2015年-世界发展银行全球_We_Feel_Fine___Big_Data_Observations_of_Citizen_Sentiment_about_State_Institutions_and_Social_Inclusion_8页_2mb

"We Feel Fine": Big Data Observations of Citizen Sentiment About States and Social Inclusion

核心内容

本文探讨了如何利用社交媒体数据分析技术，研究公民对政府和国家机构的信任问题，以及这种信任如何影响公民的集体行为。研究以巴西2014年世界杯抗议活动为背景，分析了Twitter数据中的情感趋势，以理解公众对政府和公共服务机构的态度变化。

主要观点

• 信任的测量：信任是一个复杂且难以量化的概念，本文通过情感分析（sentiment analysis）作为其代理指标，将信任与公众表达的情感联系起来。
• 情感分析工具：研究使用了SentiStrength情感分类器，该工具能够处理短文本，并支持自定义词典和情感强度的分析。
• 混合式分析方法：结合了可视化分析（Visual Analytics）和数据科学方法，特别是预测建模和机器学习，以支持复杂的社会政治研究。
• 研究方法：采用了一种“大图景”（big picture）的探索性分析方法，从广泛的数据中提取关键词，进而聚焦于与政府信任和公共服务相关的主题。
• 相对剥夺理论：研究发现，公众对政府的不信任主要源于相对剥夺感，即公民认为自己在资源分配上处于劣势，与他人（如世界杯支出）相比，感到被忽视和不公。
• 分析工具：开发了定制的可视化分析工具，用于探索情感趋势、时间模式、关键词频率等，帮助研究人员系统地测试假设并寻找证据。

关键信息

数据来源与处理

• 数据分为两个阶段收集：第一阶段为实时数据，使用STACKS工具，覆盖巴西全国范围；第二阶段为历史数据，通过DiscoverText购买，用于更深入的分析。
• 数据处理涉及文本聚类、关键词提取、情感分类以及基于n-gram的文本分类。

情感分析方法

• 使用SentiStrength工具对情感进行分类，该工具可识别情感的正负极性及强度，范围在1到5之间。
• 情感分析的词典是基于翻译和调整的英文情感词典（ANEW）而建立的巴西葡萄牙语版本（ANEW-BR）。

分析框架

• Pair Analysis：用于初步探索数据，识别与研究问题相关的主题和情感趋势。
• Analysis of Competing Hypotheses (ACH)：通过系统评估不同假设的证据，支持更深入的分析和结论。

研究发现

• 公众对政府的信任下降与负面情感（如愤怒、不满）密切相关，尤其是在世界杯支出与公共服务资源分配之间的对比中。
• 水资源短缺、教育和医疗等公共服务问题成为主要讨论焦点，反映了相对剥夺感的广泛存在。
• 情感分析工具和可视化方法的结合，使研究人员能够更有效地识别和理解社会情绪变化，支持政策制定和学术研究。

研究意义

• 本研究展示了如何通过社交媒体数据分析，探索复杂的社会政治现象，如信任与集体行为的关系。
• 项目成果为社会科学研究提供了新的方法论支持，也为世界银行的治理实践提供了数据驱动的洞察，帮助政策制定者更好地理解公民需求和情绪。

参考文献

• OECD: Trust in government is essential for political legitimacy and social cohesion.
• Provost and Fawcett: Data science involves both automated pattern discovery and human insight.
• Ribarsky et al.: Visual analytics should integrate human understanding with computer-based processes.
• Hetherington: Trust in government can be measured through feelings toward politicians and institutions.
• Newton and Norris: Public trust is linked to emotional responses.
• Folger: Relative deprivation is a key concept in understanding social protest.

方法论步骤

1. 将信任定义为Twitter内容中的情感强度。
2. 使用SentiStrength进行情感分类。
3. 收集并分析“大图景”Twitter数据。
4. 使用IN-SPIRE工具进行文本聚类和主题识别。
5. 通过词共现分析确定搜索关键词。
6. 开发定制可视化工具，用于情感趋势分析和数据探索。
7. 进行Pair Analysis和ACH分析，以测试和验证假设。

结论

通过将情感分析与可视化探索相结合，本文为理解公民对政府和国家机构的信任提供了新的视角。这种混合式分析方法不仅有助于识别公众情绪的变化，也为政策制定者和研究人员提供了有效的工具，以更深入地理解社会动态和政治信任的演变。