SlideShare ist ein Scribd-Unternehmen logo
1 von 22
Polarizace v internetové diskuzi:
analýza sociálních sítí
s negativními vazbami
Matouš Pilnáček (CVVM SOÚ AV ČR, FF UK)
Jaromír Mazák (FF UK)
Tomáš Diviák (ICS Groningen, FF UK)
Co nás čeká?
1. Téma a výzkumná otázka
• Polarizace veřejného mínění a veřejné debaty
• Došlo v průběhu roku 2015 k nárůstu polarizace v debatě o uprchlické krizi?
2. Metoda
• Web scraping
• SNA s negativní vazbami
3. Výsledky
• Analýza základních metrik
• Klastrová analýza
4. Závěry
Téma
• Polarizace společnosti je velké téma (Trump, Brexit…)
• Standardně se zkoumá pomocí dotazníkových šetřenní
• DiMaggio, Evans, & Bryson, 1996
• Výzkum na sociálních médiích
• Často Twitter – pouze pozitivní reakce
• Je polarizace pouze uzavření skupiny do sebe?
• Je nutné i vymezení skupin vůči sobě?
• Je potřeba sledovat i negativní vztahy
Výzkumná otázka: Došlo v průběhu roku 2015 k
nárůstu polarizace?
• Situace: září 2015 vrchol tzv. migrační krize
Výzkum Naše Společnost (CVVM). Nejdůležitější celospolečenská téma, otevřená otázka, dvě odpovědi od každého respondenta
Metoda: SNA s negativními vazbami
• Analýza sociálních sítí
• Nikoliv analýza sociálních médií
• Metoda vycházející z teorie grafů
• Popis uzlů a vazeb mezi nimi
• Uzly mohou být lidé, firmy, státy, slova…
• Vazby mohou být vztahy, přihrávky, smlouvy, kolokace…
• Lze rozlišovat různé druhy spojů
• Software: Gephi, NodeXL, R (balíček igraph)
• Literatura: podskupin Borgatti, Everett, & Johnson, 2013; Robins, 2015
Metoda: Web scraping
Duben Květen Červen Červenec Srpen Září
Články 83 83 214 98 318 714
Uživatelé 2 735 3 868 6 241 4 123 6 404 8 201
Komentáře 6 575 14 856 31 420 15 987 49 912 126 864
Hodnocení 42 353 79 217 195 690 92 315 269 005 439 074
• Automatizované stahování dat z webu
• Data na webu jsou uchovávána v předem dané struktuře
• Software: R, Python (balíček scrapy)
• Staženy všechny články s tagy týkající se tématu:
Kompletní síť zobrazující diskuzi o uprchlické krizi v září 2015.
Šedé vazby označují pozitivní hodnocení, černé vazby negativní hodnocení.
Duben Květen Červen Červenec Srpen Září
Počet uzlů 2 691 3 801 6 136 4 068 6 313 7 496
Počet vazeb
+ 31 704 55 258 138 318 63 622 168 432 283 016
- 2 984 6 032 16 366 8 107 24 101 31 241
+/- 10,6 9,2 8,5 7,8 7,0 9,1
Hustota
(Průměrný vážený stupeň)
+ 14,2 18,4 28,1 19,8 36,5 52,2
- 1,5 2,4 3,8 2,9 6,1 6,4
+/- 9,3 7,7 7,5 6,7 6,0 8,1
Centralizace
(Směrodatná odchylka
vstupního váženého stupně)
+ 41,3 56,7 92,9 59,3 133,5 179,0
- 6,5 12,1 16,6 14,4 30,8 27,6
+/- 6,3 4,7 5,6 4,1 4,3 6,5
Reciprocita
+ 3,6% 3,9% 4,6% 4,7% 6,8% 7,8%
- 2,3% 3,6% 3,3% 4,8% 5,7% 5,7%
+/- 1,5 1,1 1,4 1,0 1,2 1,4
Charakteristiky celé sítě v jednotlivých měsících roku 2015
Interpretace a image grafy
• Převažují pozitivní reakce nad negativními
• V průběhu narůstá podíl negativních reakcí s vyjímkou v září
• V průběhu měsíců se síť více strukturuje
• Je pravděpodobné, že se polarizuje, ale není to jisté
• Další postup je hledat skupiny a zkoumat vztahy mezi nimi
• Image grafy
• Skupiny
• Počet členů
Průměrný počet pozitivních hodnocení na uživatele skupiny | pak průměrný počet negativních hodnocení
• Šedé skupiny: Pro-migrační
• Bílé skupiny: Proti-migrační
• Vazby
• Průměrný počet pozitivních hodnocení na uživatele výchozí skupiny | pak průměrný počet negativních hodnocení
• Plné vazby: Převažují negativní hodnocení
• Tečkované vazby: Převažují pozitivní hodnocení
Příspěvek z pro-migrační skupiny:
Jezdím pravidelně každé léto do Německa za prácí. Upřímně, setkal jsem se v
práci s uprchlikama. Konkrétně ze Sýrie. Velmi pracovití, slušní a byli rádi za tu
práci. Ano, našel jsem tam jednoho, který práci tolik nedal...ale pracoval.Do
Německa proudí každý rok imigranti. Minulý rok 210 000. Tento rok 800 000 (…)
to je přes milion za 2 roky. Klidně si to přepočítejte na obyvatele. Ale ve srovnání s
ČR je číslo, které přijme ČR... směšné (…) [6. 9. 2015, článek: Průzkum: Tři
čtvrtiny Čechů jsou pro obnovení kontrol uvnitř Schengenu
Příspěvek z proti-migrační skupiny:
Teď by byla možná vhodná doba, aby se paní Merkel omluvila dalším evropským
zemím za to, že svými projevy dala do pohybu statisíce běženců, kteří se
domnívají, že jsou zde vítáni.Merkel zapříčinila invazi a vše teď přehodila na státy,
které jsou v cestě mezi Řeckem a Německem. [13. 9. 2015, článek: Německo
znovu zavádí hraniční kontroly, zastavilo vlaky z Rakouska].
Hledání skupin
• Využit algoritmus spinglass
• Vidíme stále jednu pro-migrační skupinu
• Skupin proti-migračních je více
• Jedná se v různých měsících o stejné lidi?
• Graf přechodů
• Zobrazeny přechody nad 10 % výchozí skupiny
• Černě označeny přechody na 40 % výchozí skupiny
• Uvnitř uzlu
• Počet členů
Počet nově příchozích do diskuze / Počet odcházejících z diskuze
Pro-migrační
skupina
Pasivní
proti-
migrační
skupina
Aktivní
proti-
migrační
skupina
Počet uzlů 1 069 1 718 2 141
Průměrný počet komentářů na
osobu 8,4 4,5 9,8
Hustota skupiny
(Průměrný vážený stupeň uvnitř
skupiny)
+ 5,7 23,6 23,5
- 0,5 0,1 0,5
Reciprocita
+ 11% 3% 8%
- 2% 1% 2%
Identifikovány tři v čase stabilní skupiny od května do září:
Průměrné charakteristiky skupin od května do září
0.0
5.0
10.0
15.0
20.0
25.0
30.0
35.0
40.0
45.0
Květen Červen Červenec Srpen Září
Průměrnýpočetpozitivníchhodnoceníuvnitřskupinynajednoho
uživatele
2015
Pro-migrační skupina Pasivní proti-migrační skupina Aktivní proti-migrační skupina
0.0
1.0
2.0
3.0
4.0
5.0
6.0
7.0
8.0
Květen Červen Červenec Srpen Září
Průměrnýpočetudělenýchnegativníchhodnocenínajednoho
uživatelevýchozískupiny
2015
Pro -> Pasivní proti Pro -> Aktivní proti Pasivní proti -> Pro Aktivní-proti -> Pro
Závěry
• Polarizace skutečně v průběhu měsíců narůstá
• Proti-migrační skupina je výrazně vyhraněnější
• Při nárůstu v září roste negativní vymezení už pouze u pro-migrační skupiny
• Negativní vymezení je silnější zejména u aktivních skupin
• Proti migrační skupiny jsou výrazně aktivnější jak dovnitř, tak navenek
• Čím to je?
Závěry
• Polarizace skutečně v průběhu měsíců narůstá
• Proti-migrační skupina je výrazně vyhraněnější
• Při nárůstu v září roste negativní vymezení už pouze u pro-migrační skupiny
• Negativní vymezení je silnější zejména u aktivních skupin
• Proti migrační skupiny jsou výrazně aktivnější jak dovnitř, tak navenek
• Čím to je?
• Vyhraněnější postoje
• Menší počet pro-migračních diskutujících
• Hůře se v diskuzi hledají
• Profesionální diskutující
• Design rozhraní diskuze
• Upřednostňuje jen několik doporučujících příspěvků
Zdroje
• Borgatti, Stephen P., Everett, M. G., & Johnson, J. C. 2013. Analyzing
Social Networks. SAGE publications.
• DiMaggio, P., Evans, J., & Bryson, B. 1996. Have American’s Social
Attitudes Become More Polarized? American Journal of Sociology,
102(3), 690–755.
• Robins, G. 2015. Doing Social Network Research. London: SAGE
publications.

Weitere ähnliche Inhalte

Mehr von ÚISK FF UK

Marie Balíková: Databáze věcných autorit
Marie Balíková: Databáze věcných autoritMarie Balíková: Databáze věcných autorit
Marie Balíková: Databáze věcných autoritÚISK FF UK
 
Eva Lesenková: Zdravotní gramotnost : Jak můžeme lépe získat informace o zdraví?
Eva Lesenková: Zdravotní gramotnost : Jak můžeme lépe získat informace o zdraví?Eva Lesenková: Zdravotní gramotnost : Jak můžeme lépe získat informace o zdraví?
Eva Lesenková: Zdravotní gramotnost : Jak můžeme lépe získat informace o zdraví?ÚISK FF UK
 
Anna Hoťová: Školní knihovny
Anna Hoťová: Školní knihovnyAnna Hoťová: Školní knihovny
Anna Hoťová: Školní knihovnyÚISK FF UK
 
Magdalena Paul: Fake news
Magdalena Paul: Fake newsMagdalena Paul: Fake news
Magdalena Paul: Fake newsÚISK FF UK
 
Rudolf Rosa: Milníky umělé inteligence
Rudolf Rosa: Milníky umělé inteligenceRudolf Rosa: Milníky umělé inteligence
Rudolf Rosa: Milníky umělé inteligenceÚISK FF UK
 
Pavel Berounský: Prohlídka datacentra Kokura (18. 10. 2021)
Pavel Berounský: Prohlídka datacentra Kokura (18. 10. 2021) Pavel Berounský: Prohlídka datacentra Kokura (18. 10. 2021)
Pavel Berounský: Prohlídka datacentra Kokura (18. 10. 2021) ÚISK FF UK
 
Pavel Herout: Datová centra (18. 10. 2021)
Pavel Herout: Datová centra (18. 10. 2021)Pavel Herout: Datová centra (18. 10. 2021)
Pavel Herout: Datová centra (18. 10. 2021)ÚISK FF UK
 
Anna Štičková: Čuchni ke knize
Anna Štičková: Čuchni ke knizeAnna Štičková: Čuchni ke knize
Anna Štičková: Čuchni ke knizeÚISK FF UK
 
Hana Šandová: Centrum technického vzdělávání Půda jako třetí oddělení knihovny
Hana Šandová: Centrum technického vzdělávání Půda jako třetí oddělení knihovnyHana Šandová: Centrum technického vzdělávání Půda jako třetí oddělení knihovny
Hana Šandová: Centrum technického vzdělávání Půda jako třetí oddělení knihovnyÚISK FF UK
 
Open data (Civic Tech)
Open data (Civic Tech) Open data (Civic Tech)
Open data (Civic Tech) ÚISK FF UK
 
Vojtěch Ripka: Taking Mediality Seriously
Vojtěch Ripka: Taking Mediality SeriouslyVojtěch Ripka: Taking Mediality Seriously
Vojtěch Ripka: Taking Mediality SeriouslyÚISK FF UK
 
Tereza Simandlová: Open science v prostředí akademických knihoven: nová výzva...
Tereza Simandlová: Open science v prostředí akademických knihoven: nová výzva...Tereza Simandlová: Open science v prostředí akademických knihoven: nová výzva...
Tereza Simandlová: Open science v prostředí akademických knihoven: nová výzva...ÚISK FF UK
 
Anna Hejlkova: Reprezentace historie ve videohrách: případová studie hry “Ki...
Anna Hejlkova:  Reprezentace historie ve videohrách: případová studie hry “Ki...Anna Hejlkova:  Reprezentace historie ve videohrách: případová studie hry “Ki...
Anna Hejlkova: Reprezentace historie ve videohrách: případová studie hry “Ki...ÚISK FF UK
 
Sven Ubik: Distanční spolupráce v živé kultuře
Sven Ubik: Distanční spolupráce v živé kultuřeSven Ubik: Distanční spolupráce v živé kultuře
Sven Ubik: Distanční spolupráce v živé kultuřeÚISK FF UK
 
Robin Kopecký: Pokusní králíci
Robin Kopecký: Pokusní králíci Robin Kopecký: Pokusní králíci
Robin Kopecký: Pokusní králíci ÚISK FF UK
 
Nina Wančová: Vývoj softwaru pro virtuální výstavy
Nina Wančová: Vývoj softwaru pro virtuální výstavyNina Wančová: Vývoj softwaru pro virtuální výstavy
Nina Wančová: Vývoj softwaru pro virtuální výstavyÚISK FF UK
 
David Novák: Historické vědy a počítačové zpracování dat
David Novák: Historické vědy a počítačové zpracování datDavid Novák: Historické vědy a počítačové zpracování dat
David Novák: Historické vědy a počítačové zpracování datÚISK FF UK
 
Stanislav Velčev: TEATER: setkání na půl cesty mezi knihovnictvím a archeologií
Stanislav Velčev: TEATER: setkání na půl cesty mezi knihovnictvím a archeologiíStanislav Velčev: TEATER: setkání na půl cesty mezi knihovnictvím a archeologií
Stanislav Velčev: TEATER: setkání na půl cesty mezi knihovnictvím a archeologiíÚISK FF UK
 
Radim Hladík: Úvod do slovních vektorů pro humanitní a sociální vědce
Radim Hladík: Úvod do slovních vektorů pro humanitní a sociální vědceRadim Hladík: Úvod do slovních vektorů pro humanitní a sociální vědce
Radim Hladík: Úvod do slovních vektorů pro humanitní a sociální vědceÚISK FF UK
 

Mehr von ÚISK FF UK (20)

Jak na video?
Jak na video? Jak na video?
Jak na video?
 
Marie Balíková: Databáze věcných autorit
Marie Balíková: Databáze věcných autoritMarie Balíková: Databáze věcných autorit
Marie Balíková: Databáze věcných autorit
 
Eva Lesenková: Zdravotní gramotnost : Jak můžeme lépe získat informace o zdraví?
Eva Lesenková: Zdravotní gramotnost : Jak můžeme lépe získat informace o zdraví?Eva Lesenková: Zdravotní gramotnost : Jak můžeme lépe získat informace o zdraví?
Eva Lesenková: Zdravotní gramotnost : Jak můžeme lépe získat informace o zdraví?
 
Anna Hoťová: Školní knihovny
Anna Hoťová: Školní knihovnyAnna Hoťová: Školní knihovny
Anna Hoťová: Školní knihovny
 
Magdalena Paul: Fake news
Magdalena Paul: Fake newsMagdalena Paul: Fake news
Magdalena Paul: Fake news
 
Rudolf Rosa: Milníky umělé inteligence
Rudolf Rosa: Milníky umělé inteligenceRudolf Rosa: Milníky umělé inteligence
Rudolf Rosa: Milníky umělé inteligence
 
Pavel Berounský: Prohlídka datacentra Kokura (18. 10. 2021)
Pavel Berounský: Prohlídka datacentra Kokura (18. 10. 2021) Pavel Berounský: Prohlídka datacentra Kokura (18. 10. 2021)
Pavel Berounský: Prohlídka datacentra Kokura (18. 10. 2021)
 
Pavel Herout: Datová centra (18. 10. 2021)
Pavel Herout: Datová centra (18. 10. 2021)Pavel Herout: Datová centra (18. 10. 2021)
Pavel Herout: Datová centra (18. 10. 2021)
 
Anna Štičková: Čuchni ke knize
Anna Štičková: Čuchni ke knizeAnna Štičková: Čuchni ke knize
Anna Štičková: Čuchni ke knize
 
Hana Šandová: Centrum technického vzdělávání Půda jako třetí oddělení knihovny
Hana Šandová: Centrum technického vzdělávání Půda jako třetí oddělení knihovnyHana Šandová: Centrum technického vzdělávání Půda jako třetí oddělení knihovny
Hana Šandová: Centrum technického vzdělávání Půda jako třetí oddělení knihovny
 
Open data (Civic Tech)
Open data (Civic Tech) Open data (Civic Tech)
Open data (Civic Tech)
 
Vojtěch Ripka: Taking Mediality Seriously
Vojtěch Ripka: Taking Mediality SeriouslyVojtěch Ripka: Taking Mediality Seriously
Vojtěch Ripka: Taking Mediality Seriously
 
Tereza Simandlová: Open science v prostředí akademických knihoven: nová výzva...
Tereza Simandlová: Open science v prostředí akademických knihoven: nová výzva...Tereza Simandlová: Open science v prostředí akademických knihoven: nová výzva...
Tereza Simandlová: Open science v prostředí akademických knihoven: nová výzva...
 
Anna Hejlkova: Reprezentace historie ve videohrách: případová studie hry “Ki...
Anna Hejlkova:  Reprezentace historie ve videohrách: případová studie hry “Ki...Anna Hejlkova:  Reprezentace historie ve videohrách: případová studie hry “Ki...
Anna Hejlkova: Reprezentace historie ve videohrách: případová studie hry “Ki...
 
Sven Ubik: Distanční spolupráce v živé kultuře
Sven Ubik: Distanční spolupráce v živé kultuřeSven Ubik: Distanční spolupráce v živé kultuře
Sven Ubik: Distanční spolupráce v živé kultuře
 
Robin Kopecký: Pokusní králíci
Robin Kopecký: Pokusní králíci Robin Kopecký: Pokusní králíci
Robin Kopecký: Pokusní králíci
 
Nina Wančová: Vývoj softwaru pro virtuální výstavy
Nina Wančová: Vývoj softwaru pro virtuální výstavyNina Wančová: Vývoj softwaru pro virtuální výstavy
Nina Wančová: Vývoj softwaru pro virtuální výstavy
 
David Novák: Historické vědy a počítačové zpracování dat
David Novák: Historické vědy a počítačové zpracování datDavid Novák: Historické vědy a počítačové zpracování dat
David Novák: Historické vědy a počítačové zpracování dat
 
Stanislav Velčev: TEATER: setkání na půl cesty mezi knihovnictvím a archeologií
Stanislav Velčev: TEATER: setkání na půl cesty mezi knihovnictvím a archeologiíStanislav Velčev: TEATER: setkání na půl cesty mezi knihovnictvím a archeologií
Stanislav Velčev: TEATER: setkání na půl cesty mezi knihovnictvím a archeologií
 
Radim Hladík: Úvod do slovních vektorů pro humanitní a sociální vědce
Radim Hladík: Úvod do slovních vektorů pro humanitní a sociální vědceRadim Hladík: Úvod do slovních vektorů pro humanitní a sociální vědce
Radim Hladík: Úvod do slovních vektorů pro humanitní a sociální vědce
 

Matouš Pilnáček: Polarizace v internetové diskusi - analýza sociálních sítí s negativními vazbami

  • 1. Polarizace v internetové diskuzi: analýza sociálních sítí s negativními vazbami Matouš Pilnáček (CVVM SOÚ AV ČR, FF UK) Jaromír Mazák (FF UK) Tomáš Diviák (ICS Groningen, FF UK)
  • 2. Co nás čeká? 1. Téma a výzkumná otázka • Polarizace veřejného mínění a veřejné debaty • Došlo v průběhu roku 2015 k nárůstu polarizace v debatě o uprchlické krizi? 2. Metoda • Web scraping • SNA s negativní vazbami 3. Výsledky • Analýza základních metrik • Klastrová analýza 4. Závěry
  • 3. Téma • Polarizace společnosti je velké téma (Trump, Brexit…) • Standardně se zkoumá pomocí dotazníkových šetřenní • DiMaggio, Evans, & Bryson, 1996 • Výzkum na sociálních médiích • Často Twitter – pouze pozitivní reakce • Je polarizace pouze uzavření skupiny do sebe? • Je nutné i vymezení skupin vůči sobě? • Je potřeba sledovat i negativní vztahy
  • 4. Výzkumná otázka: Došlo v průběhu roku 2015 k nárůstu polarizace? • Situace: září 2015 vrchol tzv. migrační krize Výzkum Naše Společnost (CVVM). Nejdůležitější celospolečenská téma, otevřená otázka, dvě odpovědi od každého respondenta
  • 5. Metoda: SNA s negativními vazbami • Analýza sociálních sítí • Nikoliv analýza sociálních médií • Metoda vycházející z teorie grafů • Popis uzlů a vazeb mezi nimi • Uzly mohou být lidé, firmy, státy, slova… • Vazby mohou být vztahy, přihrávky, smlouvy, kolokace… • Lze rozlišovat různé druhy spojů • Software: Gephi, NodeXL, R (balíček igraph) • Literatura: podskupin Borgatti, Everett, & Johnson, 2013; Robins, 2015
  • 6. Metoda: Web scraping Duben Květen Červen Červenec Srpen Září Články 83 83 214 98 318 714 Uživatelé 2 735 3 868 6 241 4 123 6 404 8 201 Komentáře 6 575 14 856 31 420 15 987 49 912 126 864 Hodnocení 42 353 79 217 195 690 92 315 269 005 439 074 • Automatizované stahování dat z webu • Data na webu jsou uchovávána v předem dané struktuře • Software: R, Python (balíček scrapy) • Staženy všechny články s tagy týkající se tématu:
  • 7.
  • 8. Kompletní síť zobrazující diskuzi o uprchlické krizi v září 2015. Šedé vazby označují pozitivní hodnocení, černé vazby negativní hodnocení.
  • 9. Duben Květen Červen Červenec Srpen Září Počet uzlů 2 691 3 801 6 136 4 068 6 313 7 496 Počet vazeb + 31 704 55 258 138 318 63 622 168 432 283 016 - 2 984 6 032 16 366 8 107 24 101 31 241 +/- 10,6 9,2 8,5 7,8 7,0 9,1 Hustota (Průměrný vážený stupeň) + 14,2 18,4 28,1 19,8 36,5 52,2 - 1,5 2,4 3,8 2,9 6,1 6,4 +/- 9,3 7,7 7,5 6,7 6,0 8,1 Centralizace (Směrodatná odchylka vstupního váženého stupně) + 41,3 56,7 92,9 59,3 133,5 179,0 - 6,5 12,1 16,6 14,4 30,8 27,6 +/- 6,3 4,7 5,6 4,1 4,3 6,5 Reciprocita + 3,6% 3,9% 4,6% 4,7% 6,8% 7,8% - 2,3% 3,6% 3,3% 4,8% 5,7% 5,7% +/- 1,5 1,1 1,4 1,0 1,2 1,4 Charakteristiky celé sítě v jednotlivých měsících roku 2015
  • 10. Interpretace a image grafy • Převažují pozitivní reakce nad negativními • V průběhu narůstá podíl negativních reakcí s vyjímkou v září • V průběhu měsíců se síť více strukturuje • Je pravděpodobné, že se polarizuje, ale není to jisté • Další postup je hledat skupiny a zkoumat vztahy mezi nimi • Image grafy • Skupiny • Počet členů Průměrný počet pozitivních hodnocení na uživatele skupiny | pak průměrný počet negativních hodnocení • Šedé skupiny: Pro-migrační • Bílé skupiny: Proti-migrační • Vazby • Průměrný počet pozitivních hodnocení na uživatele výchozí skupiny | pak průměrný počet negativních hodnocení • Plné vazby: Převažují negativní hodnocení • Tečkované vazby: Převažují pozitivní hodnocení
  • 11.
  • 12. Příspěvek z pro-migrační skupiny: Jezdím pravidelně každé léto do Německa za prácí. Upřímně, setkal jsem se v práci s uprchlikama. Konkrétně ze Sýrie. Velmi pracovití, slušní a byli rádi za tu práci. Ano, našel jsem tam jednoho, který práci tolik nedal...ale pracoval.Do Německa proudí každý rok imigranti. Minulý rok 210 000. Tento rok 800 000 (…) to je přes milion za 2 roky. Klidně si to přepočítejte na obyvatele. Ale ve srovnání s ČR je číslo, které přijme ČR... směšné (…) [6. 9. 2015, článek: Průzkum: Tři čtvrtiny Čechů jsou pro obnovení kontrol uvnitř Schengenu Příspěvek z proti-migrační skupiny: Teď by byla možná vhodná doba, aby se paní Merkel omluvila dalším evropským zemím za to, že svými projevy dala do pohybu statisíce běženců, kteří se domnívají, že jsou zde vítáni.Merkel zapříčinila invazi a vše teď přehodila na státy, které jsou v cestě mezi Řeckem a Německem. [13. 9. 2015, článek: Německo znovu zavádí hraniční kontroly, zastavilo vlaky z Rakouska].
  • 13.
  • 14.
  • 15. Hledání skupin • Využit algoritmus spinglass • Vidíme stále jednu pro-migrační skupinu • Skupin proti-migračních je více • Jedná se v různých měsících o stejné lidi? • Graf přechodů • Zobrazeny přechody nad 10 % výchozí skupiny • Černě označeny přechody na 40 % výchozí skupiny • Uvnitř uzlu • Počet členů Počet nově příchozích do diskuze / Počet odcházejících z diskuze
  • 16.
  • 17. Pro-migrační skupina Pasivní proti- migrační skupina Aktivní proti- migrační skupina Počet uzlů 1 069 1 718 2 141 Průměrný počet komentářů na osobu 8,4 4,5 9,8 Hustota skupiny (Průměrný vážený stupeň uvnitř skupiny) + 5,7 23,6 23,5 - 0,5 0,1 0,5 Reciprocita + 11% 3% 8% - 2% 1% 2% Identifikovány tři v čase stabilní skupiny od května do září: Průměrné charakteristiky skupin od května do září
  • 18. 0.0 5.0 10.0 15.0 20.0 25.0 30.0 35.0 40.0 45.0 Květen Červen Červenec Srpen Září Průměrnýpočetpozitivníchhodnoceníuvnitřskupinynajednoho uživatele 2015 Pro-migrační skupina Pasivní proti-migrační skupina Aktivní proti-migrační skupina
  • 19. 0.0 1.0 2.0 3.0 4.0 5.0 6.0 7.0 8.0 Květen Červen Červenec Srpen Září Průměrnýpočetudělenýchnegativníchhodnocenínajednoho uživatelevýchozískupiny 2015 Pro -> Pasivní proti Pro -> Aktivní proti Pasivní proti -> Pro Aktivní-proti -> Pro
  • 20. Závěry • Polarizace skutečně v průběhu měsíců narůstá • Proti-migrační skupina je výrazně vyhraněnější • Při nárůstu v září roste negativní vymezení už pouze u pro-migrační skupiny • Negativní vymezení je silnější zejména u aktivních skupin • Proti migrační skupiny jsou výrazně aktivnější jak dovnitř, tak navenek • Čím to je?
  • 21. Závěry • Polarizace skutečně v průběhu měsíců narůstá • Proti-migrační skupina je výrazně vyhraněnější • Při nárůstu v září roste negativní vymezení už pouze u pro-migrační skupiny • Negativní vymezení je silnější zejména u aktivních skupin • Proti migrační skupiny jsou výrazně aktivnější jak dovnitř, tak navenek • Čím to je? • Vyhraněnější postoje • Menší počet pro-migračních diskutujících • Hůře se v diskuzi hledají • Profesionální diskutující • Design rozhraní diskuze • Upřednostňuje jen několik doporučujících příspěvků
  • 22. Zdroje • Borgatti, Stephen P., Everett, M. G., & Johnson, J. C. 2013. Analyzing Social Networks. SAGE publications. • DiMaggio, P., Evans, J., & Bryson, B. 1996. Have American’s Social Attitudes Become More Polarized? American Journal of Sociology, 102(3), 690–755. • Robins, G. 2015. Doing Social Network Research. London: SAGE publications.