#Fyp: Dåliga Nyheter med Krimtema : En studie om nyhetsurval och nyhetsvärdering på TikTok
Notice bibliographique
Résumé
Aftonbladet, Expressen and TV4 Nyheterna are the largest Swedish news media on TikTok, and this essay focuses on how these media outlets evaluate news and what the news selection looks like on the platform. We proceeded from the theory of commercialization, news evaluation and agenda setting in combination with previous research on news evaluation and news selection on social media to answer our questions. A method triangulation worked well in this essay, where the quantitative part answered the question of news selection, while the qualitative part answered the question of news evaluation. The quantitative part is based on 300 TikTok clips and the qualitative part is based on 5 interviews with journalists. The results show that crime is the most common news genre on the app and that the news evaluation is greatly influenced by the target group and the design of the platform. The result also showed that bad and surprising news are the most recurring news values according to the news selection and that news that takes place in Sweden are the most common. Social, political, and economic issues are the news that engages the audience the most and can be seen in the number of shares, likes and comments. The commercialization of journalism is also prominent in the journalists' evaluation of the news on TikTok, as well as which news is published. However, further research is required to understand the relationship between news rating and news selection on TikTok, as well as additional aspects such as framing and angle.
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,009 | 0,006 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,036 | 0,013 |
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 ».