Government's Social Media: A Study of Twitter Use and Network among Seven Nations
Notice bibliographique
Résumé
이 연구는 트위터 계정을 가지고 있는 7개 국가 175개 정부부처의 트위터 이용 및 연결망을 분석했다. 분석 결과 트위터 이용 특징 대부분에서 국가 별 뚜렷한 차이를 찾기 힘들었으나 맞팔율에서는 국가 간 극명한 차이가 있었다. 미국이 다른 국가로부터 팔로잉을 가장 많이 받는 국가인 반면, 다른 국가를 팔로잉 하는 데는 소극적인 것으로 나타났다. 또 국가 간 연결관계에서 같은 언어나 문화적, 역사적 유사성이 어느 정도 영향을 주고 있음을 알 수 있었다. 그밖에 비슷한 업무를 담당하는 정부부처 간 연결의 경우가 많았다. 이 연구는 트위터 연결망을 가시화함으로 해서 미국이 비공식채널에서도 주목을 받고 있음을 확인하는 동시에, 언어 및 업무 유사성에 의한 연결관계도 확인함으로 해서 향후 소셜 미디어에서의 연성 권력 형성을 통한 새로운 지식 패권 구도가 출현할 수 있는 잠재성을 제시한다. The present study analyzes a Twitter network of some 175 government organizations belonging to seven countries. They are South Korea, U.S., U.K., Australia, Canada, Singapore, and Japan. The results showed that the U.S. occupied the most central position in terms of the incoming followings. Next, some clusters among countries were also noticeable according to their cultural proximities including national languages. The findings also indicate that some governmental organizations are likely to make international ties with others whose main duties are similar to each other. Finally, the structural connectivity pattern of some inter-governmental Twitter networks was visualized using a social network software. On the other hand, it suggests that there is a potential for a soft power through social media and as a result, it could be assumed that a new knowledge hegemony appears in the future.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».