Vergleich der COVID-19 Berichterstattung zu Beginn der Pandemie und Anfang Juli 2020 in der ZEIT ONLINE
Operationalisierung einer Sentiment-Analyse zur Untersuchung von Dramatisierungstendenzen
PAYBACK Punkte
0 °P sammeln!
Studienarbeit aus dem Jahr 2020 im Fachbereich Informatik - Computerlinguistik, Note: 1,0, Universität Trier, Veranstaltung: Digitale Methoden: Datenerschließung und Programmieren, Sprache: Deutsch, Abstract: Ziel dieser Arbeit ist es, die zwei folgenden Hypothesen mittels einer Sentiment-Analyse in Python mit der Bibliothek textblob-de zu operationalisieren und zu prüfen: Die ZEIT ONLINE setzt zu Beginn der Pandemie in Relation zur Textlänge mehr Adjektive in der Berichterstattung über COVID-19 ein als in der Berichterstattung Anfang Juli. Die ZEIT ONLINE setzt zu Beginn der Pandemie in ...
Studienarbeit aus dem Jahr 2020 im Fachbereich Informatik - Computerlinguistik, Note: 1,0, Universität Trier, Veranstaltung: Digitale Methoden: Datenerschließung und Programmieren, Sprache: Deutsch, Abstract: Ziel dieser Arbeit ist es, die zwei folgenden Hypothesen mittels einer Sentiment-Analyse in Python mit der Bibliothek textblob-de zu operationalisieren und zu prüfen: Die ZEIT ONLINE setzt zu Beginn der Pandemie in Relation zur Textlänge mehr Adjektive in der Berichterstattung über COVID-19 ein als in der Berichterstattung Anfang Juli. Die ZEIT ONLINE setzt zu Beginn der Pandemie in Relation zur Textlänge mehr wertende, negativ polare Adjektive in der Berichterstattung über COVID-19 ein als in der Berichterstattung Anfang Juli.Für den Vergleich der beiden Zeiträume wurden zwei Subkorpora erstellt. Das erste Subkorpus enthält Artikel vom 11. März 2020, dem Tag, an dem die Weltgesundheitsorganisation den Ausbruch von COVID-19 zur Pandemie erklärt hat. Das zweite Subkorpus enthält Artikel des 1. Juli 2020, einem Zeitpunkt, zu dem die erste COVID-19-Welle in Deutschland laut dem Robert Koch-Institut abgeflacht ist. Um die Effektstärke einschätzen zu können, wurden die Ergebnisse mit einem Referenzkorpus abgeglichen. Die Sentiment-Analyse ist eine Aufgabe des Natural Language Processing und dient der automatisierten Auswertung von Texten mit dem Ziel, Meinungen und Stimmungen von Menschen gegenüber Entitäten als positiv, neutral oder negativ zu analysieren. Meinungen sind laut Liu sowohl für Einzelpersonen als auch für Unternehmen von großer Relevanz, als Forschungsgegenstand aber erst seit 2000 in den Blickpunkt geraten. Anwendung findet die Sentiment-Analyse hauptsächlich im Unternehmenskontext, zum Beispiel um Verbrauchermeinungen über Produkte aus nutzergenerierten Inhalten zu extrahieren.
Andere Kunden interessierten sich für
