Auteurs:  (1) Xiaohan Ding, Département d'informatique, Virginia Tech, (e-mail : xiaohan@vt.edu) ;  (2) Mike Horning, Département de communication, Virginia Tech, (e-mail : mhorning@vt.edu) ;  (3) Eugenia H. Rho, Département d'informatique, Virginia Tech, (e-mail : eugenia@vt.edu ).  Tableau des liens   Résumé et introduction   Travaux connexes   Étude 1 : Évolution de la polarité sémantique dans le langage des médias audiovisuels (2010-2020)   Étude 2 : Mots qui caractérisent la polarité sémantique entre Fox News et CNN en 2020   Étude 3 : Comment la polarisation sémantique dans le langage des médias audiovisuels prédit la polarité sémantique dans le discours sur les médias sociaux   Discussion et déclaration d’éthique   Annexe et références  Abstrait  Avec la croissance de l’information en ligne au cours de la dernière décennie, les études empiriques sur le discours politique et la consommation d’information se sont concentrées sur le phénomène des bulles filtrantes et des chambres d’écho. Pourtant, récemment, les chercheurs ont révélé des preuves limitées sur l’impact d’un tel phénomène, ce qui a conduit certains à affirmer que la ségrégation partisane parmi les audiences de l’information ne peut pas être entièrement expliquée par la seule consommation d’informations en ligne et que le rôle des médias traditionnels pourrait être tout aussi important dans la polarisation du discours public. autour de l’actualité. Dans ce travail, nous élargissons la portée de l’analyse pour inclure à la fois les médias en ligne et les médias plus traditionnels en étudiant la relation entre le langage des médias d’information diffusés et le discours sur les médias sociaux. En analysant une décennie de sous-titres codés (2,1 millions de tours d'orateurs) de CNN et Fox News ainsi que des discours thématiques correspondants de Twitter, nous proposons un nouveau cadre pour mesurer la polarisation sémantique entre les deux principaux réseaux de diffusion américains afin de démontrer comment la polarisation sémantique entre ces médias a évolué (Étude 1), a atteint son apogée (Étude 2) et a influencé les discussions partisanes sur Twitter (Étude 3) au cours de la dernière décennie. Nos résultats démontrent une forte augmentation de la polarisation dans la manière dont les mots-clés d'actualité sont discutés entre les deux chaînes, en particulier après 2016, avec des pics globaux les plus élevés survenant en 2020. Les deux stations discutent de sujets identiques dans des contextes radicalement distincts en 2020, dans la mesure où il y a Il n'y a pratiquement aucun chevauchement linguistique dans la façon dont les mots-clés identiques sont discutés contextuellement. En outre, nous démontrons à grande échelle comment une telle division partisane dans le langage des médias audiovisuels façonne de manière significative les tendances de polarité sémantique sur Twitter (et vice-versa), en établissant un lien empirique pour la première fois avec la façon dont les discussions en ligne sont influencées par les médias télévisés. Nous montrons comment le langage caractérisant les récits médiatiques opposés sur des événements d’actualité similaires à la télévision peut accroître les niveaux de discours partisan en ligne. À cette fin, notre travail a des implications sur la façon dont la polarisation des médias à la télévision joue un rôle important en entravant plutôt qu’en soutenant le discours démocratique en ligne.  Introduction  Les médias de masse jouent un rôle essentiel dans les processus démocratiques en influençant la manière dont les institutions fonctionnent, les dirigeants politiques communiquent et, surtout, la manière dont les citoyens s'engagent en politique (McLeod, Scheufele et Moy, 1999). Même s’il n’est pas surprenant que les deux divisions politiques américaines parlent des langues différentes (Westfall et al. 2015), des recherches ont également montré que le langage partisan dans les médias d’information a fortement augmenté ces dernières années, en particulier dans les informations radiodiffusées (Horning 2018). Ceci est préoccupant étant donné que la consommation d’informations est essentielle pour aider le public à comprendre les événements qui l’entourent. Selon la théorie de la définition de l’agenda, le langage utilisé par les médias pour cadrer et présenter l’actualité a un impact sur la façon dont le public perçoit les questions importantes (McCombs 1997 ; Russell Neuman et al. 2014).  Même si certains peuvent avoir l'impression que les médias traditionnels perdent de leur pertinence face à la croissance explosive de l'information en ligne via les sites Web et les médias sociaux, la consommation d'informations aux États-Unis reste majoritairement télévisée, représentant près de cinq fois plus que la consommation d'informations en ligne dans l'ensemble du public. (Allen et al.2020). Malgré l’idée selon laquelle la consommation d’informations télévisées est plus « passive » que la lecture des informations, les recherches montrent que les gens ont tendance à mieux se souvenir des informations télévisées que des informations en ligne (Eveland, Seo et Marton 2002). En outre, une étude récente comparant la consommation d’informations à la télévision et sur Internet a révélé qu’il y a quatre fois plus d’Américains qui sont soumis à une ségrégation partisane via la télévision que via les informations en ligne. En fait, les téléspectateurs des informations télévisées sont plusieurs fois plus susceptibles de maintenir leur régime d’informations partisanes au fil du temps, et leurs sources sont beaucoup plus limitées, tandis que même les lecteurs d’informations partisanes en ligne ont tendance à consommer à partir de sources diverses (Muise et al. 2022).  Pourtant, les études sur la polarisation des médias et le discours public qui en découle reposent majoritairement sur le contenu en ligne (Garimella et al. 2021). Par exemple, même les recherches qui analysent les données des médias traditionnels s'appuient uniquement sur les tweets des comptes Twitter officiels des journaux, des émissions de télévision et des programmes de radio plutôt que sur la transcription directe du contenu de ces sources médiatiques traditionnelles (Recuero, Soares et Gruzd). 2020). Cela est dû au fait que contrairement aux informations en ligne, les données multimédias existantes (par exemple, les sous-titres codés) sont plus difficiles à collecter, existent dans des formats incompatibles pour un prétraitement rapide (par exemple, les fichiers srt) et dispersées entre des institutions qui ne sont pas incitées à les partager. données avec des universitaires. Par conséquent, on ignore en grande partie la manière dont les médias traditionnels traditionnels affectent le discours en ligne.  En ce sens, notre analyse d'une décennie de sous-titres codés de programmes d'information télévisés diffusés 24 heures sur 24 par les deux plus grandes chaînes d'information américaines présente une opportunité unique de démontrer empiriquement comment la polarisation linguistique dans les médias audiovisuels a évolué au fil du temps et comment elle a impacté la société. discours médiatique. Dans ce travail, nous examinons comment les différences sémantiques dans le langage des médias audiovisuels ont évolué au cours des 11 dernières années entre CNN et Fox News (Étude 1), quels mots sont caractéristiques des pics de polarité sémantique dans le langage des médias audiovisuels (Étude 2), si le langage des médias audiovisuels est sémantique. La polarité dans le langage des informations télévisées prédit les tendances de polarisation dans le discours des médias sociaux et la manière dont la langue joue un rôle dans l'évolution des modèles relationnels de l'un à l'autre (Étude 3).  Dans l'étude 1, nous exploitons les techniques de traitement du langage naturel (NLP) pour développer une méthode qui capture quantitativement comment la polarisation sémantique entre CNN et Fox News a évolué de 2010 à 2020 en calculant la polarité sémantique de l'importance sociale, mais politiquement divisée, des sujets ( racisme, Black Lives Matter, police, immigration, changement climatique et soins de santé) sont abordés par les deux chaînes d'information. Nous utilisons ensuite une technique d'interprétation de modèle dans l'apprentissage profond pour analyser linguistiquement ce qui peut être à l'origine de ces pics en extrayant les jetons contextuels les plus prédictifs de la façon dont chaque station discute des mots-clés d'actualité en 2020 (Étude 2). Pour déterminer si les tendances partisanes dans le langage des médias audiovisuels influencent les modèles de polarité dans le discours sur les médias sociaux, nous utilisons la causalité de Granger pour tester si et comment la polarisation sémantique entre les deux chaînes d'information télévisées prévoit une polarisation parmi les audiences de Twitter répondant à @CNN et @FoxNews (Étude 3). . Enfin, pour comprendre le langage qui détermine les relations causales Granger dans la manière dont les tendances de polarité sémantique dans les informations télévisées affectent celles des utilisateurs de Twitter (et vice-versa), nous identifions les jetons les plus prédictifs de la façon dont les mots-clés d'actualité sont discutés à la télévision par rapport à Twitter. , séparés par des longueurs de décalage qui correspondent à l'importance de la causalité de Granger. Nos apports sont les suivants :  • Nous fournissons un nouveau cadre pour quantifier la polarisation sémantique entre deux entités en considérant la temporalité associée à la façon dont la polarisation sémantique évolue au fil du temps. Les recherches antérieures qui quantifient la polarisation en tant que mesure globale à partir d’un seul vidage de données longitudinales oublient souvent les dynamiques temporelles et les contextes clés autour de la manière dont la polarité se déroule dans le temps. Notre cadre intègre les fluctuations temporelles en calculant les décalages diachroniques à l'aide d'intégrations de mots contextuelles avec des caractéristiques temporelles.  • En montrant comment la polarisation sémantique dans les médias audiovisuels a évolué au cours des 11 dernières années, nous allons au-delà de la simple quantification de la polarisation en tant que mesure en utilisant les gradients intégrés pour identifier les jetons attributifs comme proxy pour comprendre le langage contextuel qui conduit l'ascension de 2020. en polarité sémantique entre les deux chaînes d'information.  • Nous abordons la question de savoir si et comment la polarisation dans le langage des informations télévisées prédit les tendances de polarité sémantique sur Twitter, fournissant de nouvelles preuves sur la façon dont les audiences en ligne sont façonnées dans leur discours par le langage des informations télévisées - un lien important qui n'a pas été établi empiriquement à grande échelle. dans des recherches antérieures.  • Enfin, nous utilisons l'interprétation de modèles pour extraire les caractéristiques lexicales de différentes entités, afin de montrer quels mots déterminent des modèles de causalité de Granger significatifs dans la façon dont le langage des médias de diffusion façonne le discours sur Twitter et vice-versa, soulignant ainsi la manière dont la langue joue un rôle clé dans conduire des relations de polarité sémantique entre les discussions en ligne et le langage des médias audiovisuels.  Nos résultats sont parmi les premiers à quantifier comment le langage caractérisant les récits médiatiques opposés sur des événements d’actualité similaires à la télévision peut accroître les niveaux de discours partisan en ligne. Les résultats de ces travaux soutiennent les recherches récentes en matière de recherche en communication, qui théorisent que les agendas des médias et du public peuvent s'influencer mutuellement et que de telles dynamiques peuvent polariser la manière dont le public s'engage dans le discours, influençant ainsi la prise de décision démocratique à un moment donné. grand.  Cet article est   sous licence CC 4.0. disponible sur arxiv

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

Cet audio est produit dans la langue originale de l'histoire !

Trop long; Pour lire

Boost your HackerNoon story @ $159.99! 🚀

Analyser la polarisation des médias : comment le langage des informations diffusées façonne le discours en ligne

About Author

COMMENTAIRES

ÉTIQUETTES

CET ARTICLE A ÉTÉ PARU DANS

Related Stories

Croissance des crypto-monnaies : créer des profils d'utilisateurs efficaces

Les couches invisibles : pourquoi les entretiens avec les utilisateurs sont un atout irremplaçable

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

Vous voulez gagner un concours d’écriture HackerNoon ? Voici ce que recommandent les gagnants du concours #crypto-api

Croissance des crypto-monnaies : créer des profils d'utilisateurs efficaces

Les couches invisibles : pourquoi les entretiens avec les utilisateurs sont un atout irremplaçable

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

Vous voulez gagner un concours d’écriture HackerNoon ? Voici ce que recommandent les gagnants du concours #crypto-api

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps