R İLE TWITTER VERİSİ ANALİZİ: VERİ TOPLAMA, SOSYAL AĞ ANALİZİ VE METİN ANALİZİ AŞAMALARI

Enformasyon ve iletişim teknolojilerindeki hızlı gelişmeler çevrim içi davranışları anlamak için büyük veri setlerine erişme imkanını da beraberinde getirdi. İnternetin yaygınlaşmasıyla birlikte çok daha fazla sayıda birey, topluluk ve kurum sosyal medya platformlarında dijital sosyal etkileşimler kurmaya başladı. Bu dönüşüm sayesinde, yapılandırılmamış ya da yarı-yapılandırılmış yapıdaki ve çok zengin bir içerik çeşitliliğine sahip olan sosyal büyük veri (Big Social Data) her an birikerek artıyor. Dijital sosyal ağların, büyük oranda internet kullanıcıları tarafından oluşturulan içerik yığınını doğal ortamında gözlemleme imkanı sağlaması araştırmacılara çok çeşitli konularda çalışma gerçekleştirmek için ideal bir ortam sağlıyor. Bruns(2020: 65)’un da belirttiği gibi büyük sosyal veri üzerine yapılan çalışmalar aynı zamanda iletişim, kültürel çalışmalar, sosyal bilimler ve bilgisayar bilimi gibi çalışma alanlarının arasında yeni bağlantılar kuruyor. Büyük sosyal veri üzerine yapılan çalışmalarda, içeriğin yapısı, çeşitliliği, erişim imkanları ve karşılıklılık şartı aramayan kullanıcılar arası ilişki yapısı nedeniyle Twitter araştırma yapmak için ideal bir platform olarak ön plana çıkıyor. Bu çalışmada R programlama dili kullanılarak Twitter verisinin toplanması, verinin analize hazır hale getirilmesi, temizlenen veriye otomatik metin analizi ve sosyal ağ analizi yapılması adımlarını örnekler ile açıklayan bir rehber oluşturulması amaçlanmıştır.

Anahtar Kelimeler:

Programlamalı Sosyal Bilimler, Programlamalı İletişim Araştırmaları, R, Twitter, Sosyal Ağ analizi, Metin Analizi, Computational Social Science, Computational Communication Research, Social Network Analysis, Text Analysis.

ANALYSIS OF TWITTER DATA WITH R: DATA COLLECTION, SOCIAL NETWORK ANALYSIS, AND TEXT ANALYSIS STAGES

The constant development in information and communication technologies has enabled the opportunity to access and analyze large datasets to understand human behavior in the digital era. Following the widespread use of the internet, social media platforms have become the most popular environments where individuals, communities, and institutions interact. It has led to the emergence of extensive amounts of unstructured or semi-structured big social data that is very rich in content variety. Digital social networks provide an opportunity to observe the online behavior of users in a natural environment which makes it an ideal place for researchers to study a wide variety of topics. Bruns (2020:65) states that big social data approaches connect core disciplines that use big data methods -media, communication and cultural studies, the social sciences, and computer science. Twitter stands out as an ideal platform for research on big social data because of the structure and diversity of the content, data access opportunities, and the structure of the relations between users that does not require reciprocity. This study aims to provide a guideline for data collection from Twitter, data cleaning, social network analysis, and automated text analysis with R programming language.

Keywords:

Computational Social Science, Computational Communication Research, Social Network Analysis, Text Analysis.,

PDF

___

Anber, H., Salah, A., ve Abd El-Aziz, A. A. (2016). A literature review on Twitter data analysis. International Journal of Computer and Electrical Engineering, 8(3), 241. https://doi.org/10.17706/ijcee.2016.8.3.241-249
Ashtiani, M., Mirzaie, M. ve Jafari, M. (2019). CINNA: an R/CRAN package to decipher central informative nodes in network analysis. Bioinformatics, 35(8), 1436-1437. https://doi.org/10.1093/bioinformatics/bty819
Barrie C, Ho J (2021). academictwitteR: an R package to access the Twitter Academic Research Product Track v2 API endpoint. Journal of Open Source Software, 6(62), 3272. https://github.com/cjbarrie/academictwitteR.
Bruns, A. (2020). Big social data approaches in Internet studies: The case of Twitter. Second international handbook of Internet research, 65-81. https://doi.org/10.1007/978-94-024-1555-1_3
Comeforo, K. ve Görgülü, B. (2022). Democratic possibilities of digital feminism. Democratic Frontiers: Algorithms and Society, (63-82), Routledge Focus. https://doi.org/10.4324/9781003173427-4
Chambers, J. M. (2020). S, R, and data science. Proceedings of the ACM on Programming Languages, 4(HOPL), 1-17. https://doi.org/10.1145/3386334
Çamurcu, M. H. (2022). İstanbul Sözleşmesi: Türkiye’de iç hukuka etkisi ve toplumun tepkisi. Ankara Barosu Dergisi. 79(4), 63-106. https://doi.org/10.30915/abd.1090725
de Nooy, W. (2009). Social network analysis, graph theoretical approaches to. Encyclopedia of complexity and system science, 8231-8245. https://doi.org/10.1007/978-0-387-30440-3_488
Fernández, J., Gómez, J. M. ve Martínez-Barco, P. (2014, October). A supervised approach for sentiment analysis using skipgrams. In Proceedings of the Workshop on Natural Language Processing in the 5th Information Systems Research Working Days (JISIC), 30-36.
Francechet, M. (2022). Network science. Universita Degli Studi di Udine. http://users.dimi.uniud.it/~massimo.franceschet/teaching/datascience/network
Grandjean, M. (2016). A social network analysis of Twitter: Mapping the digital humanities community. Cogent Arts & Humanities, 3(1), 1171458. https://doi.org/10.1080/23311983.2016.1171458
Hoffman, M. (2021). Methods for network analysis. Stanford University. https://bookdown.org/markhoff/social_network_analysis/
İstanbul sözleşmesi kadınları şiddetten koruyor. (2021, 22 Mart). İstanbul Barosu. https://www.istanbulbarosu.org.tr/HaberDetay.aspx?ID=16265
Maheswaran, R., Craigs, C., Read, S., Bath, P.A. ve Willett, P. (2009). A graph-theory method for pattern identification in geographical epidemiology-a preliminary application to deprivation and mortality. International Journal of Health Geographics, 8(1), 1-8. http://www.ij-healthgeographics.com/content/8/1/28 Nature. (t.y.). Computational social science. https://www.nature.com/collections/cadaddgige/
Olshannikova, E., Olsson, T., Huhtamäki, J. ve Kärkkäinen, H. (2017). Conceptualizing big social data. Journal of Big Data, 4(1), 1-19. https://doi.org/10.1186/s40537-017-0063-x
Orduz, J. C. (2018, 20 Aralık). Text mining, networks and visualization: Plebiscito tweets. Juanitorduz. https://juanitorduz.github.io/text-mining-networks-and-visualization-plebiscito-tweets/
Özbaş Anbarlı Z. ve Çınar, N. (2019). Sosyal ağlarda neler oluyor? Sosyal ağ analizi ile pazarlama iletişimi araştırmaları. İletişim Araştırmalarında Farklı Bakış Açıları, (37-55), Detay Yayıncılık.
Pelechrinis, K. (2015). TELCOM2125: Network science and analysis. [Powerpoint sunumu]. School of Information Sciences, University of Pittsburgh. https://sites.pitt.edu/~kpele/Materials15/module2.pdf
Phua, J., Jin, S. V., ve Kim, J. J. (2017). Uses and gratifications of social networking sites for bridging and bonding social capital: A comparison of Facebook, Twitter, Instagram, and Snapchat. Computers in Human Behavior, 72, 115-122. https://doi.org/10.1016/j.chb.2017.02.041
Qiu, D., Li, B., ve Leung, H. (2016). Understanding the API usage in Java. Information and Software Technology, 73, 81-100. https://doi.org/10.1016/j.infsof.2016.01.011 Sagepub. (t.y.). Methods map: Computational Social Science. https://methods.sagepub.com/methods-map/computational-social-science
Segev, E. (Ed.). (2021). Semantic Network Analysis in Social Sciences. Routledge. https://doi.org/10.4324/9781003120100
Stackoverflow. (2020, Ocak 29). How do I clean Twitter data in R. https://stackoverflow.com/questions/31348453/ Steinert-Threlkeld ve Zachary C. (2018). Twitter as data. Cambridge University Press. https://doi.org/10.1017/9781108529327
Stylos, J., & Myers, B. (2007, September). Mapping the space of API design decisions. In IEEE Symposium on Visual Languages and Human-Centric Computing (VL/HCC 2007) (pp. 50-60). IEEE.
Twitter. (t.y.). Twitter API. https://developer.twitter.com/en/docs/twitter-api
Valente, T. W., Coronges, K., Lakon, C., ve Costenbader, E. (2008). How correlated are network centrality measures? Connect(Tor). 28(1), 16-26. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2875682/
van Gompel, M. ve van den Bosch, A. (2016). Efficient n-gram, skipgram and flexgram modelling with colibri core. Journal of Open Research Software, 4(1), e30. https://doi.org/10.5334/jors.105
Wasim, A. (2021, 18 Mayıs). Using Twitter as a data source an overview of social media research tools. The London School of Economics and Political Science (LSE), Impact of Social Sciences Blog. http://eprints.lse.ac.uk/111332/
Woods, C. (2021). Text and sentiment analysis in R. Chryswoods.com. https://chryswoods.com/text_analysis_r
Yu, J., 2021. Discovering Twitter through computational social science methods. Yayınlanmamış Doktora Tezi. Universitat Autonoma de Barcelona.