Consumo de notícias e desinformação na Europa: materiais e métodos

Tabela de Links

• Resumo e introdução
• Materiais e métodos
• Resultados e discussão
• Conclusões e Referências
• Informação suplementar

2. Materiais e métodos

Coleta e processamento de dados

Os dados foram coletados utilizando a API oficial do Twitter para pesquisas acadêmicas [1], disponível gratuitamente para acadêmicos no momento da coleta. Com base na lista de contas recuperadas do conjunto de dados NewsGuard (ver Tabela 1), baixamos os cronogramas do Twitter de fontes de mídia baseadas na Itália, Alemanha, França e Reino Unido ao longo de três anos, de 2019 a 2021. NewsGuard é uma ferramenta que avalia a confiabilidade dos meios de comunicação com base em nove critérios jornalísticos. Seguindo esses critérios, uma equipe de jornalistas profissionais e independentes atribui uma “pontuação de confiança” entre 0 e 100 a cada meio de comunicação. As classificações não são fornecidas para indivíduos, conteúdo satírico ou plataformas de mídia social como Twitter, Facebook e YouTube. As fontes de notícias são categorizadas em dois grupos com base na sua pontuação: Confiáveis (pontuação de confiança maior ou igual a 60) e Questionáveis (pontuação de confiança inferior a 60). O limite é definido pelo NewsGuard com base nos critérios de avaliação.

Coletamos apenas conteúdo disponível publicamente de contas públicas do Twitter. O conjunto de dados incluiu todos os tweets publicados pelas contas selecionadas no período de 1º de janeiro de 2019 a 11 de novembro de 2021, resultando em mais de 25 milhões de tweets. A Tabela 2 relata a discriminação dos dados. A percentagem de postos de cada país que contribuem para o montante total é apresentada entre parênteses.

Para garantir que a nossa análise se concentrava nos tópicos debatidos a nível europeu para comparações entre países, aplicámos filtros de palavras-chave ao nosso conjunto de dados original. Dividimos o nosso conjunto de dados em três segmentos de um ano e filtramos cada segmento de acordo com uma lista de palavras-chave relacionadas com o tema mais discutido a nível europeu naquele ano. As estatísticas dos dados filtrados podem ser encontradas na Tabela 3.

Para os tweets no conjunto de dados filtrado, coletamos todos os retuítes. Detalhes sobre o número de tweets e retuítes originais para cada tópico podem ser encontrados na Tabela 3.

Redes de similaridade

Por fim, excluímos todos os nós de 0 grau e excluímos todas as arestas com peso abaixo da mediana de todos os pesos das arestas. Esta abordagem permitiu-nos captar as semelhanças mais fortes entre as audiências dos meios de comunicação relacionadas com os tópicos selecionados no contexto europeu.

Modelagem de tópico

Utilizamos o BERTopic, uma ferramenta de modelagem de tópicos que extrai tópicos latentes de uma coleção de documentos, para identificar os temas quentes predominantes em todos os países examinados. BERTopic é um modelo top2vec generalizado para transformadores de frases pré-treinados (Grootendorst, 2022) que demonstrou recentemente resultados promissores em diversas tarefas. BERTopic gera clusters coerentes de documentos através de três etapas: 1) extração de embeddings de documentos; 2) agrupamento de incorporações; 3) criação de representações de tópicos usando TF-IDF baseado em classes (Sammut e Webb, 2011) (c-TF-IDF). Na primeira etapa, qualquer modelo de linguagem baseado em transformador pré-treinado pode ser utilizado, permitindo o uso de técnicas de incorporação de última geração. A segunda etapa emprega aproximação e projeção múltipla uniforme (UMAP) para reduzir a dimensão dos embeddings (McInnes et al., 2018) e agrupamento espacial hierárquico de aplicativos com ruído baseado em densidade (HDBSCAN) para gerar clusters de documentos semanticamente semelhantes (McInnes e outros, 2017). Um dos tópicos é definido como 'outros' e inclui os documentos que não estão incluídos em tópicos diferentes.

[1] https://developer.twitter.com/en/docs/twitter-api