[论文解读] Food for Thought: Analyzing Public Opinion on the Supplemental Nutrition Assistance Program

Miriam Chappelka, Jihwan Oh+2 more|arXiv (Cornell University)|Oct 6, 2017

Sentiment Analysis and Opinion Mining参考文献 5被引用 3

一句话总结

本研究利用机器学习、情感分析和文本挖掘技术，分析全国及各州层面上新闻和社交媒体对补充营养援助计划（SNAP）的公众舆论。研究发现媒体普遍呈现负面情绪，部分媒体表现出更极端的党派倾向，且中西部地区负面报道存在地理聚集现象，研究结果通过在线应用为利益相关方提供支持。

ABSTRACT

This project explores public opinion on the Supplemental Nutrition Assistance Program (SNAP) in news and social media outlets, and tracks elected representatives' voting records on issues relating to SNAP and food insecurity. We used machine learning, sentiment analysis, and text mining to analyze national and state level coverage of SNAP in order to gauge perceptions of the program over time across these outlets. Results indicate that the majority of news coverage has negative sentiment, more partisan news outlets have more extreme sentiment, and that clustering of negative reporting on SNAP occurs in the Midwest. Our final results and tools will be displayed in an on-line application that the ACFB Advocacy team can use to inform their communication to relevant stakeholders.

研究动机与目标

• 通过分析媒体和社交媒体报道，理解公众对SNAP的认知。
• 考察不同党派和区域媒体对SNAP的情感差异。
• 识别SNAP及粮食不安全问题在媒体报道中的时间与地理模式。
• 开发在线工具，供倡导组织基于数据驱动洞察，优化与利益相关方的沟通。
• 将公众舆论趋势与国会议员在SNAP相关议题上的投票记录相联系。

提出的方法

• 应用机器学习和文本挖掘技术，从全国及各州层面的新闻和社交媒体来源中提取并分类有关SNAP的讨论。
• 开展情感分析，将媒体报道分类为正面、负面或中性，重点关注公众认知。
• 使用聚类技术检测负面报道中的地理模式，尤其关注中西部地区。
• 将媒体报道情感与国会议员在SNAP及粮食不安全议题上的投票记录进行相关性分析。
• 开发交互式在线应用，可视化研究发现，供倡导组织（如ACFB）使用。
• 采用自然语言处理（NLP）技术，处理来自多样化媒体来源的大规模文本数据。

实验结果

研究问题

• RQ1 不同媒体类型（尤其是党派性与非党派性媒体）对SNAP的情感态度有何差异？
• RQ2 是否存在SNAP负面媒体报道的地理聚集区？若有，位于何处？
• RQ3 在全国及各州媒体中，公众对SNAP的情感态度随时间如何演变？
• RQ4 媒体对SNAP的描述在多大程度上与国会议员的政策立场一致？
• RQ5 机器学习与情感分析能否有效识别并追踪社会福利项目（如SNAP）的公众舆论趋势？

主要发现

• 大多数SNAP相关新闻报道呈现负面情绪，表明媒体报道叙事普遍存在批判性基调。
• 党派性媒体表现出更极端的情感倾向，其负面情绪水平显著高于非党派性媒体。
• SNAP的负面媒体报道在地理上存在聚集现象，尤其集中在美国内陆中部地区。
• 时间序列分析显示，媒体报道中的负面情绪长期持续，表明公众认知存在持久挑战。
• 本研究成功将媒体报道情感趋势与SNAP相关立法投票记录关联，显示部分选区存在一致性。
• 开发了在线应用以展示研究发现，并支持ACFB团队的倡导工作。