مطالعات مدیریت کسب و کار هوشمند

نویسندگان

1 دانشجوی دکتری، مهندسی سیستم‌های نرم‌افزاری، دانشگاه آزاد اسلامی، واحد علوم تحقیقات، تهران.

2 دانشیار، عضو هیئت‌علمی، دانشگاه علوم پزشکی ایران، تهران. (نویسنده مسئول)؛ Hosseinzadeh.m@Iums.ac.ir

چکیده

نتایج انتخابات ریاست جمهوری 8 نوامبر 2016 در آمریکا بسیاری را شگفت‌زده نمود. اغلب کارشناسان و نظرسنجی‌های معمول و سنتی، هیلاری کلینتون را برنده نهایی انتخابات پیش‌بینی نمودند اما در واقعیت نتایج به‌گونه‌ای دیگر رقم خورد. در این پژوهش با استفاده از آنالیز شبکه‌های اجتماعی با رویکرد تحلیل محتوایی وضعیت کمپین‌های انتخاباتی دو نامزد اصلی انتخابات آمریکا بر اساس توییت­های ارسالی طی بازه سه‌روزه قبل از 8 نوامبر 2016 در شبکه اجتماعی توییتر بررسی شد. مشخص گردید در اغلب جنبه‌های تحلیلی از قبیل تحلیل توییت‌ها، ری توییت‌ها، تحلیل هشتک‌ها، تحلیل منشن‌ها و تحلیل پروفایل کاربران کمپین ترامپ دارای برتری محسوس و در میان کاربران با گرایش بی‌طرف نیز احتمالاً گرایش به کمپین ترامپ غالب است. بعلاوه در این پژوهش توانسته‌ایم برخی از استراتژی‌های انتخاباتی و جریان‌های سیاسی تأثیرگذار را شناسایی کنیم به‌عنوان‌مثال فهمیده‌ایم کمپین کلینتون به‌جای حمایت از کلینتون بیشتر به حمله به ترامپ پرداخته و بالعکس کمپین ترامپ به‌جای تاختن به کلینتون بیشتر به حمایت از ترامپ پرداخته است و یا کاربران بخصوص کاربران بدون گرایش و بی‌طرف، به سایت ویکی لیکس و ماجرای افشای ایمیل‌ها توجه خاص نشان داده‌اند.

کلیدواژه‌ها

عنوان مقاله [English]

Content Analysis of the 2016 United States Presidential Election Campaigns on Twitter

نویسندگان [English]

  • Parvin Fakhri 1
  • Mahdi Hosseinzadeh Zadeh 2

1 PhD student of Software Systems Engineering , Science and Research Branch of Islamic Azad University, Tehran,

2  Associate Professor, Faculty member, Iran University of Medical Sciences, Tehran. (Corresponding Author: Hosseinzadeh.m@Iums.ac.ir)

چکیده [English]

2016 USA presidential election results surprised many in America. Most experts and traditional polls had predicted that Hillary Clinton won election but results marked otherwise. In this study, with social network analysis method in content analysis approach, the election campaigns for the two main candidates was investigated on the basis of tweets sent on Twitter platform during the three day period prior to November 8, 2016.It was found that in most analytical aspects such as analyzing tweets, retweets, hashtags, mentions words, user profiles and so on, Trump’s campaign advantage is evident and among users with a neutral trend Trump tendency is likely to dominate. In addition, we identify Some electoral strategies and effective political movements, for example, we understand that Clinton campaign focused on attacking Trump and vice versa Trump campaign focused on support Trump, or users, particularly neutral have shown particular attention to Wiki Leaks and disclosure of emails.

کلیدواژه‌ها [English]

  • Social networks
  • Twitter
  • content analysis
  • United States of America Presidential Election  
 
سید محمدباقر جعفری، آصف کریمی و زاهده ابرقوی زاده،، (1395)، عوامل تأثیرگذار بر تمایل به ادامه استفاده از وب‌سایت شبکه‌های اجتماعی. فصلنامه مطالعات مدیریت فناوری اطلاعات، دانشگاه علامه طباطبایی، دوره 5، شماره 17، پاییز 1395، صفحه 147-182
Aggarwal, Charu C. "Outlier analysis." Data mining. Springer International Publishing, 2015.
Anstead, Nick, and Ben O'Loughlin. "Social media analysis and public opinion: The 2010 UK general election." Journal of Computer‐Mediated Communication 20.2 (2015): 204-220.
Baccianella, Stefano, Andrea Esuli, and Fabrizio Sebastiani. "SentiWordNet 3.0: An Enhanced Lexical Resource for Sentiment Analysis and Opinion Mining." LREC. Vol. 10. 2010
Benevenuto, F. et al. (2010). Detecting spammers on twitter. Collaboration, electronic messaging, anti-abuse and spam conference (CEAS).
Borgatti, Stephen P., et al. "Network analysis in the social sciences." science 323.5916 (2009): 892-895.
Carlisle, Juliet E., and Robert C. Patton. "Is social media changing how we understand political engagement? An analysis of Facebook and the 2008 presidential election." Political Research Quarterly 66.4 (2013): 883-895.
Fernandes, Juliana, et al. "The writing on the wall: A content analysis of college students' Facebook groups for the 2008 presidential election." Mass Communication and Society 13.5 (2010): 653-675.
Frakes, William B., and Ricardo Baeza-Yates. "Information retrieval: data structures and algorithms." (1992).
Garg, Neha P., et al. "Role recognition for meeting participants: an approach based on lexical information and social network analysis." Proceedings of the 16th ACM international conference on Multimedia. ACM, 2008.
Jang, Jin Yea, Kyungsik Han, and Dongwon Lee. "No Reciprocity in Liking Photos: Analyzing Like Activities in Instagram." Proceedings of the 26th ACM Conference on Hypertext & Social Media. ACM, 2015.
Jiawei, Han, and Micheline Kamber. "Data mining: concepts and techniques." San Francisco, CA, itd: Morgan Kaufmann 5 (2001).
Kurka, David Burth, Alan Godoy, and Fernando J. Von Zuben. "Online social network analysis: A survey of research applications in computer science.” 1504.05655 (2015).
Larsson, Anders Olof, and Hallvard Moe. "Studying political microblogging: Twitter users in the 2010 Swedish election campaign." New Media & Society 14.5 (2012): 729-747.
Li, Hui, Jiangtao Cui, and Bingqing Shen. "A Study towards Application-driven Social Network Analysis." JCP 9.1 (2014): 134-145.
Liu, Bing. "Sentiment analysis and opinion mining." Synthesis lectures on human language technologies 5.1 (2012): 1-167.
Ntalianis, Klimis, Abdel-Badeeh M. Salem, and Ibrahiem El Emary. "Social media content ranking based on social computing and user influence." Procedia Computer Science 65 (2015): 148-157.
O'Malley, A. James, and Jukka-Pekka Onnela. "Topics in social network analysis and network science." 1404.0067 (2014).
Sang, Erik Tjong Kim, and Johan Bos. "Predicting the 2011 dutch senate election results with twitter." Proceedings of the workshop on semantic analysis in social media. Association for Computational Linguistics, 2012.
Some, Rupam. "A Survey on Social Network Analysis and its Future Trends." International Journal of Advanced Research in Computer and Communication Engineering 2.6 (2013).
Stringhini, G., et al. (2010). Detecting spammers on social networks. Proceedings of the 26th Annual Computer Security Applications Conference, ACM.
Tan, Songbo, et al. "Adapting naive bayes to domain adaptation for sentiment analysis." European Conference on Information Retrieval. Springer Berlin Heidelberg, 2009.
Tumasjan, Andranik, et al. "Election forecasts with Twitter: How 140 characters reflect the political landscape." Social science computer review 29.4 (2011): 402-418.
Wang, Hao, et al. "A system for real-time twitter sentiment analysis of 2012 us presidential election cycle." Proceedings of the ACL 2012 System Demonstrations. Association for Computational Linguistics, 2012.
Woolley, Julia K., Anthony M. Limperos, and Mary Beth Oliver. "The 2008 presidential election, 2.0: A content analysis of user-generated political Facebook groups." Mass Communication and Society 13.5 (2010): 631-652.
Yardi, S., et al. (2009). "Detecting spam in a twitter network." First Monday 15(1)