ЖМК-301/2. Методика медиаисследований. Практическое занятие №5-6. Sentiment-анализ и кластерный анализ

Sentiment-анализ:

 

Я взяла два прошлых текста. Этот текст информационный об игре.

1)Hades выйдет на устройства Apple через Netflix в 2024 году

2)Hades вышла на iOS через Netflix — версия для Android не планируется
 

Первый Текст - MDS

Feature Statistics.

Второй текст  - MDS

Feature Statistics.

Вывод:

В первом тексте по MDS мы видим  , что доминирующий эмоциональный посыл - позитивный, хотя там есть негативная область. Я думаю это связано из - за слов "ад", "подземный мир".  Feature Statistics выявляет нам высокий уровень sentiment, что указывает на хорошее количество окрашиваемой лексики.Таким образом мы видим, что текст выразительный и эмоциональный - не монотонный, хоть несет в себе он и информационный посыл.

Во втором тексте мы видим по модели MDS больше негативную окраску. Во Feature Statistics значение sentiment ( max и min - почти близки, ну не прям.)

Мы можем сделать вывод о том текст слабоват, сух,  мало различим и практически не влияет на эмоциональный посыл.

В отличие от первого текста где значения у него Max - 50 и Min - 0, где эмоциональная насыщенность высокая и текст не несет в себе негативную оценку - только позитивную либо нейтральную. Во втором больше умеренный посыл и слабый. 

Для меня больше было удобней пользоваться системой Feature Statistics - потому, что она позволяет по полученным данным сделать анализ.

Кластерный анализ

Я использовала тексты на тему Нейросетей (ИИ)

Тексты поделились на две группы

1) 10,8,1,4.

2) 7,2,3,5,6,9.

В первой группе заданные мною тексты говорят больше о сферах использования ИИ, чем он полезен и дают рекомендации к программам, которые можно использовать для работы.

Во второй группе тексты больше погружены в историческую часть - где рассказывается что такое искусственный интеллект, как он создавался. Да, о его применении говорится, но мало.