本帖最后由 内容分析应用 于 2020-8-25 10:12 编辑

Twitter提及量的用户动机分析
本部分选取一个Altmetrics指标进行案例分析,在具体情境中分析Altmetrics数据的产生机制。用定量研究补充定性分析,可以更好地从用户动机视角理解Altmetrics指标的应用价值。考虑到Twitter是当今最具代表性的社交媒体之一,且Twitter提及量在多种学科里均属于覆盖率较高的Altmetrics指标,因此选取Twitter提及量进行案例研究,以深入了解Twitter用户提及行为的具体动机,挖掘更深层次的指标价值。

数据集
对altmetric.com公布的2018年最受关注的100篇论文数据进行学科分析可知,医药健康学占比最高,本文选取该领域排名前五的论文进行研究,具有一定的代表性。但由于altmetric.com的数据接口限制,我们只能提取到每篇论文的前1万篇推文,而TOP1论文的Twitter提及量为16,847条(数据获取时间2018-12-11),超出了此上限,存在数据缺失问题,因此最后确定为医药健康学领域最受关注TOP2-6论文。在altmetric.com网站中爬取Twitter用户提及这些论文的推文。每条数据包括提及的时间戳、用户昵称、用户名、推文内容,剔除大量无意义的转发性推文后,最终获得5,103条数据。

研究方法
本研究借鉴Na[97]的动机框架,使用内容分析法对样本论文的推文进行分析。Na使用内容分析法分析了Twitter用户提及心理学领域论文的动机。由于心理学与医药健康学在社交媒体中均引发健康类话题,且社交媒体用户具有参与话题类型集中的特点[98],即同类话题下活跃用户构成相近,用户评论动机构成也相近,因此Na的用户动机体系对本研究有借鉴意义。本文先选取10%的数据集进行预编码,根据医药健康学领域的话题特点进行内容类别增删调整,使预编码结果更符合本研究要求。最终得到用户在Twitter中提及医药健康学领域论文的动机的内容类别,包括讨论、批判、建议、触发、扩展、自我、争议、数据、伦理、其他10大类,共31个动机。

编码结果
对数据集进行内容分析,通过单人两次编码与一致性检验,编码一致性系数达到95%。编码结果见表3,编码过程示例见图1。
TIM截图20200825100324.png
TIM截图20200825100353.png
TIM截图20200825100558.png
TIM截图20200825100612.png

原文见: 用户动机视角下的Altmetrics指标研究

举报 使用道具
| 回复

共 1 个关于本帖的回复 最后回复于 2020-8-25 10:14

内容分析应用 金牌会员 发表于 2020-8-25 10:14:42 | 显示全部楼层
讨论与分析
  • 由编码结果可知,大部分数据能体现Twitter提及量指标的价值效度。在所有提及内容中,讨论类占比最多(41.86%),特别是提及论文研究内容或发现,这体现了用户对于文献所提供的信息的兴趣与关注。
  • 提醒特定对象/人群关注文章与推荐赞美文章的占比也名列前茅(分别占比13.52%和12.48%),这两者体现了用户对文献的传播推荐动机以及潜在的利他动机。
  • 此外,有19.93%的内容属于无实际意义的推文,这部分数据仅提供文章超链接或仅包含文章标题,没有明确表示赞成或质疑,具体的用户动机难以判断,因此这部分提及次数不适合作为评价科研成果影响力的指标,但可以在一定程度上体现文献在社交媒体中被关注的程度。

结论
虽然Thelwall等[100]认为Twitter提及量主要由自动转发引起,且这部分数据几乎无法反映学术价值,但本研究由以上分析发现:
  • 剔除了转发数据后的Twitter提及量指标在反映论文的社交媒体影响力上是有意义的,在科研评价中有较高的应用价值。
  • 对于转发推文数和仅包含文章链接的推文数等无实际意义的指标数据,虽然无法反映指标的学术价值,但可作为热门话题推荐指标应用于社交媒体中,或作为大众偏好统计指标应用在商业报告中。
  • 此外,在使用Altmetrics工具进行科研评价时,剔除这些无法反映学术价值的指标数据,得到有真正意义的Twitter提及量数值,可以使这个指标所反映的影响力更加准确和客观,有助于完善科研评价指标体系的构建和利用。


举报 使用道具
您需要登录后才可以回帖 登录 | 立即注册

精彩推荐

  • Gephi社会网络分析-马蜂窝游记文本分词并同
  • Gephi社会网络分析-基于马蜂窝游记文本以词
  • 知乎话题文本根据词语间距筛选后生成共词矩
  • 马蜂窝游记文本分词后以词语间距为筛选条件
  • 学习使用apriori算法挖掘关联关系

热门用户

GMT+8, 2024-3-28 23:10