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.
Inhaltsverzeichnis
- 1. Einleitung
- 2. Methodische und theoretische Grundlagen
- 2.1 Untersuchungskorpus
- 2.2 Objektivität: Bedeutung für den Journalismus und Operationalisierung
- 2.3 Erläuterung des Python-Skripts und Beschreibung der Methoden
- 2.3.1 Vorverarbeitung der Korpora mit der Python-Bibliothek spaCy
- 2.3.2 Sentiment-Analyse mit der Python-Bibliothek textblob-de
- 3. Durchführung der Sentiment-Analyse
- 3.1 Auswertung und Interpretation der Ergebnisse
- 3.2 Kritische Reflexion
- 4. Fazit
Zielsetzung und Themenschwerpunkte
Die vorliegende Arbeit untersucht, ob die ZEIT ONLINE zu Beginn der Corona-Pandemie durch den vermehrten Einsatz wertender, negativ konnotierter Adjektive stärker dramatisierend und nach längerem Andauern der Pandemie stärker objektivierend über COVID-19 berichtet. Dazu werden zwei Hypothesen mittels einer Sentiment-Analyse in Python operationalisiert und geprüft.
- Vergleich der Adjektivhäufigkeit in der Berichterstattung zu Beginn der Pandemie mit der Berichterstattung Anfang Juli
- Vergleich der Häufigkeit wertender, negativ polarer Adjektive in den beiden Zeiträumen
- Analyse der Bedeutung von Objektivität im Journalismus
- Operationalisierung der Objektivität durch Sentiment-Analyse
- Kritische Reflexion der Erkenntnisreichweite der Modellierung
Zusammenfassung der Kapitel
- Kapitel 1: Einleitung
- Kapitel 2: Methodische und theoretische Grundlagen
- Kapitel 3: Durchführung der Sentiment-Analyse
Diese Einleitung führt in das Thema der Corona-Pandemie und die Rolle der Medien bei der Meinungsbildung ein. Die Arbeit stellt die zentrale Fragestellung und die zwei zu prüfenden Hypothesen vor, die sich auf den Vergleich der Berichterstattung der ZEIT ONLINE zu Beginn der Pandemie und Anfang Juli beziehen. Der Fokus liegt auf der Entwicklung des Untersuchungsdesigns und der kritischen Reflexion der Erkenntnisreichweite der Modellierung.
Kapitel 2 erläutert die methodischen und theoretischen Grundlagen der Arbeit. Es beschreibt das Untersuchungskorpus, bestehend aus zwei Subkorpora mit je zehn Artikeln der ZEIT ONLINE aus den Zeiträumen März 2020 und Juli 2020. Weiterhin wird die Bedeutung von Objektivität im Journalismus und ihre Operationalisierung mittels Sentiment-Analyse behandelt. Schließlich wird das Python-Skript vorgestellt, das zur Vorverarbeitung der Korpora mit der Python-Bibliothek spaCy und zur Durchführung der Sentiment-Analyse mit textblob-de verwendet wird.
Kapitel 3 befasst sich mit der Durchführung der Sentiment-Analyse und der Auswertung der Ergebnisse. Die Interpretation der Ergebnisse wird beleuchtet und die kritische Reflexion der Modellierung und ihrer Erkenntnisreichweite erfolgt. Die Analyse basiert auf der Anwendung der Python-Bibliotheken spaCy und textblob-de auf die beiden Subkorpora.
Schlüsselwörter
Die Arbeit beschäftigt sich mit den Themen Corona-Pandemie, Medienberichterstattung, Objektivität, Sentiment-Analyse, Python, spaCy, textblob-de, Dramatisierung, Dramatisierungstendenzen, COVID-19, ZEIT ONLINE.
- Quote paper
- Amelie Probst (Author), 2020, Vergleich der COVID-19 Berichterstattung zu Beginn der Pandemie und Anfang Juli 2020 in der ZEIT ONLINE, Munich, GRIN Verlag, https://www.grin.com/document/988088
