رشته‌های مختلف علمی چگونه از تحلیل داده‌های رسانه‌های اجتماعی بهره می‌برند
یک مجموعه پیام درباره کمبود آب، برای همه پژوهشگران معنای یکسانی ندارد. جامعه‌شناس ممکن است به تجربه نابرابری توجه کند، پژوهشگر ارتباطات به روایت رسانه‌ها، و دانشجوی علوم کامپیوتر به تشخیص خودکار پیام‌های مرتبط. تفاوت اصلی در پرسش پژوهش است؛ همان پرسش تعیین می‌کند چه داده‌ای لازم داریم و چه نتیجه‌ای می‌توانیم بگیریم. لازر و همکاران (۲۰۰۹) ظرفیت داده‌های دیجیتال برای مطالعه رفتار جمعی را از زمینه‌های علوم اجتماعی محاسباتی می‌دانند. استفاده از این ظرفیت به همکاری میان دانش موضوعی و مهارت تحلیل نیاز دارد. مثال‌های زیر، طرح‌های پیشنهادی برای پژوهش‌اند و نباید آن‌ها را یافته یک مطالعه انجام‌شده تلقی کرد.
جامعه‌شناسی و مطالعه تجربه‌های روزمره
برای یک جامعه‌شناس، گفت‌وگو درباره مسکن می‌تواند راهی برای شناخت نحوه بیان ناامنی اقتصادی، تجربه جابه‌جایی یا رابطه میان نسل‌ها باشد. پرسش مناسب ممکن است این باشد: «کاربران در روایت دشواری اجاره‌نشینی، چه مسئولیت‌هایی را به خانواده، دولت و بازار نسبت می‌دهند؟» در این طرح، نمونه‌ای هدفمند از پیام‌های مرتبط برای تحلیل مضمون انتخاب می‌شود. پژوهشگر دسته‌ها را با خواندن متن‌ها می‌سازد، موارد متفاوت یا ناسازگار را هم بررسی می‌کند و برای فهم زمینه از مصاحبه کمک می‌گیرد. خروجی، شرح الگوهای روایت در داده است؛ نه تخمین تعداد همه اجاره‌نشینانی که آن تجربه را دارند. نباید سن، طبقه اجتماعی یا محل زندگی نویسنده را فقط از چند نشانه زبانی قطعی دانست. مک‌کورمیک و همکاران (۲۰۱۷) در پژوهش خود درباره داده‌های توییتر، به استخراج و ارزیابی اطلاعات جمعیت‌شناختی پرداخته‌اند. این حوزه به اعتبارسنجی نیاز دارد و حدس‌های تأییدنشده می‌توانند نتیجه اجتماعی را تغییر دهند.
ارتباطات و علوم سیاسی
در ارتباطات، می‌توان بررسی کرد رسانه‌ها و کاربران یک تصمیم عمومی را با چه چارچوبی مطرح می‌کنند. مثلاً در بحث محدودیت مصرف آب، آیا تأکید بر مسئولیت شهروندان است یا زیرساخت و مدیریت؟ داده مناسب، ترکیبی از خبرها و پیام‌های مرتبط در دوره‌ای مشترک است و روش می‌تواند تحلیل چارچوب همراه با مقایسه زمانی باشد. روگستاد (۲۰۱۶) رابطه دستور کار توییتر و رسانه‌های جریان اصلی را مطالعه کرده است. برای یک پروژه مشابه، لازم است هم موضوعات مشترک و هم تفاوت در برجسته‌سازی آن‌ها بررسی شود. زودتر منتشرشدن یک موضوع، به‌تنهایی شواهد کافی برای اثرگذاری یک رسانه بر دیگری نیست.
در علوم سیاسی، شبکه بازنشر می‌تواند برای مطالعه شکل‌گیری گروه‌ها و گردش روایت‌ها مفید باشد. پژوهش فرزام و همکاران (۲۰۲۳) درباره توییتر فارسی نمونه‌ای از ترکیب بررسی ساختار شبکه با مطالعه فعالیت غیرواقعی است. در پروژه تازه، برچسب‌گذاری گرایش گروه‌ها باید به محتوای واقعی متصل باشد؛ دو خوشه در نمودار، لزوماً دو اردوگاه ثابت در جامعه نیستند.
مدیریت و شناخت تجربه مشتری
داده‌های رسانه‌ای می‌توانند به شناسایی شکایت‌های تکرارشونده درباره یک خدمت کمک کنند. برای مثال، پژوهشگر مدیریت می‌تواند بپرسد: «پس از تغییر فرایند ثبت درخواست، کاربران بیشتر از کدام مرحله شکایت می‌کنند؟» دسته‌هایی مانند دشواری ورود، ابهام راهنما یا تأخیر پاسخ از مطالعه مقدماتی داده به دست می‌آیند. فن و گوردون (۲۰۱۴) ظرفیت تحلیل رسانه‌های اجتماعی برای استخراج اطلاعات قابل استفاده در تصمیم‌گیری را توضیح داده‌اند. در طرح پیشنهادی بالا، خروجی مناسب، دسته‌بندی مشکلات و تغییر آن‌ها در زمان است. مقایسه با درخواست‌های پشتیبانی یا مصاحبه با کاربران می‌تواند نشان دهد چه مشکلاتی در رسانه اجتماعی کمتر بیان شده‌اند. کاهش شکایت‌های آنلاین پس از یک تغییر، به‌تنهایی اثبات موفقیت آن نیست. تعداد کاربران، شیوه پاسخ‌گویی یا محل طرح شکایت ممکن است تغییر کرده باشد. شاخص رسانه‌ای باید در کنار داده استفاده واقعی از خدمت تفسیر شود.
سلامت عمومی و شناخت نیاز اطلاعاتی
پژوهشگر سلامت می‌تواند پرسش‌های پرتکرار کاربران درباره یک بیماری یا پیام بهداشتی را دسته‌بندی کند. هدف چنین طرحی، شناخت نیاز اطلاعاتی و ابهام‌های ارتباطی است؛ برای مثال اینکه کاربران بیشتر درباره معنای توصیه‌ها سؤال دارند یا دسترسی به خدمات. می‌توان نمونه‌ای از پیام‌ها را با مشارکت متخصص موضوع بررسی کرد، دسته‌ها را تعریف کرد و سپس ابزار خودکار را برای یافتن موارد مشابه ارزیابی کرد. در بررسی ادعاهای سلامت، تعریف دقیق اطلاعات نادرست و تفکیک آن از پرسش یا تردید اهمیت دارد؛ چارچوب واردل و درخشان (۲۰۱۷) برای روشن‌کردن این تمایزها مفید است.
تعداد پیام‌های مربوط به یک بیماری، تعداد مبتلایان را نشان نمی‌دهد. همچنین از متن یک حساب نباید برای تشخیص وضعیت سلامت فرد استفاده کرد. در این حوزه، حساسیت داده بالاست و نقل مستقیم تجربه‌های شخصی می‌تواند خطر شناسایی ایجاد کند. گزارش تجمیعی و حداقل‌سازی اطلاعات هویتی باید بخشی از طراحی پژوهش باشد.
علم اطلاعات و مطالعه گردش دانش
برای پژوهشگر علم اطلاعات، یک پرسش کاربردی این است که یافته‌های علمی از چه مسیرهایی به گفت‌وگوی عمومی می‌رسند. می‌توان پیوندهای یک مقاله یا گزارش پژوهشی را در منابع منتخب دنبال کرد و بررسی کرد کدام بخش‌های آن بیشتر بازنشر شده‌اند و آیا معنای یافته در بازنشر تغییر کرده است.
شناسه مقاله، نشانی پیوند، زمان انتشار و نوع منبع از داده‌های مفید این طرح‌اند. مقایسه متن اصلی با بازنمایی رسانه‌ای، اطلاعاتی فراتر از شمارش اشاره‌ها فراهم می‌کند. افزایش توجه آنلاین را نباید مستقیماً معادل کیفیت علمی یا اثر اجتماعی مثبت دانست؛ یک مقاله ممکن است به دلیل نقد یا برداشت نادرست بسیار دیده شود. پروژه‌ای کوچک می‌تواند چند مقاله در یک موضوع محدود را انتخاب کند و مسیر مشاهده‌شده معرفی آن‌ها را بازسازی کند. ثبت پیوندهای کوتاه‌شده و نسخه‌های متفاوت نشانی، از نکته‌های عملی گردآوری است. ادعای پوشش کامل نیز فقط با شواهد کافی قابل دفاع خواهد بود.
علوم کامپیوتر و زبان‌شناسی
همین داده‌ها می‌توانند مبنای ساخت مدلی برای تشخیص موضوع، کنایه یا موضع‌گیری باشند. دانشجوی علوم کامپیوتر باید مسئله را به برچسب‌های روشن تبدیل کند و مجموعه آموزش و آزمون مناسبی بسازد. برای زبان‌شناس، تفاوت زبان رسمی و محاوره‌ای، کاربرد کنایه یا تغییر معنای واژه در یک بحث، خود موضوع مطالعه است. برای نمونه، طرحی درباره کنایه در پیام‌های فارسی به راهنمای برچسب‌گذاری و بررسی توافق انسانی نیاز دارد. مدل باید روی متن‌هایی ارزیابی شود که نسخه تقریباً تکراری نمونه‌های آموزش نیستند. آزمون روی دوره زمانی یا موضوع متفاوت نیز می‌تواند نشان دهد عملکرد تا چه اندازه قابل انتقال است. اگر هدف کشف رویداد باشد، مرور هو و همکاران (۲۰۲۲) مسیرهای استفاده از متن، جهش واژگان و ویژگی‌های شبکه را معرفی می‌کند. انتخاب روش پیچیده‌تر باید به بهبود سنجیده‌شده منجر شود؛ مقایسه با یک روش ساده پایه، بخش مهمی از ارزیابی است.
آموزش و برنامه‌ریزی شهری
در پژوهش آموزشی، پیام‌های یک محیط یادگیری می‌توانند برای شناخت سؤال‌های بی‌پاسخ یا الگوی مشارکت استفاده شوند. این داده با پیام عمومی متفاوت است و دسترسی پژوهشی، رضایت و رابطه قدرت میان مدرس و دانشجو باید پیشاپیش بررسی شود. تعداد پیام‌ها نیز معیار مستقیمی برای یادگیری نیست؛ بعضی دانشجویان می‌خوانند اما کم می‌نویسند. در برنامه‌ریزی شهری، می‌توان گزارش‌های عمومی درباره حمل‌ونقل یا کیفیت خدمات را دسته‌بندی کرد و آن‌ها را با داده‌های رسمی مقایسه کرد. نام یک محله در متن الزاماً محل اقامت نویسنده نیست و مناطق کم‌حضور در رسانه اجتماعی نباید کم‌مسئله فرض شوند. نقشه حاصل، نقشه گزارش‌های قابل مشاهده است و برای تبدیل‌شدن به ارزیابی خدمات شهری به داده‌های مکمل نیاز دارد.
پرسشی انتخاب کنیم که بتوانیم از پاسخ آن دفاع کنیم
برای شروع، موضوع را به یک مسئله محدود، یک دوره زمانی روشن و منابع مشخص تبدیل کنید. سپس بنویسید واحد تحلیل چیست، چه برچسب یا شاخصی نیاز دارید و اعتبار آن را چگونه بررسی می‌کنید. یک نمونه کوچک معمولاً زودتر از گردآوری انبوه داده نشان می‌دهد که طرح عملی است یا نه. همکاری میان رشته‌ها در همین مرحله ارزش پیدا می‌کند: متخصص موضوع به تعریف درست مسئله کمک می‌کند و متخصص داده راه سنجش آن را می‌سازد. راهنمای فرانتسکه و همکاران (۲۰۲۰) نیز یادآور ضرورت توجه به زمینه و پیامدهای اخلاقی پژوهش اینترنتی است. نتیجه مطلوب، تحلیلی است که هم درباره پدیده حرف روشنی داشته باشد و هم محدوده شواهد خود را صریح بیان کند.
منابع
Fan, W., & Gordon, M. D. (2014). The power of social media analytics. Communications of the ACM, 57(6), 74–81. https://doi.org/10.1145/2602574
Farzam, A., Moradi, P., Mohammadi, S., Padar, Z., & Siegel, A. A. (2023). Opinion manipulation on Farsi Twitter. Scientific Reports, 13, 333. https://doi.org/10.1038/s41598-022-26921-5
Franzke, A. S., Bechmann, A., Zimmer, M., Ess, C., & the Association of Internet Researchers. (2020). Internet research: Ethical guidelines 3.0. https://aoir.org/reports/ethics3.pdf
Hu, X., Ma, W., Chen, C., Wen, S., Zhang, J., Xiang, Y., & Fei, G. (2022). Event Detection in Online Social Network: Methodologies, State-of-Art, and Evolution. Computer Science Review, 46, 100500. https://doi.org/10.1016/j.cosrev.2022.100500
Lazer, D., Pentland, A., Adamic, L., Aral, S., Barabási, A. L., Brewer, D., Christakis, N., Contractor, N., Fowler, J., Gutmann, M., Jebara, T., King, G., Macy, M., Roy, D., & Van Alstyne, M. (2009). Computational Social Science. Science, 323(5915), 721–723. https://doi.org/10.1126/science.1167742
McCormick, T. H., Lee, H., Cesare, N., Shojaie, A., & Spiro, E. S. (2017). Using Twitter for demographic and social science research: Tools for data collection and processing. Sociological Methods & Research, 46(3), 390–421. https://doi.org/10.1177/0049124115605339
Rogstad, I. (2016). Is Twitter Just Rehashing? Intermedia Agenda Setting Between Twitter and Mainstream Media. Journal of Information Technology & Politics, 13(2), 142–158. https://doi.org/10.1080/19331681.2016.1160263
Wardle, C., & Derakhshan, H. (2017). Information Disorder: Toward an Interdisciplinary Framework for Research and Policy Making. Council of Europe. https://rm.coe.int/information-disorder-report-november-2017/1680764666
