De Toronto Raptors scoren op Snapchat, maar verliezen op de website. Een vergelijking van sportnieuws op Snapchat en op de website: een kwantitatieve inhoudsanalyse
Bibliographic record
Abstract
Veel nieuwsorganisaties hebben vanwege de mediapolis, de wereld waarin we niet met media leven, maar in media (Deuze, 2011), een sociaal mediakanaal aangemaakt (Messner et al., 2011). Ook voor Snapchat. Snapchat is een van de nieuwste en snelst groeiende sociale media; een platform waarbij de content na 24 uur verdwijnt. Een miljoen Nederlanders maken gebruik van Snapchat. Vooral de jongere doelgroep van 15 tot 19 jaar (van der Veer, Sival & van der Meer, 2016).\nHouden journalisten, wanneer ze nieuwsberichten maken, rekening met deze doelgroep, en met de verdwijnende content? We stuiten hiermee op de grote vraag van dit onderzoek: In hoeverre verschilt de nieuwsselectie op Snapchat met de nieuwsselectie op de website van datzelfde medium van vijf grote sportmedia: SB Nation, CBC Sports, USA Today Sports, TSN en Eurosport?\nDeze vraag beantwoorden we door middel van een kwantitatieve inhoudsanalyse. De vijf verschillende sportmedia zijn gevolgd op Snapchat. Op basis van de inhoud van deze snaps is gezocht naar de corresponderende websiteberichten, op de website van het betreffende sportmedium. Van de 385 matchende snaps en websiteberichten is een vergelijking gemaakt op basis van onderwerp, genre, nieuwswaarden, emotionaliteit en originaliteit.\nResumerend kan gesteld worden dat de twee verschillende platforms van compleet andere aard zijn. De overeenkomsten qua genre, onderwerp en nieuwswaarden zijn ver te zoeken. Wat opviel was dat er op de website meer emotionaliteit wordt gebruikt in de nieuwsberichten dan op Snapchat. Het enige waarin Snapchat en de website niet verschillen is de originaliteit. Op beide platforms worden de berichten speciaal voor het platform zelf gemaakt, wat betekent dat journalisten voor de website en voor Snapchat aparte berichten creëren.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.006 | 0.002 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.257 | 0.091 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".