Language Ecology in New Media: An Analysis of CCTV.com on Douyin
Notice bibliographique
Résumé
The purpose of this paper is to find the correlation between linguistic features and social engagement so that we can employ proper language to solve the ecological problem in the new media context. It collected all 2647 video messages of CCTV.com (account name, not website), the official media, on Douyin (China’s domestic version of Tik Tok) from January 1, 2020, to December 28, 2020, which were analyzed and studied by SPSS 22.0 and Corpus Online. It is found that public concern for a topic was significantly influenced by public opinion (r=0.483, p=0.000) and public dissemination (r=0.590, p=0.000). Declarative (n=1858, f=0.57) and Exclamative (n=1132, f=0.35) were used most frequently by CCTV. com, while the former one (p=0.02) was the key point to influence public opinion, while the latter one (p=0.001) had a significant bearing on public concern through regression analysis. On the contrary, Imperative (n=0) is not favored. Interrogative (p>0.05), Punctuation (p>0.05) and Emoji (p>0.05) had no effect on social engagement. The results of this paper indicated that language could significantly guide users’ ecological behavior and value orientation across space-time in the new media context.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».