شناسایی و تحلیل رفتار کاربران شبکه های اجتماعی متمرکز بر فناوری و ارائه فرایند کاربست داده‌ها در سیاستگذاری شواهد مبنا

نویسندگان

1 پژوهشگاه علوم و فناوری اطلاعات ایران(ایرانداک)، تهران، ایران

2 دانشگاه ارشاد دماوند ، دماوند ، ایران

چکیده

در این پژوهش رفتار کاربران شبکه اجتماعی توئیتر که به مسائل سیاستی حوزه فناوری حساس بوده‌اند و در رابطه با آن محتوا تولید کرده‌اند، تحلیل شده است. در این پژوهش شیوه کاربست داده‌های کاربران رسانه‌های اجتماعی در فرایند سیاست‌گذاری و تحلیل رفتار این کاربران مورد نظر بوده است. از‌این‌رو، فرایند کاربست داده‌های رسانه‌های اجتماعی در سیاست‌گذاری علم و فناوری ارائه شده است. این فرایند چگونگی کاربست تحلیل داده‌ها در هر مرحله از فرایند سیاست‌گذاری را پیشنهاد داده است. الگوریتم‌های ارائه‌شده در این فرایند با داده‌های 6 ماهه، کلیه کاربران فارسی‌زبان توئیتر که با موضوع سیاست‌های حوزه علم و فناوری توئیت منتشر کرده‌اند، آزمون شد و مدل دسته‌بندی پیشنهادی توانست شواهد از غیرشواهد را با دقت خوبی تشخیص و جدا سازد. متن توئیت‌های نفوذدارترین کاربران توئیتر که در کلیدواژه‌های استخراج‌شده توئیت ارسال بودند، به‌ همراه تعداد ارتباطاتی که توئیت آن‌ها ایجاد کرده بود، استخراج و تحلیل شد. معیار انتخاب این کاربران، تعداد ارتباطاتی بود که ایجاد کرده بودند (بیش از 300 ارتباط) که نشان می‌دهد این کاربران بیش از همه، موضوع فیلترینگ اطلاعات، اپلیکیشن‌ها و شبکه‌های اجتماعی را مد نظر داشتند.

کلیدواژه‌ها

عنوان مقاله [English]

Analyzing of Twitter Users Posts and Presenting the Pattern for Application of Data in Policy Process

نویسندگان [English]

  • Somayeh Labafi 1
  • Mohammad Mahdi Kavousi 2
1
2
چکیده [English]

In this research, the activity of Twitter’s users has been analyzed. The sample of the research was the users who posted on the topic of technology. The purpose of this research was to present the process of using the data of Twitter’s users in the policy making process. This process has suggested how to use data analysis in each step of the policy making process. Algorithms presented in this process were tested with 6-month data of all Persian language Twitter’s users who have published tweets on the topic of science and technology policy. The proposed classification model was able to distinguish and separate evidence tweets from non-evidence tweets with acceptable accuracy. Also, the text of the tweets of the most influential Twitter users who posted tweets and the number of connections their tweets created were extracted and analyzed. The selection criterion of these users was the number of connections they had made (more than 300 connections), which shows that these users have paid the most attention to information filtering, applications and social networks. The innovation of this research was the proposal to use the data of social network users in the policy making process

کلیدواژه‌ها [English]

  • Science and Technology
  • Social Media
  • User Analysis. Twitter

مراجع

احمدیان، محمدمهدی، حسنعلی آقاجانی، میثم شیرخدایی، و امیرمنصور طهرانچیان. 1397. طراحی مدل سیاست‌گذاری علم و فناوری مبتنی ‌بر رویکرد پیچیدگی اقتصادی. سیاست‌گذاری عمومی 4 (4): 9-27.
قاضی نوری، سپهر، و سروش قاضی نوری. 1391. سیاست‌گذاری علم و فناوری در قالب سیاست‌های عام و خاص. رهیافت 50: 49- 55.
قاضی نوری، سروش، و نفیسه رضایی‌نیک. 1393. بررسی الزامات، چالش‌ها و قابلیت‌های شبکه اجتماعی کنشگران مدیریت فناوری و نوآوری ایران. تحقیقات فرهنگی ایران (2): 4- 73.
کلانتری اسماعیل، منتظر غلامعلی، سید سپهر قاضی نوری. 1398. تدوین سناریوهای گذار به وضعیت بهبودیافتۀ ساختار سیاست‌گذاری علم و فناوری در ایران. پژوهش‌های مدیریت راهبردی 74: 75- 102.
Barnett, J., K. Burningham, G. Walker, & N. Cass. 2012. Imagined publics and engagement around renewable energy technologies in the UK. Public Understanding of Science 21 (1): 36–50.
Bekkers, V., A. Edwards, & D. de Kool. 2013. Social media monitoring: Responsive governance in the shadow of surveillance? Government Information Quarterly 30 (4): 335–342.
Boyd, D., & K. Crawford. 2012. Critical questions for big data. Information, Communication & Society 15 (5): 662–679.
Bucher, T. & A. Helmond. 2017. The affordances of social media platforms. In: J. Burgess., A. Marwick & T. Poell, eds. The SAGE handbook of social media. London: SAGE Publications Ltd, pp. 233-253.
Cairney, P. 2016. The Politics of Evidence-Based Policy Making. London: Palgrave Macmillan.
Cartwright, N., J. Hardie. 2012. Evidence-Based Policy A Practical Guide to Doing It Better. New York: Oxford.
Castelló, I., M. Morsing, & F. Schultz. 2013. Communicative dynamics and the polyphony of corporate social responsibility in the network society. Journal of Business Ethics 118 (4): 683–694.
Chen, C., Y. Wang, J. Zhang, Y. Xiang, W. Zhou, & G. Min. 2016. Statistical Features-Based Real-Time Detection of Drifted Twitter Spam. IEEE Transactions on Computational Social Systems 12 (4): 914 – 925.
Davies, H., S. Nutley, & P. Smith. 2001. What works: Evidence-based policy and practice in public services. Bristol: Policy Press.
Driss, O. B., S. Mellouli, & Z. Trabelsi. 2019. From citizens to government policy-makers: Social media data analysis. Government Information Quarterly 36: 560–570.
Evans, S., H. Ginnis & J. Bartlett. 2015. A Guide to Embedding Ethics in Social Media Research. Bristol: Palgrave.
Fern´andez, M., T. Wandhoefer, B. Allen, A. Cano Basave, & H. Alani. 2014. Using social media to inform policy making: to whom are we listening? In: European Conference on Social Media (ECSM 2014), 10-11 Jul 2014, Brighton, UK.
Gintova, M. 2019. Understanding government social media users: an analysis of interactions on Immigration, Refugees and Citizenship Canada Twitter and Facebook. Government Information Quarterly 36: 1-10.
Head, B. 2010. Reconsidering evidence-based policy: Key issues and challenges. Policy and Society 29: 77–94.
_____. 2008. Three lenses of evidence-based policy. Australian Journal of Public Administration 67 (1): 1–11.
Highfield, T., S. Harrington, & A. Bruns. 2013. Twitter as a technology for audiencing and fandom. Information, Communication & Society 16 (3): 315–339.
Hijawi, W, H. Faris, J. Alqatawna, A. Al-Zoubi, & I. Aljarah. 2017. Improving Email Spam Detection Using Content Based Feature Engineering Approach. Jordan Conference on Applied Electrical Engineering and Computing Technologies (AEECT). Jordan.
Howlett, M. 2009. Policy analytical capacity and evidence-based policy-making: Lessons from Canada. Canadian Public Administration 52 (2): 153–175.
Janssen, M., & N. Helbig. 2016. Innovating and changing the policy-cycle: Policy-makers be prepared! Government Information Quarterly 12 (3): 120- 132.
Lee, E. J., H. Y. Lee, & S. Choi. 2020. Is the message the medium? How politicians’ Twitter blunders affect perceived authenticity of Twitter communication. Computers in Human Behavior 104: 106- 188.
Mittal, A., & S. Patidar. 2019. Sentiment Analysis on Twitter Data: A Survey. Presented in “Association for Computing Machinery”. Bangkok, Thailand. July 27–29.
Napoli, P. N. 2019. User Data as Public Resource: Implications for Social Media Regulation. Policy and Internet. doi: 10.1002/poi3.216.
Panayiotopoulos, P., F. Bowen, & P. Brooker. 2017. The value of social media data: Integrating crowd capabilities in evidence-based policy. Government Information Quarterly 34: 601–612.
Panagiotopoulos, P., L. C. Shan, J. Barnett, A. Regan, & A. McConnon. 2015. A framework of social media engagement: Case studies with food and consumer organisations in the UK and Ireland. International Journal of Information Management 35 (4): 394–402.
Parkhurst, J. 2017. The politics of evidence; from evidence-based policy to the good governance of evidence. London: Routledge.
Parsons, W. 2002. From muddling through to muddling up - evidence based policy making and the modernisation of British government. Public Policy and Administration 17 (3): 43–60.
Poy, S., & S. Schüller. 2020. Internet and voting in the social media era: Evidence from a local broadband policy. Research Policy 49 (1): 103-121.
Sanderson, I. 2002. Evaluation, policy learning and evidence-based policy making. Public Administration 80 (1): 1–22.
Schintler, L. A., & R. Kulkarni. 2014. Big data for policy analysis: The good, the bad, and the ugly. Review of Policy Research 31 (4): 343–348.
Schniederjans, D., E. S. Cao, & M. Schniederjans. 2013. Enhancing financial performance with social media: An impression management perspective. Decision Support Systems 55 (4): 911–918.
Sedhai, S., & A. Sun. 2017. Semi-Supervised Spam Detection in Twitter Stream. Computational Social Systems 5 (1): 169 – 175.
Sedhai, S., and A. Sun. 2018. Semi-Supervised Spam Detection in Twitter Stream. Computational Social Systems 5 (1): 169 – 175.
Simonofski, A, J. Fink, & C. Burnay. 2021. Supporting policy-making with social media and e-participation platforms data: A policy analytics framework, Government Information Quarterly 38 (3): 101-122.
Stamatelatos, G., S. Gyftopoulos, G. Drosatos, & P. S. Efraimidis. 2020. Revealing the political affinity of online entities through their Twitter followers. Information Processing and Management 57: 102-172.
Valenzuela, S., M. Piña, & J. Ramírez. 2017. Behavioral Effects of Framing on Social Media Users: How Conflict, Economic, Human Interest, and Morality Frames Drive News Sharing. Journal of Communication 67 (5): 803–826.
Walker, G., N. Cass, K. Burningham, & J. Barnett. 2010. Renewable energy and sociotechnical change: Imagined subjectivities of “the public” and their implications. Environment and Planning 42 (4): 931–947.
Yan, Z. 2018. Big Data and Government Governance. International Conference on Information Management and Processing. IEEE. 110-114. China.
Young, K., D. Ashby, A. Boaz, & L. Grayson. 2002. Social Science and the Evidence-based Policy Movement. Social Policy & Society 1 (3): 215 -224.

فایل ها

سابقه مقاله

  • تاریخ دریافت: 19 آذر 1401
  • تاریخ بازنگری: 08 بهمن 1401
  • تاریخ پذیرش: 19 آذر 1401

هم رسانی

ارجاع به این مقاله

آمار