قطبی توییتهایی آشکار اختلافات عمیق در کنگره COVID-19 پیام

یک تجزیه و تحلیل از COVID-19-مربوط توییتهایی صادر شده توسط اعضای کنگره از 17 ژانویه تا مارس 31 ، سال 2020 نشا

توسط MOHAMADREZASITE در 4 تیر 1399

یک تجزیه و تحلیل از COVID-19-مربوط توییتهایی صادر شده توسط اعضای کنگره از 17 ژانویه تا مارس 31 ، سال 2020 نشان می دهد که دموکرات ها و جمهوری خواهان به سرعت قطبی در امتداد خط حزب در پیام خود در مورد این ویروس در توییتر. این یافته ها تاکید فقدان اجماع سیاسی به عنوان بحران ballooned در ایالات متحده - اجماع است که کشورهای دموکراتیک تکیه می کنند در مواقع اضطراری. دموکرات تاکید کرد COVID-19 قبلا با اختلاف بین مجموع دموکرات و جمهوری خواه توییتهایی شدن تلفظ پس از CDC شناسایی جامعه گسترش در کالیفرنیا در فوریه 26, گسترش پس از ایالات متحده اعلام کرد یک ملی اضطراری در مارس 13 و بعد از آن به عنوان کاهش شدت همه گیر شد غیر قابل انکار است. دموکرات ها نیز تمایل به بحث در مورد بحران بیشتر, صدور در مجموع 19,803 توییتهایی دربارهی COVID-19 در طول این مدت زمان در حالی که جمهوری خواه کنگره اعضای صادر 11,084 (به نسبت حدود 71 توییتهایی هر حزب دموکرات به 45 توییتهایی هر جمهوری خواه). طرفین همچنین در مورد علاقه های مختلف انتخاب کلمه در نتیجه پیام با نقاط مختلف تاکید - دموکرات ها اغلب استفاده می شود کلمات مانند "سلامت" "ترک" و "تست" در حالی که جمهوری خواهان اغلب با استفاده از کلمات مانند "هم" در "ایالات متحده" "چین" و "کسب و کار است." جان سبز و همکاران توجه داشته باشید که نخبگان سیاسی در ایالات متحده را همیشه به نمایش گذاشته از جمله قطبش در زمان بحران با حزب جمهوری خواه و دموکرات به قانونگذاران صدور بیانیه مشترک پس از حملات تروریستی در 11 سپتامبر 2001. بررسی قطبش در کنگره توییتهایی طول COVID-19 بحران, سبز, et al. جمع آوری یک لیست از توییتر دسته (از جمله چند حساب فعال هر دو رسمی و شخصی برای برخی از اعضای کنگره) و ادغام آنها با داده ها در اعضای تعصب و ایدئولوژی. محققان پرچم توییتهایی مربوط به COVID-19 که آنها شناسایی با استفاده از مجموعه ای از لغت نامه متشکل از شرایط مورد استفاده برای شناسایی یک موضوع خاص (مثلا "COVID-19" می تواند به عنوان "covid," "کوروناویروس" یا "ویروس"). آنها آموزش دیده یک جنگل تصادفی ماشین مدل یادگیری به رسمیت شناختن تعصب با استفاده از 70 درصد از توییتها و سپس اعمال این مدل برای پیش بینی حزب وابستگی از نویسندگان این 30 درصد باقی مانده بر اساس محتوا و زمان توییتهایی. این مدل به درستی طبقه بندی شده تعصب از 76 درصد از توییت صرفا بر اساس زبان مورد استفاده و تاریخ که بر روی آنها فرستاده شد.

مربوط به تصویری از علم رسانه های دیجیتال وزارت: https://youtu.بود/jNa7PaLNVVU این ویدئو استفاده می شود باید در تمامیت آن و نه تغییر یافتهاست. لطفا اعتباری به علم/AAAS.

###

سلب مسئولیت: AAAS و EurekAlert! مسئول صحت اخبار منتشر شده به EurekAlert! با کمک موسسات و یا برای استفاده از هر گونه اطلاعات از طریق EurekAlert سیستم.



tinyurlis.gdclck.ruulvis.netshrtco.de
آخرین مطالب
مقالات مشابه
نظرات کاربرن