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 & Themen
Die vorliegende Arbeit untersucht anhand einer Sentiment-Analyse von Artikeln der ZEIT ONLINE, ob sich in der Berichterstattung zu Beginn der COVID-19-Pandemie im Vergleich zu einem späteren Zeitpunkt verstärkte Dramatisierungstendenzen durch den Einsatz wertender Adjektive nachweisen lassen.
- Methodik der automatisierten Sentiment-Analyse mittels Python (spaCy & textblob-de)
- Untersuchung der Objektivitätsnorm im Journalismus
- Vergleich von Berichterstattung zu unterschiedlichen Zeitpunkten der Pandemie
- Kritische Reflexion der computergestützten Textanalyse und Sprachmodellierung
Auszug aus dem Buch
1. Einleitung
Die Corona-Pandemie bestimmt seit Anfang des Jahres 2020 das Leben der Menschen. Das stetige Informieren über aktuelle Zahlen und Entwicklungen ist fester Bestandteil des Alltages geworden. Die Presse spielt eine wichtige Rolle zur Meinungsbildung und sollte dem Leser nicht das Denken abnehmen, sondern ihm ermöglichen, sich selbst ein Urteil zu bilden. Um dies zu gewährleisten, muss die Berichterstattung objektiv und wertfrei sein. Es ist zu untersuchen, ob die Medien dies, insbesondere zu Beginn der Pandemie, geleistet haben. Außerdem stellt sich die Frage, welche Bedeutung die Objektivität im Journalismus hat und wie sie sich operationalisieren lässt.
Ausgehend davon beschäftigt sich die vorliegende Arbeit mit folgender zentraler Fragestellung: Berichtet die ZEIT ONLINE zu Beginn der Pandemie durch den vermehrten Einsatz wertender, negativ konnotierter Adjektive stärker dramatisierend und nach längerem Andauern der Pandemie stärker objektivierend über COVID-19?
Ziel der vorliegenden Arbeit ist es, die zwei folgenden Hypothesen mittels einer Sentiment-Analyse in Python zu operationalisieren und zu prüfen: 1. 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. 2. 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. Der Schwerpunkt liegt dabei nicht auf der statistischen Auswertung der Daten. Im Mittelpunkt steht die Entwicklung des Untersuchungsdesigns aus der Fragestellung heraus sowie der kritischen Reflexion der Erkenntnisreichweite dieser Modellierung.
Zusammenfassung der Kapitel
1. Einleitung: Dieses Kapitel führt in die Thematik ein, definiert die Fragestellung zur Dramatisierung in der COVID-19-Berichterstattung und stellt die zu prüfenden Hypothesen vor.
2. Methodische und theoretische Grundlagen: Hier werden das Untersuchungskorpus, die theoretische Bedeutung der Objektivität im Journalismus sowie die eingesetzten Python-Methoden zur Datenverarbeitung detailliert erläutert.
3. Durchführung der Sentiment-Analyse: Dieses Kapitel präsentiert die Ergebnisse der quantitativen und qualitativen Analyse und diskutiert die methodischen Grenzen sowie die Aussagekraft der Modellierung.
4. Fazit: Das Fazit fasst die Ergebnisse zusammen, wonach sich keine signifikanten Dramatisierungstendenzen durch negativ polare Adjektive in der untersuchten Berichterstattung belegen lassen, und reflektiert über das Potenzial für Folgearbeiten.
Schlüsselwörter
Sentiment-Analyse, COVID-19, Journalismus, Objektivität, ZEIT ONLINE, Python, spaCy, textblob-de, Adjektive, Dramatisierung, Natural Language Processing, Sprachanalyse, Korpuslinguistik, Nachrichtenberichterstattung, Medienethik.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit untersucht, ob die Berichterstattung der ZEIT ONLINE über COVID-19 zu Beginn der Pandemie im Vergleich zu einem späteren Zeitpunkt dramatisierender und weniger objektiv war.
Was sind die zentralen Themenfelder?
Zentrale Themen sind die journalistische Objektivitätsnorm, die computergestützte Analyse von Nachrichtenartikeln sowie die Untersuchung von sprachlichen Dramatisierungstendenzen.
Was ist das primäre Ziel oder die Forschungsfrage?
Die Kernfrage ist, ob ein vermehrter Einsatz wertender, negativ konnotierter Adjektive zu Beginn der Pandemie als Beleg für eine stärkere Dramatisierung in der Berichterstattung gewertet werden kann.
Welche wissenschaftliche Methode wird verwendet?
Die Verfasserin nutzt eine Sentiment-Analyse mittels Python, wobei die Bibliotheken spaCy für die Vorverarbeitung (Tokenisierung, Lemmatisierung, POS-Tagging) und textblob-de für die Polaritätsbestimmung der Adjektive eingesetzt werden.
Was wird im Hauptteil behandelt?
Im Hauptteil werden das Untersuchungsdesign, die Auswahl der Korpora, die Durchführung der Analyse sowie eine kritische Reflexion über die Stärken und Schwächen des gewählten NLP-Ansatzes dargelegt.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die Arbeit lässt sich durch Begriffe wie Sentiment-Analyse, Journalismus, COVID-19, Objektivität und Natural Language Processing charakterisieren.
Warum wurde das Referenzkorpus hinzugezogen?
Das Referenzkorpus dient dazu, die Effektstärke der Ergebnisse einzuschätzen und einen Vergleichswert zur allgemeinen Berichterstattung der ZEIT ONLINE zu anderen Themen zu haben.
Welche Rolle spielt die kritische Reflexion?
Die Reflexion zeigt auf, dass Sentiment-Analyse auf Wortebene komplexe linguistische Phänomene wie Negationen, Sarkasmus oder Kontextabhängigkeit nur bedingt erfassen kann, was die Erkenntnisreichweite der Daten einschränkt.
- Citation du texte
- Amelie Probst (Auteur), 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
