002). Darüber hinaus ergab eine aktuelle Studie, die den Nachrichtenkonsum im Fernsehen mit dem im Internet vergleicht, dass es viermal so viele Amerikaner gibt, die über das Fernsehen parteiisch getrennt sind wie über Online-Nachrichten. Tatsächlich ist es um ein Vielfaches wahrscheinlicher, dass das Fernsehnachrichtenpublikum seine parteiische Nachrichtendiät über die Zeit beibehält, und es sind viel enger gefasste Quellen vorhanden, während selbst parteiische Online-Nachrichtenleser dazu neigen, aus einer Vielzahl von Quellen zu konsumieren (Muise et al. 2022).  Studien zur Medienpolarisierung und dem daraus resultierenden öffentlichen Diskurs basieren jedoch überwiegend auf Online-Inhalten (Garimella et al. 2021). Beispielsweise stützt sich selbst Forschung, die Daten traditioneller Nachrichtenagenturen analysiert, ausschließlich auf Tweets von den offiziellen Twitter-Konten von Zeitungen, Fernsehsendungen und Radioprogrammen und nicht auf die direkte Transkription von Inhalten aus diesen traditionellen Medienquellen (Recuero, Soares und Gruzd 2020). Dies liegt daran, dass Daten aus traditionellen Medien (z. B. Untertitel) im Gegensatz zu Online-Informationen schwieriger zu sammeln sind, in Formaten vorliegen, die für eine schnelle Vorverarbeitung nicht geeignet sind (z. B. SRT-Dateien), und über Institutionen verstreut sind, denen Anreize fehlen, Daten mit Wissenschaftlern zu teilen. Daher ist ein Großteil der Auswirkungen der traditionellen Mainstream-Medien auf den Online-Diskurs unbekannt.  In diesem Sinne bietet unsere Analyse von Untertiteln aus rund um die Uhr ausgestrahlten TV-Nachrichtensendungen der beiden größten amerikanischen Nachrichtensender über ein Jahrzehnt hinweg eine einzigartige Gelegenheit, empirisch zu belegen, wie sich die sprachliche Polarisierung in den Rundfunkmedien im Laufe der Zeit entwickelt hat und wie sie sich auf den Diskurs in den sozialen Medien ausgewirkt hat. In dieser Arbeit untersuchen wir, wie sich die semantischen Unterschiede in der Sprache der Rundfunkmedien in den letzten 11 Jahren zwischen CNN und Fox News entwickelt haben (Studie 1), welche Wörter für die Spitzen der semantischen Polarität in der Sprache der Rundfunkmedien charakteristisch sind (Studie 2), ob die semantische Polarität in der Sprache der Fernsehnachrichten Polarisierungstrends im Diskurs in den sozialen Medien vorhersagt und welche Rolle die Sprache bei der Entwicklung relationaler Muster zwischen den beiden Medien spielt (Studie 3).  In Studie 1 nutzen wir Techniken der Verarbeitung natürlicher Sprache (NLP), um eine Methode zu entwickeln, die quantitativ erfasst, wie sich die semantische Polarisierung zwischen CNN und Fox News von 2010 bis 2020 entwickelt hat. Dazu berechnen wir die semantische Polarität der Art und Weise, wie sozial wichtige, aber politisch gespaltene Themen (Rassismus, Black Lives Matter, Polizei, Einwanderung, Klimawandel und Gesundheitsversorgung) von den beiden Nachrichtensendern diskutiert werden. Anschließend verwenden wir eine Modellinterpretationstechnik im Deep Learning, um linguistisch zu entschlüsseln, was diese Spitzen verursachen könnte, indem wir Kontexttoken extrahieren, die am besten vorhersagen, wie jeder Sender im Jahr 2020 aktuelle Schlüsselwörter diskutiert (Studie 2). Um zu untersuchen, ob parteiische Trends in der Sprache der Rundfunkmedien die Polaritätsmuster im Diskurs in den sozialen Medien beeinflussen, verwenden wir die Granger-Kausalität, um zu testen, ob und wie die semantische Polarisierung zwischen den beiden Fernsehnachrichtensendern die Polarisierung bei Twitter-Zielgruppen vorhersagt, die auf @CNN und @FoxNews antworten (Studie 3). Um schließlich die Sprache zu verstehen, die die Granger-Kausalbeziehungen steuert und die sich darauf auswirkt, wie semantische Polaritätstrends in Fernsehnachrichten sich auf Twitter-Nutzer auswirken (und umgekehrt), identifizieren wir Token, die am aussagekräftigsten sind, wie aktuelle Schlüsselwörter im Fernsehen im Vergleich zu Twitter diskutiert werden, getrennt durch Verzögerungslängen, die der Granger-Kausal-Signifikanz entsprechen. Unsere Beiträge sind wie folgt:  • Wir bieten einen neuartigen Rahmen zur Quantifizierung der semantischen Polarisierung zwischen zwei Entitäten, indem wir die Zeitlichkeit berücksichtigen, die mit der Entwicklung der semantischen Polarisierung im Laufe der Zeit verbunden ist. Frühere Forschungen, die die Polarisierung als aggregiertes Maß aus einem einzigen longitudinalen Datendump quantifizierten, lassen häufig wichtige zeitliche Dynamiken und Kontexte im Zusammenhang mit der Entwicklung der Polarität im Laufe der Zeit außer Acht. Unser Rahmen berücksichtigt zeitliche Schwankungen, indem wir diachrone Verschiebungen mithilfe kontextueller Worteinbettungen mit zeitlichen Merkmalen berechnen.  • Indem wir zeigen, wie sich die semantische Polarisierung in den Rundfunkmedien in den letzten 11 Jahren entwickelt hat, gehen wir über die bloße Quantifizierung der Polarisierung als Messgröße hinaus. Wir verwenden integrierte Gradienten, um attributive Token als Proxy zu identifizieren und die kontextbezogene Sprache zu verstehen, die den Anstieg der semantischen Polarität zwischen den beiden Nachrichtensendern im Jahr 2020 vorantreibt.  • Wir gehen der Frage nach, ob und wie die Polarisierung der Sprache der Fernsehnachrichten semantische Polaritätstrends auf Twitter vorhersagt, und liefern neue Erkenntnisse darüber, wie die Ausdrucksweise des Online-Publikums durch die Sprache der Fernsehnachrichten geprägt wird – ein wichtiger Zusammenhang, der in früheren Untersuchungen nicht in großem Umfang empirisch nachgewiesen werden konnte.  • Schließlich verwenden wir die Modellinterpretation, um lexikalische Merkmale aus verschiedenen Entitäten zu extrahieren und zu zeigen, welche Wörter signifikante Granger-kausale Muster in der Art und Weise steuern, wie die Sprache der Rundfunkmedien den Twitter-Diskurs prägt und umgekehrt. Dadurch wird die Art und Weise hervorgehoben, in der Sprache eine Schlüsselrolle bei der Steuerung semantischer Polaritätsbeziehungen zwischen Online-Diskussionen und der Sprache der Rundfunkmedien spielt.  Unsere Ergebnisse sind die ersten, die quantifizieren, wie die Sprache, die gegensätzliche Medienberichte über ähnliche Nachrichtenereignisse im Fernsehen kennzeichnet, den Grad parteiischer Diskurse im Internet erhöhen kann. Die Ergebnisse dieser Arbeit stützen die aktuelle Forschung in der Kommunikationsforschung, die davon ausgeht, dass sich sowohl die Medien als auch die öffentliche Agenda gegenseitig beeinflussen können und dass solche Dynamiken die Art und Weise polarisieren können, in der sich die Öffentlichkeit am Diskurs beteiligt, und so die demokratische Entscheidungsfindung insgesamt beeinflussen können.  Dieses Dokument ist   . auf Arxiv unter der CC 4.0-Lizenz verfügbar

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Read My Stories

Crafting compelling perspectives in media, sparking thought-provoking discussions on diverse opinions and viewpoints.

Editorialist's blog

Dieses Audio ist in der Originalsprache der Geschichte produziert!

Zu lang; Lesen

Boost your HackerNoon story @ $159.99! 🚀

Analyse der Medienpolarisierung: Wie die Sprache der Nachrichtensendungen den Online-Diskurs prägt

About Author

KOMMENTARE

Hängeetiketten

DIESER ARTIKEL WURDE VORGESTELLT IN

Related Stories

HackerNoon Decoded 2024: Celebrating Our Startups Community!

HackerNoon Decoded 2024: Wir feiern unsere Gaming-Community!

HackerNoon Decoded 2024: Celebrating Our Tech Stories Community!

HackerNoon Decoded 2024: Celebrating Our AI Community!

HackerNoon Decoded 2024: Celebrating Our Startups Community!

HackerNoon Decoded 2024: Wir feiern unsere Gaming-Community!

HackerNoon Decoded 2024: Celebrating Our Tech Stories Community!

HackerNoon Decoded 2024: Celebrating Our AI Community!

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps