بررسی قابلیت کاربست داده‏های کاربران توئیتردر ارزیابی اثربخشی (مورد مطالعه: سازمان صداوسیمای جمهوری اسلامی ایران)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار پژوهشگاه علوم و فناوری اطلاعات ایران (ایرانداک)، تهران، ایران

2 استاد روزنامه‎نگاری، دانشکده علوم ارتباطات، دانشگاه علامه طباطبائی، تهران، ایران

3 کارشناسی ارشد، گروه مدیریت رسانه، دانشکده علوم ارتباطات، دانشگاه علامه طباطبائی، تهران، ایران

10.22034/aimj.2021.138542

چکیده

از دیرباز، سازمان‏ها به اثربخشی به‏عنوان معیاری از تحقق اهداف ذی‏نفعان توجه داشته‏اند. در عصر کنونی، کلیدی‏ترین ذی‎نفع هر سازمان رسانه‏ای، مخاطب و معیار اثربخشی، میزان رضایت اوست. از این رو، در رسانه‏های بزرگ جهان مدل‏های کارآمدی به‎منظور ارزیابی اثربخشی برنامه‏ها از دیدگاه مخاطب طراحی شده‌اد که در آنها از داده‏های مربوط به شبکه‏های اجتماعی به‏عنوان منبعی مناسب، دقیق و بدون جهت‎گیری از نیازها و انگیزه‏های مخاطبان استفاده می‏شود. هدف این پژوهش، بررسی قابلیت استفاده از داده‎های کاربران شبکه اجتماعی توئیتر فارسی در ارزیابی اثربخشی محتوای برنامه‌های سازمان صداوسیما بوده است. از آنجا که تاکنون برای ارزیابی اثربخشی در سازمان صداوسیما از ابزارهای مصاحبه یا پرسش‎نامه برای جمع‎آوری داده‏ها استفاده شده است و این ابزارها مشکلاتی مانند دروازه‏بانی اطلاعات ارائه‏شده از سوی مخاطبان دارند، در این پژوهش قابلیت کاربست داده‏های توئیتر به‏منظور ارزیابی اثربخشی برنامه‏ها بررسی شد. این پژوهش در دو فاز انجام شده است. در فاز نخست، بر مبنای مصاحبه عمیق با 15 نفر از خبرگان و تحلیل داده‏‎ها به روش تحلیل مضمون الگوی فرایندی مناسب برای ارزیابی اثربخشی محتوای برنامه‏های سازمان شامل پنج مؤلفه اصلی ورودی، فرایند، خروجی، واحد نظارت، واحد پژوهش‎ها و 26 مؤلفه فرعی استخراج شد. در فاز دوم، داده‎های منتشرشده کاربران توئیتر در رابطه با شش مورد از سریال‏های پخش‌شده در بازه نه ماه نخست سال 99 به روش نظارت‏نشده جمع‌‎آوری شد و توسط نرم‎افزارهای رپیدمایندر و ارنج و روش تحلیل محتوا تحلیل شد. بر اساس نتایج، به‎منظور استفاده از داده‏های توئیتر در فرایند ارزیابی اثربخشی می‎توان از هر دو روش تحلیل داده‎ها مبتنی بر محتوا و مبتنی بر ساختار شبکه، استفاده کرد. همچنین در بخش‎های پیش از برنامه‌ریزی محتوایی و در مرحله پیش‌تولید، مرحله توزیع و همچنین در مرحله تحلیل و بازخورد از فرایند ارزیابی اثربخشی، می‏توان از تحلیل داده‏های توئیتر استفاده کرد.

کلیدواژه‌ها

عنوان مقاله [English]

Using Twitter Data for Effectiveness Evaluation of Islamic Republic of Iranian Broadcasting

نویسندگان [English]

  • Somayeh Labafi 1
  • Ali Asghar Kia 2
  • Reza Eyvazi 3

1 Assistant Prof. of Iranian Research Institute for Information Science and technology (IranDoc), Tehran, Iran

2 Prof. of Journalism, Faculty of Communication Sciences, Allameh Tabataba'i University, Tehran, Iran

3 MSc. Department of Media Management, Allameh Tabataba'i University, Tehran, Iran

چکیده [English]

Has been for a long time, effectiveness considered by organizations as a measure of achieving the goals of stakeholders. Now, audience are the key stakeholders of media and the measure of effectiveness is their goals. Therefore, in the world's top media, efficient models have been designed to evaluate effectiveness of programs from the audience's point of view. These models use social network data mining. Because social media data is accurate sources and without orientation of audience needs. The purpose of this study is to investigate the ability to use the Twitter user data in content effectiveness evaluating of the Islamic Republic of Iran Broadcasting. in previous research, interview tools or questionnaires have been used to collect data, which have problems such as gatekeeping and orientation. In this study, we investigated the ability to use Twitter data to effectiveness evaluate. This research has been done in two Steps. First step, based on in-depth expert interviews with 15 persons and thematic analysis method, we extracted a model for the content effectiveness evaluation. That include 5 main Component; Input, process, output, monitoring unit, research unit and 26 sub-components. In the second step, we mined Twitter user data about six series aired in 20 march to 20 December 2020, based on an unsupervised Clustering and analyzed by Rapid minder software and content analysis method. The results showed that both content analysis and Structural analysis methods can be used for content effectiveness evaluation. Also, Twitter data mining can be used in the precontent planning, the pre-production, distribution and feedback stages of the effectiveness evaluation model.

کلیدواژه‌ها [English]

  • effectiveness
  • Effectiveness evaluation
  • Data mining
  • Twitter
  • IRIB
حمیدی‌زاده، محمدرضا؛ نوریان، ذبیح الله (1392). تبیین و ارزیابی فرایند اثربخشی تبلیغات تلویزیونی بر جذب مشتریان (مورد پژوهی بانک صادرات ایران). نوآوری و ارزش‌آفرینی، 2(3)، 33-46.
خجسته، مهدی؛ زارع مهرجردی، یحیی (1396). طراحی مدلی برای اثربخشی بر بینندگان صداوسیما و جلب رضایت و وفاداری آنان با رویکرد پویایی سیستم (مورد مطالعه: شبکه آموزش سیما). مدیریت فرهنگ سازمانی، 3(45)، 709-733.
فرهنگی، علی اکبر؛ فیروزیان، محمود؛ موسویان، اکرم سادات (1388). بررسی اثربخشی تبلیغات شرکت ملی گاز ایران در راستای بهینه سازی مصرف. مدیریت بازاریابی، 4(7)، 19-43.
لبافی، سمیه؛ کیا، علی اصغر؛ ملکی، مصطفی (1399). شناسایی عوامل مؤثر بر درگیرسازی و مشارکت کاربر در شبکه اجتماعی ـ علمی ریسرچگیت. پژوهشنامه پردازش و مدیریت اطلاعات، ۳۶ (۱)، 33 – 62.
مشبکی، اصغر؛ بختیاری، حسین (1390). بررسی مسئولیت اجتماعی سازمانی در رسانه ملی. پژوهش‌های ارتباطی، 18(2)، 177-208.
مؤیدی، معصومه؛ حیاتی، داریوش (1394). ارزیابی اثربخشی برنامه‌های تلویزیونی کشاورزی از دیدگاه مخاطبان: مورد مطالعه استان فارس. علوم ترویج و آموزش کشاورزی، 11(2)، 165-181.
 
Barbier, G., Liu, H. (2011). Data mining in social media. Springer, Boston, MA. https://doi.org/10.1007/978-1-4419-8462-3_12: In: Aggarwal C. (eds) Social Network Data Analytics. .
Bifet, A., & Frank, E. (2010). Sentiment Knowledge Discovery in Twitter. International Conference on Discovery Science. Hamilton, New Zealand: University of Waikato. 1-15.
Cameron, K.S. (2015). Organizational Effectiveness. Wiley Encyclopedia of Management (11). https://doi.org/10.1002/9781118785317.weom 110202.
Cushing, C., & Dekhtyar, A. (2012). Detecting netflix service outages through analysis of twitter posts. Master's Theses ,digitalcommons.calpoly.edu, https://doi.org/10.15368/ theses.2012.55.
Cooper, R. P. (2019). Twitter statistics all marketers need to know in 2019. https://blog. hootsuite. com/twitter-statistics, 28.
Costa, E. B., Fonseca, B., Santana, M.A., De Arajo, F.F., & Rego, J. (2017). Evaluating the effectiveness of educational data mining techniques for early prediction of students' academic failure in introductory programming courses. Computers in Human Behavior, 73, 247-256.
Cox, J. (2013). What Makes a Blockbuster Video Game? An Empirical Analysis of US Sales Data. Managerial and Decision Economics, 35(3), 189-198.
Daft, R.L. (2014). Organizational theory and design. California: South Western College.
Danubianu, M., & Hapenciuc, V.C. (2008). Improving customer relationship management in hotel industry by data mining techniques. Annals of the University of Craiova, 7(7), 3261-3268.
Del Vecchio, M., Kharlamov, A.A., Parry, G. and Pogrebna, G. (2019). Improving Productivity in Hollywood with Data Science: Using Emotional Arcs of Movies to Drive Product and Service Innovation in Entertainment Industries. Journal of the Operational Research Society, 72(5), 1110-1137.  https://doi.org/10.1080/01605682.2019.1705194.
Drucker, P.F. (1963). Managing for business effectiveness. Harvard Business Review, 41(3), 53- 60.
Etzioni, A. (1964). Modern organizations. New Jersey: Prentice-Hall.: Englewood Cliffs.
Feng, J., Barbosa, L. D. A. and Torres, V.  (2012). Systems and methods for social media data mining. AT&T Intellectual Property I United States Patent 9262517.
Gaikar, D.D., Marakarkandy, B. and Dasgupta, C. (2015). Using Twitter data to predict the performance of Bollywood movies. Industrial Management & Data Systems, 111(9), 1604-1621.
Green, J. C., and Griesinger, D.W. (1996). Board performance and organizational effectiveness in nonprofit social services organizations. Nonprofit management and Leadership, 6(4),  381-402.
Guiora, A., and Park, E. (2017). Hate Speech on Social Media. Philosophia, 45(3), 957–971.
Heacock, P. (2003). Cambridge Dictionary of American Idioms. Cambridge: Cambridge University Press.
Heracleous, L. (1998). Strategic thinking or strategic planning? Long Range Planning, 31(3),  481-487.
Herman, R. D., & Renz, D.O. (1997). Multiple Constituencies and the Social Construction of Nonprofit Organization Effectiveness. Nonprofit and Voluntary Sector Quarterly, 26(2), 185-206.
Hill, Ch.W. L., Jones, G.R. & Schilling, M.A.( 2014). Strategic management: Theory & cases: An integrated approach. Boston: Cengage Learning.
Kaya, M., Guven, F. & Toroslu, I.H. (2013). Transfer learning using Twitter data for improving sentiment classification of Turkish political news. Information Sciences and Systems, 26(4), 139-148.
Krauss, E. (2000). NHK and Broadcasting Politics. In Broadcasting politics in Japan: NHK and television news, by Ellis. Krauss, 1-21. New York: Cornell University Press.
Lanham, R. (2006). The Economics of Attention: Style and Substance in the Age of Information. Chicago: University of Chicago Press.
Liao, Sh., Wang, J., Yu, R., Sato, K. and Cheng, Z. (2017). CNN for situations understanding based on sentiment analysis of twitter data. Procedia computer science, 111(C), 376-381.
Manzano, E. P. F., Neira, E. & Gavilán, J.C. (2016). Data management in audiovisual business: Netflix as a case study. El profesional de la información, 25(4), 568-577.
Naugle, D. A., and Hornik, R.C. (2014). Systematic Review of the Effectiveness of Mass Media Interventions for Child Survival in Low- and Middle-Income Countries. Journal of health communication, 19(1), 190-215.
Neely, A., Gregory, M. & Platts, K. (1995). Performance measurement system design: a literature review and research agenda. International Journal of Operations & Production Management, 15(4), 80-116.
Papadimitriou, D. & Taylor, P.  (2000). Organisational effectiveness of Hellenic national sports organisations: A multiple constituency approach. Sport Management Review, 3(1), 23-46.
Pfeffer, J. & Salancik, G.R. (1978). The External Control of Organizations: A Resource Dependence Perspective. New York: Harper & Row.
Quinn, R. & Rohrbaugh, J. (1983). A spatial model of effectiveness criteria: Towards a competing values approach to organizational analysis. Management science, 29(3), 273-393.
Robins, S. (1990). Organizational effectiveness. In Organization Theory, Structure, Design and Application, by S. Robins, 47-80. New Jersey: Englewood cliffs, NH prentice hall.
Shankleman, L. K. (2012). The BBC as a business. In Inside the BBC and CNN: Managing Media Organisations, 85-100. London: Routledge.
Solomon, S., Nguyen, H., & Liebowitz, J. (2006). Using data mining to improve traffic safety programs. Industrial Management & Data Systems, 106(5), 621-643.
Tenopir, C., Volentine, R. & King, D.W. (2013). Social media and scholarly reading. Online Information Review, 37(2), 193-216.
Youzheng, Ch., & Ming, G. (2008). Data mining to improve human resource in construction company. International Seminar on Business and Information Management. Wuhan: IEEE. 275–278.
Yuchtman, E. & Seashore, S.E. (1976). A System Resource Approach to Organizational Effectiveness. American Sociological Review, 32(6), 891-903.
Zhang, J., Yang, X. & Appelbaum, D. (2015). Toward effective big data analysis in continuous auditing. Accounting Horizons, 29(2), 469-476.
Zhou, Z., Bandari, R., Kong, J., Qian, H. & Roychowdhury, R. (2010). Information resonance on Twitter: watching Iran." Proceedings of the First Workshop on Social Media Analytics. New York: Association for Computing Machinery. https://doi.org/10.1145/1964858. 1964875.
Xu, B. & Recker, M. (2012). Teaching Analytics: A Clustering and Triangulation Study of Digital Library User Data. Journal of Educational Technology & Society, 15(3), 103–115. http://www.jstor.org/stable/jeductechsoci.15.3.103
دوره 7، شماره 1 - شماره پیاپی 12
بهار و تابستان 1400
صفحه 136-156
  • تاریخ دریافت: 26 بهمن 1399
  • تاریخ بازنگری: 26 خرداد 1400
  • تاریخ پذیرش: 03 مهر 1400