Rafinacja dużej skali zasobów sieciowych - Big Data : dziennikarskie źródło informacji

• Autorzy: Włodzimierz Gogołek

Warianty tytułu

Refining a Large-Scale Network Resources - Big Data

• Języki publikacji: PL

Abstrakty

Ponad 90 procent informacji jest zapisywane w postaci cyfrowej. Zasoby tej skali są określane jako Big Data. Analiza Big Data może stanowić nowe źródło cennych informacji. W badaniu proces uzyskiwania tych źródeł jest określany jako rafinacja informacji z sieci -rafinacja Web. Potwierdzeniem przydatności rafinacji są wyniki prognoz wsparcia dla każdej z partii politycznych biorących udział w wyborach parlamentarnych i prezydenckich w Polsce w 2011 r. i 2015 r. Przyjęta metodologia i wyniki badań ilościowych dowodzą, że rafinacja sieciowych zasobów informacyjnych może być wiarygodnym źródłem informacji o stanie i zmianach w politycznych sympatiach w okresie poprzedzającym wybory.(abstrakt oryginalny)

EN

More than 90 percent of information is recorded in digital form. Resources of this scale are referred as a Big Data. Analysis of this information can provide a new source of valuable information. In the study the process of obtaining them - especially from social networking sites - is named refining of network information/refining the Web. Confirmation a usefulness of refining are the results of predictions of support for each of the political parties participating in the parliamentary and presidential elections in Poland in 2011 and 2015. The adopted methodology and the results of quantitative research shows that refining of data only from the Web can be a reliable source of information about the status of and changes in the political sympathies at the time of run-up to elections.(original abstract)

Słowa kluczowe

PL

Serwisy społecznościowe; Big Data; Informacja; Źródła informacji; Dziennikarstwo

EN

Social networking; Big Data; Information; Information source; Journalism

• Czasopismo: Ekonomika i Organizacja Przedsiębiorstwa
• Rocznik: 2016
• Numer: nr 7
• Strony: 12--18

Twórcy

autor

Włodzimierz Gogołek

• Uniwersytet Warszawski

Bibliografia

• 1. Attentio Brand Dashboard, [Social Media Monitoring] www.blog. mediafun.pl/attentio-brand-dashboar-d-monitoring-mediow-spolecznosciowych/dostęp: 20.04.2010 r, tryb dostępu: http://attentio.com/.
• 2. Big data: The next frontier for innovation, competition, and productivity, McKinsey Global Institute, May 2011 www.mckinsey.com/insights/business_technology/big_data_the_next_frontier_for_ innovation, dostęp: 22.04.2013 r,
• 3. Bradley M. M., Lang P. J., Affective Norms for English Words (ANEW), List of all words is not publicly available. It was obtained at the special request of the authors from its creators from The Center for the Study of Emotion.
• 4. Copeland D., 2013, Harvard Researcher Uses Social Media To Predict Stock Market Volume, http:// readwrite.com/2012/02/08/harvard_researcher_uses_social_media_to_predict_st. dostęp: 20.04 2013 r.
• 5. Gantz J., Reinsei D., The didital universe in 2020: Big Data, Bigger digital shadows, and biggest growth in the Far East- United States, February 2013 r. https://www.emc.com/collateral/analyst--reports/idc-digital-universe-united-states.pdf. dostęp: 25.04.2015
• 6. Giudici P., Figini S., 2009, Applied Data Mining for Business and Industry, John Wiley& Sons LTD
• 7. Gogołek W. i in., 2015, Z badań nad wykorzystaniem rafinacja informacji sieciowej. Wybory prezydenckie i parlamentarne 2015, Studia Medioznawcze nr 3 (62) 2015, Instytut Dziennikarstwa UW, Warszawa, s. 31-43.
• 8. Gogołek W. i in., 2013, Rafinacja informacji sieciowych na przykładzie wyborów parlamentarnych. Część 1. Błogi, fora, analiza sentymentów, Studia Medioznawcze nr 2 (53) 2013, Instytut Dziennikarstwa UW, Warszawa, s. 89-109.
• 9. Gogołek W. i in., 2013, Rafinacja informacji sieciowych na przykładzie wyborów parlamentarnych. Część 2. Portale internetowe, konteksty medialne i merytoryczne, Studia Medioznawcze nr 3 (54) 2013, Instytut Dziennikarstwa UW, Warszawa, s. 153-161.
• 10. Hatzivassiloglou Y., McKeown, K. R., Predicting the semantic orientation of adjectives, 35th Annual Meeting of the Association for Computational Linguistics, Madrid 1997, pp. 174-181, http://www.anthology.aclweb.Org/P/P97/P97-1023.pdf. dostęp: 30.09.2011 r.
• 11. Leetaru K. H., 2011, Culturomics 2.0: Forecasting large-scale human behavior using global news media in time and space, "First Monday" Vol. 16 (2011), No. 9, www.uic.edu/htbin/cgiwrap/bin/ojs/ index.php/fm/article/ view/ 3663/3040 dostęp: 20.04.2013 r.,
• 12. Liu B., 2012, Sentiment Analysis and Opinion Mining, Graeme Hirst, Series Editor
• 13. Michel J., Aiden E., 2011. Quantitative Analysis Of Culture Using Millions Of Digitized Books, "Science", Vol. 331 (2011), No. 6014, p. 176-182, www.sciencemag.org/content/331/6014/176 dostęp: 1.06.2011 r.
• 14. Turn Spreadsheets into Stories, http://automatedinsights.com/ dostęp: 5.04.2012
• 15. Turner V., 2014, The Digital Universe of Opportunities: Rich Data and the Increasing Value of the Internet of Things, April 2014, http://www.emc.com/leadership/digital-universe/2014iview/digital-univer-se-of-opportunities-vemon-turner.htm dostęp: 25.04.2015 r
• 16. Turney P. D., Thumbs up or thumbs down? Semantic orientation applied to unsupervised classification of reviews, proceedings of the 40th Annual Meeting of the Association for Computational Linguistics (ACL), Philadelphia, July 2002, pp. 417-424, acl.ldc.upenn.edu/P/ P02/P02-1053.pdf. dostęp: 29.09.2011 r