A Computational-Augmented Critical Discourse Analysis of Tweets on the Saudi General Entertainment Authority Activities
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study used both computational tools in the form of a machine learning predictive model (Support Vector Machine) and a critical discourse analysis model (Van Dijk’s ideological square model) (Van Dijk, 1993, 2008, 2009) to fulfill three objectives: (1) clustering the Saudis’ Twitter-based opinions and sentiments regarding the entertaining and recreational activities run by the Saudi General Entertainment Authority (GEA); (2) offering empirical evidence on how computational linguistic methods could be implemented for offering a reliable conceptual framing of such opinionated big data; and (3) outlining the central themes generating ideologically motivated polarity in Saudi public opinion and the macrostrategies through which this polarity is textually instantiated and actualized. Toward fulfilling these objectives, we designed a purpose-built corpus of 9378 tweets based on five trending hashtags, covering the period between 2020 and 2022. Findings affirmed the efficacy of synergizing the Support Vector Machine model and the ideological square model in clustering and interpreting the target tweets. Based on the output discourse features and thematization of the tweets, two main groups with different ideologically motivated perspectives were identified. This ideological polarity was achieved through the use of two macrostrategies: positive self-presentation and negative other-presentation. These findings may prompt policymakers to reconsider current (mis)practices in order to achieve long-term sustainable development goals.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle