[论文解读] What Gets Media Attention and How Media Attention Evolves Over Time - Large-scale Empirical Evidence from 196 Countries

Jisun An, Haewoon Kwak|arXiv (Cornell University)|Apr 5, 2017

Complex Network Analysis Techniques参考文献 10被引用 3

一句话总结

本研究基于196个国家（2016年3月至10月）的大规模全球新闻数据，分析媒体关注的主题及其随时间的演变模式。通过动态时间规整（DTW）与K-means++聚类方法，识别出四种截然不同的时间模式——持续覆盖、多日峰值、单日急剧峰值以及频繁的急剧峰值，结果表明大多数主题的媒体关注度持续时间极短，仅有2.22%的主题获得持续的媒体关注。

ABSTRACT

It is known that news topics, covered more frequently and over longer periods of time, are considered to be important to the public. Hence, what gets media attention and how media attention evolves over time has been studied for decades in communication study. However, previous studies are confined to a few countries or a few topics, mainly due to lack of longitudinal global data. In this work, we use a large-scale news data compiled from 196 countries to provide empirical analyses of media attention dynamics.

研究动机与目标

• 利用大规模纵向新闻数据，识别196个国家中媒体关注的全球模式。
• 探究媒体关注动态是否因主题类型（如国家、人物、事件）和地区而异。
• 对媒体关注的时间演化模式进行分类，并评估其普遍性与特征。
• 在大规模真实世界数据中，对‘警报/巡逻’媒体模型提供实证验证，超越以往的案例研究。
• 量化新闻主题的关注时长，并识别影响持续或短暂报道的因素。

提出的方法

• 通过Unfiltered News从196个国家收集并处理大规模新闻数据集，利用机器翻译对多语言内容进行索引。
• 提取主题元数据并按细粒度类型（如‘国内国家’、‘外国城市’）过滤，去除层级冗余。
• 计算每个国家每日主题的关注比例，并在国家间取平均，得出全球关注轮廓。
• 应用动态时间规整（DTW）测量媒体关注时间序列之间的相似性，实现时间模式的聚类。
• 使用K-means++聚类结合肘部法，确定媒体关注演化模式的四个独立聚类。
• 在聚类前对时间序列进行线性归一化，以减少DTW距离计算中的偏差。

实验结果

研究问题

• RQ1 在全球范围内，哪些主题获得最多的媒体关注，是否存在一致的全球关注优先级顺序？
• RQ2 新闻主题在各国的典型关注时长是多少，哪些主题能维持长期媒体关注？
• RQ3 媒体关注模式是否遵循特定的时间形态？若存在，其差异如何随主题类型变化？
• RQ4 区域或主题特定因素在多大程度上影响报道的持续时间与强度？
• RQ5 研究发现与现实世界大规模数据中的‘警报/巡逻’媒体模型在多大程度上一致？

主要发现

• ‘国内国家’是媒体关注中排名第一的主题类型，在所有月份中持续获得最高比例的报道。
• 排除6月后，各月主题类型排名之间的平均相关系数为0.96，表明媒体关注顺序高度稳定，仅在全球事件期间出现波动。
• 76.32%的媒体关注时间序列呈现急剧峰值并迅速下降（聚类C3），证实新闻媒体普遍存在短暂关注的特征。
• 仅有2.22%的主题表现出持续媒体关注（聚类C1），主要为‘国内国家’以及唐纳德·特朗普、希拉里·克林顿等关键人物。
• ‘外国国家’主题在多日峰值模式（聚类C2）中的占比最高（22.4%），与选择性外国新闻报道的特征相符。
• ‘国内城市’在持续覆盖聚类（C1）中的占比相对较高（12.1%），但大多数仍遵循短暂峰值模式（C3），表明地方媒体中存在关注不平等现象。