Автоматический анализ фреймов для оценки воздействия текста
Автор: Котов А.А.
Журнал: Вестник Волгоградского государственного университета. Серия 2: Языкознание @jvolsu-linguistics
Рубрика: Теория и практика речевой коммуникации
Статья в выпуске: 3 т.23, 2024 года.
Бесплатный доступ
В статье рассматривается механизм работы семантического парсера при автоматическом анализе текстов и приводятся некоторые результаты анализа новостных сообщений общим объемом 2,2 млн клауз. Этот механизм моделирует процессы понимания текста и в данной работе применяется для оценки воздействия текста на читателя. Парсер конструирует семантическое представление текста и сопоставляет смысл каждой клаузы определенному фрейму из 300 эмоциональных и 4500 рациональных фреймов. В результате сравнения фреймов федеральных и оппозиционных (заблокированных в России) источников установлено, что в текстах федеральных СМИ чаще встречаются фреймы, характерные для интерактивного диалога между СМИ и спикером (отметить, добавить, вспоминать), а в текстах заблокированных СМИ - фреймы, вводящие высказывание спикера, которое стало известно данному источнику (сообщать, написать, говориться), что отражает удаленность редакций заблокированных СМИ от российских спикеров. Федеральные СМИ чаще рассказывают о забавных или неожиданных покупках, а также о том, как сотрудники федеральных служб спасают людей, что должно производить положительное впечатление. В заблокированных СМИ чаще упоминаются ситуации судебного приговора и гибели людей, что должно воздействовать негативно. Показано, что естественно-языковой вывод, получаемый с помощью комбинаций фреймов, позволяет распознавать эмоциональные ситуации в производных смыслах, прямо не выраженных в тексте, и автоматически анализировать более сложные механизмы манипуляции.
Автоматическое понимание текста, естественно-языковой вывод, автоматический анализ текста, речевое манипулирование, семантическое представление текста
Короткий адрес: https://sciup.org/149146324
IDR: 149146324 | DOI: 10.15688/jvolsu2.2024.3.4
Список литературы Автоматический анализ фреймов для оценки воздействия текста
- Блакар Р. М., 1987. Язык как инструмент социальной власти // Язык и моделирование социального взаимодействия. М.: Прогресс. С. 88–125.
- Дорофеев Г. В., Мартемьянов Ю. С., 1969. Логический вывод и выявление связей между предложениями в тексте // Машинный перевод и прикладная лингвистика. Т. 12. С. 36–59.
- Колезев Д. Е., 2018. Негативный уклон: почему интернет-СМИ так много пишут о плохом // Приоритеты массмедиа и ценности профессии журналиста. Екатеринбург: Урал. федер. ун-т им. первого Президента России Б.Н. Ельцина. С. 33–36.
- Котов А. А., 2021. Механизмы речевого воздействия. М.: РГГУ. 431 с.
- Маркелов К. В., Громова Е. Б., Нафиева Н. Р., 2019. Негативная новость на центральных телеканалах России и Украины: общее и специфическое // Вестник Российского университета дружбы народов. Серия: Литературоведение. Журналистика. Т. 24, № 3. С. 521–532. DOI: 10.22363/2312-9220-2019-24-3-521-532
- Переверзева С. И., Котов А. А., Жеребцова Я. А., Зинина А. А., 2023. Вводные слова и выражения со значением (не)уверенности в Telegram-каналах СМИ // Вестник РГГУ. Серия «Литературоведение. Языкознание. Культурология». № 5. С. 153–185. DOI: 10.28995/2686-7249-2023-5-153-185
- Пропп В., 1928. Морфология сказки. Л.: Academia. 152 с.
- Черепанова Д. А., 2016. Информационная повестка как механизм формирования политического имиджа государства // Вестник Поволжского института управления. № 5 (56). С. 136–141.
- Шенк Р., 1980. Обработка концептуальной информации. М.: Энергия. 360 с.
- Allen S. R., 2001. Concern Processing in Autonomous Agents: Ph.D. thesis. The University of Birmingham. 225 p.
- Baker C. F., Fillmore C. J., Lowe J. B., 1998. The Berkeley FrameNet Project // 36th Annual Meeting of the Association for Computational Linguistics and 17th International Conference on Computational Linguistics. Vol. 1. Montreal: Association for Computational Linguistics. P. 86–90. DOI: 10.3115/980845.980860
- Keene J. R., Shoenberger H., Berntike C. K., Bolls P. D., 2017. The Biological Roots of Political Extremism: Negativity Bias, Political Ideology, and Preferences for Political News // Politics and the Life Sciences. № 36 (2). P. 37–48.
- Kotov A., Zaidelman L., Zinina A., Arinkin N., Filatov A., Kivva K., 2021. Conceptual Processing System for a Companion Robot // Cognitive Systems Research. Vol. 67. P. 28–32. DOI: 10.1016/j.cogsys.2020.12.007
- Laird J. E., Newell A., Rosenbloom P. S., 1987. SOAR: An Architecture for General Intelligence // Artificial Intelligence. Vol. 33, № 1. P. 1–64. DOI: 10.1016/0004-3702(87)90050-6
- Lichter S. R., 2017. Theories of Media Bias // The Oxford Handbook of Political Communication. Oxford: Oxford University Press. P. 403–416.
- McCombs M. E., Shaw D. L., 1972. The Agenda-Setting Function of Mass Media // The Public Opinion Quarterly. Vol. 36, № 2 (Summer, 1972). P. 176–187.
- Minsky M. L., 1988. The Society of Mind. N. Y.: Simon & Schuster. 339 p.
- Newell A., Simon H., 1972. Human Problem Solving. Englewood Cliffs: Prentice-Hall. 920 p.
- Sloman A., Chrisley R., 2003. Virtual Machines and Consciousness // Journal of Consciousness Studies. № 10 (4–5). P. 133–172.
