PF2

Underspørgsmål:

I forbindelse med besvarelse af vores problemstilling har vi udarbejdet en række underspørgsmål, der har til formål at danne og forbinde en rød tråd mellem teori, undersøgelsesmetode og casens problemstilling.

Underspørgsmål 1: Hvordan er reaktionen på henholdsvis SDU's og Campus Koldings opslag på sociale medier?

For at kunne analysere og besvare effektiviteten samt eventuelle forbedringsmuligheder ved SDU og Campus Koldings online tilstedeværelse, er det nødvendigt at analysere de reaktioner, de modtager på deres sociale medier.

 I denne sammenhæng vil vi udtrække en række opslag fra både SDU og Campus Koldings Facebook-side og udføre en sentimentanalyse på udvalgte kommentarer til opslaget. Dette har til formål at skabe et billede af, hvordan de interagerer med forslagene, og også hvad deres holdning til opslaget var.

Underspørgsmål 2: Hvordan kommunikerer SDU og Campus Kolding på nuværende tidspunkt med de studerende?

For at analysere mulige forbedringsmuligheder er det nødvendigt at få et klart og detaljeret indtryk af konteksten og omstændighederne omkring den nuværende kommunikation. I denne sammenhæng har vi til hensigt at anvende analysemodeller, mere specifikt Thorlacius' tilgang, for at opnå en dybere forståelse af kommunikationen på de to institutioner. 

Thorlacius' tilgang adskiller sig på mange måder fra en sentimentsanalyse, da en betydelig del af modellen fokuserer på afsenderen, hvilket ikke gælder for en sentimentsanalyse, der næsten udelukkende fokuserer på modtagerens holdning til et opslag. Derfor kan Thorlacius' tilgang bidrage til at forstå opslag og websider fra SDU og Campus Kolding på en måde, som en sentimentsanalyse simpelthen ikke ville kunne, og dermed være med til at definere, hvad der fungerer og ikke fungerer. Dette aspekt kommer ikke nødvendigvis til udtryk ved en sentimentsanalyse.

Dataindsamling:

I forbindelse med besvarelsen af vores problemformulering og underspørgsmål vil vi benytte SDU og Campus Koldings websites samt sociale medier. Dette vil primært komme til udtryk gennem en visuel analyse af deres websites, Facebook- og Twitter-opslag samt kommentarerne på disse opslag i forbindelse med dataindsamling til vores sentimentanalyse. Det vil ikke være en gennemgående analyse af alle deres opslag og kommentarer, da en række af dem ikke forekommer relevante for eksempelvis en sentimentanalyse. Dette skyldes enten, at de har meget få interaktioner, eller at de er opslag, som tolkes at kunne medføre yderligere bias, såsom konkurrencer og "giveaways".

Det er i denne forbindelse nødvendigt at tage højde for, at samtlige sorteringer, analyser, og valget af opslag/websites har et bias og naturligvis ikke er objektive. Dette ville derfor ikke være muligt at entydigt at konkludere på baggrund af, samt er det vigtigt at være kritisk over for vores metode og resultater. 

En mulighed kunne have været at gøre brug af netnografi som et supplement til vores sentimentanalyse, da netnografi på mange måder tager højde for de primære svagheder, der forekommer ved en sentimentanalyse, altså konteksten og kulturen. På samme tid kunne netnografi også have hjulpet med at identificere tendenser i det fællesskab, der nu engang interagerer med disse opslag. Årsagen til ikke at gøre dette er, at vi ikke mener, at SDU og Campus Kolding på deres sociale medier formår at danne et fællesskab på en måde, der er værd at analysere grundigt. Selvfølgelig eksisterer der et fællesskab, men ikke i den kapacitet, der ses andre steder.

Sentiment analysis

En sentimentanalyse er, som navnet antyder, en analyse af den følelse eller holdning, der gives udtryk for i tekst. Det er en type tekstanalyse, der gør brug af computere og maskinlæring for at forsøge at konkludere en teksts subjektive holdning, for eksempel i et opslag på sociale medier. Rent praktisk er formålet med en sentimentanalyse egentlig 'bare' at konkludere den emotionelle og subjektive del af et stykke tekst. Fremgangsmåden kan have flere applikationer, såsom analyse af anmeldelser for et firma, forståelse af holdningen til reklame eller overvågning af branding på sociale medier.

Dog opstår der en række problemer, når en maskine forsøger at analysere subjektiv tekst udarbejdet af et menneske. For det første kan det være svært at konkludere, om en maskine har mulighed for at tage højde for sarkasme, ironi og kulturelle forskelle. 

Derudover er det ikke nødvendigvis muligt at afgøre, om den effektivt kan tage højde for konteksten. Det sprog, der bliver brugt, vil naturligvis variere afhængigt af aldersgruppe, baggrund, produkt osv., hvilket ikke nødvendigvis er muligt for en maskine at tage højde for (Bing Liu, 2020). Yderligere opstår et problem, når en effektiv sentimentanalysemodel kræver store mængder data til træning. Dette betyder, at dataen har betydning for, hvordan modellen analyserer teksten, og derfor introduceres der selektionsbias. Samtidig har vi ved brugen af en tredjeparts offentligt tilgængelig sentimentanalyseapplikation ikke mulighed for at 'tjekke under hjelmen'. 

Der kan også opstå en sprogbarriere, hvilket betyder, at vi formentlig ville være nødsaget til at oversætte en del af det, vi vil analysere, da en funktionel applikation, der er trænet på et dataset med dansk tekst, ikke umiddelbart er tilgængelig. Dette betyder ikke nødvendigvis, at det data, vi modtager, ikke er brugbart, men det er vigtigt at redegøre for og have i mente, at det er blevet oversat fra det originale sprog. Dette kan påvirke tolkningen, da direkte oversættelse ikke nødvendigvis forstås på samme måde på forskellige sprog, og vores oversættelse også kan introducere bias.

Forståelse af dataen fra en sentiment analysis

En sentimentanalyse vil typisk have tre primære kategorier, selvom den godt kunne give mere nuanceret feedback. Disse tre kategorier er henholdsvis positiv, neutral og negativ. Dette betyder ikke nødvendigvis, at man modtager en besked, der simpelthen kategoriserer teksten som enten positiv, neutral eller negativ. I stedet vil den rangere hele teksten og konkludere, hvilken tone der er mest gennemgående, samtidig med at den giver feedback, ofte i procent, om hvor stor en del af teksten der falder ind under hver af de tre kategorier. Dette er brugbart, da et stykke tekst ikke nødvendigvis er entydigt positivt, neutralt eller negativt. Det kan fremstå mere nuanceret og endda indeholde både komplimenter og kritik for forskellige aspekter i samme kommentar, anmeldelse eller lignende.

Dataens brugbarhed:

Som tidligere nævnt er der begrænsninger i brugbarheden af en sentimentanalyse. Den kan give indblik i holdningen til et givent opslag, men nødvendigvis ikke i årsagerne eller eventuelle forbedringsområder. En måde, hvorpå dette alligevel kan gøres mere brugbart, er ved at anvende analysen over en tidsperiode. Hvis fremgangsmåden eller typen af opslag analyseres anderledes på et opslag fra 2020 sammenlignet med et fra 2023, kan man potentielt identificere forskelle og undersøge årsagerne hertil.

Samtidig er der forskel på indholdet af opslag, hvilket også kan have betydning og derfor kan anvendes som analysegrundlag. Som eksempel kunne man forestille sig at have to forskellige opslag, der ud fra en analyse af indhold og kommunikation giver vidt forskellige indtryk. Her kunne en sentimentanalyse anvendes komparativt til at konkludere, hvilken der virker, og hvilken der ikke gør. En sentimentanalyse kan altså, i sammenhæng med yderligere analyse, bruges til at identificere forskelle i modtagelsen af forskellige tekster.

Ved vurdering af brugbarheden af dataen er det dog vigtigt at tage højde for, hvilken type opslag der analyseres på baggrund af. For eksempel kan en konkurrence eller "give away" sandsynligvis resultere i meget positive kommentarer, da der er et incitament til at være positiv i kommentarerne. Omvendt kunne et opslag, der indeholder en negativ nyhed eller en undskyldning, ikke nødvendigvis føre til positiv analyse. 

Det er derfor relevant at overveje dette, når dataen analyseres. Det er yderst vigtigt, at al data, der anvendes, tager højde for opslagets/sidens karakter, tidspunkt samt mængden af kommentarer. Problemer med "sample size" kan skabe yderligere bias, især når nogle opslag har meget begrænset interaktion.

Oplæg til brug af Thorlacius og Sentiment analysis kooperativ

Som tidligere nævnt kan anvendelsen af kommunikativ analyse og sentimentanalyse være en potentiel løsning på nogle af de udfordringer, der kan opstå ved brugen af sentimentanalyse alene. En tilgang til dette kunne være at vælge websider eller Facebook-opslag og udføre en sentimentanalyse på dem, hvorefter de kategoriseres i de tre primære kategorier: positiv, neutral og negativ. Efterfølgende kunne en lignende analyse udføres på samtlige opslag og sider for at konkludere, om der er visuel kommunikation, der går igen mellem de tre forskellige kategorier. Dette kan anvendes til at vurdere, om der er en sammenhæng mellem visuel kommunikation og den emotionelle tone i kommentarerne til et opslag. Det vil også være nyttigt i forsøget på at identificere forbedringsmuligheder, da et markant overlap kunne bidrage til at formulere eventuelle "do's and don'ts".

Reference

Sentiment Analysis Mining Opinions, Sentiments, and Emotions , pp. 1 - 17

DOI: https://doi.org/10.1017/9781108639286.002

Publisher: Cambridge University Press

Print publication year: 2020