Topic modelling and emotion analysis of the tweets of British and American politicians on the topic of war in Ukraine

Olena Karpina; Justin Chen

doi:10.29038/eejpl.2022.9.2.kar

Автор(и)

Олена Карпіна Волинський національний університет імені Лесі Українки, Україна
Джастін Чен Мілтонська академія, США

DOI:

https://doi.org/10.29038/eejpl.2022.9.2.kar

Ключові слова:

лексична одиниця, неопрацьована частотність, відносна частотність, віртуальний дискурс, тематичне моделювання, аналіз емоцій, Твіттер

Анотація

Статтю присвячено дослідженню змістових та емотивних особливостей дописів чотирьох політиків, опублікованих в їхніх офіційних Твіттер акаунтах протягом трьох місяців російського вторгнення в Україну. Ми обрали двох британських політиків – прем’єр-міністра Великої Британії Бориса Джонсона та Іветт Купер, членкиню Палати громад від Лейбористської партії, тіньову міністерку внутрішніх справ Великої Британії – і двох американських політиків, – президента Джо Байдена та сенатора-республіканця Марко Рубіо. На першому етапі ми створили текстовий масив, що містить твіт-повідомлення чотирьох політиків, які було відібрано за тематикою війни в Україні. Для того, щоб вважатися схваленими, твіт-повідомлення повинні були містити такі слова, як Україна, росія, війна, путін, вторгнення, виявлені в одному контексті. На другому етапі ми визначили найчастотніші лексичні одиниці, що їх уживають політики для інформування світової спільноти про війну в Україні. Для цього ми скористалися програмою Voyant Tools, веб-додатком для текстового аналізу. Ці лексичні одиниці було розподілено на три групи за рівнем їхньої частотності: найчастотніші, другі за частотністю та треті за частотністю лексичні одиниці. Окрім того, ми виміряли розподіл найчастотніших лексичних одиниць у тримісячному часовому проміжку, щоб дослідити, як змінювалася їхня частотність протягом досліджуваного періоду. На третьому етапі ми проаналізували контекст ідентифікованих лексичних одиниць, які окреслюють тематику твіт-повідомлень у наборі даних. Для цього ми виявили колокації за допомогою бібліотеки NLTK. Під час останнього етапу дослідження ми виконали тематичне моделювання з використанням алгоритму вибірки Гіббса до багатоваріантного розподілу ймовірностей Діріхле та класифікацію емоцій за допомогою бібліотеки NRC Lexicon.

Завантажити

Дані для завантаження поки недоступні.

Біографії авторів

Олена Карпіна , Волинський національний університет імені Лесі Українки, Україна

* Corresponding author

https://orcid.org/0000-0001-9520-074X

karpina@vnu.edu.ua
Джастін Чен, Мілтонська академія, США

https://orcid.org/0000-0001-9818-399X

justin_chen24@milton.edu

Посилання

Горошко Е. И., Полякова Т. Л. (2011) Лингвистические особенности англоязычного твиттера. Учені записки Таврійського національного університету імені Вернадського. Сер. Філологія. Соціальні комунікації, Т. 24(63). № 2(1), 53–58. URL: http://repository.kpi.kharkov.ua/handle/KhPI-Press/49133

Нерян С. О. (2018) Допис у соцмережі як мовленнєвий жанр інтернет- комунікації. Науковий вісник Херсонського державного університету, Сер. Лінгвістика, 33 (1), 66-70. URL: https://journals.indexcopernicus.com/api/file/viewByFileId/708692.pdf

Ніколаєва, Т. М. (2019). Лексико-семантичні аспекти мови соціальних мереж. Закарпатські філологічні студії, 9 (2), 96-101. URL: https://dspace.uzhnu.edu.ua/jspui/handle/lib/33170

Полякова Т. Л. (2021). Лексичні засоби в жанрі твітинг в англомовній політичній інтернет-комунікації. Закарпатські філологічні студії, 14 (1), 177-181. https://doi.org/10.32782/tps2663-4880/2020.14-1.32

Швелідзе Л. Д. (2021) Мовні засоби реалізації комунікативних стратегій у дискурсі соціальних мереж (на матеріалі української та англійської мов) (дис. … канд. філол. наук). Донецький національний університет імені Василя Стуса, Вінниця. URL: https://abstracts.donnu.edu.ua/article/view/9878

Bird, S. (2006). NLTK: the natural language toolkit. Proceedings of the COLING/ACL 2006 Interactive Presentation Sessions (69-72). https://doi.org/10.3115/1225403.1225421

Crystal, D. (2011). A Microexample: Twitter. In Internet Linguistics: A Student Guide. (pp. 36-56). London and New York : Routledge. Taylor & Francis Group.

Mohammad, S. M., & Turney, P. D. (2013). NRC Emotion Lexicon. National Research Council, Canada. https://doi.org/10.4224/21270984

Weisser, C., Gerloff, C., Thielmann, A., Python, A., Reuter, A., Kneib, T., & Säfken, B. (2022). Pseudo-document simulation for comparing LDA, GSDMM and GPM topic models on short and sparse text using Twitter data. Computational Statistics, 1-28. http://dx.doi.org/10.1007/s00180-022-01246-z

Yin, J., & Wang, J. (2014). A dirichlet multinomial mixture model-based approach for short text clustering. Proceedings of the 20th ACM SIGKDD International Conference on Knowledge discovery and data mining, (233-242). https://doi.org/10.1145/2623330.2623715

References (translated and transliterated)

Bird, S. (2006). NLTK: the natural language toolkit. Proceedings of the COLING/ACL 2006 Interactive Presentation Sessions (69-72). https://doi.org/10.3115/1225403.1225421

Crystal, D. (2011). A Microexample: Twitter. In Internet Linguistics: A Student Guide. (pp. 36-56). London and New York : Routledge. Taylor & Francis Group.

Goroshko E. I., Poliakova T. L. (2011). Lingvisticheskiie osobennosti angloiazychnogo tvittera. [Linguistic features of English-language Twitter]. Ucheni Zapysky Tavriiskoho Natsionalnoho Universytetu Imeni Vernadskoho. Filolohiia. Sotsialni Komunikatsii Series, 24(63), No 2–1, 53–58. Retrieved from http://repository.kpi.kharkov.ua/handle/KhPI-Press/49133

Mohammad, S. M., & Turney, P. D. (2013). NRC Emotion Lexicon. National Research Council, Canada. https://doi.org/10.4224/21270984

Nerian, S. O. (2018). Dopys u sotsmerezhi yak movlennievyi zhanr internet-komunikatsii. [A post in a social network as a speech genre of Internet communication]. Naukovyi Visnyk Khersonskoho Derzhavnoho Universytetu. Linhvistyka Series, 33 (1), 66-70. Retrieved from https://journals.indexcopernicus.com/api/file/viewByFileId/708692.pdf

Nikolaieva, T. M. (2019) Leksyko-semantychni aspekty movy sotsialnykh merezh [Lexico-semantic aspects of the social networks language]. Zakarpatski Filolohichni Studii, 9(2), 96-101. Retrieved from https://dspace.uzhnu.edu.ua/jspui/handle/lib/33170

Poliakova T. L. (2021). Leksychni zasoby v zhanri tvitynh v anhlomovnii politychnii internet-komunikatsii [Lexical means in the genre Tweeting in English political Internet communication]. Zakarpatski Filolohichni Studii, 14(1), 177-181. https://doi.org/10.32782/tps2663-4880/2020.14-1.32

Shvelidze, L. D. (2021) Movni zasoby realizatsii komunikatyvnykh stratehii u dyskursi sotsialnykh merezh (na materiali ukrainskoi ta anhliyskoi mov) [Linguistic Means of Implementation of Communicative Strategies in the Social Media Discourse (Based on the Ukrainian and English Languages)]. Unpublished doctoral dissertation. Extended abstract. Vasyl' Stus Donetsk National University, Vinnytsya. Retrieved from https://abstracts.donnu.edu.ua/article/view/9878

Weisser, C., Gerloff, C., Thielmann, A., Python, A., Reuter, A., Kneib, T., & Säfken, B. (2022). Pseudo-document simulation for comparing LDA, GSDMM and GPM topic models on short and sparse text using Twitter data. Computational Statistics, 1-28. http://dx.doi.org/10.1007/s00180-022-01246-z

Yin, J., & Wang, J. (2014). A dirichlet multinomial mixture model-based approach for short text clustering. Proceedings of the 20th ACM SIGKDD International Conference on Knowledge discovery and data mining, (233-242). https://doi.org/10.1145/2623330.2623715

Source

CJE gives recommendations for the use of words “orcs,” “ruscists,” and “putin” in the media. Retrieved from https://imi.org.ua/en/news/cje-gives-recommendations-for-the-use-of-words-orcs-ruscists-and-putin-in-the-media-i45817 (date of access: 7.12.2022)