Este artigo está disponível no arxiv sob licença CC BY-NC-ND 4.0 DEED.   Autores:  (1) Brisha Jain, pesquisadora independente Índia e brishajain02@gmail.com;  (2) Mainack Mondal, IIT Kharagpur Índia e mainack@cse.iitkgp.ac.in.  Tabela de Links   Resumo e introdução   Trabalho relatado   Coleção de dados   Metodologia de Análise   Resultados   Limitações   Discussão Final   Referências  4. METODOLOGIA DE ANÁLISE  Neste trabalho, realizamos principalmente análises quantitativas para descobrir preconceitos gerais na interação jornalista-político indiano. Especificamente, realizamos análises de frequência usando testes estatísticos, análise emocional e análise de tópicos dos tweets coletados.    Para analisar o preconceito de género na frequência da interação entre jornalistas e políticos, examinamos a popularidade dos tweets entre jornalistas e políticos em todos os géneros de políticos. Se os jornalistas promoverem efectivamente o preconceito de género, esperávamos ver mais tweets de jornalistas do sexo masculino mencionando políticos do sexo masculino em comparação com mencionando mulheres políticas. Esperamos que as jornalistas tuitem menos ou tanto sobre políticos homens quanto sobre mulheres políticas. Para verificar a existência de preconceitos de género na tração que os tweets de políticos recebem dos jornalistas, também examinamos a popularidade dos tweets (através de retuítes, respostas e gostos para estes tweets). Usamos o teste H de Kruskal-Wallis para determinar se existem diferenças significativas em diferentes categorias de tweets. Além disso, empregamos o teste U de Mann-Whitney aos pares para analisar as diferenças de popularidade em nossas quatro categorias com mais detalhes. Análise estatística da frequência e popularidade da interação:    para examinar o preconceito de gênero no conteúdo dos tweets endereçados a políticos por jornalistas, empregamos análise emocional de tweets (usando TweetNLP, uma ferramenta de detecção de emoções multilíngue específica do Twitter, baseada em um modelo de linguagem grande e de ponta [6]) de Categorias “MJ-MP”, “MJ-FP”, “FJ-MP” e “FJ-FP”. Especificamente, procuramos testar diferenças nestes tweets para expressões de “Raiva”, “Alegria”, “Otimismo” e “Tristeza”. Usamos um teste KruskalWallis H para determinar se existem diferenças significativas nas pontuações emocionais dos tweets (ao longo das quatro dimensões) de nossas categorias.  Análise emocional:

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

Este áudio é produzido no idioma original da história!

Descobrindo preconceitos de gênero na interação jornalista-político: metodologia de análise

About Author

COMENTARIOS

Rótulos

ESTE ARTIGO FOI APRESENTADO EM

Related Stories

As camadas invisíveis: por que as entrevistas com usuários são um ativo insubstituível

Navegando pelas águas: desenvolvendo aplicações RAG de nível de produção com data lakes

Quer ganhar um concurso de redação do HackerNoon? Aqui está o que os vencedores do concurso #crypto-api recomendam

Toque para ganhar: Telegram pode integrar os próximos 10 bilhões de usuários criptográficos antes de Solana

As camadas invisíveis: por que as entrevistas com usuários são um ativo insubstituível

Navegando pelas águas: desenvolvendo aplicações RAG de nível de produção com data lakes

Quer ganhar um concurso de redação do HackerNoon? Aqui está o que os vencedores do concurso #crypto-api recomendam

Toque para ganhar: Telegram pode integrar os próximos 10 bilhões de usuários criptográficos antes de Solana

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps