Медиаэкономика

 В качестве материала для анализа я взяла тексты о протестах в Грузии (как и в прошлом задании). Вывод. Оба текста содержат одну тему - грузинские протесты. Однако можно заметить различия по ключевым словам: в первом тексте более точные формулировки, конкретные даты и имена, во втором тексте больше вводных слов и рассуждений журналиста; по настроению в тексте: первый текст более серьёзный и точный (как репортаж), а второй более свободный (как в художественном стиле); по смыслу: в первом тексте кратко изложена новость с пояснениями, во втором тексте частный сторителлинг о поездке российского журналиста в Грузию. Несмотря на то, что текст об одном, но подача разная.

 В качестве материала для анализа я взяла две статьи о недавних протестах в Грузии. Текст 1: Текст 2: Вывод. Я брала две категории: "негатив/позитив" и "страны". Я выбрала категорию "негатив/позитив" потому что это та тема в которой наглядно видны свои "хорошо и плохо". Я выбрала категорию "страны" потому что в тексте говорится не только о протестах одной страны, но и об её союзниках и противниках. Оба текста об одном и том же - о протестах в Грузии. Однако, как мы видим по результатам контент-анализа, различия всё же есть. В первом тексте больше уклон на события, на причины (почему начались протесты, кто их спровоцировал и т.п.), на следствия (что следует за этими протестами, кто пострадал и т.п.). Во втором тексте больше говорится о внешней политике, о ближних странах, которых так или иначе касаются прошедшие протесты. Благодаря ярким цветам и разным форматам сразу становится понятно о чём речь в каждом из текстов. В обоих текстах пре...

  Для ручного контент-анализа я выбрала статьи о прошедшей церемонии "Оскар". Второй текст чуть больше по объему, и по проведенному анализу видно, что упомянутых имён и названий фильмов там больше, чем в первом. Оба текста рассказывают о ключевых моментах "Оскара", однако во втором тексте больший акцент сделан на победителей и тех, кто собрал больше всего наград, а во втором тексте всё максимально кратко в формате заметок.

Для анализа я взяла слова ukraine и russia с временным промежутком от 1.03.2023 до 8.03.2023. а) статьи с упоминанием Украины и России встречаются в ключевых мировых изданиях (UK, US, Australia News, World News). Собственно все тексты и объединяет то, что это актуальные политические новости о двух странах для всех других государств. б) выбранные мною слова, очевидно, чаще всего встречаются в сфере новостей. Далее идёт бизнес, социальные опросы, реже мода и другие рубрики. Так или иначе, во всех направлениях может встречаться упоминание Украины и России поскольку тема глобальная. 

В качестве материалов для простого кластерного анализа я взяла тексты из новостных изданий о прошедшей 5 февраля 65-ой церемонии "Грэмми".  1. https://turbo.gazeta.ru/style/2023/02/06/16205965.shtml 2. https://www.woman.ru/news/beionse-stala-luchshei-v-istorii-no-na-dorozhku-ne-vyshla-kardi-bi-nadela-samoe-krasivoe-plate-glavnye-momenty-gremmi-2023-id865355/?ysclid=ldwqsdyi9h179104862 3. https://daily.afisha.ru/music/25185-uteshitelnyy-rekord-beyonse-i-kislaya-mina-bena-affleka-chto-opyat-ne-tak-s-gremmi/?ysclid=ldwqruuest460721186 4. https://peopletalk-ru.turbopages.org/turbo/peopletalk.ru/s/article/gremmi-2023-pobediteli-premii/ 5. https://www.kp.ru/afisha/msk/obzory/muzyka/pobediteli-gremmi-2023/?ysclid=ldwqqq4gbb783563811 6. https://www.kp.ru/afisha/msk/obzory/muzyka/pobediteli-gremmi-2023/?ysclid=ldwqqq4gbb783563811 Выбранные мною тексты разделились на 3 группы: 1. объединение текстов 4 и 6 (в этих текстах в формате списка идёт перечисление победи...

 Я брала статистику эмигрантов и иммигрантов России с 1990 по 2022 годы.  По полученным данным можно сказать, что взятые группы статистики связаны между собой. Если владеть историческими знаниями, то понятно почему люди в 90-х годах и после 2014 года массово покидали страну. Поэтому связь данных понятна. В принципе я согласна с полученными результатами. Наиболее точную и понятную оценку, по моему мнению, дают модели  Scatter Plot и Linear Projection. Наглядно, ярко и динамично. По этим моделям сразу же можно сделать выводы о связи (или отсутствии связи) между используемыми статистическими данными.

В качестве материала для аналитики я взяла текст о протестах в Беларуси, которые проходили в 2020 году и широко транслировались как в российских, так и в мировых СМИ https://lenta.ru/articles/2021/07/21/babariko_i_co/. Проведенные исследования на основе тепловой карты, оценки дисперсии, моделей MDS и ACP показали, что взятый мною текст имеет нейтральную эмоциональную окраску. Текст не содержит полярных выражений и слов (резко положительных или резко отрицательных), поэтому я согласна с полученной оценкой. Наиболее для меня понятной и подходящей для аналитики моделью оказалась MDS (1 и 2). Яркие цвета и контрасты позволяют моментально определить эмоциональный тон текста. ACP, как по мне, вообще не точно объединяет абзацы по схожести смысла (я даже сделала несколько скринов, попыталась группировать разные абзацы). В остальном я согласна с полученными результатами и не стала бы ничего добавлять от себя.