چکيده
اين موضوع كاملا قابل درك است كه تحقيقات در حوزه رسانه هاي اجتماعي بايد شامل روشي با تمركزي دوچندان باشد كه نتايج دقيق ثبت شده ازمايشات و تحليل هاي اماري مناسب را دربرگيرد.
آزمون هاي پارامتري آماري نياز به اطلاعات توزيع شده به صورت نرمال دارند. ظاهرا بيشتر مطالعات بررسي شده دربردارنده ي اين شرط نبودند و بنابراين اطلاعات ارائه شده ي انها قابل اعتماد نيستند.
اطلاعات رسانه هاي اجتماعي تبديل به ابزاري موثر ولنزي نوين براي درك جامعه در يك مقياس شده اند.
ما با بحث درباره ي سوگيري براساس شيوه اي كه توئيتر اطلاعات خود را از طريق رابط برنامه نويسي كاربردي درجريان به اشتراك مي گذارد اغاز كرديم. اين رابط برنامه نويسي كاربردي نمونه ي حداكثر ۱٪از فعاليت هاي توئيتر براساس يك جستار كه توسط يك مرورگر عرضه شده است را ارائه مي كند. ما مدلي ارائه كرديم كه ميتواند بازه هاي سوگيري در مجموعه داده را مشخص كند. اين شيوه به طور كلي بر همه ي اطلاعات توئيتر قابل اجرا براي فراهم اوردن ارزيابي از سوگيري است. سپس ما رابط برنامه نويسي كاربردي نمونه را بررسي كرديم،كه يكي ديگر از منابع كه معمولا از ان براي جستجوي يك شيوه عملي براي تشخيص سوگيري بدون فاير هوس استفاده مي كنند. يافته هاي ما پيشنهاد مي كند كه اگرچه رابط برنامه نويسي كاربردي نمونه است كه به طور كلي در ان سوگيري صورت نگرفته اما اين رابط برنامه نويسي كاربردي در معرض حملات قرار دارد و محققان بايد از اين پتانسيل براي حمله اگاه باشند. علاوه بر اين، سايت هاي رسانه هاي اجتماعي ميتوانند از اين نتايج براي بهبود طراحي رابط هاي برنامه نويسي كاربردي خودشان استفاده كنند. شيوه هايي زيادي براي سوگيري در رسانه هاي اجتماعي وجود دارد. اين تحقيق نشان داد كه سوگيري را ميتوان تشخيص داد و ميتوان با تمركز بر اطلاعات توئيتر و رابط هاي برنامه نويسي كاربردي ان را كاهش داد.
Palo Pro يك روش جامع براي تحليل و مانيتورينگ رسانه هاي اجتماعي با استفاده از داشبورد آسان و پشتيباني چند زبان، پياده سازي كرده است. با استفاده از تجارت هوشمندي كه ارايه مي دهد، برند ها و شركت ها مي توانند خروجي كمپين هاي خود در لحظه نظارت كنند و با استفاده از تحليل هاي در لحظه تاثير آن ها را بر رسانه هاي اجتماعي و اخبار مشاهده كنند.
يك چارچوب محاسباتي ارائه داديم كه مدلسازي موضوعي، خوشه بندي داده ها و تحليل احساسات را تركيب ميكند كه بخشي از مدل ارزيابي سهم برند بر اساس داده هاي كلان و يادگيري ماشين است. برتري خوشه بندي الگوريتم ژنتيك پيشنهادي ما نيز با اندازه گيري فواصل معنايي خوشه بنديIntra و inter به دست مي آيد. براي مثال تحليل ما نشان داد كه كاربران توئيتر به طور خاص نسبت به خدمات حرفه اي، پشتيباني و استراتژي توسعه در بازار منفي هستند.برعكس ، به نظر ميرسد كاربران به طور منصفانه از اين video استفاده ميكنند. مدل ما به طور صريح بر ويژگي هاي معنايي توئيت ها (تحليل متن) تمركز دارد كه نظرات و توئيت ها را ضبط ميكند كه شامل نظري است.
نتايج به دست آمده از هر رسانه آنلاين بذاي احساس لزوما با ديدگاه هاي دنياي واقعي همخواني ندارد ، تعداد موضوعات و خوشه هاست كه محقق انتخاب ميكند تا زماني كه از مدل استفاده ميكند ، تعيين شود. در نهايت براي اطمينان از تعميم پذيري نتايج، مدل بايد در سازمان هاي مختلف و اندازه بازار اعمال شود.
