Hallo allerseits! Dies ist ein kleiner Beitrag (mit vielen Bildern) über die Visualisierung und Analyse von Kommentaren auf YouTube. Vorherige Beiträge:
1 ,
2 .
Dieses Mal werden wir über Kommentare sprechen, die sich von den meisten anderen Kommentaren unterscheiden und als separate Regionen dargestellt werden. Normalerweise sind sie mit dem Verhalten von Bots verbunden, aber es kann sich auch um eine andere autonome Community von Kommentatoren handeln. Was sind sie und wie findet man sie auf YouTube? Lass es uns herausfinden.
Über die Forschungshypothese: externe und interne Kommentare
Wenn wir unsere Forschungshypothese kurz reproduzieren, manifestiert sich das Zusammenspiel der Kommentatoren in stabilen und reproduzierbaren Formen. Wir nennen sie Muster.
Der Unterschied und die Vielfalt der Muster lassen sich am einfachsten anhand der räumlich-geometrischen Anordnung der Kommentare relativ zueinander demonstrieren. Verwenden Sie dazu die Visualisierung von Kommentaren auf
diesem Kanal :
In der Visualisierung werden mindestens zwei Kategorien von Mustern klar unterschieden - intern und extern.
Interne Muster beziehen sich auf Kommentare, die den meisten anderen Kommentaren zugeordnet sind. Das Vorhandensein interner Muster weist auf die Bildung eines ständigen Publikums von Kommentatoren hin. Wir werden beim nächsten Mal mehr über die Arten interner Muster sprechen, da dieses Thema eine detaillierte Untersuchung erfordert. Wenden wir uns nun dem Studium externer Muster zu.
Externe Kommentare stehen in engem Zusammenhang mit den meisten anderen Kommentaren. Gleichzeitig können einige externe Muster eine starke Interaktion einer lokalisierten Gruppe von Kommentaren (Clustering) zeigen, aber es erscheint nur eine bestimmte kleine Allgemeinheit, und diese Gruppe ist schwach mit den meisten Kommentaren verbunden. Daher führen wir zusätzliche Konzepte für externe Muster mit schwachen und starken Bindungen ein.
In einer qualitativen Studie werden externe Kommentatoren von einem Publikum vertreten, das die enge Spezialisierung von Aktionen demonstriert. Es ist üblich, diese Aktionen mit dem Verhalten von Bots und anderen Vertretern des „künstlichen Publikums“ (Geister usw.) in Verbindung zu bringen. Ihr Unterschied zu „natürlichen“ Kommentatoren besteht in kollektiven Aktionen, die auf ein bestimmtes Ziel abzielen.
Schauen wir uns nun einige Arten von externen Kommentaren am Beispiel von Kommentatoren auf YouTube-Kanälen an.
Muster "Bots" und "Slices"
Um externe Kommentatoren und ihre Interaktionsmuster zu untersuchen, deren Typ wir als "Bots" und "Callbacks" identifiziert haben, werden wir Kommentare zu
Kanal 1 berücksichtigen.
Im nördlichen Teil der Visualisierung fällt ein roter „Schwanz“ von Kommentaren auf.
Zur Analyse werden die Kommentare der Clips 201, 349, 375, 424, 433, 464 herangezogen.
Grundsätzlich handelt es sich hierbei um gleichartige Kommentare zu Videos über die Produkte eines der Spielzeughersteller.
Film
201 :
Walze
349 :
Walze
375 :
Walze
424 :
Walze
433 :
Walze
464 :
In erster Näherung ist diese Art des Kommentierens dem Verhalten von Bots sehr ähnlich: die gleiche Art von Aussagen in einem positiven Ton, die gleiche Art der Satzkonstruktion mit einer leichten Neuordnung ihrer Teile. Wenn wir jedoch davon ausgehen, dass Kommentatoren Erwachsene sind, die für Spielzeug aus den neunziger Jahren nostalgisch sind und in einem ähnlichen Stil schreiben, kann sich die Bewertung von Kommentaren ändern, dh für die endgültige Bewertung ist eine umfassende quantitative und qualitative Inhaltsanalyse erforderlich.
Um die Tonalität der Kommentare zu vergleichen, haben wir Kommentare zu Video
377 aus der Mitte der Wolke interner Kommentare aufgenommen:
Der Ton und Stil der Kommentare unterscheidet sich deutlich von den oben dargestellten. Die Art der Kommentatoren ist völlig anders, hat aber auch einen gemeinsamen Ton und Stil. Zumindest können wir über die Existenz von zwei Arten von Kommentatoren auf dem Kanal sprechen. Sie sind segmentiert und interagieren schwach miteinander, einige sind viele und andere wenige.
Das folgende Segment befindet sich in der Grauzone im Südosten:
Berücksichtigte Rollen: 36, 436, 472, 511. Alle Videos beziehen sich auf Wettbewerbe eines der Spielzeughersteller.
Walze
511 :
Walze
436 :
Walze
36 :
Walze
472 :
Aus dem Inhalt der Screenshots können wir schließen, dass dies ein segmentiertes Publikum von Kommentatoren ist und sich hauptsächlich auf die Teilnahme am Wettbewerb konzentriert. Um dies zu identifizieren, haben wir die allgemeine Definition von „catch“ in SMM verwendet.
Beachten Sie die Kommentare zu den Videos von
Kanal 2 :
Wir interessieren uns für die isolierte (smaragdgrüne) Region der Kommentatoren im Nordwesten. Zur Analyse wurden Kommentare zu sechs Videos ausgewählt.
Film
4 :
Film
21 :
Walze
90 :
Walze
100 :
Walze
113 :
Walze
180 :
Der Ton und Stil der Kommentare sind eintönig. Im Allgemeinen sind die Schlussfolgerungen aus dem vorherigen Beispiel mit dem Muster „Bots“ (Kanal 1) für Kommentare geeignet.
Zum Vergleich wurde die Steuerwalze
163 ausgewählt:
Trotz eines ähnlichen Themas wie in früheren Videos (Kampf gegen Übergewicht) sind Ton und Stil der Kommentare viel vielfältiger.
Aufgrund des Inhalts der Screenshots kann davon ausgegangen werden, dass das Hauptziel der segmentierten Gruppe von Kommentaren darin besteht, Videos zu einem bestimmten Thema (dem Kampf gegen Übergewicht) zu bewerben.
Betrachten Sie
Kanal 3 , dessen Video von Spam-Bots angegriffen wird:
Walze
542 :
Kommentare sind eintönig und haben ein Ziel - Website-Werbung.
Ausländer Muster
Natürlich sind nicht alle segmentierten Kommentargruppen das Ergebnis eines Bot-Angriffs. Betrachten Sie als Beispiel die Kommentare zum
Film von Kanal 4 :
Aus dem Inhalt des Screenshots und der Beschreibung des Videos geht hervor, dass es sich um einzigartige englischsprachige Kommentatoren auf dem russischsprachigen Kanal handelt, da dieses Video der Originalinhalt für ein englischsprachiges Publikum ist.
Daten zusammenfassen
Im Allgemeinen ergab eine Analyse der externen Regionen zur Visualisierung von Kommentaren, dass sie isolierten Zielgruppen entsprechen, die sich erheblich vom Hauptteil der Kommentatoren auf YouTube-Kanälen unterscheiden. Natürlich ist in jedem hervorgehobenen Fall eine detaillierte Untersuchung des Inhalts der Kommentare erforderlich. Die Tatsache, dass wir mit Big Data sofort Regionen identifizieren können, in denen möglicherweise Bots und andere künstliche Gruppen von Kommentatoren leben, ermöglicht es jedoch, diesen Ansatz bei der Einstufung und Bewertung von YouTube-Kanälen zu verwenden.