課程資訊
課程名稱
社群媒介輿論分析
Social Media and Public Opinion Analysis 
開課學期
111-2 
授課對象
社會科學院  新聞研究所  
授課教師
謝吉隆 
課號
JOUR7088 
課程識別碼
342 M3040 
班次
 
學分
3.0 
全/半年
半年 
必/選修
選修 
上課時間
星期一2,3,4(9:10~12:10) 
上課地點
新聞315 
備註
初選不開放。
限本系所學生(含輔系、雙修生)
總人數上限:15人 
 
課程簡介影片
 
核心能力關聯
核心能力與課程規劃關聯圖
課程大綱
為確保您我的權利,請尊重智慧財產權及不得非法影印
課程概述

如欲修課的同學,請先填寫修課意願表(https://forms.gle/XCBU6tB15zEKRrQWA。並請於開學第一週前將近500字研究提案以E-mail寄送給開課教師(MUST),研究提案內容主要為你感興趣的研究議題是什麼?亦可參考範本撰寫(Social_Opinion_Proposal_Template)。如果已經考過Proposal或報題者,請直接繳交Proposal或報題表單即可。

因為在社群平台上,人人都可以是資訊生產者,因此,巨量、去中心化、扁平化、流動、匿名、即興等社群平台的特色亦影響著訊息的特性、傳散方式與效果,與過往的集中式、權威式的訊息大不相同。尤其是Twitter或Youtube這樣的社群平台,留過什麼言、Follow過誰、Retweet過誰都被記錄下來。近期Twitter甚至開放一則Tweet被閱讀過幾次的功能。透過這樣的平台,我們可以研究例謠言的流傳、用語的流變、意識形態或政治立場的極化、泛政治化的現象、數位公眾外交的互動網絡、網軍偵測、對性別議題的看法、民粹主義、負面黨性的言談等。

本課程採用的方法會是大數據方法、量化方法、文本探勘方法。甫接觸計算機方法在社會議題的應用時,往往會過度粗暴地運用計算工具對文本資料直接做分析。也因此在講課的同時,本課程也希望帶同學也必須思考,相較於過往社會科學的研究方法,無論是質性或量化,計算機科學是一個新方法嗎?還是他只是用以克服大數據的挑戰?他和傳統方法又有何異同?使用上要特別注意哪些環節呢?如何適切地用這些演算法工具?而過去內容分析方法必定有許多常見的理論,又有哪些理論所關係到的研究,常常被計算機方法所運用呢? 

課程目標
本門課有兩個重點,第一個是社群輿論的研究方法與寫作。本課程將帶學生從事社群媒介上的輿論分析研究。常見的社群媒介分析對象包含臉書、PTT、推特、YOUTUBE等,但由於資料取用限制,本課程將以YOUTUBE與推特為主。授課過程將從選讀文獻、尋找研究議題、撰寫研究目的與問題、規劃文獻、實作研究方法並進行信效度評估、到結果分析完成一個小論文。

第二個重點是介紹文本探勘的各種方法,包含詞嵌入、文本分群、文本分類、網絡方法、主題模型等。除了方法的使用介紹外,將著重在閱讀前人研究的應用來了解方法的適用時機與信效度的驗證。學生會需要在老師引導下,閱讀並報告論文。 
課程要求
本學期課程將帶學生撰寫個人Essay,需以社群輿論為分析對象,以傳播為議題如政治傳播、科學傳播、災害傳播、計算社會科學等。Essay內容應包含問題意識、研究問題、文獻探討架構與核心論文摘要、研究方法、和初步研究成果。大學生應以大專生研究計畫、中華傳播學會年會、資訊社會學年會、計算傳播年會投稿為目標;碩士生應以寫出嚴謹的研究計畫書為目標,並提供初步的分析結果。

本課程並非程式語言教學課程,修課生應至少修過一學期的程式課程,且需有能夠自行撰寫程式的自信。學生將被要求依照所介紹的論文與分析方法,就自己的研究議題自行實作。 程式部分會有線上課程可以看,亦列計在授課時數中。 
預期每週課後學習時數
Office Hours
 
指定閱讀
教師指定閱讀論文 
參考書目
1. Pozzi, F., Fersini, E., Messina, E., & Liu, B. (2016). Sentiment analysis in social networks. Morgan Kaufmann.
2.  
評量方式
(僅供參考)
 
No.
項目
百分比
說明
1. 
Essay 
55% 
(All presentations are peer-graded by classmates) Pitching and research questions 10% (Standup presentation + doc) * Exploratory data analysis 10% (Presentation + doc) * Literature review for personal project 5% * Methods 5% * Final essay 20%: (Presentation 5%, Essay 15% at least 10 pages in APA format with correct reference style, and figure/table captions) * Completeness (5%), Writing format and APA (5%), Logic (5%) * Initiative participation including discussion and personal meeting 5% (45%)  
2. 
Assignments 
45% 
* Select topic presentation 15% (5% presentation, 10% handout): Select one topic from the reading list * Implementation 30%: Classification, word embeddings, and topic modeling . Required to implement skills or algorithms for specific topics such as political communication, health communication, or user modeling (Examples of tech collocation with PMI, topic modeling and visualization, crawling wiki DB for improving tokenization, using the tech word-embedding for doc classification).  
 
針對學生困難提供學生調整方式
 
上課形式
以錄影輔助
作業繳交方式
考試形式
延後期末考試日期(時間)
其他
課程進度
週次
日期
單元主題
第1週
2/20  Social Opinion Research overview:
Journals, papers, scholars, and issues (Stereotypes, polarizations, echo chambers, and filter bubble)
Twitter related researches overview 
第2週
2/27  228 vocation 
第3週
3/06  Computational Social Science (Methods) Overview 
第4週
3/13  Research Designs: quantitative, qualitative, and big-data 
第5週
3/20  Process of information retrievals 
第6週
3/27  Keyness: Hashtag activism 
第7週
4/03  Spring break 
第8週
4/10  Pitch & Proposal 
第9週
4/17  N-gram, Collocation
Network method applications 
第10週
4/24  Topic modeling: News Agenda-setting and Framing
Network analysis and Topic modeling 
第11週
5/01  Word embeddings: Gender stereotype of occupations 
第12週
5/08  Ideology Scaling, ENA: Filter bubble, echo chamber and segregation, polarization, negative partisanship 
第13週
5/15  Sentiment analysis, emoji, and hashtags (Dictionary methods) 
第14週
5/22  Stance-based sentiment analysis
Classification: Support vs. against
DL Applications & Annotations 
第15週
5/29  Sentiment analysis in social network (and Why)
Person-to-personal, comment by comment analyzing 
第16週
6/05  Final report and discussion