Dieses Dokument ist auf arxiv unter der Lizenz CC BY-NC-ND 4.0 DEED verfügbar.   Autoren:  (1) Brisha Jain, unabhängige Forscherin in Indien und brishajain02@gmail.com;  (2) Mainack Mondal, IIT Kharagpur Indien und mainack@cse.iitkgp.ac.in.  Linktabelle   Zusammenfassung und Einleitung   Ähnliche Projekte   Datensammlung   Analysemethodik   Ergebnisse   Einschränkungen   Abschließende Diskussion   Verweise  5. ERGEBNISSE  5.1. Geschlechtsspezifische Verzerrung der Interaktionshäufigkeit und Popularität von Interaktionen zwischen Journalisten und Politikern (RQ1)  Um die Antwort auf die erste Forschungsfrage zu finden, haben wir zunächst überprüft, ob es einen geschlechtsspezifischen Unterschied hinsichtlich der Häufigkeit der Interaktion (d. h. der Häufigkeit der Erwähnungen) zwischen Politikern und Journalisten auf Twitter gibt.    Abbildung 1a vergleicht die CDF der Anzahl von Tweets von Journalisten, in denen männliche und weibliche Politiker erwähnt werden. Aus dieser Abbildung können wir eine interessante Beobachtung machen. Wenn der empfangende Politiker männlich ist (d. h. in den Kategorien MJ-MP und FJ-MP), ist die Anzahl der erwähnten Tweets (und damit die Häufigkeit der Interaktion zwischen Journalisten und Politikern) höher, wenn die Empfänger Politikerinnen sind. Dazu hat ein Kruskal-Wallis-Test für die Anzahl der Tweets pro Journalist in den vier Kategorien recht statistisch signifikante Unterschiede zwischen den Kategorien offenbart (   << 0,05). Dann haben wir paarweise Mann-Whitney-Tests zur Nachverfolgung zwischen den vier Kategorien (MJ-MP, MJ-FP, FJ-MP, FJ-FP) durchgeführt. Es gibt keinen statistisch signifikanten Unterschied, wenn ein männlicher oder weiblicher Journalist Accounts männlicher Politiker erwähnt. Ebenso gibt es keinen statistisch signifikanten Unterschied, wenn ein männlicher oder weiblicher Journalist Accounts weiblicher Politiker erwähnt. Es gibt jedoch statistisch signifikante Unterschiede in der Häufigkeit, mit der männliche/weibliche Journalisten männliche Politiker erwähnen, im Vergleich dazu, wie häufig sie weibliche Politiker erwähnen (alle   << 0,05). Als Nächstes vergleichen wir die Popularität pro Tweet, der an männliche und weibliche Politiker gerichtet ist.  Männliche Politiker werden häufiger von Journalisten erwähnt: p p  vely). Unsere Beobachtung impliziert, dass Twitter-Nutzer in Indien den Ansichten männlicher Journalisten über Politikerinnen mehr Glaubwürdigkeit zuzuschreiben scheinen als den Ansichten weiblicher Journalisten über Politikerinnen. Diese Beobachtungen gelten auch für „Retweets“. Insgesamt zeigt unsere Popularitätsanalyse dieser vier Tweet-Kategorien, dass Journalisten zwar nicht unter expliziter Voreingenommenheit in ihren Interaktionen mit Politikern leiden, es aber Hinweise auf die Existenz einer geschlechtsspezifischen Voreingenommenheit in Bezug auf das Interesse gibt, das diese Interaktionen bei aktiven Twitter-Nutzern hervorrufen.  5.2. Geschlechtsspezifische Voreingenommenheit im Inhalt von Tweets von Journalisten und Politikern (RQ2)  Im letzten Abschnitt zeigte unsere Analyse eine signifikante Voreingenommenheit gegenüber männlichen Politikern sowohl bei männlichen als auch bei weiblichen Journalisten – die Tweets, in denen männliche Politiker erwähnt werden, sind häufiger und populärer. Zu diesem Zweck überprüften wir jedoch, ob der Inhalt dieser Tweets für diese Voreingenommenheit verantwortlich sein könnte. Insbesondere überprüften wir die Emotion und das Thema der Tweets, die von männlichen/weiblichen Journalisten geschrieben und an männliche/weibliche Politiker gerichtet wurden.    : Wir haben das Tool TweetNLP verwendet, um die Emotionen der Tweets für jede Kategorie zu erkennen [6]. TweetNLP bietet einen diachronen Ansatz auf Basis eines Large-Language-Modells (TimeLMs) zur Erkennung von Emotionen, insbesondere aus mehrsprachigen Tweets. Ziel dieser Analyse ist es, festzustellen, ob es signifikante Unterschiede in den Emotionsbewertungen der Tweets gibt – falls dies der Fall ist, könnte dies auf eine geschlechtsspezifische Voreingenommenheit der Tweets aufgrund des Geschlechts von Absender und Empfänger hinweisen. Wir haben vier Hauptemotionen berücksichtigt: Wut, Freude, Optimismus und Traurigkeit, und jedem Tweet in jeder der vier Kategorien wurde eine Emotionsbewertung entlang dieser Dimensionen zugewiesen. Dann haben wir einen Kruskal-Wallis-Test durchgeführt, um festzustellen, ob sich die Emotionen in den vier Kategorien (MJ-MP, MJ-FP, FJ-MP, FJ-FP) unterschieden. Wir haben festgestellt, dass der   -Wert für jeden der vier Tests (einer für jede Emotion) zwischen 0,16 und 0,99 lag, was darauf hindeutet, dass es innerhalb der Emotionen der Tweets keinen statistisch signifikanten Unterschied gibt. 5.2.1. Emotionsanalyse. p    Um tiefer zu graben, führten wir eine Themenanalyse der Tweets (mithilfe der Latent Dirichlet Allocation oder LDA) durch, die in vier Kategorien gesammelt wurden. Ziel war es zu prüfen, ob sich die Themen der Tweets je nach Geschlecht des Absenders oder Empfängers änderten. Wie in Abschnitt 4 beschrieben, ermittelten wir die optimale Anzahl von Themen (die im Wesentlichen Wortgruppen sind) für jede Kategorie und ermittelten mithilfe des LDA-Algorithmus die fünf wichtigsten Wörter für jedes Thema. Für jede der vier Kategorien betrug die optimale Anzahl von Themen dreizehn. Als Nächstes ermittelten wir mithilfe des LDA-Algorithmus die dreizehn Themen für jede Kategorie von Tweets und führten eine Analyse der wichtigsten Wörter für die erkannten Themen durch. Insbesondere wählten wir für jede Kategorie von Tweets die Themen aus (z. B. Themen aus MJ-MP) und wählten die wichtigen Wörter aus, die jedes Thema repräsentieren. Dann prüften wir für jedes Thema, ob diese Wörter auch in den Themen auftraten, die in anderen Kategorien von Tweets erkannt wurden (falls dies der Fall ist, bedeutet dies, dass Wörter, die Themen repräsentieren, auch in Themen vorkommen, die in anderen Kategorien von Tweets erkannt wurden). Für jede der vier Tweet-Kategorien kommen im Durchschnitt 81,5 % bis 93,8 % signifikante Wörter (die die Themen darstellen) in Themen vor, die aus Tweets anderer Kategorien erkannt wurden. 5.2.2. Themenanalyse.:  Diese Analyse unterstützt unsere Beobachtung aus der Emotionsanalyse – der Inhalt der Tweets in diesen vier Kategorien ist derselbe. Dennoch ziehen die Tweets, die sich an männliche Politiker richten, mehr Interaktionen nach sich als die Tweets, die sich an weibliche Politiker richten. Als Nächstes untersuchen wir einen möglichen Grund für diese geschlechtsspezifische Voreingenommenheit.  5.3. Mögliche Gründe für die geschlechtsspezifische Verzerrung    : Wir haben eine einfache Statistik zu Spitzenpolitikern überprüft – wie viele der beliebtesten Politiker (gemessen an der Zahl ihrer Twitter-Follower) sind männlich bzw. weiblich. Zu diesem Zweck haben wir unseren Datensatz zu Spitzenpolitikern genutzt und das Geschlecht der 85 Spitzenpolitiker überprüft (deren Twitter-Konten ebenfalls Teil dieser Studie sind). Diese Analyse deckte ein beunruhigendes Geschlechterungleichgewicht unter den Spitzenpolitikern auf – von 85 Spitzenpolitikern sind 58 männlich und 26 weiblich. Somit gibt es fast doppelt so viele beliebte männliche Politiker wie beliebte weibliche Politiker. Wir postulieren, dass diese Ungleichheit einer der Hauptgründe für das von uns beobachtete Phänomen ist, dass männliche Politiker erheblich mehr Interaktion seitens der Öffentlichkeit und von Journalisten auf sich ziehen. 5.3.1. Inhärente Geschlechtervoreingenommenheit bei Twitter in Indien  Tatsächlich spiegelt diese Ungleichheit eine systemische Voreingenommenheit wider, die tief in der Gesellschaft verwurzelt ist. Diese Geschlechterdisparität hat sogar bis in den Bereich von Twitter ihren Einfluss, wo männliche Politiker tendenziell mehr Follower haben als ihre weiblichen Kollegen. Dieses Phänomen ist kein Einzelfall, sondern durchdringt verschiedene Sektoren, wie die Dominanz von Männern in Spitzenpositionen in allen Branchen zeigt. In Vorstandsetagen von Unternehmen, Technologieunternehmen und der Unterhaltungsbranche sind Führungspositionen überwiegend von Männern besetzt. Diese systematische Voreingenommenheit, die in gesellschaftlichen Normen verwurzelt ist, wird durch die starke Korrelation zwischen Sozialkapital und dem Erreichen von Machtpositionen noch verstärkt. Folglich ist die Popularität auf Twitter ein deutliches Spiegelbild dieser inhärenten Voreingenommenheit. Die Beseitigung dieser Ungleichheiten ist von größter Bedeutung, um die Gleichstellung der Geschlechter zu fördern und tief verwurzelte Vorurteile in der Gesellschaft abzubauen.

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

MediaBias.TECH

We publish deeply researched (and often vastly underread) academic papers about our collective omnipresent media bias.

MediaBias's

Dieses Audio ist in der Originalsprache der Geschichte produziert!

Zu lang; Lesen

Download free Tech Leaders Productivity Report!

Aufdeckung geschlechtsspezifischer Voreingenommenheit in der Interaktion zwischen Journalisten und Politikern auf Twitter in Indien: Ergebnisse

About Author

KOMMENTARE

Hängeetiketten

DIESER ARTIKEL WURDE VORGESTELLT IN

Related Stories

HackerNoon Decoded 2024: Celebrating Our Cybersecurity Community!

HackerNoon Decoded 2024: Wir feiern unsere Remote-Work-Community!

HackerNoon Decoded 2024: Wir feiern unsere Produktmanagement-Community!

Welcome to HackerNoon Decoded: The Best of 2024 Tech Blogging

HackerNoon Decoded 2024: Celebrating Our Cybersecurity Community!

HackerNoon Decoded 2024: Wir feiern unsere Remote-Work-Community!

HackerNoon Decoded 2024: Wir feiern unsere Produktmanagement-Community!

Welcome to HackerNoon Decoded: The Best of 2024 Tech Blogging

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps