Author :
Abstract
Politikacılar sosyal medya kullanıcılarına fikirlerini, çeşitli konulardaki düşüncelerini duyurmak, parti ve kendi siyasi propagandalarını yapmak için Twitter kullanmaktadırlar. Bu araştırma siyasi partilerin ve başkanlarının Twitter hesaplarını metin madenciliği ile analiz ederek siyasal iletişim yazınına katkı sağlamayı amaçlamaktadır.
Araştırma verisi Twitter’ın sağladığı API aracılığı ile elde edilmiştir. Belirlenen yedi siyasi partinin ve bu partilerin sekiz genel başkanlarının Twitter hesapları, 23.05.2022-31.07.2022 aralığında 10 hafta boyunca analiz edilmiştir. Analizlerde terim sıklığı (term frequency, tf) yöntemi kullanılmıştır. Duygu analizi için nöral ağ temeline dayanan BERT modeli kullanılmıştır.
En çok takip edilen parti başkanları sırası ile Recep Tayyip Erdoğan (19,18 miyon), Kemal Kılıçdaroğlu (8,63 milyon), Ahmet Davutoğlu (5,96 milyon) olurken, parti hesaplarında sıralama AKP (2,97 milyon), MHP (2,43 milyon), CHP (2,09 milyon) şeklindedir. Twitter’ı kullanım oranına bakıldığında sıralama DEVA (Gün. Ort: 11,22), AKP (Gün. Ort: 7,86), MHP (Gün. Ort: 6,21) şeklinde olmaktadır. Parti başkanlarının günlük ortalama tweet sayılarında Recep Tayyip Erdoğan (Gün. Ort: 4,44), Meral Akşener (Gün. Ort: 3,26), Ali Babacan (Gün. Ort: 2,59) ilk üç sırada yer almaktadır. Parti başkanlarının en çok kullandıkları kelime olarak Allah kelimesi yedi kez ilk sırada yer almıştır. Diğer kelimelerle birlikte ele alındığında bu tweetlerde şehit ailelerine ve vatandaşlara taziye mesajları atıldığı görülmektedir. Parti hesapları tarafından atılan tweetlerde en sık geçen kelimelere bakıldığında genellikle başkanlar veya parti sözcüleri tarafından yapılacak olan açıklamaları duyuran kelimelerin ilk sıralarda yer aldığı görülmektedir.
Tweetlerin hangi duygu ağırlıkta olduğunu belirlemek için yapılan BERT temelli duygu analizinde modelin doğruluk oranı %82,5 olarak ölçülmüştür. Bu modele göre siyasi parti hesapları ve parti başkanları tarafından atılan tweetler yaklaşık %53 oranında negatif, %35 nötr ve %11 pozitif duyguya sahiptir.
Araştırmada 7 siyasi parti ve genel başkanları bir bütün olarak ele alınmıştır. Partilerin ve genel başkanların birbirlerinden farklı sosyal medya kullanım alışkanlıkları ve stratejileri bulunmaktadır. Bu temelde daha çok partinin yer aldığı araştırmaların yapılması araştırma sonuçlarına katkı sağlayacaktır.
Keywords
Abstract
Politicians use Twitter to spread their opinions to social media users, their thoughts on various issues, and to make party and their political propaganda. This research aims to contribute to the political communication literature by analyzing the Twitter accounts of political parties and their presidents with text mining.
The research data was obtained through the API provided by Twitter. The Twitter accounts of the seven designated political parties and the eight presidents of these parties were analyzed for 10 weeks in the range of 23.05.2022-31.07.2022. Term frequency (tf) method was used in the analyses. BERT model based on neural network was used for sentiment analysis.
The most followed party presidents are Recep Tayyip Erdoğan (19.18 million), Kemal Kılıçdaroğlu (8.63 million), Ahmet Davutoğlu (5.96 million), while the ranking in party accounts is AKP (2.97 million), MHP (2.43 million) and CHP (2.09 million). Looking at the rate of using Twitter, the ranking is DEVA (Day. Avg: 11.22), AKP (Day. Avg: 7.86), MHP (Day. Avg: 6.21). In the average number of tweets per day of party leaders, Recep Tayyip Erdoğan (Day. Avg: 4,44), Meral Akşener (Day. Avg: 3.26), Ali Babacan (Day. Avg: 2.59) are in the top three positions. As the word most used by party leaders, the word Allah has taken first place seven times. Taken together with other words, it is seen that condolence messages are sent to the families of the martyrs and citizens in these tweets. When we look at the most frequently used words in the tweets sent by party accounts, it is seen that the words announcing the statements to be made by the presidents or party spokespersons are in the first place.
In the BERT-based sentiment analysis conducted to determine the emotion weight of the tweets, the accuracy rate of the model was measured as 82.5%. According to this model, political party accounts and tweets by party leaders have about 53% negative, 35% neutral and 11% positive emotions.
In the research, 7 political parties and their leaders were considered. Parties and presidents have different social media usage habits and strategies. On this basis, conducting research involving more parties will contribute to the results of the research.
Keywords
- Ağca, Y. (2021). R Programlama Dili ile İstatistiksel Analiz ve Veri Madenciliği. İstanbul: Cinius Yayınları.
- Ağca, Y., Aksoy, H., & Özdemir, A. (2018, 11). Web Madenciliği Yönteminin Geçmiş Gündemi Bulmak İçin Kullanımı: Türkiye’deki Turizm Gündemi Örneği. Sosyal Bilimler Dergisi(30), s. 344-358. doi:10.16990/SOBIDER.4562
- Bal, E., & Delal, Ö. (2019). Siyasal Bilgilenmede Twitter Kullanımı Üzerine Panoramik Bir Değerlendirme. Social Sciences, 14(3), s. 118-132.
- Barnhart, B. (2022, 03 22). 41 of the most important social media marketing statistics for 2022. Sprout Blog: https://sproutsocial.com/insights/social-media-statistics/ adresinden alındı
- Bayraktutan, G., Binark, M., Çomu, T., Doğu, B., İslamoğlu, G., & Aydemir, A. T. (2014). Siyasal İletişim Sürecinde Sosyal Medya ve Türkiye’de 2011 Genel Seçimlerinde Twitter Kullanımı. Bilig(68), s. 59-96.
- Chaffey, D. (2022, 06 01). Global social media statistics research summary 2022. Smart Insights: https://www.smartinsights.com/social-media-marketing/social-mediastrategy/new-global-social-media-research/ adresinden alındı
- Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2018, 11 11). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. arxiv.org: https://arxiv.org/pdf/1810.04805 adresinden alındı
- Gaikwad, S. V., Chaugule, A., & Patil, P. (2014). Text Mining Methods and Techniques. International Journal of Computer Applications, 85(17), 42-45.
- Gonçalves, P., Araújo, M., Benevenuto, F., & Cha, M. (2013). Comparing and combining sentiment analysis methods. COSN '13: Proceedings of the first ACM conference on Online social networks (s. 27-38). Boston, Massachusetts, US: ACM.
- González-Carvajal, S., & Garrido-Merchán, E. C. (2020, 05 26). Comparing BERT against traditional machine learning text classification. arxiv.org: https://arxiv.org/abs/2005.13012 adresinden alındı
- Jungherr, A. (2014). Twitter in Politics: A Comprehensive Literature Review. SSRN. https://ssrn.com/abstract=2402443 adresinden alındı
- Keskin, S., & Sönmez, M. F. (2015). Liderler ve Takipçileri: Siyasi Parti Liderlerinin Twitter Performansları ve Takip İlişkisi. Selçuk İletişim, 9(1), s. 339-362.
- Kılıç, M. C. (2022). Twıtter’da Suni Gündem ve Astroturf Faaliyetler: Türkiye’deki Siyasi Parti Liderlerinin Etiketlendiği Tweetler Üzerine Bir Araştırma. Journal of Communication Science, 2(2), s. 98-116.
- Korkut, Y., & Şahin, C. (2022). Siyasal İletişimde Twitter Kullanımı: 27. Dönem Erzurum Milletvekilleri. EKEV Akademi Dergisi(90), s. 477-496.
- Lee, K. C. (2021, 05 29). Sentiment Analysis — Comparing 3 Common Approaches: Naive Bayes, LSTM, and VADER. towardsdatascience.com: https://towardsdatascience.com/sentiment-analysis-comparing-3-common-approaches- naive-bayes-lstm-and-vader adresinden alındı
- Liu, B. (2020). Sentiment Analysis: Mining Opinions, Sentiments, and Emotions (2 b.). New York, US: Cambridge University Press.
- Ordenes, F. V., & Silipo, R. (2021). Machine learning for marketing on the KNIME Hub: The development of a live repository for marketing applications. Journal of Business Research, 137(1), 393-410. doi:10.1016/j.jbusres.2021.08.036
- Ölçer, N. (2016). 1 Kasım 2015 Genel Seçimleri Örneğinde Siyasi Parti Liderlerinin Twitter Kullanım Pratikleri. Gümüşhane Üniversitesi İletişim Fakültesi Elektronik Dergisi, 4(2), s. 748-780. doi:https://doi.org/10.19145/gujofoc.40046
- Polat, H., & Ağca, Y. (2022). Tripadvisor Kullanıcılarının Türkçe ve İngilizce Yorumları Kapsamında Duygu Analizi Yöntemlerinin Karşılaştırmalı Analizi. Abant Sosyal Bilimler Dergisi, 22(2), 901-916. doi:https://doi.org/10.11616/asbi.1103992
- Rai, A. (2019, 06 01). What is Text Mining: Techniques and Applications. upgrad.com: https://www.upgrad.com/blog/what-is-text-mining-techniques-and-applications/ adresinden alındı
- Shajihan, N. (2020). Classification of stages of Diabetic Retinopathy using Deep Learning. doi:10.13140/RG.2.2.10503.62883
- Silge, J., & Robinson, D. (2022, 06 09). Analyzing word and document frequency: tf-idf. Text Mining with R: A Tidy Approach: https://www.tidytextmining.com/tfidf.html
- Truyens, M., & Eecke, P. V. (2014). Legal aspects of text mining. Comput. Law Secur. Rev., 2182-2186.
- Tyagi, N. (2021, 05 10). Top 7 Text Mining Techniques. analyticssteps.com: https://www.analyticssteps.com/blogs/top-7-text-mining-techniques adresinden alındı
- Umunç, C. (2022). Doğal afetlerde siyasi liderlerin kriz iletişimi ve sosyal medya söylemi: Recep Tayyip Erdoğan ve Kemal Kılıçdaroğlu’nun Twitter paylaşımları. Uluslararası Toplum ve Kültür Çalışmaları Dergisi - Nosyon: International Journal of Society and Culture Studies, 9, s. 24-51.
- Weiss, S. M., Indurkhya, N., & Zhang, T. (2015). Fundamentals of Predictive Text Mining (2 b.). New York, US: Springer.
