Sosyal Medyada İçerik Analizi. Yrd.Doç.Dr.Ahmet ÇETİNKAYA

Transkript

1 Sosyal Medyada İçerik Analizi Yrd.Doç.Dr.Ahmet ÇETİNKAYA

2 İçerik Ölçüm teorisi Geçerlik, güvenirlik, doğrlk ve kesinlik Bilgisayar destekli metin analizinde geçerlik in sağlanması İçerik analizinde etik konlar Operasyonelleştirme (ölçümlerin belirlenmesi) Kod çizelgesi (tüm değişkenler için işlevsel tanımların yapılması) ve bireysel kodlama formları Büyük Veri Veri Madenciliği Metin Madenciliği Doğal Dil İşleme Dyg Analizi/Fikir Madenciliği

3 Ölçüm Nedir? Belli krallar dahilinde, nesneler veya olaylara ait sayıların belirlenmesi (S. Steven s, 1951) İçerik analizi ölçümlerinde nesneler veya olaylar mesaj birimleridir.

4 Ölçüm Teorisi Ölçüm teorisi, her değişkenin her drm için doğr olarak tanımlanan bir değerinin oldğn varsayar. Ölçüm sürecinde b doğr değeri bazı hata kaynakları sebebiyle tam olarak blamayız. Bn, bir formül ile açıklayalım: ö = d + h Brada, ö bizim bldğmz ölçüm değeridir. B ölçüm değeri, doğr değeri (d) ve hatayı (h) içerir. Ölçümlerde yaptığımız, b hata değerini mümkün oldğnca minimize etmektir.

5 Geçerlik, Güvenirlik, Doğrlk ve Kesinlik Geçerlik: Gerçekten ölçmek istediğimiz şeyi mi ölçüyorz? İç geçerlik: Ölçümler kavramsal tanımlama ile ttarlı mı? Yani, ölçeceğimizi söylediğimiz şeyleri mi ölçüyorz? Dış geçerlik (genellenebilirlik): Ölçüm sonçları farklı şartlar, zaman dilimleri, vs. için genellenebilir mi? Güvenirlik: Ölçümler tekrar tekrar yapıldığında ölçüm yöntemi aynı sonçları verir mi? Doğrlk: Ölçüm yönteminin tesadfi olmayan hatalardan ne ölçüde zak oldğnn bir göstergesidir. Kesinlik: Ölçüm düzeyleri veya kategorilerine ilişkin ayrımların yeterli olmasıdır. Örneğin: Bir kişi yaşını 40 lı yaşlar (yani 10-yıl bazında) olarak ifade ederse b kesinliği az olan bir ölçümdür. Çünkü, yaş arasında bilinmeyen bir değerdir. Ancak, 42 (yıl bazında) olarak ifade ederse, b, kesinliği daha yüksek bir ölçüm olr. Yine, ay bazında 506 ay (42 yıl 2 ay) olarak ifade ederse brada aşırı bir kesinlik blnr ki b çoğ zaman çok elverişli olmaz.

6 Bilgisayar destekli metin analizinde (CATA) Geçerlik Testi Short et al. (2010) CATA da yapılacak bir ölçümde geçerlik için bir dizi adım önermişlerdir. B adımlar şöyle sıralanabilir: Teori ve kavramsal tanımlamaya ygn olarak CATA sözlükleri olştrlr. Bnlar, araştırma konsn temsil eden terim listeleridir. Ön hazırlık olarak örnek bir içerik incelenir ve sık geçen kelimeler listesi belirlenir. Aynı zamanda, birden fazla kodlayıcının birbirlerinden bağımsız olarak kony temsil eden kelimeleri belirlemesi istenir. 1. adımda tümdengelim ve 2. adımda tümevarım yöntemi ile belirlenen kelimeler biraraya getirilerek b liste üzerinden kodlama gerçekleştirilir. Böylece, konnn bütün ilgili parçaları dikkate alınmış olr. Bna, içerik geçerliği denir. Dış geçerlik in sağlanabilmesi için, farklı örneklemlerde elde edilecek sonçların karşılaştırılması gerekir.

7 İçerik Analizinde Etik konlar İçerik analizi araştırmalarında etik eleştiriler pek yaygın değildir. Çünkü, genelde analiz edilen mesaj içerikleri zaten herkes tarafından erişilebilen içeriklerdir. Bir diğer önemli etik kon; araştırmacıların data analizi ve raporlama sırasında dürüst davranmaları gerekliliğidir, Signorielli (2009).

8 Operasyonelleştirme (Ölçümlerin belirlenmesi) Gerçek, somt ölçüm tekniklerinin olştrlmasıdır. (Babbie, 1995) İçerik analizi için b, kodlama şeması (coding scheme) nın olştrlmasıdır. Kodlama şeması metin analizi çalışmalarında bir dizi sözlük anlamına gelir. Metin-dışı içerik analizleri için ise bir dizi ölçüm demektir. Belirlenmiş bir ölçüm için kllanılacak kategorilerin veya düzeylerin belirlenmesinde; 1) kapsamlı 2) ayrıştırılabilir bir kategorizasyon yapılmalı ve 3) ygn bir ölçüm düzeyi belirlenmelidir.

9 Operasyonelleştirme (Ölçümlerin belirlenmesi) (DEVAM) 1) Kategoriler kapsamlı olarak belirlenmeli: Örnek: Dergi manşetlerinde kllanılan arka planların ölçümlendiği bir çalışmada 3 arka plan kategorisinin kllanıldığı drm düşünün: 1) Beyaz 2)Fotoğraf 3) Çizim veya resim. B kapsamlı bir kategorizasyon değildir. Çünkü, tek renk bir arka plan b kategorilerden hiçbirine dahil edilemez. Böyle drmlarda diğerleri gibi bir kategori daha kllanmak yerinde olr.

10 Operasyonelleştirme (Ölçümlerin belirlenmesi) (DEVAM) 2) Kategorilerde ortak özellikler blnmamalı: Örnek: Internet reklamlarındaki ana stratejinin ölçümlendiği bir çalışmada aşağıdaki kategorilerin kllanıldığını düşünün: Strateji yok Daha çok bilgi içerikli ve daha az dygsal Daha çok dygsal ve daha az bilgi içerikli Ürün kalitesi ve kllanışlılığına yer verilmiş Ürünün problem çözücü yönü gösterilmiş Reklam ürün pretistijini artıracak şekilde tasarlanmış, ürünle ilgili somt detaylara yer verilmemiş Ürün diğer ürün(ler)le kıyaslanmış B kategorizasyona göre bir reklam birden fazla kategoride yer alabilir. Tamamen ayrı göstergeler kllanılmalı ve her bir ölçüm sadece bir kategoriye girmelidir.

11 Operasyonelleştirme (Ölçümlerin belirlenmesi) (DEVAM) 3) Uygn bir ölçüm düzeyi (ölçeği) belirlenmelidir: 3.1. Nominal ölçek (Sınıflama) Nominal bir ölçümde kodlama için kllanılan 1,2,3,.. gibi sayılar sadece sınıflama içindir. Bnn yerine harfler de kllanılabilir. Kategorilerin sırası rastgeledir; başka bir sırayla dizilmeleri ölçümde kllanılan ölçek bakımından bir fark olştrmaz. Örnek: Irk: 1)Kafkas 2)Amerikan 3)Asyalı 4)Arap, Orta doğ 88)Diğer 99)Irk belirlenemedi. B örneğin alındığı kod çizelgesinde 88 sayısı bütün kategorilerde diğer i ifade etmek için, 99 sayısı ise kategorinin belirlenemediği drmları ifade etmek için kllanılmıştır.

12 Operasyonelleştirme (Ölçümlerin belirlenmesi) (DEVAM) 3) Uygn bir ölçüm düzeyi (ölçeği) belirlenmelidir: 3.2. Ordinal ölçek (Sıralama) Kodlamada kllanılan sayılar kategorinin düzeyini belirler, ancak sayılar grplar arasında eşit aralıkları ifade etmez. Sayılar kategoriyi temsil etmek içindir, aritmetik işlem yapmak için kllanılmaz. Örnek: Boy: 1) Kısa boyl ( ) 2)Orta boyl ( ) 3) Uzn boyl ( ) 99)Boy belirlenemedi.

13 Operasyonelleştirme (Ölçümlerin belirlenmesi) (DEVAM) 3) Uygn bir ölçüm düzeyi (ölçeği) belirlenmelidir: 3.3. Interval ölçek (Aralık) Sayıların olştrdğ kategoriler veya düzeylerden olşr. Kategoriler arası mesafeler eşittir. Klasik bir örnek sıcaklık ölçeğidir. Örneğin ⁰C arasındaki fark ⁰C arasındaki farka eşittir. Sayılar üzerinde aritmetik işlem yapılabilir (Ortalama bir sıcaklık hesaplanabilir). Ancak, b ölçeğin Rasyo ölçekten farkı sıfır sayısının ölçüm yapılan şeyin hiç olmaması drmn ifade etmemesidir. Örneğin, 0 derece sıcaklık, sıcaklığın hiç olmaması anlamına gelmez. 0 derece -1 den daha sıcaktır.

14 Operasyonelleştirme (Ölçümlerin belirlenmesi) (DEVAM) 3) Uygn bir ölçüm düzeyi (ölçeği) belirlenmelidir: 3.4. Rasyo ölçek (Oranlı ölçüm) Oranlı ölçüm aralık ölçümü gibidir. Ancak, brada sıfır gerçek bir sıfırı ifade eder. Örnek: Yaş: 0 Yaş yeni doğmş bir bebeği ifade eder. (Yaşı yok) Yaş kategorileri üzerinde aritmetik hesaplama yapılabilir. (Yaş ortalaması gibi) Kategoriler arasında oran blnabilir: 70 yaş 35 yaşın iki katıdır. Bilgisayar destekli metin analizinde (CATA) sözlükler kllanılır ve yapılan ölçüm oranlı ölçümdür. Örnek: Diction programı kllanılarak bir metinde azim kelimesinin kllanımına baktığımızda sonç 0 (metinde hiç geçmiyor) ya da 55 gibi yüksek bir sayı olabilir.

15 Büyük Veri Çok büyük miktarlarda metin parçalarının toplanması ve analiz edilmesi Büyük Veri alanı ile ilişkilidir. Büyük Veri, geleneksel analiz yöntemleriyle incelenemeyecek derecede yüksek hacimli ve kompleks veri setlerini ifade eder. Örnekler: Ticari işlemler (örnek: son beş yılda Amazon dan yapılan alışverişlerin tüm listesi) Devlet dokümanları Bilimsel veri (örnek: son 100 yıla ait İstanbl hava drm verisi) Diğer metin verileri (örnek: 2015 yılına ait bütün tweetler)

16 Veri Madenciliği Büyük Veride yer alan trendlerin ve örüntülerin (pattern) belirlenebilmesi için hesaplamalı yöntemlerin kllanılmasına Veri Madenciliği denir. Geleneksel istatistiksel yöntemlerin ykarıdan aşağıya doğr olan analizinin tersine aşağıdan ykarıya doğr bir analizdir. Veri Madenciliğinin popüler örneklerinden biri sosyal medya metrikleri dir. B, ticari amaçlı olarak kişilerin online davranışlarının incelenmesidir. Sosyal medya metrikleri kişilerin sosyal medyadaki arkadaşları, arkadaş sayıları, takipçileri, yüklemeleri, beğenmeleri, konm paylaşımları ve iletilerine ilişkin pazarlama göstergeleridir.

17 Metin Madenciliği Büyük Veri de sözü edilen veri metin oldğnda Veri Madenciliği terimi yerine Metin Madenciliği terimi kllanılır. (Bholat et al. 2015): Metin Madenciliği okmak gibidir. Her iki aktivite de harf dizilerinden anlam çıkarmayı içerir. Ancak, Metin Madenciliğinde okmaktan farklı iki drm söz konsdr: Bilgisayar destekli yaklaşımlar herhangi bir kişinin okyamayacağı kadar metnin işlenmesi ve özetlenmesine imkan tanır. Kişiler okrken ön bir bilgi ve beklenti ile okmadıkları için metinde var olan bazı örüntüleri ve anlamları kaçırabilirler. Ancak, bilgisayar destekli yaklaşımlar b anlamları ve örüntüleri yakalama kabiliyetine sahiptirler. Metin madenciliğinde makine öğrenme algoritmalari kllanılır.

18 Doğal Dil İşleme (Natral Langage Processing NLP) Büyük metin verilerini analiz etmede kllanılan yöntemlerden biridir. NLP, temel olarak, doğal dilin işlenmesi için bilgisayarların kllanılmasıdır. NLP nin başlangıcı, bilgisayar bilimcilerin algoritmaları insan dilini anlayacak şekilde eğitmelerine dayanır. B yüzden, NLP yapay zeka alanı ile ilişkilidir. NLP, mesaj içerik analizi dışında dil çevrimleri veya yatırımlar ile ilgili danışmanlık almak için makinelerle iletişime geçme gibi amaçlar için de kllanılmaktadır. İçerik analizi açısından NLP, bir dizi metinin anlamlandırılabilmesi için bilgisayarların kllanılmasıdır. Internette çok sayıda ücretsiz NLP araçları blnr. B araçlar acemi bir kllanıcıya dahi NLP nin araştırma potansiyelini gösterebilir. MALLET (mallet.cs.mass.ed/), ve RtextTools ( b araçlardan bazılarıdır.

19 Doğal Dil İşleme (Natral Langage Processing NLP) (DEVAM) NLP araçlarının kllanıldığı b prosesler bilgisayar destekli metin analizinden ziyade Metin Madenciliği alanına girer. Ancak, yine de b araçlar metin analizinde önemli fayda sağlar. Örneğin, büyük metin setlerinde NLP işleminin gerçekleştirilmesiyle metindeki birtakım terim grpları keşfedilebilir. B, sonraki aşamada bilgisayar destekli metin analizine geçildiğinde sözlüklerin olştrlmasında yardımcı olabilir.

20 Dyg Analizi / Fikir Madenciliği Son yıllarda gelişen bir NLP yglamasıdır. Bir metinden pozitif ve/veya negatif düşüncelerin süzülmesidir. 2010larda bilgisayar metin analizinin ayrılmaz bir parçası haline gelmiştir. Örnekler: Amazonda, en yeni Iphone la ilgili müşteri yormları veya Donald Trmp la ilgili geçen hafta atılan tweetler üzerinde fikir madenciliği yapılarak halkın dyg drmnn ölçülmesi. Dyg analizi için, yazılımcılar tarafından pozitif veya negatif olarak belirlenen kelimelerin sayılması gibi basit bir yglamadan, sağlam bir geçerliliğe sahip CATA şemaları gibi ileri yglamalara kadar farklı yglamalar mevcttr.

21 Dyg Analizi / Fikir Madenciliği (DEVAM) Dyg analizi program örneği: SentiStrength Türkçe desteği blnr. Akademik amaçlı olarak ücretsiz kllanılabilir.