К основному контенту

Методика медиаисследований. Практическое занятие №5-6. Sentiment-анализ и кластерный анализ

  5. Sentiment-анализ

Для анализа были выбраны два рассказа одного автора.

Первый: "Черная лисица"  Бианки В.В.

Второй: "Перышко" Бианки В.В.

1)



2) 



С помощью MDS-модели можно отметить, что в первой рассказе больше положительного и нейтрального. Предложение про ранение выделено положительным...  Возможно, так получилось из-за большого количества маленьких абзацев.

Второй рассказ более негативно окрашенный. Здесь всё окрашено более точно.

И по MDS-модели, и по Feature Statistics 1-ый текст выглядит более эмоциональным, чем 2-ой. Возможно, это из-за разницы в количествах абзацев, но это заметно по всем показателям. 

Лично мне, удобнее воспринимать MDS-модели, но Feature Statistics будто более точный.


6. Кластерный анализ

Для этого анализа были подобраны 10 коротких рассказов.



Один из текстов не попал ни в одну группу. Возможно, это из-за того, что он самый короткий и негативный.

Первая группа (красная) объединена тем, что там больше рассказывается про детей.

Во второй группе больше рассказывается про взрослых, также, они написаны более комедийно.


Сильной эмоциональной разницы в этих рассказах нет.

Комментарии

Популярные сообщения из этого блога

Включенное наблюдение (видеоконтент) 2

  Анализируемый материал Реакция аудитории (ключевые слова, реакции и т.д.) Реакция наблюдателя (ключевые слова, ощущения и т.д.) Общее или различное в реакции и ключевых словах Краткий вывод включенного наблюдения 1. Apple world development conference Аудитория находит ролик забавным. Гиперболизация ситуации делает его легким для восприятия, сохраняя при этом социальный подтекст и позитивный настрой. Ситуация, представленная в ролике, кажется нелепой. Не вызывает позитивных эмоций. Кажется очень глупой. Аудитории эта реклама кажется не затянутой, наблюдатель считает её затянутой Реклама понятна и запоминается. 2. Audi Смысл легко читается. Отталкивает из-за большого количества драк. Мало времени уделено самой машине Легко улавливается основной посыл о комфорте авто. Хотя он менее комедийный, его содержание чувствуется более забавным. Интересно смотреть. Не отталкивает. Кажется более продающим. Реакция наблюдателя и аудитории не совпадает. Наблюдатель не считает её отталкивающ...

Flat-дизайн cо статичными элементами

Рыжик Кормить Гладить Играть мяумяу Мыть Котятка Котята — пушистые сгустки чуда. От неуверенных первых шагов до азартной погони за солнечным зайчиком — они живут моментом. Их мурлыканье, топтание лапками и безмятежный сон растопят любое сердце. Это маленькие учителя радости, которые напоминают: иногда счастье помещается на коленях в виде тёплого доверчивого комочка. пумкнуть

Автоматизированный фоносемантический и контент-анализ

  Автоматизированный фоносемантический и контент-анализ Были взяты два рассказа одного автора. Текст 1: "Девочка на шаре" Текст 2: "Смерть шпиона Гадюкина" Часть 1: Фоносемантический анализ. Текст 1: Текст 2: Можно заметить, что характеристики обоих рассказов практически не отличаются. Программа нашла в обоих текстах как негативные, так и позитивные аспекты, но последние - в малом количестве, что, как мне кажется, не соответствует действительности. Схожесть характеристики, скорее всего обусловлена тем, что оба рассказа одного автора и из одного сборника "Денискины рассказы". Часть 2: Контент-анализ. Текст 1: Текст 2: topic modelling хорошо отражает содержание, но это не так эффективно. (в моём случае точно) word cloude  точнее передаёт содержание текста, потому что выводит пользователю статистику по содержанию всех слов в тексте.  Поэтому я считаю, что по методике word cloude легче определять тематику и содержание текстов.