Exploring the Sentiment Patterns of Clustered COVID-19 News Articles on Mask Requirements: A Comparison with User Comments

Author: Lukas Burtscher

Supervisor: Julia Neidhardt, Co-Supervisor: Thomas E. Kolb

Abstract

Während die COVID-19-Pandemie weiterhin die Welt heimsucht, ist es für EntscheidungsträgerInnen und öffentliche GesundheitsbeamtInnen entscheidend, die öffentliche Stimmung und Einstellung gegenüber den Maßnahmen zur Kontrolle ihrer Ausbreitung zu verstehen. Diese Arbeit untersucht die Entwicklung der Stimmung bezüglich COVID-19-Maskenanforderungen von Januar 2020 bis Dezember 2021 durch Analyse und Clustern von Nachrichtenartikeln und usergenerierten Kommentaren. Derzeitige Studien verwenden unsupervised Clustering-Methoden, einschließlich Latent Dirichlet Allocation, K-Means-Clustering und Word-Embedding-Techniken, um Muster in Daten zu identifizieren. In dieser arbeit verwenden wir für das Clustering Word2Vec-Word-Embedding, TF-IDF und K-Means-Algorithmen. Die Vorverarbeitungsschritte umfassen Rechtschreibkorrektur, Emoticon-Behandlung und Lemmatisierung mit SpaCy. Diese Arbeit analysiert COVID-19 Maskenanforderungsdaten von Der Standard, einem österreichischen Zeitungsverlag, und zeigt einen negativen Stimmungstrend in politischen Nachrichtenartikeln sowie eine Polarisierung im Widerstand der Öffentlichkeit gegen Regierungsrichtlinien auf. Diese Studie bietet Erkenntnisse, die EntscheidungsträgerInnen und öffentliche GesundheitsbeamtInnen über die Einstellungen der Öffentlichkeit gegenüber Maskenanforderungen informieren können, um verbesserte Kommunikationsstrategien und eine bessere Kontrolle der Pandemie zu ermöglichen.