paint-brush
Avrupa'da Haber ve Yanlış Bilgi Tüketimi: Sonuçlar ve Tartışmaile@newsbyte
150 okumalar

Avrupa'da Haber ve Yanlış Bilgi Tüketimi: Sonuçlar ve Tartışma

ile NewsByte.Tech9m2024/06/07
Read on Terminal Reader

Çok uzun; Okumak

Bu makalede araştırmacılar Avrupa'daki haber tüketim kalıplarını, yanlış bilgi kaynaklarını ve Twitter'daki izleyici davranışlarını analiz ediyor.
featured image - Avrupa'da Haber ve Yanlış Bilgi Tüketimi: Sonuçlar ve Tartışma
NewsByte.Tech HackerNoon profile picture
0-item

Yazarlar:

(1) Anees Baqir, Venedik Ca' Foscari Üniversitesi, İtalya;

(2) Alessandro Galeazzi, Venedik Ca' Foscari Üniversitesi, İtalya;

(3) Fabiana Zollo, Venedik Ca' Foscari Üniversitesi, İtalya ve Yeni Çevresel Beşeri Bilimler Enstitüsü Merkezi, İtalya.

Bağlantı Tablosu

3. Sonuçlar ve tartışma

Bu bölümde analizimizin sonuçlarını aşağıdaki şekilde organize ederek sunuyoruz. İlk olarak, seçilen Avrupa ülkelerindeki üç yıllık bilgi ortamına genel bir bakış sunuyoruz. Bu adım, ülkeler arasında yaygın olarak paylaşılan temel konuların belirlenmesi ve şüpheli ve güvenilir kaynaklar arasında ayrım yapılarak tutarlı bir karşılaştırma yapılması açısından çok önemlidir. Daha sonra, kullanıcı etkileşimi ve tüketim kalıplarına odaklanarak, bu konulara ilişkin çevrimiçi tartışmalarda ülkeler arasındaki hem benzerlikleri hem de farklılıkları inceliyoruz.

3.1 Ülkeler Arasında Kamusal Söylemin Evrimi

Seçilen ülkelerdeki kamusal söylem manzaralarını karşılaştırmak için ilk adımımız, dört ülkede de hem şüpheli hem de güvenilir kaynaklar tarafından kapsamlı bir şekilde tartışılan ortak konuları belirlemeyi içerir. Bu amaçla, haber kuruluşlarının hesaplarının üç yıllık bir süre boyunca ürettiği içerik üzerinde konu modellemesi yapmak için BERTopic'i (Grootendorst, 2022) kullanıyoruz (daha fazla ayrıntı için Bölüm 2'ye bakınız). Analizimize uygun konuları belirlemek için veri setini yıllara ve ülkelere göre bölüyoruz ve her alt sette BERTopic algoritmasını çalıştırıyoruz. Şekil 1'de bildirilen sonuçlar, ülkeye ve kaynak kategorisine göre her yıl için en çok tartışılan konuları göstermektedir. Her konunun boyutu, ona katkıda bulunan haber kaynaklarının sayısını temsil ederken, konumu da kapsayıcı konularla ilgisini yansıtıyor. Akış diyagramları, konunun zaman içindeki haber kaynaklarındaki yaygınlığını gösterir.


Şekil 1, haber kuruluşlarının farklı konulara olan ilgisinin ülkeler ve haber kaynağı türleri arasında nasıl değiştiğini göstermektedir. Özellikle, ortak ilgi alanına giren belirli konuların yanı sıra, haber kuruluşları protestolar, yabancı ülkelerin etkisi, din, elektrikli arabalar ve uyuşturucunun yasallaştırılması gibi ulusal öneme sahip konulara öncelik verme eğilimindeydi. Aynı ülke içinde şüpheli ve güvenilir kaynakların ele aldığı konularda da farklılıklar görüyoruz. Örneğin, İtalya'da koronavirüs aşısı hakkında haber yapan haber kaynaklarının oranı, güvenilir kaynaklarda şüpheli kaynaklara göre daha yüksekti. Dahası, "Uçuşlar" (İtalya, güvenilir), "Su yönetimi" (Fransa, güvenilir) veya "Filistin mücadelesi" (İngiltere, şüpheli) gibi belirli konular tek bir kaynak türüne özeldi. Bu bulgular, ilgi düzeyinin hem ülkeden hem de dikkate alınan kaynak türünden etkilendiğini, şüpheli kaynakların daha geniş bir ilgi yelpazesi sergilediğini ve güvenilir kaynakların ise tüm ülkeler için ortak konulara daha fazla odaklandığını göstermektedir.


Analizimiz, tüm ülkelerin hem şüpheli hem de güvenilir tartışmaları arasında ortak konuların varlığını vurgulamaktadır. Spesifik olarak, tüm ülkelerdeki tartışmalarda tutarlı bir şekilde üç konu ortaya çıktı: “Brexit”(2019), “Koronavirüs”(2020) ve “Covid Aşısı”(2021). Bu nedenle, sonraki analizde söylemin ülkeler arası incelenmesi için yalnızca bu konulara odaklanacağız. Bu seçimin ardındaki mantık, bu konuların çeşitli ülkelerdeki haber kuruluşları ve kullanıcılar tarafından nasıl haberleştirildiği ve tüketildiği arasındaki farklılıkları ve benzerlikleri vurgulamak, böylece konuya özgü farklılıkların analizimiz üzerindeki etkisini en aza indirmektir. Ek olarak, bu konuların Avrupa düzeyinde kapsamlı bir şekilde tartışılması, analizimizi Avrupa açısından önem taşıyan konuların farklı ülkelerde nasıl algılandığını anlamak açısından değerli kılmaktadır.


Seçilen üç konunun çevrimiçi kamuya açık tartışmalarla ilgisinin altını çizmek ve her konuya atanan zaman çerçevelerinin doğruluğunu doğrulamak için, bir Google Trendler arama analizi yürütüyoruz


Şekil 1: Ülkeler arasındaki şüpheli ve güvenilir haber kaynakları içeriğine ilişkin konu modelleme sonuçları. Her konunun boyutu, ona katkıda bulunan benzersiz haber kaynaklarının oranına göre verilmektedir. Akışlar, haber kaynaklarının zaman içinde farklı konulara olan ilgisinin değişimini temsil eder.


Şekil 2'de gösterildiği gibi 2019'dan 2021'e kadar Fransa, Almanya, İtalya ve Birleşik Krallık'ta Brexit, Coronavirüs ve Kovid Aşısına olan ilgi.


Google Trendler'in analizi, seçilen konuların, daha geniş çevrimiçi bağlamda, belirtilen zaman dilimlerinde en yüksek ilgiyi çektiğini doğruluyor. Dolayısıyla ileriye dönük olarak analizimiz, Avrupa manzarasında haber üretimi ve tüketimindeki farklılıkları ve benzerlikleri incelemek için bu üç konuya (Brexit, Coronavirüs ve Kovid Aşısı) odaklanıyor. Analizimizi yalnızca bu konular üzerinde yürütmek için, ilgili zaman aralığında yalnızca seçilen konuyla ilgili tweet'leri seçecek şekilde haber kaynaklarının zaman çizelgelerini filtreliyoruz (ayrıntılar için Bölüm 2'ye bakın).

3.2 Kullanıcı katılımı ve topluluk yapıları

Sosyal medya platformlarında belirlenen konulara ilişkin içeriklerle etkileşimi karşılaştırarak çalışmamıza devam ediyoruz. Şekil 3, NewsGuard tarafından sınıflandırıldığı üzere güvenilir haber kaynakları (mavi) ve şüpheli haber kaynakları (turuncu) için beğenilerin, retweetlerin, alıntıların ve yanıtların toplamı olarak hesaplanan tweet etkileşimlerinin ülkeye göre dağılımını göstermektedir (bkz. Bölüm 2), üç konunun her biri için. Küçük coğrafi farklılıklara rağmen, kullanıcı etkileşimlerinin dağılımları her üç konu için de benzer uzun kuyruklu bir dağılım sergiliyor; az sayıda tweet çok sayıda etkileşim alırken çoğunluğu çok az etkileşim alıyor. Güvenilir haber kaynakları genellikle şüpheli olandan daha fazla etkileşim elde etti


Şekil 2: Fransa, Almanya, İtalya ve Birleşik Krallık'ta 2019'dan 2021'e kadar Brexit, Coronavirüs ve Kovid Aşısı ile ilgili aramaya yönelik ilgiye ilişkin Google Trendler analizi. Grafikler, her bir satır bir konuyu temsil edecek şekilde her konuya yönelik arama ilgisinin zaman içinde nasıl geliştiğini gösterir. . İlgi trendleri, Brexit'in 2019'da en popüler olduğunu, ardından 2020 sonunda bazı istisnalar dışında 2020 ve 2021'de keskin bir düşüş izlediğini ortaya koyuyor. Coronavirüs 2020'nin başlarında zirveye ulaştı ve sonrasında düşüşe geçerken, Kovid Aşısı 2021'in başlarında ivme kazanarak maksimuma ulaştı. 2021'in ortasında ve 2021'in sonunda başka bir artış görüldü. Parantez, her konu için analizde dikkate alınan zaman aralığını temsil ediyor.


x ekseni boyunca daha geniş dağılımlarıyla gösterildiği gibi kaynaklar. Bununla birlikte, İngiltere'nin Kovid-19 aşısı tartışmalarında ve Fransa'nın da Coronavirüs tartışmalarında olduğu gibi birkaç istisna da gözleniyor. Ayrıca, Brexit söyleminde şüpheli kaynaklar, diğer tartışmalarda daha az öne çıksa da, Almanya ve İtalya'daki dağılımın kuyruğunda kayda değer bir varlığa sahip. Genel olarak, şüpheli kaynakların varlığı ve bunların yarattığı etkileşim, hem ülkeye hem de ele alınan spesifik konuya bağlı olarak farklılık gösterebilir.


Daha sonra haber kuruluşlarının izleyici kitlesindeki farklılıkları ve benzerlikleri vurgulamak için dikkatimizi haber tüketim kalıplarına çeviriyoruz. Brexit, Coronavirüs ve Kovid Aşısı ile ilgili Twitter verilerini analiz ederek aynı türden haber kaynaklarının benzer kitleler tarafından tüketilip tüketilmediğini araştırıyoruz. İzleyiciler açısından haber kaynakları arasındaki benzerliği ölçmek için retweetçiler üzerindeki kosinüs benzerliğine dayalı bir ölçüm tanımlıyoruz (bkz. Bölüm 2). Yüksek oranda retweetçi paylaşan haber kaynakları, benzerlik metriği açısından daha yüksek bir değere sahipken (1'e yakın), yalnızca birkaç paylaşılan retweetçiye sahip yayınlar ise düşük bir benzerlik (0'a yakın) elde ediyor.


Daha sonra haber kaynaklarının düğümler olarak temsil edildiği ve ağırlıklı kenarların aralarındaki benzerlik düzeyini gösterdiği yönlendirilmemiş bir ağ oluşturuyoruz. Adil bir karşılaştırma yapılabilmesi için her ülke ve konu için ayrı bir ağ oluşturuyoruz. Ortaya çıkan ağlar Şekil 4'te görselleştirilmiştir. Yalnızca daha güçlü bağlantıları vurgulamak için, her ağın kenarlarının genel medyanından daha düşük ağırlıklara sahip kenarları atıyoruz (tüm ağlarla ilgili sonuçlar için SI'nın Şekil 1 ve 2'sine bakın).


Ülkeye ve ele alınan konuya göre ağ yapısında farklılıklar gözlemleyebiliriz. Gerçekten de Fransa, Almanya ve İtalya, açıkça tanımlanabilir bir şüpheli kaynak kümesi (turuncu üçgenler) sergileme eğilimindedir; bu da, öncelikli olarak şüpheli içerik tüketen toplulukların varlığına işaret etmektedir. İngiltere'de bu ayrım daha az belirgindir. Konuya özgü farklılıklara baktığımızda, Birleşik Krallık dışındaki tüm ülkeler için, Brexit durumunda ağların daha seyrek ve daha düşük kenar yoğunluğuna sahip olma eğiliminde olduğunu görüyoruz. Coronavirüs ve Kovid Aşısı tartışmaları için ağlar daha bağlantılıdır ve daha yüksek uç yoğunluğu sergiler (bkz. SI Tablo 2). Bu, şüpheli ve güvenilir haber kaynakları arasındaki ayrıma da yansıyor: Brexit tartışmasında iki tür haber arasındaki ayrım daha net görünürken, diğer tartışmalarda SI Tablo 3'te gösterildiği gibi daha fazla sayıda bağlantıyı paylaşıyorlar. . Bu davranışı daha da ölçmek için, düzeltilmiş nominal çeşitliliği ağlarımıza uyguluyoruz (Karimi ve Oliveira, 2022), bu da Brexit tartışması bağlamında daha yüksek çeşitlilik seviyelerine ulaşıldığını gösteriyor. Ancak Birleşik Krallık, muhtemelen tartışmaya doğrudan katılımı nedeniyle farklı davranışlar sergiliyor.


Şekil 3: Brexit (üst sıra), Coronavirüs (orta sıra) ve Kovid Aşısı (alt sıra) ile ilgili güvenilir (mavi) ve şüpheli (turuncu) haber kaynakları için tweet etkileşimlerinin ülkeye göre dağılımı. Tweet etkileşimleri, her bir tweet tarafından alınan beğenilerin, retweetlerin, alıntıların ve yorumların toplamı olarak hesaplanır.


Analizimiz aynı zamanda şüpheli ve güvenilir haber kaynakları arasında mutlak bir ayrım olmadığını da ortaya koyuyor. Bu, bazı kullanıcıların öncelikle veya yalnızca güvenilir veya şüpheli içerik tükettiğini, diğerlerinin ise her iki türü de değişen oranlarda tüketen karışık bir haber diyetine sahip olduğunu gösteriyor. Bu soruyu daha derinlemesine incelemek için, her kullanıcı tarafından tüketilen şüpheli haberlerin oranını analiz ediyoruz ve dağılımı Şekil 5'te sunuyoruz. Sonuçlar, her tartışmadaki kullanıcıların çoğunluğunun öncelikle güvenilir haber kaynaklarına güvendiğini gösteriyor (ayrıca bkz. SI Tablo 4). ). Bununla birlikte, her tartışmada, farklı derecelerde öne çıkmalarına rağmen, yalnızca şüpheli haberleri destekleyen küçük ama dikkat çekici bir kullanıcı kesimi vardır. Özellikle Şekil, çok az sayıda kullanıcının spektrumun uç noktalarının dışına çıktığı, ayırt edici bir iki modlu dağılımı göstermektedir. Bu kullanıcılar, benzerlik ağları içindeki şüpheli ve güvenilir haberler arasındaki boşluğun kapatılmasında önemli bir rol oynamaktadır. Ayrıca, güvenilir haber kaynakları ağın çekirdeğini işgal etme eğilimindeyken, şüpheli kaynaklar genellikle daha çevresel konumlarda yer alıyor. Gerçekten de, her ağda PageRank algoritması tarafından tanımlanan ilk 25 kaynak arasında (Bakshy ve diğerleri, 2011), önemli bir çoğunluğun (en az %95,3) güvenilir haber kaynakları olduğu bulunmuştur (daha fazla ayrıntı için SI'ya bakınız). Analizimizi benzerlik ağlarının topluluk yapısını inceleyerek sonlandırıyoruz. Louvain kümelemesini kullanarak topluluk tespiti yapıyoruz


Şekil 4: Her haber kaynağının bir düğüm olarak temsil edildiği ve kenarların izleyicilerin haber kaynakları arasındaki benzerliğini temsil ettiği haber kaynakları arasındaki benzerlik ağı. Düğümlerin rengi ve şekli haber kaynağının sınıflandırmasını belirtirken, kenarların kalınlığı da iki haber kaynağı arasındaki retweetçilerin benzerlik düzeyini temsil ediyor. Kenarların genel ortalamasından daha düşük ağırlıklara sahip kenarları attık. Her ağ, haber kuruluşlarının bir ülke için bir konudaki benzerliğini temsil ediyor.


algoritması (Blondel ve diğerleri, 2008) ve sonuçları Şekil 6'da rapor edin. Kümeler, şüpheli haber kaynaklarının oranına göre renk kodludur; daha koyu gölgeler, şüpheli kaynakların daha yüksek yüzdesini gösterir.


Tüm ülkeler ve konular genelinde kümelerin çoğunluğu esasen güvenilir haber kaynaklarından oluşuyordu ve bu kümeler içinde ayrıca PageRank sınıflandırmasına göre en önemli düğümleri de buluyoruz. Ancak analizimiz aynı zamanda yüksek oranda şüpheli haber kaynağına sahip küçük kümelerin varlığını da ortaya koyuyor. Bu kümelerin sayısı ve büyüklüğü ülkeye ve konuya göre değişmektedir. Örneğin Almanya ve İtalya'da her konu için böyle bir küme varken, Fransa'daki Brexit tartışmasında iki küme var. Birleşik Krallık'ta ise bu ayrım daha az belirgindir ve herhangi bir kümelenmede şüpheli haber kaynaklarının yüksek bir yüzdesi görülmemektedir. Ayrıca güvenilir kümelerin boyut olarak daha küçük ancak sayılarının daha fazla olduğunu, şüpheli kümelerin ise daha büyük ve genellikle her ağda benzersiz olduğunu fark ettik. Bu, şüpheli içeriği tüketen kullanıcıların ağın çoğu şüpheli kaynağını destekleme eğiliminde olduğunu, güvenilir haber tüketicilerinin ise daha az haber kaynağına odaklandığını gösterdi.


Genel olarak analizimiz, seçilen ülkelerdeki çevrimiçi haber tüketimi ortamının boylamsal bir görünümünü sunarak, güvenilir haber kaynaklarının baskınlığını vurgularken aynı zamanda birçok ülke ve başlıkta daha yüksek oranda şüpheli haber kaynağına sahip kümelerin varlığını da ortaya koyuyor. Bu tür kümelerin varlığı, güvenilir olanlardan kaçınırken çeşitli şüpheli kaynaklardan içerik tüketen bir grup kullanıcının varlığını akla getirmektedir. Bu davranış, çevrimiçi tartışmalarda yaygın olarak gözlemlenen bir olgu olan yankı odalarının potansiyel varlığıyla tutarlıdır (Cinelli ve diğerleri, 2021; Falkenberg ve diğerleri, 2022; Cota ve diğerleri, 2019).